紫外可见吸收光谱结合主成分-反向传播人工神经网络鉴别真假蜂蜜

研究紫外-可见吸收光谱技术结合化学计量学方法鉴别真假蜂蜜。根据蜂蜜中果糖和葡萄糖的典型质量比1.2:1.0,配制与真蜂蜜相近的掺假溶液,并以5%～20%的比例掺入真蜂蜜中。获取纯正蜂蜜和掺假蜂蜜的紫外-可见吸收光谱,选择最佳敏感波段250～400 nm的吸光度值进行主成分分析(PCA),优选主成分作为反向传播人工神经网络(BPANN)的输入向量。输出结果显示,校准集和预测集的准确鉴别率均为100%;对应的均方根误差分别为8.523×10-3和8.961×10-3。研究结果表明,基于PCA-BPANN的紫外-可见吸收光谱技术能够方便、快速、准确地鉴别真假蜂蜜,为食品质量的快速检测提供可靠参考。

紫黑稻6号×糯稻89-1F_(2)主要性状遗传变异及相关性分析

为揭示彩叶水稻与绿叶水稻杂交后代农艺性状、品质性状以及农艺性状与品质性状之间的遗传变异与相互关系,以彩叶水稻紫黑稻6号与绿叶水稻糯稻89-1杂交得到的F_(2)群体的160株单株为研究材料,采用相关分析、主成分分析及典型相关性分析等方法分析F_(2)群体的9个农艺性状与10个品质性状之间的遗传变异及相关性。结果显示,F_(2)群体农艺性状变异系数范围为11.08%~70.43%,品质性状变异系数范围为3.49%~75.22%,主要农艺和品质性状组内各自呈现出不同程度的正向或负向相关关系,千粒重、株高和穗长呈极显著正相关,与着粒密度呈极显著负相关;结实率与有效穗数、每穗实粒数呈极显著正相关,与每穗空粒数呈极显著负相关;精米率与整精米率、糙米长、糙米宽极显著正相关,与垩白粒率极显著负相关;整精米率与糙米长极显著正相关。主要农艺性状与品质性状组间相关系数绝对值最大为0.157,典型相关分析结果表明农艺性状与品质性状2组变量间相关性强度不高。以上结果表明,增加水稻的产量需在适当提高水稻的有效穗数、每穗实粒数以及增加水稻穗长基础上,再适当降低着粒密度;品种选育过程中,每穗实粒数与外观品质是首要考虑的因素,同时应综合考虑多个性状的平衡发展。

基于小波变换和神经网络的可见-近红外光谱对烟草品种的鉴别

为了实现烟草不同品种的快速光谱鉴别,采用主成分分析法对光谱数据进行聚类分析,并将小波变换用于对大量光谱数据的压缩,同时结合神经网络建立烟草品种鉴别模型.该模型将压缩后的数据作为神经网络的输入,加速了神经网络的训练速度.通过对4个品种的80个烟草样本建立训练模型,并用每个品种5个样本,共20个烟草样本进行预测.结果表明,用该方法对本研究4个品种的烟草鉴别正确率达100%.说明该方法具有很好的分类和鉴别作用,为烟草品种的快速鉴别提供了一种新方法.

利用主成分分析和神经网络鉴别4种唇形科药材

目的:提出了一种用紫外-可见光谱技术快速鉴别4种唇形科药材(薄荷、荆芥、香薷及广藿香)的新方法。方法:首先用主成分分析法对4种药材进行聚类分析并获取他们的紫外-可见指纹图谱,再结合人工神经网络技术进行品种鉴别。结果:主成分分析表明,主成分1和主成分2的累积可信度已达99%,以主成分1和2对所有建模样本的得分值做出的得分图,对4种药材具有良好的区分作用。利用对于4种药材品种敏感的特征波段作为神经网络的输入建立三层BP人工神经网络模型。对未知的20个样本进行预测,品种识别准确率达到100%。结论:该方法具有很好的分类和鉴别作用,为以上4种唇形科药材的品种鉴别提供了一种新方法。

