基于RF-SFLA-SVM的装配式建筑高空作业工人不安全行为预警

为有效预警装配式建筑高空作业工人不安全行为的发生趋势或状态,增强对装配式建筑工人不安全行为(PBWUBs)的管控,采用随机森林(RF)-混合蛙跳算法(SFLA)-支持向量机(SVM)模型,开展工人不安全行为预警研究。首先,采用SHEL模型分析处于高空作业危险中的PBWUBs的影响因素,并通过RF确定关键预警指标;然后,采用SFLA对SVM的参数进行寻优改进;最后,利用RF-SFLA-SVM预警高空作业PBWUBs,提出应对措施,并与其他预警模型对比。研究结果表明:基于RF-SFLA-SVM预警高空作业PBWUBs,准确率最高,为91.67%,与其他模型的预警性能相比,最高提升14%。研究结果可为高空作业PBWUBs的防控提供参考。

基于PLS-DA和LS-SVM的可见/短波近红外光谱鉴定港种四九、十月红和九月鲜菜心种子的可行性研究

目前市面上菜心的品种复杂,不同菜心种子的品质与发芽率不同,但菜心种子单从外观上差别不大,因此区分菜心种子的类别成为了一大难题。为了实现菜心种子类别的快速区分,探究了基于可见/短波近红外光谱分析菜心种子类别的可行性。从南昌市种子交易场所购买了港种四九、十月红和九月鲜三个品种的菜心种子,从中挑选出品相较好且大小适中的子粒,将每种菜心种子均匀分为30份,按照2∶1划分为建模集和预测集,所有样本共计90份。通过近红外光谱仪获取采样间隔为1 nm的菜心种子的光谱反射率,波长覆盖范围325~1075 nm,将原始光谱数据采用多元散射校正(MSC)、卷积平滑(S-G)和标准正态变换(SNV)三种预处理方法进行预处理,预处理后的光谱变量建立偏最小二乘回归(PLSR)模型,确定了SNV是最佳预处理方法。采用主成分分析(PCA)对菜心种子进行了聚类分析,从前三个主成分因子(PCs)得分图可知三种菜心种子存在光谱特征差异。将原始光谱变量、前三个PCs(累计贡献97.15%)和基于随机蛙跳(RF)算法挑选的13个特征波长作为偏最小二乘判别(PLS-DA)和最小二乘支持向量机(LS-SVM)模型的输入变量,从模型结果可知:三种输入变量中,采用RF筛选特征波长作为模型输入变量时,模型预测效果最好,PCs建立的模型最差,相比于PCA分析,采用RF筛选出的特征波长更能够反映原始光谱信息。比较不同模型预测效果,LS-SVM模型比PLS-DA模型得到的预测精度更好,其中RF-LS-SVM模型是所有模型中最佳的预测模型,建模集和预测集均为100%。采用可见/短波近红外光谱研究菜心种子的类别可行,并且能够获得很好地预测效果,为菜心种子的快速区分提供了理论依据。

基于随机蛙跳筛选的初烤烟叶中β-胡萝卜素和叶黄素含量近红外模型的建立

为提高近红外光谱法测定初烤烟叶中β-胡萝卜素和叶黄素含量的准确性和稳定性,采用随机蛙跳(Random Frog,RF)筛选特征波长建立上述指标的偏最小二乘(Partial Least Squares,PLS)近红外模型,结合模型内部交互验证结果确定最优建模波长数和主成分数,并对最优模型的准确性和稳定性进行内外部评价。结果表明:相较于全波长(1298个波长)建模,利用RF筛选出的181个和216个特征波长建模,模型的决定系数(R2)由0.7718和0.8677分别提高至0.9511和0.9587,校正均方根误差(RMSEC)由3.362μg/g和4.930μg/g分别降低至1.556μg/g和2.756μg/g,交互验证均方根误差(RMSECV)由3.304μg/g和4.836μg/g分别降低至1.529μg/g和2.703μg/g;模型外部预测集(样品数=50)的预测平均相对误差分别由11.80%和9.62%降低至5.48%和5.49%。采用RF筛选特征波长能有效提升初烤烟叶β-胡萝卜素和叶黄素含量近红外模型的准确性和稳定性,可为初烤烟叶质量评价提供理论参考。

