ZY1-02DAHSI影像归一化阴影植被指数NSVI的波段选择及其构建

高光谱影像具有连续的地物光谱信息,在阴影检测方面具有巨大的潜力,而波段冗余度高需进行波段优选。归一化阴影植被指数(NSVI)能够扩大光谱差异,在高光谱影像中应用NSVI将更有效地识别阴影。资源一号02D卫星是我国首颗自主研发并成功运行的高光谱业务卫星,数据信噪比大、覆盖能力强,对该高光谱影像进行准确的阴影检测具有重要意义。以ZY1-02DAHSI影像为试验数据,提取并分析明亮区植被、阴影区植被及水体的光谱反射率;结合竞争自适应重加权采样(CARS)和连续投影算法(SPA)筛选能够有效区分典型地物的主要波段,综合考虑算法的特性进一步选出特征波段构建NSVI;通过步长法确定最佳阈值对影像进行分类,从像元值分布情况、分类精度和光谱增强效果等对比出构建NSVI的最佳波段,并结合不同的阴影指数、波段和影像进行综合评价,验证该方法的意义及普适性。结果表明:波段32和波段73是构建NSVI的最佳波段,分别对应红光波段和近红外波段;不同波段构建的NSVI分类精度均高于90%,由最佳波段构建的NSVI分类精度为94.33%,Kappa系数为0.8328,分类效果最优;NSVI能够增强典型地物间的光谱差异并缓解归一化植被指数的“易饱和”现象,在该影像中因水体累积产生的小波峰有助于提取水体;在ZY1-02DAHSI影像中NSVI的分类效果优于归一化阴影指数和阴影指数,于另一景影像的分类精度也达到93.55%,Kappa系数为0.8167。由算法筛选出的波段具有一定的代表性,最佳波段构建的NSVI在ZY1-02DAHSI影像中具有较好的阴影检测能力,对高光谱影像阴影检测及构建植被指数具有一定的借鉴和参考意义。

基于CARS-SPA特征提取的黄水淀粉近红外光谱定量模型优化

为提高白酒固态发酵的副产物黄水中淀粉含量预测模型精度和建模效率。采用傅里叶变换近红外光谱仪采集黄水光谱信息,利用一阶导数对光谱进行预处理,并结合偏最小二乘回归(partial least squares regression,PLSR)建立黄水淀粉定量预测模型。使用决定系数(R^(2))和预测均方误差(root mean square error of prediction,RMSEP)评价模型性能。光谱中含有大量冗余信息,为有效提升黄水淀粉含量检测精度和优化模型效率,将不同特征提取方法的优点结合,发现使用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)结合连续投影算法(successive projections algorithm,SPA)提取的光谱特征所建立的PLSR模型,相较于未使用特征提取或仅使用单一特征提取所建立的模型均有明显提升。在单一使用CARS时,模型的R^(2)为0.9654,RMSEP为0.2012%,而结合SPA后,R2为0.9738,RMSEP为0.1748%。此外,光谱维度从2203个减少到了126个,不仅提高了预测精度,也提升了建模效率。本研究提出的方法可作为黄水近红外定量模型优化的有效途径。