基于可见-近红外光谱和神经网络的土壤类型鉴别

提出一种利用近红外光谱快速、无损鉴别土壤种类的方法。首先利用近红外光谱仪测定不同种类土壤的光谱特征曲线,利用主成分分析法提取主成分,再结合人工神经网络建立模型进行类型鉴别。主成分分析表明,主成分1、2、3的累积方差贡献率达到99.839%,可以很好地代表原始数据特征。以主成分分析得到的前3个主成分作为神经网络输入,以土壤类型为输出,通过对30个样本的训练学习,分别建立了反向传播人工神经网络(BP)和径向基函数人工神经网络(RBF)。对10个样本进行预测,结果表明2种模型预测的准确性均达到100%。RBF神经网络运行时间明显小于BP网络,具有一定优势。

基于SPSS的PCA-RBF神经网络模型的仿真试验

以SPSS软件为试验平台,根据PCA-RBF神经网络理论,结合SPSS软件的主成分分析模块和神经网络模块,运用人工近红外谱模拟数据估计葡萄糖浓度,实现PCA-RBF神经网络模型的仿真试验。相比与Matlab、C/C++等软件,该方法免去了繁琐的编程,为工程应用提供了一个简单快捷的试验途径。试验结果表明,利用SPSS软件实现PCA-RBF神经网络预测取得了非常满意的结果。

基于AGA-RBF神经网络的电厂水质评价

本文是对金山电厂的水源进行水质评价。水质评价是根据评价标准,通过所建立的数学模型,对水体的水质等级进行综合评判。由于地下水中杂质含量的变化规律复杂,呈高度非线性,存在着大量的不确定性因素,很难用精确的数学模型加以描述,遗传算法与RBF神经网络的结合为解决这些问题提供了一条有效的途径。因此本文建立了基于AGA(加速遗传算法)的RBF神经网络水质评价模型,并通过仿真实验证明,网络具有较好的逼近能力和泛化能力。

基于非线性主成分分析与自适应小波神经网络的球团质量预测模型研究

在链篦机-回转窑法球团生产过程中,成品球团的质量与系统的热工制度的控制和参数调节密切相关。鉴于系统的过程变量多、滞后性大、周期性长的特点,提出并建立了基于非线性主成分分析与自适应小波神经网络的球团质量预测模型,并用实例证明,该模型在质量预测中与传统的BP神经网络模型相比有较好的效果。

基于主成分分析的RBF神经网络预测SO_(2)浓度

利用基于主成分分析(PCA)算法的径向基(RBF)神经网络对大气中SO_(2)浓度进行滚动预测。以北京大兴地区2019年9月1日至2020年10月31日的气象数据和空气质量参数为基础,结合逐步回归法筛选出与SO_(2)线性相关的参数作为输入样本,构建PCA-RBF预测模型。利用该模型预测北京大兴地区某天的SO_(2)浓度,将预测值保留并作为下一天预测模型的输入参数。以此将预测值不断地向前延伸并进行分析和预测,从而实现SO_(2)浓度的滚动预测。对比RBF网络和PCA-RBF网络两种模型的预测结果,其中PCA-RBF模型期望值和预测值的误差及相关系数分别为0.03μg·m^(-3)和0.9989。表明PCA-RBF网络模型能精准预测SO_(2)浓度变化趋势,为进一步解决大气污染问题提供技术支持。

基于卷积神经网络的两相复合结构动态力学性能研究

增材制造技术促进了复合材料的发展,也拓宽了复合结构的设计空间,然而基于增材制造的复合材料动态力学性能研究仍然面临研究方法欠缺、设计过程复杂等问题。利用分离式霍普金森压杆实验技术和ABAQUS有限元模拟,研究光固化3D打印两相复合材料的动态力学行为,结合主成分分析法建立复合结构的数据集,通过高性能的卷积神经网络学习复合材料结构与应力-应变曲线的关系。结果表明,含有界面单元的有限元模型更适用于模拟复合材料的动态力学响应,通过超参数的设置可以提高卷积神经网络的预测性能,训练完成的卷积神经网络能够根据结构快速预测复合材料的动态应力-应变曲线。此研究对机器学习在复合材料动态力学性能设计与应用具有一定的借鉴意义。