改进随机蛙跳算法在大豆品种快速鉴别中的应用

大豆品种快速准确的鉴别,对于鉴定种子品质、净化种业市场以及保障粮食安全具有重要意义。为解决传统农作物品种鉴别方法中存在精度差和效率低等问题,采用拉曼光谱结合特征波长提取方法建立偏最小二乘(PLS)鉴别模型,对黑龙江省4个高蛋白大豆品种(黑农88、黑农98、绥农71以及绥农76)进行快速鉴别。随机蛙跳(RF)算法是一种通过迭代计算变量被选概率,以确定变量重要性的新型特征波长选择算法,可以有效剔除全光谱数据中的冗余信息。该方法存在初始变量集随机性、所需迭代次数大、阈值选取不确定的问题,因此提出一种基于最小绝对收敛与选择算子(LASSO)回归的改进随机蛙跳(MRF)算法。采用LASSO算法提取与属性变量最相关的特征波长点作为RF初始变量集F0,消除初始变量的随机性,在此基础上开始迭代计算,可以减少无用迭代次数,提高模型的预测精确度。RF算法通过设定阈值的方法选择变量,因此提取的特征波长往往具有不确定性。改进如下:首先去除被选概率为0的变量,对于排序后变量以10个波长点为间隔,每次增加1个间隔建立特征波长与大豆品种属性的偏最小二乘回归模型,当交叉验证均方根误差(RMSECV)取最小值时的建模波长为优选特征波长。以MRF优选特征波长作为输入变量建立PLS鉴别模型,并与全光谱以及常用的RF、LASSO和ElasticNet特征波长选择算法建模结果进行对比分析。结果表明,MRF算法提取300个特征波长点,仅占全谱波长的9.37%,有效筛选了关键特征变量,简化了模型复杂度。预测结果中均方根误差(RMSEP)和决定系数(Rp2)分别为0.246 9和0.951 2,识别准确率达到100%,为所有模型中最优。拉曼光谱结合MRF算法可以实现大豆品种的快速鉴别,同时也为其他农作物品种的快速鉴别提供了一种新思路。

近红外光谱结合化学计量学方法快速检测蓝莓可溶性固形物和维生素C含量

采用近红外光谱技术,对不同贮藏时间的蓝莓营养成分进行定量分析,以寻求其化学成分与近红外光谱数据的相关性,实现利用光谱技术对蓝莓营养成分的无损检测。对获取的近红外光谱数据,运用偏最小二乘回归(Partial Least Square Regression,PLSR)和支持向量回归(Support Vector Regression,SVR)两种机器学习算法预测蓝莓可溶性固形物(Soluble Solids Content,SSC)和维生素C(Vitamin C,V_(C))含量。为增加预测精度,采用一阶导数(First Derivative,1-DER)、二阶导数(Second Derivative,2-DER)、标准正态变换(Standard Normal Variate Transform,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)、Savitzky-Golay平滑(S-G)等一种或几种方法组合对光谱数据进行预处理,比较分析最佳的预处理方式;采用竞争适应性重加权采样法(Competitive Adaptive Reweighted Sampling,CARS)和随机蛙跳算法(Random Frog,RF)及两种算法组合对光谱波长进行降维处理。结果表明,降维后的SSC波长变量分别降到了全光谱变量的1.7%、4.3%和5.6%,V_(C)波长变量分别降到了全光谱变量的2.5%、2.9%、4.8%。在筛选后的光谱波长变量的基础上,采用PLSR建立蓝莓近红外光谱与SSC和V_(C)含量的预测模型。对比发现CARS结合RF算法筛选出的波长变量预测效果更好,模型校正相关系数分别为0.9001、0.8707,校正均方根误差分别为0.8234、2.9429,预测相关系数分别为0.8424、0.8350,预测均方根误差分别为0.9613、2.9482。为排除模型性能对预测结果的影响,建立SVR模型将预测结果进行对比,同样发现CARS结合RF算法的预测效果更佳,模型校正相关系数分别为0.8702、0.8503,校正均方根误差分别为0.9549、3.2431,预测相关系数分别为0.8269、0.8183,预测均方根误差分别为0.8769、2.8818。本研究为蓝莓营养品质监测提供了模型基础,且选择特征波长的方法可以为更多果蔬营养物质预测模型提供参考。