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。

土壤湿度对近红外光谱反演剖面有机质精度的影响

为深入分析土壤湿度对近红外光谱反演剖面土壤有机质(soil organic matter, SOM)精度的影响,该研究依据水分张力这一指标,将土壤划分为风干状态、1.500、0.330、0.100、0.033 MPa和饱和状态共6种湿度水平,在所选16个地点分别采集深度约150 cm剖面土壤芯柱为研究对象,采用7种方法对所测剖面土壤光谱吸光度进行光谱预处理,选择较佳的预处理方法。同时,采用连续投影算法(successive projection algorithm, SPA)和竞争性自适应重加权-连续投影算法(competitive adaptive reweighting-successive projection algorithm, CARS-SPA)筛选特征波长。构建基于全谱及特征波长的SOM近红外光谱反演模型,并将其与标准正态变量变化(standard normal variate, SNV)预处理方法相结合。结果表明:1)SPA-PLSR模型和CARS-SPA-PLSR模型的精度均优于基于全谱的PLSR模型;2)SNV-SPA-PLSR模型在饱和、风干状态下预测效果更好,而SNV-CARS-SPA-PLSR模型在水分张力分别为0.033、0.100、0.330和1.500 MPa时预测精度更高;3)不同土壤湿度水平近红外光谱“一对一”式预测SOM模型难以满足实际应用,经过对比研究,选用水分张力为1.500 MPa时构建的SNV-CARS-SPA-PLSR模型分别预测6组土壤湿度水平和混合样本集中SOM取得效果最好。该研究结果对各湿度水平下估算SOM含量有一定的指导作用,并为提高不同土壤湿度水平间剖面SOM近红外光谱反演模型的适用性提供参考。

基于变量优选和近红外光谱技术的红富士苹果产地溯源

为实现对红富士苹果的产地溯源,采集阿克苏、静宁、灵宝、烟台的红富士苹果近红外光谱数据,分别采用归一化、中心化、一阶导数、二阶导数、标准正态变换、多元散射校正(multivariate scattering correction,MSC)、小波变换、SG平滑变换、傅里叶变换等9种方法对原始光谱进行预处理,建立概率神经网络(probabilistic neural network,PNN)模型对苹果的产地进行识别。结果表明,MSC预处理之后的模型总准确率最高,为97.5%,阿克苏、静宁、灵宝、烟台4个产地的准确率分别为100%、100%、90%、100%。为简化模型,对MSC预处理之后的光谱数据分别采用主成分法、连续投影算法(successive projection algorithm,SPA)、竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、随机蛙跳算法(random frog,RF)、CARS-SPA、RF-SPA选取特征变量建模。综合考虑正确率和模型的复杂性,最优模型MSC-CARS-SPA-PNN的测试集的总准确率为98.75%,4个产地的红富士苹果准确率分别达到了100%、100%、95%、100%。该研究可为红富士苹果的产地溯源提供理论参考。

基于变量优选的苹果糖分含量近红外光谱检测

目的:在900~1700 nm的波长范围内采集苹果的近红外光谱数据,结合化学计量学方法对糖分含量进行无损检测。方法:先对光谱数据依次进行基线校正、散射校正、平滑和尺度缩放,以交叉验证的均方根误差最小选出最佳的预处理方法。采用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)分别选取7,52个特征变量。分别以连续投影算法选取的特征变量、竞争性自适应重加权算法选取的特征变量、两种方法选出的特征变量的组合作为输入自变量,建立线性偏最小二乘回归法模型和非线性的极限学习机模型。结果:组合的特征变量建模效果优于单一方法选出的特征变量的建模效果,非线性模型优于线性模型。结论:采用组合的特征变量,建立极限学习机模型,预测效果最优,训练集的均方根误差为0.7101,拟合优度为0.8838,测试集的均方根误差为0.6375,拟合优度为0.8945。

基于近红外特征变量筛选对火麻油掺杂的快速检测

利用近红外光谱技术对掺杂了大豆油、花生油、葵花籽油和玉米油的火麻油进行鉴定,结合偏最小二乘法(PLS)和最小二乘支持向量机(LS-SVM)模型建立定量分析,并利用连续投影算法(SPA)和竞争自适应重加权采样算法(CARS)提取特征变量.结果表明:LS-SVM回归模型的准确度优于PLS模型,其预测相关系数R_p^2分别达到0.950 4、0.905 8、0.857 4和0.767 3;SPA和CARS是两种有效的特征变量选择算法,能够提高模型的准确性,并且CARS效果优于SPA;其中,LS-SVM-CARS模型的R_p^2分别达到0.982 1、0.907 5、0.958 7和0.924 9.因此,在油脂掺杂快速检测中,LS-SVM-CARS是一个准确度高、变量数少、传递性较强的定量分析模型.

