频率选择表面电磁特性的多元自适应采样分析

将自适应频率采样法扩展为多元函数的自适应采样法,并应用于频率选择表面(FSS)的电磁特性分析。依据FSS的散射参数与多个变量的函数关系建立多元有理函数模型,通过在各维变量中查找误差最大点选择采样点,并通过依次将一维内插值作为下一维内插拓扑关系的初始值,将一维内插扩展为多维内插,结合矩量法分析频率、入射方向等参数对FSS电磁特性的影响。计算分析了十字形贴片单元、方形孔径单元FSS散射特性曲线和口径天线-FSS罩系统的方向图,计算结果与直接矩量法结果吻合,计算效率得到显著改善,验证了方法的有效性。

化学计量学方法选取对烟草含水率近红外分析准确度的影响

目的:研究不同化学计量学方法对烟草含水率近红外分析准确度的影响。方法:比较不同预处理方法(平滑、一阶、二阶、标准正态变量(SNV)和多元散射校正(MSC)及其组合)以及不同波长筛选方法(基于水分波段、基于波长区间、基于波长点)对预测模型性能的影响。结果:仅对数据进行SNV、MSC、MSC+一阶、MSC+SNV、SNV+一阶预处理的模型能够使不同程度的相对分析误差RPD提高,而其他方法则不同程度下降;在波长筛选方法方面,使用基于波长区间的方法能够获得较好的优化效果,经过变量筛选得到594个波长,为原波长数的27.26%,且能提高0.1336的RPD值。结论:不同的计量学方法会对烟草含水率分析准确度产生影响,对于此次数据,应采用MSC预处理方法及基于波长区间筛选方法对数据进行处理。

拉曼光谱结合机器学习对植物油的分类鉴别

该研究采集了六类(38个品牌)常见植物油的551份拉曼光谱,并根据光谱数据分别建立了正交偏最小二乘判别和支持向量机模型,对比了连续投影法和竞争性自适应重加权采样法对模型识别正确率的影响。基于算法改进的偏最小二乘判别模型的总体预测准确率为82.53%、83.13%,低于基于全光谱数据建立的偏最小二乘判别模型。竞争性自适应重加权采样法结合支持向量机对玉米油、橄榄油、葵花籽油和芝麻油的品牌分类测试集正确率均达到100%;椰子油和花生油的测试集正确率为22.22%、63.64%。两类特征提取算法均可以减少建立分类模型所需的变量数目和计算资源,但以提取后变量建立分类模型可能会导致识别正确率下降。在解决样本间相似度较高的多分类问题时,支持向量机模型优于正交偏最小二乘判别模型。正确率差异可能和生产商所使用的生产工艺以及植物油原料相关。面对案件侦办中品牌种类多样的油脂物证,基于拉曼光谱分析和特征提取算法的支持向量机模型可为可食用植物油的无损快速检验提供一定的参考与借鉴。

基于变分贝叶斯推断最优高斯混合模型的自适应不均衡数据综合采样法

实际的分类数据往往是分布不均衡的.传统的分类器大都会倾向多数类而忽略少数类,导致分类性能恶化.针对该问题提出一种基于变分贝叶斯推断最优高斯混合模型(varition Bayesian-optimized optimal Gaussian mixture model,VBoGMM)的自适应不均衡数据综合采样法.VBoGMM可自动衰减到真实的高斯成分数,实现任意数据的最优分布估计;进而基于所获得的分布特性对少数类样本进行自适应综合过采样,并采用Tomek-link对准则对采样数据进行清洗以获得相对均衡的数据集用于后续的分类模型学习.在多个公共不均衡数据集上进行大量的验证和对比实验,结果表明:所提方法能在实现样本均衡化的同时,维持多数类与少数类样本空间分布特性,因而能有效提升传统分类模型在不均衡数据集上的分类性能.

轨道不平顺小样本全信息表达的联合模拟方法

针对传统方法需要生成大量轨道不平顺样本才能涵盖所有随机特征,但样本数多又会导致计算效率低的问题,本文提出了一种自适应采样法(ASM)与改进的第二类随机谐和函数法(MSHF)结合的轨道不平顺模拟的联合方法。ASM自适应选取符合轨道不平顺功率谱密度函数(PSD)谱概率分布的高代表性样本点,从而减少样本数量;之后在SHF中添加一类符合谱概率分布的独立变量进行改进,通过将ASM选取的样本点代入新增变量,实现了轨道随机不平顺的时域小样本全信息表达。以车轨桥耦合系统(TTBS)随机动力分析为例,与传统一次性采样和SHF方法相比,本文方法在提高精度的同时可以减少41.67%的计算时间。