基于随机蛙跳波段选择算法的土壤铅含量高光谱估测

高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。旨在寻求特征波段筛选的最佳算法,以实现土壤重金属铅含量的准确监测,为土壤污染防治提供参考。以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源,利用蒙特卡洛交叉验证(MCCV)算法确定92个有效土壤样品,通过相关分析选取倒数对数一阶微分变换处理的光谱数据,采用随机蛙跳(RF)算法,并结合竞争性自适应重加权(CARS)算法、迭代保留有效信息变量(IRIV)算法及连续投影算法(SPA),构建RF-CARS、RF-IRIV及RF-SPA三种算法对波段进行筛选。以倒数对数一阶微分变换处理下的特征波段反射率为自变量,土壤重金属铅含量为因变量,采用极端梯度提升(XGBoost)和地理加权回归(GWR)方法构建土壤重金属铅含量估测模型。结果表明:(1)光谱变换处理可有效增强光谱与土壤铅含量的敏感性,其中倒数对数一阶微分变换后的土壤光谱特征更为明显,相关系数可达到0.620(p<0.001)。(2)RF-CARS、RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、9和7个特征波段,全部位于近红外光谱区域,3种算法具有较强的特征提取能力,极大减少光谱数据中的冗余信息。(3)基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型,说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。此外,GWR模型的性能优于XGBoost模型,构建的RF-IRIV-GWR模型具有较好的预测能力,可作为研究区土壤铅含量的最优估测模型,其验证集的决定系数(R^(2))为0.892,均方根误差(RMSE)为0.825 mg·kg^(-1),相对分析误差(RPD)为3.09。基于随机蛙跳(RF)与迭代保留有效信息变量(IRIV)算法,结合地理加权回归(GWR)建模方法在快速准确估测土壤铅含量方面具有一定优势,可进行土壤重金属污染的动态监测。

棉花内层杂质的高光谱透射成像分类检测

棉花杂质在轧棉过程中对棉纤维造成损伤,导致成品纺织品出现瑕疵。因此,杂质的检测和分类在棉花生产过程及质量检验中至关重要。地膜是我国机采棉中特有的杂质。该研究将包括地膜碎片等12种常见棉花杂质放置于两层皮棉层之间,采用推扫式高光谱成像系统在透射模式下对杂质与皮棉混合样本进行图像采集,在400~1000 nm范围内利用光谱信息识别嵌在皮棉层中的12种杂质。首先对高光谱图像进行平场校正,对边缘噪声进行裁剪;选择500 nm处灰度图像进行人工感兴趣区域(ROIs)提取,从ROIs提取皮棉和杂质平均透射光谱并进行标准化;使用典型判别分析(CDA)对皮棉和杂质光谱进行处理并利用前三个典型变量绘制散点图,观察散点分组情况,采用多变量方差分析(MANOVA)对前三个典型变量评估每两种杂质之间的差异。然后使用区间随机蛙跳(iRF)方法提取特征波段,采用支持向量机(SVM)分类器,分别对全波段及特征波段的透射光谱进行杂质和皮棉13个类别的分类研究,对比分析两次分类的准确率。结果表明,全波段的各类杂质和皮棉的平均分类准确率为84.4%,该方法对棉花内层杂质的检测与分类是可行的,包括与皮棉外观相近的地膜、塑料包装和纸的分类效果较好。在提取12个特征波段后,4种具有相似外观和相似化学成分的杂质(裂茎、茎皮、棉铃壳、棕叶)分类准确率较低但都超过73%;棉籽、绿叶、纸片、塑料包装、地膜、皮棉的分类准确率均超过90%;各类杂质和皮棉的平均分类准确率为86.2%;与全波段光谱的分类结果相比,特征波段光谱的平均分类准确率提高1.8%。该研究结果可为棉花内层杂质检测研究提供理论依据,并对高光谱透射成像技术的应用有较好的指导作用。