基于近红外光谱和支持向量机回归参数调优的羊肉含水量检测

羊肉中的水分含量直接影响着其加工、贮藏和口感,因此对其水分含量的检测具有十分重要的意义。在900~1700 nm的波长范围内采集南疆羊肉的光谱数据,采用一阶导数(first derivative,1-DER)、标准正态变换(standard normal transformation,SNV)、多元散射校正(multivariate scatter correction,MSC)、小波变换(wave transformation,WT)、SG平滑变换(Savitzky Golag smooth transformation,SG)、傅里叶变换(Fourier transform,FT)对原始光谱数据进行预处理。分别采用连续投影算法(successive projection algorithm,SPA)和竞争自适应重加权算法(competitive adaptive reweighted sampling,CARS)进行光谱特征选取,建立偏最小二乘回归(partial least squares regression,PLS)和支持向量机回归(support vector regression,SVR)模型对羊肉水分含量进行预测。结果显示,采用1-DER-CARS-SVR模型,选取参数c为0.7011,g为0.0884时,预测效果最佳,测试集的均方误差为1.2162,拟合优度为0.7395。研究结果为研发羊肉水分含量的无损检测装置提供理论参考。

基于高光谱和数据挖掘的油菜植株含水率定量监测模型

为了构建监测效果更好、更具普适性的油菜植株含水率(Plant water content,PWC)定量监测模型,以油菜品种浙杂903、宁油22和宁杂1818为试验材料,设置2个施肥水平和3个水分处理,基于2019-2020年和2020-2021年生长季田间试验资料,在PWC的高光谱响应敏感波段范围采用逐步回归(Stepwise regression, SR)分析、连续投影算法(Successive projection algorithm, SPA)、竞争自适应加权算法(Competitive adaptive reweighted sampling, CARS)以及减量精细采样法(Reduced precise sampling method, RPSM)深度挖掘高光谱数据,通过筛选最优波段组合与光谱指数,基于线性回归(Linear regression, LR)、BP神经网络(Back-propagation neural network, BPNN)和支持向量机回归(Support vector regression, SVR)方法构建并比较油菜植株含水率监测模型。结果表明,针对油菜PWC监测,SR分析筛选的最优波段组合为730 nm、986 nm和1 071 nm, SPA法分析筛选的最优波段组合为686 nm、695 nm、707 nm、746 nm、964 nm、1 065 nm和1 069 nm, CARS法分析筛选的最优波段组合为694 nm、695 nm、696 nm、863 nm、864 nm、893 nm、973 nm、986 nm、1 050 nm和1 071 nm。RPSM筛选的最优光谱指数是归一化差值光谱指数(R981,R894)和比值光谱指数(R981,R894),其利用的波段均位于近红外波段。前述3个方法筛选的波段变量更多,蕴含的信息更全面,估测精度普遍优于光谱指数。建模分析结果表明,SPA-LR模型、SPA-BP模型、SPA-SVR模型均能实现油菜PWC的精确监测,经检验,其估测值和实测值的R2分别为0.693、0.940、0.841,均方根误差(RMSE)分别为1.623%、1.836%和1.227%。结果证明高光谱数据具备深度挖掘价值,运用全波段光谱分析方法能够在降维的同时保留有效信息,利用筛选出的波段组合构建线性或非线性模型,均能实现大田条件下全生育期油菜植株含水率的定量监测。

