共查询到20条相似文献，搜索用时 15 毫秒
1.
基于NIR及PLS-PCR-SVR预测森林土壤有机碳含量 总被引：2，自引：0，他引：2
森林土壤有机碳含量是表征林地土壤营养状况的重要指标,该文建立了土壤有机碳含量的近红外光谱定标模型,并比较了偏最小二乘法（PLS）、支持向量机回归（SVR）、主成分回归（PCR）3种建模方法及Savitzky-Golay平滑＋多元散射校正、Savitzky-Golay平滑＋一阶导数、Savitzky-Golay平滑＋二阶导数、Savitzky-Golay平滑＋多元散射校正＋一阶导数、Savitzky-Golay平滑＋多元散射校正＋二阶导数5种光谱预处理方法对土壤有机碳含量定标模型精度的影响,同时进行了波段优选。结果表明：当光谱区域为1 380～1 450 nm,1 800～1 950 nm,2 050～2 300 nm,光谱数据采用Savitzky-Golay平滑＋多元散射校正＋一阶导数预处理,采用PLS的建模方法,主成分数为8时,建立的校正模型预测效果最佳。校正模型的R、RMSE、SEC分别为0.805 2、0.512 2、0.512 5;预测模型的R、RMSE、SEP分别为0.768 1、0.514 3、0.514 6。因此,利用近红外光谱技术可以实现土壤有机碳含量的快速估测,为林区实时、大面积、快速测定森林土壤有机碳含量提供了技术可行性。 相似文献
2.
基于高光谱技术的烤烟成熟度判别研究 总被引：1，自引：0，他引：1
《延边大学农学学报》2015,(4)
提出了一种使用高光谱技术快速、无损检测和鉴别烤烟成熟度的新方法。应用高光谱仪采集获取4个不同成熟度烤烟样本的光谱特征曲线,选取400~2 400nm波段光谱经标准正态变换、Savitzky-Golay平滑滤波和一阶微分滤波预处理优化,建立了烤烟成熟度的偏最小二乘定性判别(PLS-DA)模型。结果显示,模型校正集决定系数R20.812,校准均方根误差(RMSEC)为0.092~0.218,模型正确识别率为100%;模型对验证集中未知成熟度等级烤烟样品的正确识别率达到92.5%以上,不同成熟度烤烟判别模型性能良好。这说明利用高光谱技术结合PLS-DA对烤烟成熟度进行鉴别是可行的。 相似文献
3.
4.
采用傅里叶变换近红外漫反射光谱仪测定来自吉林省白城市、黑龙江泰来县、黑龙江杜尔伯特蒙古自治县、山东省泗水县绿豆共120份样品的近红外光谱,分别采用一阶导数+9点平滑、标准正态变换（SNV）、多元散射矫正（MSC）、矢量归一化+MSC四种光谱预处理方法,建立偏最小二乘判别模型（PLS-DA）,分析不同预处理方法对模型稳定性的影响,结果得出：原始光谱模型判别率为62.5%,一阶导数+9点平滑预处理模型判别率为65%,SNV预处理模型判别率为65%,MSC预处理模型判别率为82.5%,矢量归一化+MSC预处理模型判别率为90%。因此,采用矢量归一化+MSC预处理方法对绿豆产地判别的准确率最高。 相似文献
5.
采集棉花、小麦、玉米、油菜和水稻等5种农作物秸秆,经炭化处理制备秸秆生物炭实验样本,采用C2000型量热仪测定其热值,利用VERTEX 70型傅里叶红外光谱仪采集红外光谱。采用联合光谱影响值和化学值绝对误差法剔除异常样本,光谱理化值共生距离法(SPXY)划分样本集,利用TQ Analyst 8.3定量分析软件对光谱进行预处理,并结合偏最小二乘法(PLS)建立秸秆生物炭高、低位热值的定量分析模型。研究结果显示:经多元散射校正(MSC)和一阶导数(first derivative)对光谱进行预处理后,建立的高位热值定量分析模型效果最优,其验证集相关系数RP为0.909,验证均方根误差RMSEP为614J/g,相对标准差RSD为2.61%;经多元散射校正(MSC)和一阶导数(first derivative)结合S-G平滑法对光谱进行预处理后,建立的低位热值定量分析模型效果最优,验证集相关系数RP为0.873,验证均方根误差RMSEP为707J/g,相对标准差RSD为3.12%。结果表明,利用FT-MIR快速检测秸秆生物炭的热值是一种可行的方法。 相似文献
6.