基于改进混合蛙跳算法的测试数据自动生成

测试数据的生成是实现软件测试自动化的重要环节。为了提高单元测试中测试数据的生成质量和效率,提出一种基于混合蛙跳算法的测试数据生成算法。该算法通过引入动态阈值来控制个体的移动步长,以平衡算法的全局开发和局部搜索能力,同时改进个体的随机跳动策略,转化为向随机个体学习,增强种群之间的信息交流以提高算法的全局搜索能力。将改进的算法应用到测试数据生成中。实验结果表明,在种群规模不断变化的情况下,改进的混合蛙跳算法相较于标准混合蛙跳算法、布谷鸟搜索算法、粒子群优化算法,其稳定性最强;在测试数据生成的平均迭代次数评价指标上改进的混合蛙跳算法优于对比算法。

高光谱成像技术的不同叶位尖椒叶片氮素分布可视化研究

为了快速、准确、直观估测尖椒叶片的营养水平和生长状况,利用高光谱成像技术结合化学计量学方法对不同叶位尖椒叶片氮素含量(nitrogen content,NC)的分布进行了可视化研究。按照叶片位置采摘尖椒叶片,并采集高光谱数据,然后测定相应叶片的SPAD和NC。提取出叶片的光谱信息后,采用Randomfrog(RF)算法提取特征波段,分别选出5条与10条特征波段。针对选取的特征波段和全波段,分别建立偏最小二乘回归(partial least squares regression,PLSR)模型,结果表明采用特征波段建立的PLSR模型性能较好(SPAD:R_C=0.970,R_(CV)=0.965,R_P=0.934;NC:R_C=0.857,R_(CV)=0.806,R_P=0.839)。根据预测模型计算尖椒叶片高光谱图像每个像素点的SPAD与NC,从而实现SPAD与NC的可视化分布。事实上叶片的SPAD在一定程度上可以反映含氮量,二者分布图的变化趋势基本一致,验证了可视化结果的正确性。结果表明:运用高光谱成像技术可以实现对不同叶位尖椒叶片氮素分布的可视化研究,这为监测植物的生长状况和养分分布提供理论依据。

高光谱图像检测马铃薯植株叶绿素含量垂直分布

为了检测马铃薯作物叶绿素含量,该文按照叶片垂直分布位置采集马铃薯叶片样本的成像高光谱数据,提取并计算了400个划分区域的平均光谱,使用手持式SPAD-502叶绿素仪测定了相应位置的SPAD(soil plant analysis development)值。采用标准正态变量校正(standard normal variate,SNV)方法对光谱数据进行预处理,分析了开花期植株自下而上垂直叶位间光谱和叶绿素分布关系,其光谱反射率在382~700 nm区间随叶位的升高反射率增加(上>中>下),在700~1 019 nm范围下叶位反射率高于上部和中部叶位(下>上>中),且SPAD均值依次为36.41、43.11、47.04。分别采用相关系数分析法和随机蛙跳(random frog,RF)算法筛选叶绿素含量敏感波长,并建立偏最小二乘回归(partial least squares regression,PLSR)模型。结果如下:基于相关系数分析法筛选的12个敏感波长主要位于530~550和706~708nm范围,建模精度RC2为0.7 588,验证精度RV2为0.5 773;基于random frog算法筛选的11个敏感波长(554.62、560.26、575.04、576.35、595.09、604.7、649.44、731.8、752.78、786.38、789.97 nm),建模精度RC2为0.8 423,验证精度RV2为0.7 676。选取RF-PLS模型计算马铃薯叶片每个像素点的叶绿素含量,绘制不同叶位马铃薯叶片叶绿素含量可视化分布图,结果可反映马铃薯在开花期植株上叶片叶绿素动态响应关系,实现了不同叶位马铃薯叶片叶绿素含量无损检测以及分布可视化表达。