基于聚类簇结构特性的自适应综合采样法在入侵检测中的应用

基于机器学习的网络入侵检测方法将恶意网络行为(入侵)检测转化为模式识别(分类)问题,因其适应性强、灵敏度高等优点,受到国内外广泛关注.然而,现有的模式分类器往往假设数据集的分布是均衡的,而真实的网络环境中,入侵行为要远少于正常访问,这给网络入侵行为检测带来巨大挑战.因此,提出一种基于聚类簇结构特性的综合采样法(CSbADASYN),通过挖掘少数类样本的内部结构对其进行自适应过采样,以获得样本分布结构特性保持的均衡数据样本,解决因数据不均衡带来的分类偏向.CSbADASYN先采用谱聚类方法对数据集中的少数类样本进行聚类分析,再根据所获得的聚类簇结构自适应插值,将获得样本分布结构保持的均衡样本用于分类器模型学习.在经典的NSL-KDD和KDD99数据集上进行大量的验证性和对比性实验,结果表明,CSbADASYN能使传统分类器模型在不均衡数据集上的分类性能得到明显提升.与传统的未经样本均衡处理和其他的带均衡处理的入侵检测方法相比,该方法能获得更低的误报率和漏报率.

CARS结合PLS-LDA法识别奶牛饲料中土霉素的可行性研究

收集了一年内不同月份不同种类的纯奶牛精补料20个,制备土霉素含量不同的掺假奶牛精补料100个,在全光谱范围内对样品进行近红外透反射光谱扫描,利用CARS法对光谱数据进行前处理,采用偏最小二乘-线性判别分析(PLS-LDA)法来建立判别模型。建立的PLS-LDA模型的交互验证最小错误率为0.0729,模型错分率为0,模型预测错误率为0.0417。说明利用近红外光谱技术建立定性判别模型来检测奶牛饲料中是否掺有土霉素是可行的。

近红外光谱法定性描述酵母菌的生长过程

提出了一种基于近红外光谱分析技术的酵母菌生长过程描述方法。利用AntarisⅡ型傅里叶变换近红外光谱仪获取酵母菌培养过程中,发酵物样本在10000~4000 cm^(-1)范围内的光谱数据,同时采用光电比浊法测定各样本的光密度(Optical density,OD)值;运用竞争性自适应重加权采样(Competitive adaptive reweighted sampling,CARS)算法优选特征光谱,再利用极限学习机(Extreme learning machine,ELM)建立酵母菌生长过程4个阶段的分类模型。研究结果显示,参与CARS-ELM模型建立的波长个数为30,其10次运行在训练集和测试集中的平均识别率分别为98.68%和97.37%。研究结果表明,利用近红外光谱分析技术结合适当的化学计量学方法描述酵母菌生长过程是可行的。

基于MCCV-CARS-RF建立红提糖度和酸度的可见-近红外光谱无损检测方法

利用USB2000+微型光谱仪采集红提400～1 000 nm透过率光谱数据,并通过理化分析测得糖度和酸度值;利用Savit Zky-Golay卷积平滑法对原始光谱进行预处理,结合蒙特卡罗交叉验证法剔除奇异点,再利用竞争自适应重加权采样法降维,最终建立随机森林预测模型。糖度预测模型的校正集相关系数和均方根误差分别为0.955 8和0.315 8;验证集相关系数和均方根误差为0.956 8和0.318 5。酸度预测模型的校正集相关系数和均方根误差分别是0.945 6和0.300 1;验证集相关系数和均方根误差为0.940 5和0.311 2。结果表明,该方法适用于红提糖度和酸度的快速无损检测,且具有较高的准确度。

基于高光谱技术融合图像信息的杏鲍菇干燥过程中含水率检测

为了应用高光谱成像技术结合图像处理技术研究杏鲍菇含水率的快速无损检测以及含水率分布可视化,采集不同干燥时期共240个杏鲍菇样品在358～1 021 nm波段范围内的高光谱图像。利用阈值分割方法将图像中杏鲍菇区域与背景分离,提取杏鲍菇的平均光谱数据。采用连续投影算法(SPA)和稳定性竞争自适应重加权采样法(SCARS)分别筛选出5个和10个特征波长;采用主成分分析方法获得杏鲍菇的前2个主成分图像PC1、PC2,基于灰度共生矩阵(GLCM)提取主成分图像PC1、PC2共16个纹理特征。利用偏最小二乘(PLS)和最小二乘支持向量机(LS-SVM)分别建立光谱特征、纹理特征以及光谱与纹理特征融合的含水率预测模型。结果表明:与光谱特征相比,纹理特征与含水率的相关性较差;光谱特征模型SCARS-LS-SVM预测效果最好,其预测集决定系数(R■)=0.975,均方根误差(RMSEP)=3.712,相对分析误差(RPD)=3.211。基于SCARS-LS-SVM模型,将杏鲍菇样品含水率分布用不同颜色直观显示,实现了含水率分布可视化。

