1 吉林农业大学工程技术学院, 吉林 长春 130118
2 吉林农业大学食药用菌教育部工程研究中心, 吉林 长春 130118
平菇味道鲜美、 营养丰富, 深受消费者喜爱。 平菇在我国的栽培范围较广, 产地分散, 每个产地的气候条件、 栽培基质、 栽培方式的差异, 使不同产地生产的平菇在口感、 营养价值方面会有不同。 为规范平菇产品的市场管理, 更为打造区域内特色平菇品牌, 借助中红外光谱技术无污染、 高效、 低成本等特点, 突破目前化学分析、 生物学鉴别方法的限制, 提出一种中红外光谱结合机器学习鉴别不同产地平菇的方法。 对10个不同产地的平菇子实体进行红外光谱数据采集, 每个地区各60份共600份样本。 光谱数据经分析表明, 在波段530～1 660 cm-1范围内红外光谱的相关性表现出较明显的差异。 同时, 基于K-S法按照训练集和测试集比例为7∶3对样品划分, 得训练集为420份, 测试集为180份。 采用多元散射校正（MSC）, 标准正态变量变换（SNV）, 平滑（SG）, 一阶导数（FD）, 二阶导数（SD）等预处理方法进行光谱优化, 去除噪声, 并结合支持向量机（SVM）进行初步建模对比, 得出MSC预处理后光谱数据差异性最大, 预测集识别效果最好为84.44%。 将MSC光谱数据进行0～1区间的归一化处理, 并采用主成分分析（PCA）对其进行降维, 选择满足训练集中主成分个数累积贡献率≥85%, 且主成分方差百分比≥1%的前7个主成分作为输入变量与支持向量机（SVM）、 随机森林（RF）、 极限学习机（ELM）进行建模识别比较。 实验结果表明, 在识别不同产地平菇模型中, SVM模型识别效果最佳, 训练集和测试集识别率均为100%; RF模型训练集识别率为100%, 测试集识别率略低, 为98.89%; ELM模型对比其他模型识别率较差, 训练集识别率为99.28%, 测试集识别率为98.33%。 3种模型的识别率均高于98%, 说明采用红外光谱结合机器学习的方法可以简单、 快速、 低成本的实现对不同产地平菇的鉴别, 不仅为平菇产品产地识别提供方法依据, 也为其他种类食用菌产品的产地鉴别提供参考。
平菇 中红外光谱 机器学习 支持向量机 随机森林 极限学习机 Pleurotus ostreatus Mid-infrared spectrum Machine learning Support vector machine Random forest Extreme learning machine
1 北华大学电气信息工程学院, 吉林省 吉林市 132013
2 吉林大学工程仿生教育部重点实验室, 吉林 长春 130022
3 吉林大学植物科学学院, 吉林 长春 130062
采用美国MSR-16便携式多光谱辐射仪, 通过推导的辐射仪有效观测面积公式, 计算出测试单元数量, 有效解决了测量区域可见光各波段光谱辐射配比关系M_D所需测量次数不确定的难题。 采用美国CID公司生产型号为CI-310便携式光合作用测定系统, 测量大豆植株群体净光合速率C_D。 通过［0, 1］归一化方法对M_D和C_D进行归一化处理, 分别得到归一化数据M_D1和C_D1。 按不同测试时间划分, 将M_D1分成两部分数据M_D11和M_D12, 将C_D1分成两部分数据C_D11和C_D12。 使用polynomial核函数、 gauss核函数、 sigmoid核函数和自主研发的bio-selfadaption核函数, 利用grid-search, Genetic Algorithm, Particle Swarm Optimization对支持向量机惩罚参数c和参数g寻优, 在支持向量机epsilon-SVR公式、 nu-SVR公式条件下, 通过四种核函数、 三种优化方法、 两种公式的交叉组合、 M_D11、 C_D11, 建立大豆植株群体净光合速率预测模型。 试验结果表明, 在大豆植株试验区域面积S=17 m2和MSR-16便携式多光谱辐射仪放置于大豆植株冠层上方高度H=2 m条件下, epsilon-SVR-bio-selfadaption-grid-search模型对预测集1 C_D12的预测精度达到85%以上, 对预测集2 C_D12的预测精度达到82%以上。 在S和H其他组合条件下, epsilon-SVR-bio-selfadaption-grid-search模型对预测集2 C_D12的预测精度达到81%以上。 epsilon-SVR-bio-selfadaption-grid-search模型表明了bio-selfadaption核函数有效性、 测量区域可见光光谱数据方法合理性、 利用可见光光谱预测大豆植株群体净光合速率可行性。