建立近红外特征波长模型快速测定羊草常规营养成分的研究

本研究采用近红外光谱法快速测定羊草(Leymus chinensis)中的常规营养成分,利用无信息变量消除法(unknown variable elimination,UVE)、随机蛙算法(random frog algorithm,RF)结合偏最小二乘法(partial least squares,PLS)建立了羊草品质测定模型,有效降低了冗余无信息变量,提高了模型的测量精度和稳定性。研究发现利用UVE-PLS筛选建立的羊草品质测定模型优于全光谱PLS和RF-PLS筛选建立的模型;UVE-PLS模型显著降低了交叉验证均方根误差和预测均方根误差,提高了校正集决定系数、交叉验证决定系数及预测集决定系数。研究表明UVE-PLS模型在测定羊草中的水分、粗蛋白、酸性洗涤纤维和中性洗涤纤维是可行的,校正集决定系数和预测集决定系数95%~98%。

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像,提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集,其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型,并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长,并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型,但是仅用12个变量代替了全波段的151个变量,大大简化了模型,更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(Rp)分别为0.92和0.93,预测均方根误差(RMSEP)分别为1.31%和1.18%,取得了满意的结果。研究表明,近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量,为鱼肉品质的快速监测提供重要的参考。

基于UV-Vis检测养殖水体中化学需氧量含量研究

采用紫外可见光谱(UV-Vis)与极限学习机算法检测水体化学需氧量(chemical oxygen demand,COD)含量研究。采集135份水样进行紫外可见波段全光谱扫描,结合变量标准化(standard normal variate,SNV),多元散射校正(MSC)和一阶微分(1st D)对原始数据进行预处理,然后采用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、随机青蛙(Random frog)算法和遗传算法进行特征波长选择。基于全光谱建立了偏最小二乘回归(partial least squares,PLS)和基于特征波长建立了极限学习机算法(extreme learning machine,ELM)模型。结果表明:使用CARS提取的9个特征波长建立的ELM模型的预测效果最优,决定系数R^2为0.82,预测均方根误差RMSEP为14.48mg·L^(-1),RPD值为2.34。说明使用CARS变量选择算法获取UV-Vis光谱特征波长,应用极限学习机建模,可以准确、快速的检测养殖水体中COD含量,为实现养殖水体COD的动态快速检测以及水体其他微量物质含量参数检测打下基础。

基于高光谱技术和改进型区间随机蛙跳算法的番茄硬度检测

为了准确、快速的检测番茄硬度,该文提出了一种基于改进型区间随机蛙跳算法优选高光谱特征波长的番茄硬度检测模型。在获取番茄高光谱图像后,首先对光谱数据进行多元散射校正(multiplicative scatter correction,MSC)和归一化预处理。针对区间随机蛙跳算法(interval random frog,i RF)所需迭代次数大、算法收敛慢等缺点,该文提出了改进型区间随机蛙跳算法(modified interval random frog, miRF),并将其应用于特征波长选择。最后建立偏最小二乘回归模型(partial least squares regression, PLSR)预测番茄的硬度。iRF共选出特征波段100个,算法收敛时间为32.1 min,而miRF共选出特征波长47个,算法收敛仅需1.6 min。同时miRF-PLSR番茄硬度预测精度也更优,测试集相关系数达到了0.968 5,均方根误差为0.004 0 kg/mm^2。试验结果表明:结合高光谱技术和miRF算法可实现对番茄硬度的快速、无损检测。

