基于卷积神经网络的近红外光谱文本数据匹配检测方法

为提高近红外光谱分析检测质量,提出一种应用卷积神经网络的近红外光谱文本数据匹配检测方法。该方法首先进行近红外光谱文本数据预处理,包括平滑去噪、多元散射校正、标准正态变换、导数等四部分,然后利用主成分分析方法进行数据降维,提取数据特征,最后通过卷积神经网络算法实现近红外光谱文本数据匹配与检测,得出检测目标种类、成分以及品质等参数指标。结果表明:所提方法应用下,得到的近红外光谱文本数据匹配结果与实际结果完全一致,匹配成功率达到了100%,数据分析的误差平均为1.6%,消耗的时间平均为1 s,证明该方法能够提高近红外光谱分析检测质量。

分波段Transformer特征提取在近红外光谱数据分类中的应用

针对近红外光谱维度高、受噪声扰动大,以及不同省份样本间光谱相似性高的特点,提出一种分波段Transformer特征提取网络,并将其应用于烟叶产地识别,以提高分类准确性。首先,根据近红外光谱的一维结构特点,设计了嵌入层,利用一维卷积实现特征的压缩。其次,通过滑动窗将数据按照波段维度分成3部分,并改进了Transformer结构进行光谱特征的提取,避免波段数过多导致计算效率低下。最后,为适应光谱数据的特点,设计了多层一维卷积的回归头,用于样本产地预测。为验证所提算法的有效性,以分类准确率、精确率、召回率等指标与其他算法进行性能比较,进行了多个对比实验,实验结果验证了模型中各个结构的优越性。该模型能够有效地利用光谱结构,实现特征提取和噪声压制,成功完成了烟叶产地识别任务。

近红外光谱分析方法研究:从传统数据到大数据

近红外光谱分析技术作为一种绿色分析技术,在许多领域中已得到广泛应用.随着应用的深入和拓展,近红外光谱的数据类型逐渐从传统数据变成近红外光谱大数据.本文总结了近红外光谱的预处理、奇异样本筛选、多元校正和模型转移等技术及其在相关领域的应用.对近红外光谱大数据分析技术的初步研究,包括近红外光谱在工业品在线检测、不同批次产品鉴别中的应用以及近红外光谱物联网系统等也进行了综述.此外,对于近红外光谱大数据未来的发展及近红外光谱大数据云平台的基本功能、软硬件的设计与开发、建设过程中需要解决的问题等进行了详细阐述.

基于化学子空间对线性变换稳定的秩估计方法

提出了一个新的化学计量学方法 ,即线性变换下稳定的化学子空间法 ,用于二维数据的化学秩估计 .该方法的基本思想是具有化学意义的子空间对在一个方向上的二维数据的线性变换是最稳定的 .据此 ,两个新的定量指标投影残差法和子空间夹角法被提出用于衡量两个子空间之间的差异性 .对两个近红外数据的分析结果表明 ,这一方法为二维数据的化学秩估计提供了一个很有价值的工具 .