WCARS-ISPA火焰光谱特征选择的转炉炼钢终点预测

对转炉炼钢终点的实时精准控制能够有效提高钢铁产出的质量,炉口火焰光谱在炼钢不同时期的变化明显,对其进行分析处理并与机器学习方法相结合可有效用于炼钢终点的实时控制。针对炉口火焰光谱数据量大、现有方法对光谱特征提取在可信度和实时性上不足的缺陷,提出一种基于窗口竞争性自适应重加权采样(WCARS)结合迭代式连续投影算法(ISPA)的光谱特征波长选择方法,该方法在有效解决模型过拟合问题的同时,能够降低高维数据计算的复杂度。将火焰光谱数据沿波长方向进行窗口划分后,使用CARS进行计算选出特征窗口波段,再将迭代式选择与传统连续投影算法相结合,通过重复迭代精选出特征波长,在此基础上使用支持向量机回归(SVR)建立炼钢终点碳含量预测模型。实验采集363组炼钢后期的炉口火焰光谱数据作为样本,并对其进行Savitzky-Golay平滑预处理。使用WCARS-ISPA算法从全光谱数据中选出10个特征波长作为SVR模型的输入,碳含量为模型输出,Kennard-stone算法对训练集和测试集进行划分,选择碳含量的平均预测误差、预测误差在±2%以内的命中率以及运行30次的平均时间作为模型评价指标。实验结果显示,模型的平均碳含量预测误差为1.4132%,命中率高达90.63%,运行时间为0.019679 s。与使用全光谱和WCARS-ISPA,CARS-SPA,WCARS和SPA四种不同特征选择方法选出的特征波长建模得到的结果进行对比,基于WCARS-ISPA方法选出的特征波长建立的终点碳含量预测模型误差最小、命中率最高。提出一种新的炉口火焰光谱特征波长提取方法,使用窗口竞争性自适应重加权采样结合迭代式连续投影算法选取特征波长,并在此基础上建立转炉炼钢终点碳含量预测模型,实验结果表明,该方法能够有效提取火焰光谱特征,所建模型能够对转炉炼钢终点进行准确预测,满足工业生产的实时控制要求,为实际生产提供可靠帮助。

基于紫外/可见光谱技术的李子硬度无损检测

目的探究采用紫外/可见光谱技术结合化学计量学预测李子硬度的可行性。方法以“红”李子和“青”李子为研究对象,采用光谱采集系统获取李子样本的平均光谱;采用标准正态变换对原始光谱数据进行预处理,并利用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)从全光谱的1024个波长中分别提取2个(513.04 nm和636.72 nm)和10个(230.01,244.67,274.71,287.66,290.90,300.59,311.78,423.08,515.39,631.31 nm)特征波长;分别建立基于全光谱和提取的特征波长预测李子硬度的误差反向传播(BP)网络模型。结果将采用SPA和CARS特征波长选择方法提取的特征变量作为BP网络输入,明显提升了BP网络模型的运行效率,且SPA-BP网络模型具有相对较好的李子硬度预测能力(rp=0.695,预测样本集均方根误差为1.610 kg/cm2)。结论采用紫外/可见光谱技术结合特征波长提取方法可实现李子硬度的快速无损检测。

多品种苹果可溶性固形物近红外无损检测通用模型研究

苹果可溶性固形物含量(soluble solid content,SSC)是影响果实质量的重要因素,利用近红外光谱(NIR)技术则可以实现对苹果SSC的无损检测。为获得稳健的多品种苹果无损检测通用模型,本研究将模型更新方法与变量筛选方法相结合,对红富士(Red Fuji)、青苹果(Green apple)、黄元帅(Golden Delicious)、红玫瑰(Rose)和乐淇(Lokit)等5个品种苹果的SSC进行无损检测。结果表明,更新后的新模型可以实现对5个品种苹果的SSC的高精度预测,此时模型预测均方根误差(RMSEP)为0.698%,预测相关系数(Rp)为0.904,预测偏差为0.074%,范围误差比(RPD)可达2.340。为识别和提取光谱的重要信息波段,还采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)3种波段筛选方法优化模型。结果表明,CARS更能有效地选取出有效变量,建立的模型对新品种苹果的预测性能有明显改善,RMSEP为0.587%,Rp为0.928,预测偏差减少到−0.052%,RPD=2.684。