运用近红外光谱技术结合偏最小二乘法(PLS),对所采集光谱进行一阶导数和二阶导数处理,并对未处理原始光谱、一阶导数处理光谱和二阶导数处理光谱分别在7个不同波段范围内建立红松含水率预测模型.结果表明红松样本近红外光谱经一阶导数处理,波段在1 000～2 100nm范围内所建模型最优,其校正集相关性系数为0.992 5,校... 相似文献
7.
【目的】探讨高光谱遥感数据不同预处理及不同估测算法下土壤有机质估测模型的优劣,为提高土壤有机质估测精度奠定基础。【方法】使用高光谱仪在室内条件下对土壤样品进行光谱测量,对光谱数据进行4种去噪处理(无去噪处理、Savitzky-Golay(S-G)平滑滤波去噪、小波包去噪以及S-G平滑与小波包结合去噪),然后对去噪后的光谱数据进行8种数据变换(原始光谱数据R、倒数1/R、对数log(R)、倒数对数log(1/R)、一阶导数R′、倒数一阶导数(1/R)′、对数一阶导数(log(R))′、倒数对数一阶导数(log(1/R))′),接着对变化后的光谱数据进行3种降维处理(无降维处理、敏感波段降维和主成分分析降维),最后运用支持向量回归法和偏最小二乘回归法分别建立SOM含量估测模型。【结果】研究中所涉及的各种数据预处理和估测算法中,小波包去噪、PCA降维、反射率倒数一阶导数(1/R)′光谱数据变换处理条件下,使用PLSR方法的估测模型精度最高、模型最稳定,可以较精确地估测吉林省伊通县SOM含量。【结论】合适的数据预处理,尤其是小波包去噪和PCA降维相结合,可有效改善光谱数据质量,提高SOM含量估测模型精度及稳定性。 相似文献
8.
【目的】利用高光谱成像技术对水稻纹枯病进行早期的快速无损识别,结合判别分析方法建立相应的鉴别模型。【方法】以健康和感染纹枯病的水稻幼苗为研究对象,采集叶片和冠层各180个样本的380~1 030 nm波段的360条高光谱图像,剔除明显噪声部分后,以440~943 nm波段作为水稻样本的光谱范围,分别用不同的方法预处理获得水稻叶片的光谱曲线。采用偏最小二乘–判别分析(PLS-DA)对不同预处理的光谱建模。采用MNF算法对冠层的原始光谱数据进行特征信息提取,并基于特征信息建立线性判别分析(LDA)模型和误差反向传播神经网络(BPNN)判别模型。【结果】标准正态变量变换(SNV)预处理后建立的PLS-DA模型的预测集判别正确率最高,为92.1%。基于特征信息的LAD和BPNN模型的判别结果优于基于全波段的PLS-DA判别模型。基于最小噪声分离变换特征信息提取的BPNN模型取得了最优效果,建模集和预测集正确率分别达99.1%和98.4%。【结论】采用高光谱成像技术对水稻纹枯病生理特征进行无损鉴别是可行的,本研究为水稻纹枯病的识别提供了一种新方法。 相似文献
9.
黄硬皮马勃(Scleroderma flavidum Ell.et EV.)主要生长在我国南方地区,有食用和药用价值。利用红外技术对其进行产地鉴别,为黄硬皮马勃的资源鉴别提供基础分析方法和理论依据。利用傅里叶变换红外光谱(Fourier transform infrared spectroscopy,FTIR)仪采集4个不同产地共40个黄硬皮马勃样本的红外光谱,每个样本平行扫描3次,取平均值。随机选择12个样本作为验证集,其余作为校正集,采用1 800~500 cm-1波段的光谱数据,对比多种预处理方法,选择最佳预处理方法建立模型并进行判别分析(discriminant analysis,DA)。结果表明,预处理方法 ND(7∶3)+SD+MSC(ND为诺里斯导数平滑,SD为二阶导数,MSC为多元散射校正)构建的判别模型性能最佳,验证集样本的分类准确率和校正集样本的回判准确率均达到100%,模型鉴别效果良好,可靠性高。傅里叶变换红外光谱法结合判别分析,能有效鉴别不同产地黄硬皮马勃。 相似文献
10.
11.
