为了通过植被指数（VI）准确、 可靠的获取不同施肥梯度、 不同品种的水稻叶面积指数（LAI）, 提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。 首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型, 再通过引入组合动态旋转角策略、 单点混沌交叉操作、 混沌变异操作、 确定性选择策略、 量子灾变操作对量子遗传算法（QGA）进行改进, 最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层的连接权值和隐含层的阈值。 为了验证该模型普适性和有效性, 依次建立多元线性回归、 BP、 ELM、 QGA-ELM、 改进的QGA-ELM算法5种模型, 并在不同数据集上进行反演效果比较, 结果表明: （1）对比QGA-ELM算法和改进的QGA-ELM算法进化过程, 改进的算法能有效提升模型寻优能力, 避免算法早熟, 且能寻得更优结果。 （2）对比五种算法在不同数据集上的反演效果, 验证了NDVI, RVI与LAI之间主要为非线性关系, 且ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。 （3）对比五种算法在不同数据集上的反演效果, 改进的QGA-ELM算法绝大部分情况下拥有最高的反演精度和最低的误差, 改进后的算法反演精度得到了明显提升, 泛化性能也得到了增强。 （4）改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差, 且精度较高, 能为不同生长状况水稻LAI反演提供依据。 （5）五种模型对庆和香LAI反演精度均要高于龙稻18, 而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度, 且在不同水稻品种上反演精度相差极小, 远低于其他四种模型, 能很好适应不同水稻品种LAI反演要求, 极大提升模型的稳定性性, 为不同水稻品种反演提供参考意义。

稻瘟病是世界公认的水稻重大病害之一。 实现稻瘟病害的早期分级检测, 对水稻病害早期防治及精准用药具有重要意义。 以大田自然发病水稻为研究对象, 采集稻瘟病发病早期染病叶片和健康叶片, 获取所有叶片样本在400~1 000 nm波段内的高光谱图像并提取光谱数据。 水稻在染病之初不会立刻出现病斑, 无法识别采集到的无斑叶片是否染病。 为实现对自然染病叶片早期无病斑状态的识别, 提出取染病叶片贴近病斑的非病斑区域高光谱数据作为染病等级中的1级样本进行检测分析。 按照病斑面积将样本划分为4个等级: 健康叶片为0级(109片)、 染病无病斑为1级(116片)、 病斑面积小于10%为2级(107片)、 病斑面积小于25%为3级(101片)。 运用主成分分析(PCA)和竞争性自适应重加权(CARS)算法进行特征变量选取, CARS提取的特征波段较多, 利用PCA算法对其进一步降维。 分别以全谱数据、 PCA提取的4个、 8个、 CARS选择的21个、 CARS-PCA提取的6个特征变量为输入, 建立水稻稻瘟病早期高光谱支持向量机(SVM)、 PCA4-SVM、 PCA8-SVM、 CARS-SVM和CARS-PCA-SVM检测模型。 结果显示, 所有模型对各级样本的检测准确率均较高, 其中, 对1级样本的检测准确率与其他级别相当, 识别效果较好; 所有模型的样本总体准确率均大于94.6%, CARS-SVM模型的总体准确率最高为97.29%, CARS-PCA-SVM模型为96.61%略低于CARS-SVM模型, 但其输入变量仅为6个, 较CARS-SVM的21个减少71.43%, 模型更为简洁、 更利于提高检测速度。 因此, 综合评价CARS-PCA-SVM模型最优, 各级准确率分别为97.30%, 94.87%, 94.29%和100.00%。 结果表明, 所建模型检测准确度较高, 可以实现对大田自然发病的稻瘟病早期分级检测, 为稻瘟病染病之初无病斑叶片的检测提供新思路, 为水稻稻瘟病早期防治、 精准施药及检测仪器开发提供理论依据。