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。

湖滨绿洲棕漠土有机碳含量高光谱估算

以博斯腾湖湖滨绿洲为研究区,利用实测棕漠土有机碳含量与高光谱(350~2 500 nm)数据,应用竞争性自适应重加权采样算法(CARS)、连续投影算法(SPA)、竞争性自适应重加权采样-连续投影算法(CARS-SPA)筛选棕漠土有机碳含量响应的高光谱特征波段,分别采用全波段和特征波段结合随机森林(RF)模型构建棕漠土有机碳含量估算模型。结果表明:博斯腾湖湖滨绿洲棕漠土0~50.0 cm土层有机碳含量为1.40~40.92 g/kg,平均值为14.20 g/kg,变异系数为55.54%,呈中等变异水平。CARS、SPA、CARS-SPA等算法筛选出的棕漠土有机碳含量响应特征波段分别为122个、11个和10个。基于CARS-SPA算法筛选出的特征波段数据输入RF模型估算效果最好,验证集检验的决定系数(R^(2))、相对分析误差(RPD)、均方根误差(RMSE)分别为0.85、2.59和2.72 g/kg,该方法能有效减少光谱数据冗余、提高模型估算精度和运行效率。本研究结果为研究区棕漠土有机碳含量的估算提供参考。

高光谱技术识别煤岩的特征波段筛选方法研究

煤炭在中国工业和国民经济发展中起到重要作用。传统的人工识别煤岩界面效率低下,安全性无法保障,为实现采煤智能化和无人化,以高光谱作为技术手段,结合机器学习算法对煤岩进行分类识别。文中以淮南市谢桥矿区和潘一矿区的煤岩高光谱数据为研究对象,对煤岩原始光谱进行平滑处理(SG)、多元散射校正(MSC)、标准正态变量变换(SNV)和归一化(Norm)处理,采用竞争性自适应重加权采样(CARS)、连续投影法(SPA)和随机蛙跳(RF)算法获取预处理后煤岩高光谱数据中对煤岩识别敏感的优选波段,分别基于全波段和优选波段建立支持向量机(SVM)模型和偏最小二乘线性判别分析(PLS-LDA)模型,并对比模型识别精度。结果表明,优选波段主要分布在350~450 nm、1250~1450 nm、1700~1900 nm和2100~2300 nm之间,在实验室模拟环境中,由机器学习算法优选后的波段所建模型相较于全波段所建模型的识别精度有所提高,其中,基于Norm-CARS优选后的波段建立的PLS-LDA模型和基于SG-RF优选后的波段建立的SVM模型对建模集和测试集的识别正确率均达100%。利用机器学习算法可以有效筛选出与煤岩识别高度相关的波段,提高模型稳定性和识别效率,避免了人为建立经验模型的误差性。

近红外光谱法检测复方甘草酸苷制剂的质量

目的采用近红外光谱技术结合化学计量学快速检测复方甘草酸苷制剂的质量。方法利用标准正态变量变换和二阶导数进行预处理;分别采用连续投影算法、遗传算法和竞争自适应重加权算法对特征波长进行筛选;对筛选后的特征波长建模,并比较模型效果。结果竞争自适应重加权算法筛选后的波长建模效果最好,甘草酸苷、盐酸半胱氨酸、甘氨酸的含量预测模型的测定系数分别为0.9501、0.9522、0.9549,校正标准偏差分别为0.482、0.502、0.544,预测标准偏差分别为0.689、0.732、0.832。预测值可显著解释测量值。结论竞争自适应重加权算法的预测效果较好,结果可靠,可用于快速检测复方甘草酸苷制剂的质量。

近红外光谱结合不同变量筛选方法用于黄芩提取过程中黄芩苷含量预测

近红外光谱技术(NIRS)结合化学计量学可以实现中药过程分析中的快速定量,变量筛选算法的应用可以有效去除光谱中的冗余信息并筛选出与成分信息相关的关键变量,与全光谱模型相比可以显著降低模型复杂度,并提高预测精度。本文将近红外光谱技术结合不同变量筛选算法用于黄芩提取过程黄芩苷含量的快速测定,基于SPXY法划分数据集,采用竞争自适应加权重采样法(CARS)、随机青蛙算法(RF)、连续投影算法(SPA) 3种不同变量筛选方法,以偏最小二乘法(PLS)为基础,建立并比较了黄芩药材提取过程黄芩苷含量的定量校正模型。经CARS法、RF法和SPA法分别筛选出92、10、17个变量, CARS-PLS法建立的黄芩苷模型具有最佳性能, CARS法筛选的关健变量与指标成分黄芩苷的化学结构也有着较好的对应关系。模型的校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.528 2和0.720 2,与全光谱模型相比,模型的校正集相关系数(Rc)从0.917 0上升到0.979 9,相对预测偏差(RSEP)从10.58%降低到5.59%。