苏北地区适宜玉米-大豆间作的耐荫大豆品种(系)评价及鉴定指标筛选

【目的】筛选适宜苏北地区玉米-大豆间作种植模式的耐荫大豆品种(系),构建准确合理的大豆耐荫评价体系。【方法】以苏北地区玉米-大豆间作所创造的田间自然荫蔽环境为处理,清种为对照,于成熟期测定24个大豆品种(系)的株高、结荚高度、分枝数等12个农艺性状,运用主成分分析、隶属函数法、多元线性逐步回归分析法,构建耐荫系数,评价各大豆品种(系)在间作模式下的综合耐荫能力。【结果】12个农艺性状耐荫系数指标转化为4个彼此独立的综合指标,代表74.771%的原始数据信息量。综合耐荫性评价值(D)和聚类分析结果表明,24个大豆品种(系)根据荫蔽胁迫下的适应能力可以划分为三大类,其中,强耐荫品种(系)6个、中度耐荫品种(系)9个、弱耐荫品种(系)9个。利用多元线性逐步回归分析法构建耐荫回归方程:D=-1.158+0.062X_(2)+0.249X5+0.201X_(7)+1.002X_(10)+0.665X_(11)(R^(2)=0.9722),检验其拟合精度在89.14%以上,筛选出结荚高度、单株荚数、单株粒数、百粒重、产量5个耐荫鉴定指标。【结论】参试的24个大豆品种(系)按照耐荫能力划分为强耐荫、中度耐荫、弱耐荫3类;苏北地区玉米-大豆间作模式下,可选择结荚高度、单株荚数、单株粒数、百粒重、产量5个性状进行大豆耐荫能力综合评价。

主成分-线性判别法对大气易挥发性有机化合物的预警

应用遥感傅里叶变换红外光谱,采用主成分提取-线性判别分析(PCA-LDA)技术,对丙酮、二氯甲烷、甲苯、苯、氯仿和甲醇等六组分的任意混合体系进行定性鉴别。被选用的这6种大气有毒有机化合物的红外光谱图相互间存在着严重的混叠,并和反向传播人工神经网络(BP-ANN)的预测结果进行了比较。PCA-LDA的鉴别判对率达92.2%,识别率94.4%,误判率7.8%;BP-ANN分别为91.1%、95.6%和8.9%。结果表明PCA处理克服了LDA对多变量数据预测的局限性,预测性能和BP-ANN相当。鉴于BP-ANN计算耗时和繁琐,PCA-LDA模型被确定为建立VOCs预警模型最适当的方法。

结肠组织荧光光谱神经网络特征提取及分类研究

提出了一种新的荧光光谱特征提取与模式分类方法以提高激光诱导5-ALA-PpⅨ荧光光谱对早期结肠癌的诊断准确率:利用自适应神经网络提取荧光光谱主成分,对提取的主成分采用基于R-prop算法的BP神经网络进行模式分类.对20只DMH诱导的SD大鼠,12只诱导鼠的第二代鼠,8只正常SD大鼠,按25 mg/kg体重剂量尾静脉注射5-ALA溶液,150 min后利用波长为370 nm的钛宝石激光进行活体检测.对预处理后的504条荧光光谱,利用自适应神经网络提取前6个主成分,BP神经网络将其分为正常组与非正常组(非典型增生、早癌和进展期癌),分类敏感性与特异性分别为96.57%和95.08%,非典型增生、早癌及进展期癌对正常组织的识别准确率分别为92.75%,98.85%及96.36%.表明此方法对早期结肠癌具有较高的诊断率.

基于模糊神经网络的参考作物蒸腾量预测研究

为准确估算灌区作物需水量,建立了基于模糊神经网络的参考作物腾发量时间序列预测模型。采用宝鸡地区1954—2004年逐月气象资料,利用主成分分析法提取影响参考作物蒸发蒸腾量的主要影响因子,获得4个综合变量作为输入向量,用彭曼-蒙蒂斯公式计算的参考作物蒸发蒸腾量作为目标向量。运用matlab进行编程,应用模糊神经网络模型预测参考作物腾发量。结果表明:12组测试集样本的平均相对误差绝对值为5%,最大相对误差为11.4%,最小相对误差为0.4%;模糊神经网络模型与用彭曼-蒙蒂斯公式计算值有很高的一致性。

基于SVM-BP混合网络的输电线路安全评价模型研究

为了能够科学、客观地评价输电线路安全状态,提出了基于SVM-BP混合网络的输电线路安全分析模型。首先,对天气数据、输电线路标准文件和缺陷数据等进行处理和分析,利用关联规则和主成分分析法对输电线路缺陷数据进行整合,建立输电线路安全状态评价体系;然后,提出了SVM-BP混合网络模型挖掘各因素与缺陷状态间的关联,评价输电线路的安全状态;最后,以某地区输电线路为数据集进行验证,该评价模型的准确率达到97.4%,可以快速准确地评价输电的安全状态,并在灾害性天气下提前做好应对措施,保证输电线路的稳定运行。