近红外光谱技术在玉米种子活力检测中的应用研究 总被引：1，自引：0，他引：1
利用近红外光谱和BP神经网络建立玉米种子活力的快速无损检测模型。首先通过人工老化将样本按老化程度分为3种级别,分别采集样本的近红外光谱。对原始光谱进行矢量归一化预处理以消除光谱噪声。然后利用主成分分析(PCA)方法提取光谱特征,作为BP神经网络的输入,依据预处理及特征提取构建出BP神经网络种子活力检测模型。试验结果表明,该识别方法的准确率为90.3%,平均识别时间为27.36 ms。研究结果为玉米种子活力的快速无损检测提供了理论依据和实用方法。 相似文献
12.
目的 基于近红外光谱技术的红枣水分无损检测,为红枣水分含量模型建立提供科学依据。方法 以塔里木大学园艺试验站红枣资源圃中的脆熟期馒馒枣和保德油枣的果实为试材,采用传统烘干法测定枣果实水分含量,并通过近红外光谱分析仪进行枣水分无损检测。对2个品种样本光谱进行样本集划分并使用预处理的方法Savitzky-Golay平滑法和偏最小二乘回归分析法(PLS)。结果 建立了含水量定量检测分析模型。共获得212个样本,馒馒枣和保德油枣分别为100和112个,2个品种随机校正模型为75和84个,验证模型分别为25和28个,用外部证实法建立样品校正模型和验证模型。建立光谱模型将试验组分别分为红枣含水量校正模型和验证模型。所建2种红枣水分检测模型中SEC(校正集标准偏差)值分别为1.01%和1.29%;SEP(预测标准偏差)值为1.65%和1.41%,2种红枣的校正集与验证集交互相关系数分别为0.878和0.883。结论 以S-G平滑法对光谱数据预处理,以偏最小二乘进行回归分析(PLS)。建立含水量定量检测分析模型对红枣进行水分检测,水分真实值和预测值的交互相关系数均高于0.850。2个品种校正模型和验证模型差异较小均在0.5%左右,建立了红枣近红外光谱和水分含量之间的对应关系。 相似文献
13.
应用近红外透射光谱和人工神经网络的豆油脂良莠鉴别 总被引：1，自引：0，他引：1
提出了一种利用近红外透射光谱结合BP神经网络识别未知豆油脂良莠类别的方法。在10 000～3 500 cm-1范围内分别采集合格油、不合格油(精炼垃圾油、煎炸油和变质合格油)的透射光谱,对光谱数据依次作出Savitzky-Golay平滑、基线校正预处理,采用SPSS 11.0抽取出9个主成分(累计贡献率达到99.89%)作为神经网络输入神经元,建立3层BP神经网络模型,模型能够有效辨识未知豆油脂的良莠以及不合格具体种类,类别预测正确率为100%。 相似文献
14.
为提高全蛋粉掺假检测的准确度和检测效果,应用近红外光谱技术对全蛋粉掺假进行定性判别并对掺假含量进行定量分析。分别采用标准正态变换、多元散射校正、卷积平滑、归一化、一阶导数、二阶导数等6种不同预处理方法,对原始光谱数据进行预处理,采用竞争性自适应重加权算法（CARS）、连续投影算法（SPA）及CARS-SPA结合算法对光谱数据进行特征波长筛选,建立集成学习（ensemble learning,EL）模型对掺假蛋粉进行定性判别,建立偏最小二乘模型（PLSR）对掺假含量进行定量分析。结果显示：在对掺假蛋粉进行定性判别方面,一阶导数为最佳预处理方法,CARS算法特征筛选效果最佳,EL模型对掺假蛋粉样本总体判别准确率达到98.18%,对各类掺假蛋粉样品的判别准确率在97.78%以上。在对蛋粉掺假含量进行定量分析方面,多元散射校正为最佳预处理方法,CARS算法特征筛选效果更佳,对一组分掺假、二组分掺假、三组分掺假和所有掺假样本的PLSR浓度预测模型的预测集相关系数（Rp）分别为0.958 5、0.931 2、0.945 6和0.955 8,均方根误差（RMSEP）分别为4.689 1、5.813 4、4.604 1和3.802 9。研究结果表明,近红外光谱技术可用于蛋粉掺假检测,为监管机构检测蛋粉掺假提供参考。 相似文献
15.
16.