基于VIS/NIR高光谱技术的灵武长枣SSC含量的无损检测研究

利用高光谱技术对灵武长枣可溶性固形物含量(SSC)检测进行研究,为灵武长枣内部品质无损检测提供科学方法。以灵武长枣为对象,对光谱数据进行预处理,应用连续投影算法(SPA)和正自适应加权算法(CARS)进行关键波长的选择,通过偏最小二乘回归(PLSR)和主成分回归(PCR)建立预测模型。实验结果表明:采用去趋势(Detrend)预处理算法效果最优,PLSR模型的交叉验证相关系数(Rcv)为0.809,交叉验证均方根误差(RMSECV)为1.331;通过SPA算法和CARS算法能够有效地对光谱数据进行降维处理,对SPA优选的8个和CARS优选的21个特征变量分别用PLSR和PCR建立预测模型,CARS-PLSR建模效果最优,其相关系数(Rp)为0.864,预测均方根误差(RMSEP)为1.174;研究结果表明基于高光谱成像技术采集的灵武长枣漫反射光谱进行SSC无损检测具有可行性。

BP神经网络结合变量选择方法在牛奶蛋白质含量检测中的应用

牛奶中的蛋白质含量会影响牛奶的品质,利用高光谱图像的光谱特征信息研究对牛奶蛋白质含量预测的可行性。本文提出一种基于竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)结合多层前馈神经网络(back propagation, BP)的预测建模方法,实验以含有不同浓度蛋白质的牛奶为对象,利用可见光/近红外高光谱成像系统共采集到5种牛奶共计250组高光谱数据,通过实验对比选择采用标准化方法对获取到的吸收光谱预处理,然后采用CARS结合SPA筛选特征波长,得到18个特征波长,建立CARS-SPA-BP模型,经过试验,CARS-SPA-BP模型的训练集决定系数和测试集决定系数R;和R;分别达到0.971和0.968,训练集均方根误差(root mean square error of calibration,RMSEC)和测试集均方根误差(root mean square error of prediction,RMSEP)达到了0.033和0.034。研究发现,采用CARS结合SPA筛选的牛奶特征波长建立的多层前馈神经网络模型,其模型预测结果与全波长建模相比并没有明显降低,因此将CARS结合SPA用于波长筛选并且结合BP神经网络基本可以完成对牛奶蛋白质含量的预测。为验证CARS-SPA-BP模型的预测能力,在相同数据环境下,使用较为传统的偏最小二乘回归(partial least squares regression, PLSR)进行建模,实验结果表明,CARS-SPA-BP相较于PLSR,R;和RMSEP均有明显提升。研究表明,CARS-SPA-BP可充分利用牛奶光谱特征信息实现较高精度的牛奶蛋白质含量检测。

近红外光谱结合不同变量筛选方法用于金银花提取过程中绿原酸量的在线监测

目的采用近红外光谱技术,结合不同变量筛选方法对金银花提取过程中绿原酸量进行快速测定。方法采用组合间隔偏最小二乘法(SIPLS)、竞争自适应抽样方法(CARS)、变量投影重要性(VIP)、连续投影算法(SPA)4种不同变量筛选方法,以HPLC测定值作参比,建立金银花中绿原酸定量模型并进行比较,优选出最佳变量筛选方法。结果经SIPLS方法所建绿原酸模型预测能力最好,预测集决定系数(Rpre2)和预测均方根误差(RMSEP)分别为0.990 3和2.316%。结论近红外光谱法结合SIPLS变量筛选方法建立的绿原酸定量模型性能良好,满足中药提取过程实时监测分析的精度要求,可用于中药提取过程的快速分析。