粗蛋白(CP)是评价牧草营养价值和品质参数的关键指标。 快速、 准确地对牧草中粗蛋白含量进行评估在畜牧业生产研究中具有重要意义。 为确定牧草粗蛋白含量的高光谱特征波段及最优检测模型, 研究分别于2017年5月至9月间在黑龙江省杜尔伯特自治区的人工牧草场(羊草)内每月随机选取35个样本, 5个月共采集175个样本。 采样时在样本点处放置1 m×1 m的样方, 将样方内所有牧草全部齐地面收割采集后称重并冷藏保存。 将样本带回实验室后, 立即进行牧草叶片高光谱图像采集, 同时采用凯氏定氮法对采集的牧草样本进行粗蛋白化学值测定, 以此建立牧草粗蛋白含量高光谱数据集。 研究首先通过Savitzky-Golay卷积平滑(SG)、 多元散射校正(MSC)、 变量标准化(SNV)、 一阶导数(1-Der)和直接正交信号校正(DOSC)方法5种预处理方法对高光谱数据进行处理后分别建立偏最小二乘回归(PLSR)检测模型, 从中确定最优预处理方法。 利用最优预处理结果, 分别采用连续投影算法(SPA)和随机蛙跳算法(RF)进行牧草粗蛋白含量的特征波段选择, 并利用选择结果分别进一步建立PLSR模型, 以此确定适合粗蛋白含量的特征波段选择方法, 确定最优高光谱检测模型。 结果表明, 在五种高光谱预处理方法中, 基于SNV方法预处理后所建立的高光谱PLSR模型表现最优(R2-P=0.929, RMSE-P=6.344 mg·g-1, RPD=4.204)。 利用连续投影算法筛选的粗蛋白含量特征波长为30个, 分布于530～700和940～1 000 nm范围内。 经随机蛙跳算法确定的粗蛋白含量特征波段为6个, 分别为826.544, 827.285, 828.766, 971.012, 972.494和973.235 nm。 因此, 该研究中牧草粗蛋白含量最优高光谱检测模型为SNV-RF-PLSR(R2-P=0.933, RMSE-P=6.034 mg·g-1, RPD=4.322), 模型精度较高。 该研究结果为牧草粗蛋白含量的高光谱检测提供了最优模型和理论基础, 同时为指导草业生产开拓了新的技术思路。

在近红外光谱分析模型中全谱信息通常含有大量冗余信息,会导致模型解析时间延长、加大模型解析难度,因此如何快速有效地选取特征波长至关重要.采用基于间隔偏最小二乘(interval partial least squares,IPLS)结合连续投影算法(successive projections algorithm,SPA)对小麦秸秆发酵过程微生物生物量进行特征波长选择,共制备85个样本,采用氨基葡萄糖法测定微生物生物量,选择68个样本作为校正集,17个样本作为验证集.首先对全谱区520个波长点根据间隔点大小10,20,30,40进行分段建模,选取出4 450～4 925和9 194～9 993 cm-1两个波段范围作为特征波段,将选取出的特征波段再进行连续投影算法及遗传算法(genetic algorithm,GA)特征波长点选取,并进行综合分析对比.实验结果表明采用IPLS-SPA算法选择4 450～4 925和9 194～9 993 cm-1的组合波段具有最佳建模效果,相比于全谱建模其参与建模的波长点由520个减少到10个,模型验证集决定系数(R-Square,R2)从0.884 9提升至0.945 28,验证集均方误差根(root mean square error prediction,RMSEP)从11.104 9降至8.203 3,GA遗传算法虽取得了更优的模型精度,但其实验结果并不稳定且随机性较强,而IPLS结合SPA方法能够稳定而准确的(地)选择特征波长信息,提高模型运算速度并降低模型拟合难度,可以作为一种新的波段选择参考方法.结果表明采用近红外光谱分析方法对秸秆发酵生物量进行快速检测是可行的.

地沟油检测是我国食品安全最为关注的话题之一, 它给人们的生活健康带来了极大的危害。 国内现有的检测手段也仅停留在定性检测水平上, 只能确定地沟油的有无, 还难以进行定量检测。 本实验利用近红外光谱技术与光纤传感技术相结合的新方法对勾兑混合油中地沟油的含量进行了定量分析。 将煎炸老油与九三大豆油按照一定的体积比进行勾兑, 共计50个样本, 采集其近红外透射光谱, 分别采用偏最小二乘法(PLS)和BP人工神经网络建立了煎炸老油含量的定量分析模型, 校正集决定系数分别为0.908和0.934, 验证集决定系数分别为0.961和0.952, 均方估计残差(RMSEC)为0.184和0.136, 预测均方根误差(RMSEP)都为0.111 6, 符合应用要求, 同时还结合主成分分析法(PCA)对煎炸老油与食用植物油进行了鉴别, 识别准确率为100%。 实验研究证明近红外光谱技术不仅可以准确快速的定性分析地沟油, 还能定量的检测地沟油的含量, 在油脂的检测方面具有很大的应用前景。

用优化法根据模拟的电子束轨迹设计了用于制造条状彩色荧光屏的校正透镜.通过计算机模拟曝光,证明了所设计的校正透镜使着屏偏差得到了充分的校正.