基于谱域-空域组合核函数的高光谱图像分类技术研究

针对传统高光谱图像分类算法多利用目标的光谱信息,不重视空间信息的问题,本文提出了一种综合利用谱域-空域信息的最小二乘支持向量机分类算法。首先利用主成分分析进行特征提取,然后在保留的主分量图像上用数学形态学得到目标的空域信息。并结合光谱域特征,探讨了各种组合策略,构造组合核函数。通过在分类器中引入空域信息,提高了分类准确率。而且采用了最小二乘支持向量机,将标准向量机的二次规划问题转换为求解线性方程组的问题。利用了其训练速度快、效率高的优点。高光谱数据实验表明,本文提出的方法和单独使用谱域或空域信息进行分类相比表现出了一定的优越性,从而适用于较大规模的高光谱图像分类。

基于C-D生产函数的福建省林业产业投入与产出分析

投入与产出是林业综合生产能力的主要指标,研究二者的相关关系有利于林业产业实现投入最优化及产出最大化。本文以福建省1992-2015年间的林业投入与产出数据为基础,应用柯布-道格拉斯生产函数与主成分分析方法分析福建省林业产业的投入与产出关系,得出林业中间消耗资本投入对林业产业产出的弹性系数以及各物质投入的弹性关系。结果表明:增加林业中间消耗的投入,进一步提高林地土壤肥力,加强病虫害防治,提升林业产业的电气化和机械化生产水平,能够有效提高福建省林业产业产出的提升。

一种基于可见-近红外光谱快速鉴别茶叶品种的新方法

提出了一种用可见-近红外光谱技术快速无损鉴别茶叶品种的新方法。应用可见-近红外光谱仪测定5个品种茶叶的光谱曲线,用主成分分析法对不同品种茶叶进行聚类分析并获得茶叶的可见-近红外光谱数据的主成分,再结合人工神经网络技术建立模型进行品种鉴别。主成分分析表明,以主成分1和2对所有建模样本的得分值做出的得分图,对不同种类茶叶具有较好的聚类作用,可以定性分析茶叶种类。把主成分分析得到的前6个主成分作为神经网络的输入,茶叶品种值作为神经网络的输出,通过5个茶叶品种共125个样本的训练和学习,建立了茶叶品种鉴别的3层BP人工神经网络模型,对未知的25个样本进行鉴别,品种识别准确率达到100%。说明本文提出的方法具有很好的分类和鉴别作用,为茶叶的品种快速鉴别提供了一种新方法。

基于可见-近红外光谱的可乐品牌鉴别方法研究

提出了一种采用可见-近红外光谱分析技术快速鉴别可乐品牌的新方法。采用美国ASD公司的便携式光谱仪对三种不同品牌的可乐进行光谱分析,各获取55个样本数据。将样本随机分成150个建模样本和15个预测样本,采用平均平滑法和标准归一化方法对样本数据进行预处理,再用主成分分析法对光谱数据进行聚类分析并获得各主成分数据。将建模样本的主成分数据作为BP网络的输入变量,可乐品牌作为输出变量,建立三层人工神经网络鉴别模型,并用模型对15个预测样本进行预测。结果表明,预测准确率为100%,实现了可乐品牌快速、准确的鉴别。

应用可见-近红外光谱技术进行白醋品牌和pH值的快速检测

提出了一种基于可见-近红外透射光谱技术快速判别白醋品牌和测定pH值的方法。应用可见-近红外透射光谱获取不同品牌白醋的透射光谱曲线,并对获得的原始光谱数据进行平滑、变量标准化以及一阶导数等预处理,然后利用主成分分析对原始光谱数据进行聚类分析,根据主成分的累计贡献率选取主成分数,并将所选取的主成分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,得到三层优化神经网络结构:5输入层节点,6隐含层节点和2输出层节点,各层传递函数均采用Sigmoid函数。利用该模型对预测集样本进行预测。实验结果表明在阈值设定为±0.1的情况下该模型对预测集样本品牌鉴别准确率达到了100%,pH预测值与实际测量值偏差小于5%,得到了理想的结果。所以利用可见-近红外光谱技术结合主成分分析和神经网络算法能够快速准确的判定白醋品牌和pH值。