可见-近红外光谱联合随机蛙跳算法检测生物柴油含水量

生物柴油是一种优质清洁柴油,可从各种生物质中提炼,其特有的优势受到越来越广泛的关注。该文应用可见-近红外光谱技术原理对生物柴油的含水率进行了检测。配置含水率分别为0、2.5%、5.0%、7.5%和10.0%的试验样品并获取可见-近红外光谱,进行主成分分析,观察不同含水率生物柴油的聚类性,并采用Random Frog算法进行特征波段的提取,最后采用随机蛙跳算法(Random Frog)挑选出的特征波段作为偏最小二乘回归(partial least squares regression,PLSR)和最小二乘支持向量机(least squares-support vector machine,LS-SVM)模型的输入量,建立生物柴油含水量的预测模型。结果发现:采用Random Frog提取出的8条特征波段(563、560、642、565、562、493、559和779 nm)所建立非线性模型LS-SVM所得到的结果较好,其中Random Frog-LS-SVM的结果中R均大于0.95,校正集均方根误差RMSEC=0.722,预测集均方根误差RMSEP=0.520。结果表明采用Random Frog-LS-SVM模型可以准确的预测生物柴油的含水量,为实际应用提供参考。

基于近红外光谱与随机青蛙算法的褐变板栗识别

为了实现板栗Castanea mollissima的快速自动分选，研究了基于近红外光谱技术的褐变板栗无损检测方法。首先采用Antaris Ⅱ傅里叶变换近红外光谱仪获取70个正常板栗和110个褐变板栗的近红外光谱（1000．00-2500．00nm），比较了不同光谱预处理方法对褐变板栗识别的影响，随后采用一种新的变量选择方法即随机青蛙算法（Ran-doraFrog）提取与板栗褐变相关的特征波长变量，最后基于特征波长建立和比较了褐变板栗识别的偏最小二乘-线性判别分析模型（PLS-LDA）和最小二乘一支持向量机（LS-SVM）模型。结果显示：经标准正态变量变换（SNV）预处理和随机青蛙算法优选的23个特征波长所建LS-SVM模型的性能最优，该模型对测试集的敏感性、特异性和识别正确率分别为0．92，1．00和95．00％。随机青蛙算法可以有效筛选重要的特征变量，不仅能简化模型，而且可以提高识别准确率和识别速度。

基于近红外光谱结合波长优选检测单颗葡萄的SSC含量

采用无损检测测定单颗葡萄中可溶性固形物(SSC)含量,获得个体和群体信息,以期指导田间管理、葡萄储存条件设置及满足消费者对葡萄口味的不同需求。采用手持式NIR光谱仪在950~1 650nm波长范围采集葡萄的近红外光谱,采用偏最小二乘(PLS)回归建立葡萄SSC预测模型。为了减少冗余无信息变量,增加模型的预测精度和稳定性,采用无信息变量消除法(UVE)、随机蛙算法(RF)筛选出与葡萄SSC含量相关的重要波长变量。结果表明:RF筛选建立的SSC预测模型优于全光谱PLS和UVE筛选建立的模型。RF-PLS模型的校正集、交叉验证及预测集的R2c、R2cv和R^2p分别为0.960 5,0.933 4,0.930 4,校正均方根误差(RMSEC),交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.638 2,0.829 9,0.868 8。表明通过波长优选后的,基于便携式近红外光谱在预测单颗葡萄SSC含量的应用上完全可行,有较高的预测精度。