AOTF高光谱成像探测作物氮素含量方法

使用声光可调谐滤光器(AOTF)型高光谱成像仪采集10种不同氮素处理水平下的西红柿苗各部位(老叶、嫩叶和主茎)的高光谱图像,经模板匹配预处理后提取615~1 000 nm高光谱信息,采用竞争自适应重采样(CARS)方法优选西红柿苗氮素含量表达的特征部位和特征波段。实验结果表明:综合番茄苗叶茎的光谱信息建立的氮素定量模型性能最差,由番茄苗老叶和嫩叶建立的氮素定量模型性能较好,由番茄苗老叶建立的氮素定量模型性能最佳,在挑选的703,906 nm等10个波长点的基础上,采用5折—偏最小二乘交互校验方法建立的氮素定量分析模型的决定系数R^2达到了0.95,交叉校验标准差(RMSECV)为0.08。因此,采用AOTF高光谱成像技术定量测量番茄苗氮素含量是可行的,应以氮素含量相对稳定的老叶建立定量分析模型,703,906 nm为氮素分析的首选特征波长。

基于近红外光谱大豆蛋白质、脂肪快速无损检测模型的优化构建

为实现大豆蛋白质、脂肪含量的快速无损检测,采集350~2 500 nm光谱范围内的大豆近红外光谱。运用经典Kennard-Stone算法选取建模样本及验证样本,对近红外原始光谱进行卷积平滑(savitzky and golay, SG)+一阶微分、变量标准化(standard normal variate, SNV)+去趋势算法(de-trending,DT)、正交信号校正(orthogonal signal correction,OSC)处理;然后通过竞争性自适应重加权采样方法(competitive adaptive reweighted sampling,CARS)筛选出特征波长,比较偏最小二乘法(partial least squares,PLS)、BP神经网络法所建模型,最终获得对于大豆蛋白质、脂肪含量的快速、无损检测的最佳模型。结果表明:(1)经CARS特征波段挑选后,波长的变量个数由1 981个减少为100个以下,变量压缩率大于94.95%;(2)CARS波段选择能够提高建模精度,基于挑选的特征波段所建立模型的决定系数均>0.9;(3)OSC+CARS+PLS与OSC+CARS+BP该类数据处理组合方式在一定程度上能够实现大豆蛋白质、脂肪的快速、无损检测。优化构建的该模型能够精准快速无损的检测大豆蛋白质、脂肪含量,对大豆品质评估以及作物改良具有重要意义。

维C银翘片包衣过程近红外光谱实时检测研究

目的建立一种基于近红外光谱(near infrared spectroscopy,NIRS)快速检测维C银翘片(Vitamin C Yinqiao Tablets,VCYT)引湿率与包衣增重的方法,用于包衣过程的实时检测。方法参考《中国药典》2020年版测量引湿率,将其作为包衣防潮效果的指标。通过在线NIRS技术实时采集包衣过程中的片剂光谱,比较了区间偏最小二乘法(interval partial least squares,iPLS)、随机蛙跳(rand frog,RF)、蒙特卡罗-无信息变量消除(Monte Carlo-uninformative variable elimination,MCUVE)、竞争自适应重采样法(competitive adaptive reweighted sampling,CARS)4种波长选择算法对偏最小二乘回归(partial least squares regression,PLSR)的影响。结果所得定量模型可准确、稳定地预测引湿率与包衣增重,其决定系数(Rp 2)分别为0.8918和0.9396,预测均方根误差(root mean square error of prediction,RMSEP)分别为0.1754和0.2742,相对分析误差(relative prediction errors,RPD)分别为3.1219和4.1484。另外,在1批包衣过程实时检测的结果显示,预测模型对引湿率的预测效果良好(RPD=4.1991),但对包衣增重的预测效果较差(RPD=1.8152)。结论NIRS对维C银翘片包衣过程的实时检测是可行的。

基于无人机高光谱遥感和机器学习的土壤水盐信息反演

精准诊断盐碱农田水盐信息有助于保护耕地面积、长效提升土壤地力。本研究基于无人机高光谱数据提取田块尺度植被冠层光谱信息,利用标准正态变量(SNV)、多元散射校正(MSC)、一阶微分(FDR)和二阶微分(SDR)分别对原始光谱反射率(R)进行数学变换,通过最大相关系数绝对值(MACC)确定土壤含水量(SWC)、pH值和含盐量(SSC)的最优光谱变换形式,并采用竞争性自适应重加权采样法(CARS)对其进行特征波段提取,基于偏最小二乘回归(PLSR)、随机森林(RF)和极端梯度提升(XGBoost)建立土壤水盐信息反演模型。结果表明:土壤含水量、pH值和含盐量分别以R、FDR和MSC为最佳光谱变换形式,所对应的MACC分别为0.730、0.472和0.654。CARS算法能有效剔除无关变量,从150个光谱波段中优选出16~17个特征波段。土壤含水量和pH值均以XGBoost模型表现最佳,模型验证决定系数(R_(p)~2)分别达0.927和0.743,相对分析误差(RPD)分别达3.93和2.45;土壤含盐量以RF模型为最优反演方法,R_(p)~2和RPD分别为0.427和1.64。本研究结果可为土壤水盐信息空天地一体化遥感监测提供参考方案,为盐碱地改良和保护性耕作提供科学依据。