为了快速精准检测油茶籽含水量,解决传统烘干检测法费时费力等问题,提出一种基于高光谱技术的油茶籽含水量无损检测方法。以油茶籽为研究对象,测定油茶籽含水量,建立光谱模型,对油茶籽光谱分别进行Savitzky-Golay(S-G)卷积平滑、一阶微分、二阶微分和多元散射校正(MSC)预处理,通过逐步回归提取有效敏感波长,并采用偏最小二乘回归(PLSR)、BP神经网络和径向基(RBF)神经网络方法分别建立预测模型,对模型进行外部验证,选出最优预测模型。研究表明:相关系数较高的光谱敏感波段为410~450、600~620、780~880、940~971 nm。基于MSC预处理光谱建立的PLSR模型,在校正集上的相关系数为0.953 4、均方根误差为0.22%,在验证集上的相关系数为0.939 9、均方根误差为0.27%,优于BP神经网络模型和RBF神经网络模型。结果说明,采用高光谱技术检测油茶籽含水量是可行的,研究内容可为油茶籽含水量的在线无损检测提供有效依据。 相似文献
17.
《西南农业学报》2015,(2)
分别采用光谱指数法和偏最小二乘法(PLS)构建了橡胶树叶片氮素含量高光谱估算模型。结果表明,光谱指数模型中,基于NDSI(R1025,R736)建立的二次多项式模型最佳,调整R2达到0.792。基于不同Savitzky-Golay(SG)平滑模式预处理结果建立的PLS模型,估算精度差异明显,最优的SG平滑模式为零阶导数、53点平滑点数、二次多项式。利用测试集对光谱指数模型和PLS模型进行验证,结果显示,均方根误差RMSE分别为1.772和1.432 g/kg,相对分析误差RPD分别为2.598和3.215,平均相对误差ARE分别为5.189%和4.057%,PLS模型具有较高的估算精度。 相似文献
18.
利用近红外光谱(400～1 000 nm)系统采集140个灵武长枣样本的光谱信息,采用不同方法预处理原始光谱数据,优选出最佳预处理方法。分别建立竞争性自适应加权算法(CARS)和连续投影算法(SPA)提取特征变量的果肉硬度偏最小二乘回归(PLSR)预测模型,并利用原始光谱建立灵武长枣贮藏时间的偏最小二乘判别(PLS-DA)模型。结果表明,去趋势法(Detrend)为最优预处理方法;建立的Detrend-CARS-PLSR模型效果较好,果肉平均硬度校正集和预测集模型相关系数均为0. 868;果肉最大硬度校正集和预测集模型相关系数分别为0. 914、0. 849。建立的贮藏时间PLS-DA判别模型的校正集判别准确率为98%,预测集判别准确率为99%。说明,采用近红外光谱技术对灵武长枣贮藏过程中长枣果肉硬度和贮藏时间的快速预测具有可行性。 相似文献
19.
生姜水分含量的可见-近红外光谱检测 总被引：1，自引：0，他引：1
近红外光谱技术具有简便、快速和无损检测等优点,应用可见-近红外光谱方法建立生姜水分含量(moisture content)的预测模型.利用可见-近红外光谱仪采集308个生姜的光谱,其光谱范围是350～1 800 nm.分别采用一阶导数(FD)、二阶导数(SD)、标准正交变量变换(SNV)和多元散射校正(MSC)4种方法对光谱进行预处理,结合偏最小二乘法(PLS),分别在430～1 000 nm、1 000～1 800nm、430～1 800 nm 3个波段建立生姜水分含量的PLS预测模型.对实验结果进行分析表明,在波段范围430～1 800 nm使用一阶导数预处理方法建立的PLS模型最优.其验证组的相关系数为0.975 1,预测组的相关系数为0.959 7.结果表明,可见-近红外光谱可以准确、快速地对生姜的含水量进行检测. 相似文献
20.
《江苏农业科学》2016,(6)
为明确采用高光谱成像技术对葡萄可溶性固形物(SSC)检测的可行性。以高光谱成像系统为试验仪器,采集葡萄样本的漫反射光谱,对比分析不同光程校正方法、不同预处理方法对建模精度的影响,建立不同的葡萄SSC定量预测模型。研究结果表明,在波段500~1 000 nm的范围内,采用经过标准正态变化、一阶微分和Savitzky-Golay平滑相结合预处理后的偏最小二乘法建模方法预测能力最强,校正集相关系数(r_c)为0.912 6,校正集均方根误差(RMESC)为0.542,预测集相关系数(r_p)为0.854 0,预测集均方根误差(RMESP)为0.758。由结果可知,应用高光谱成像技术可以对葡萄可溶性固形物含量进行无损检测。 相似文献