基于高光谱反射、透射和交互作用成像模式的蓝莓硬度和弹性模量预测的比较

构建了高光谱反射、透射和交互作用成像系统对蓝莓的硬度和弹性模量进行无损检测,并对比不同成像模式的预测准确率。反射高光谱图像采用以大津法为核心的算法进行分割,而透射和交互作用高光谱图像利用基于区域增长的算法进行分割。对提取平均光谱分别进行标准正态变量变换(SNV)和一阶SG卷积平滑(Der),并构建相应光谱的最小二乘支持向量机模型。在全波段模型中,基于SNV预处理反射光(Reflectance-SNV)模型对蓝莓硬度的预测相关系数(R_p)=0.80,相对预测误差(RPD)=1.76;基于SNV预处理透射光(Transmittance-SNV)模型对蓝莓弹性模量的R_p(RPD)=0.78(1.74)。随机蛙跳算法(Random Frog)可以有效地减少了建模所需的波段数,同时还提高了大部分模型的预测准确率。基于随机蛙跳选择的Der交互作用光(Random Frog-interactance-Der)模型对蓝莓硬度的R_p(RPD)=0.80(1.83),但该模型建模所需的波段数为140;基于随机蛙跳算法的SNV透射光(Random Frog-Transmittance-SNV)模型对蓝莓弹性模量的R_p(RPD)=0.82(1.83),同时该模型建模所需的波段数为20。

基于近红外光谱技术的针叶材板材表面节子缺陷检测

为了实现木板材依据节子进行自动化分级,采用近红外光谱技术研究了多种针叶材表面节子缺陷的检测方法。采用Smart Eye 1700近红外光谱仪获取北美黄杉Pseudotsuga menziesii,铁杉Tsuga chinensis,云杉Picea asperata,白云杉Picea glauca-英格曼云杉Picea engelmannii-扭叶松Pinus contorta-冷杉Abies laciocarp a(SPF)等4种板材的近红外光谱(1 000~1 650 nm),比较了光谱预处理方法、建模方法对节子识别的影响,并首次对多种针叶树材进行了节子识别的适应性研究,随后引入一种新的变量选择方法即随机青蛙算法用于优选节子检测的特征波长,在此基础上建立了板材节子识别的最小二乘-支持向量机(LS-SVM)模型。结果显示:一阶导数光谱预处理结合LS-SVM所建混合树种板材节子识别模型性能最优。随机青蛙算法提取了8个特征波长变量,仅占全波段变量的1.23%,所建简化模型效果最好。该模型对测试集的敏感性、特异性和识别准确率分别为98.49%,93.42%和96.30%。近红外光谱技术结合化学计量学方法可以对针叶材树种板材的表面节子进行快速准确检测,随机青蛙算法是提取板材表面节子缺陷特征的有效方法。该结果可为下一步搭建木材节子快速检测系统提供技术支撑。

近红外漫反射光谱法快速检测苯磺酸氨氯地平片辅料含量（英文）

将近红外光谱技术和化学计量学相结合快速检测苯磺酸氨氯地平片辅料含量.通过随机青蛙法、变量投影重要性和竞争自适应重加权采样筛选特征波长变量点,采用9种光谱预处理方法对原始光谱进行处理后,分别建立了偏最小二乘法模型和支持向量回归分析模型,并将这两种模型进行了比较.应用优选模型对样品进行了测试,结果表明:对于所涉及的样本,在最优特征波长变量选择上,随机青蛙法效果较好;在模型预测结果上,与支持向量回归分析模型相比,5个指标的偏最小二乘法定量模型的决定系数,预测均方根误差评价参数效果较好,相对分析误差值均大于3.0.样品测试值与实测值标准误差均小于1.30,配对t检验表明,在a=0.05显著性水平上,两者无显著性差异.因此,可采用近红外漫反射光谱法用于苯磺酸氨氯地平片辅料含量的快速检测,该方法重复性、中间精密度、线性、精确性良好,且可为其他药用辅料含量快速检测提供借鉴.