可见光各波段光谱辐射 支持向量机 核函数 大豆植株 预测模型 Different bands of visible light spectrum Support vector machine Kernel function Soybean plantl Prediction model 光谱学与光谱分析
2016, 36(6): 1831
1 吉林大学生物与农业工程学院， 仿生工程教育部重点实验室， 吉林 长春130022
2 北华大学电气信息工程学院， 吉林 吉林市132021
为了实现对黄瓜病害的快速无损准确预测， 基于激光诱导叶绿素荧光光谱分析技术， 建立了温室黄瓜霜霉病害的预测模型。 通过测定健康叶片、 病菌接种3 d叶片和接种6 d叶片的光谱曲线， 采用一阶导数光谱预处理方法， 结合主成分分析数据降维方法对三组光谱数据进行特征信息提取后， 建立主成分得分散点图， 依据累积贡献率选取10个主成分代替导数光谱曲线， 再利用最小二乘支持向量机技术进行分类和预测。 通过对三组光谱数据105个样本的训练， 对44个样本进行分类预测， 并对比了四种核函数的支持向量机的分类能力， 结果表明， 径向基核函数对黄瓜霜霉病害的分类预测能力达到了97.73%， 具有很好的分类和鉴别效果。
荧光光谱 主成分分析 支持向量机 黄瓜霜霉病 Fluorescence spectrum Principal components analysis Support vector machine Cucumber downy mildew 光谱学与光谱分析
2011, 31(11): 2987
1 吉林大学工程仿生教育部重点实验室, 吉林 长春 130022
2 北华大学电气信息工程学院, 吉林 吉林市 132021
使用K-fold交叉验证方法, 通过两种支持向量机函数, 四种核函数, grid-search算法, 遗传算法, 粒子群算法, 建立对个体净光合速率预测拟合程度最高和最佳惩罚参数c的支持向量机模型。 将可见光光谱组成成分配比关系归为一个P粒子, 将叶温、 散射辐射、 气温等归为一个ε粒子。 通过信息粒子化技术对影响个体净光合速率的因子进行降维处理, 使得分析光合有效辐射、 可见光光谱组成成分和个体净光合速率之间的相关关系成为了可能。 试验结果表明, epsilon-SVR-RBF-Genetic Algorithm模型, nu-SVR-linear-grid-search模型和nu-SVR-RBF-Genetic Algorithm模型对光合有效辐射和P粒子组成预测集的拟合程度均达到97%以上, nu-SVR-linear-grid-search模型的惩罚参数c值最小, 泛化能力最强, 最终采用该模型对光合有效辐射、 P粒子和ε粒子组成的预测集进行预测分析, 拟合程度达到96%以上。
可见光光谱 支持向量机 参数优化 信息粒子化 Visible spectrum Support vector machine Optimized parameters Information granulation 光谱学与光谱分析
2011, 31(5): 1414
1 中国科学院,长春光学精密机械与物理研究所,吉林,长春,130033
2 长春工业大学,吉林,长春,130012
在航天遥感TDI CCD相机研制的过程中,为了给相机传递控制参数研制了航天遥感相机成像仿真测试仪.采用单片机和液晶显示模块,系统可以根据不同任务需要设置参数,查询参数,发送参数,通过液晶屏实时显示输入的数值,通过串口传入TDI CCD相机.TDI CCD相机成像单元仿真测试仪可以灵活、快捷、可靠地改变相机的行周期、增益、级数、偏置.采用内部控制方式,即不需要其他控制器(包括计算机),直接通过此控制器前面板的键盘输入控制指令,该控制方式简单、快捷,非常适合于野外、或不具备与计算机联系的应用场合.
液晶显示模块 仿真测试仪 串行通讯
