赵志磊 1,2,3,4王雪妹 1,2,3刘冬冬 1,2王艳伟 1,2,3[ ... ]牛晓颖 1,2,3,4
1 河北大学质量技术监督学院，河北 保定 071002
2 计量仪器与系统国家地方联合工程研究中心，河北 保定 071002
3 河北省能源计量与安全检测技术重点实验室，河北 保定 071002
4 河北大学地理标志研究院，河北 保定 071002
5 河北农业大学生命科学学院，河北 保定071002
可溶性固形物(SSC)和可滴定总酸(TA)含量是影响李果实品质的重要指标, 经典的破坏性检测方法不适用于果实按品质分级, 近红外光谱(NIRS)检测方法具有速度快、 操作简便、 可无损检测果实品质。 为实现NIRS无损快速检测安哥诺李果实可溶性固形物和可滴定总酸含量, 利用NIRS采集李果实的漫反射光谱, 同时采用糖度计测定安哥诺李果实的SSC, 采用滴定法测定了李果实TA含量, 使用杠杆值和F概率值剔除异常样品, 采用软件优化结合人工筛选光谱波段, 使用了消除常数偏移量、 减去一条直线、 矢量归一化(SNV)、 最大-最小归一化、 多元散射校正(MSC)、 一阶和二阶导数结合平滑处理、 一阶导数结合减去一条直线和平滑处理、 以及一阶导数结合SNV或MSC校正等光谱预处理方法, 分别采用偏最小二乘法(PLS)和主成分分析结合反向传播人工神经网络(BP-ANN)建立李果实SSC、 TA的定量分析模型。 结果表明, 李果实SSC和TA的最佳PLS建模效果波段范围分别为4 000~8 852和4 605~6 523 cm-1。 SSC的PLS模型的最佳光谱预处理方法为MSC校正, 最佳模型校正相关系数(Rc)为0.914 4, 预测相关系数(Rp)为0.878 5, 校正均方根误差(RMSEC)为0.91, 预测均方根误差(RMSEP)为1.00。 经一阶微分结合SNV和9点平滑的方法预处理后, TA的PLS模型效果最佳, Rc, Rp, RMSEC, RMSEP分别为0.860 3, 0.819 6, 0.80和0.86。 提取了李果实SSC和TA光谱数据的主成分, 并基于前10个主成分得分建立了李果实SSC和TA最佳BP-ANN定量分析模型, 其Rc, Rp, RMSEC和RMSEP分别为0.976 7, 0.889 7, 0.75和0.99; TA的BP-ANN模型的相应参数值依次为0.974 3, 0.897 7, 0.62和0.83, 与采用PLS算法建立的定量模型相比较, BP-ANN模型具有较高的Rc, Rp和较低的RMSEC, RMSEP, 因此BP-ANN模型对SSC和TA指标的定量分析结果更佳。
李果实 偏最小二乘法 反向传播人工神经网络 近红外光谱 Plum fruit PLS BP - ANN Near-infrared spectrum 光谱学与光谱分析
2022, 42(9): 2836
长春工业大学电气与电子工程学院, 吉林 长春 130012
在合金钢众多成分中碳(C)属于微量非金属元素, 其含量决定了合金钢的主要力学性能, 准确、 实时掌握C元素的含量, 对合金钢的生产及分类起到关键作用。 双脉冲激光诱导击穿光谱(DP-LIBS)是一种可用于在线快速分析合金钢中元素的有效手段, 不仅具有实时、 样品预处理简单等优点, 还能够增强物质的烧蚀度和信号强度, 从而提高LIBS技术的检测灵敏度。 为了减小基体效应影响, 进一步提高LIBS技术对合金钢中微量C元素定量分析的精确性, 采用多元素多谱线的修正方法, 通过DP-LIBS结合反向传播人工神经网络(BP-ANN), 建立多变量GA-BP-ANN定标法。 首先在氩气环境对合金钢样品进行DP-LIBS采集, 目标C元素选择了谱线强度变化能够体现其含量变化的C 193.09 nm处的原子谱线, 同时选取共存元素Fe, Cr, Mn和Si对应的特征谱线, 以提供更多的光谱信息, 提高C元素定量分析的准确度, 共选择15条特征分析谱线, 其中Fe元素含量丰富且相对稳定, 作为内标元素引入以减小谱线波动; 之后通过遗传算法(GA)寻优, 对C/Fe, Cr/Fe, Mn/Fe和Si/Fe的谱线强度比进行优化选择; 最后将GA选择的多谱线强度比作为BP-ANN网络的输入, 输出为目标C元素浓度值, 建立多变量GA-BP-ANN定标方法。 为比较该方法预测结果的精确性, 同时建立传统定标曲线法与以C/Fe为输入的单变量BP-ANN定标方法。 利用标准合金钢样品, 通过留一法交叉预测C元素含量值, 与内标法和单变量BP-ANN定标方法相比, 预测样品的平均相对误差分别由14.78%和14.75%减小到8.29%, 预测值与真实值之间的决定系数R2分别由0.967 4和0.974 4提升至0.989 3。 结果说明了多变量GA-BP-ANN定标法预测的C元素含量更接近于真实含量, 证明了该方法用于LIBS检测合金钢中C元素含量的可行性。
双脉冲LIBS 定量分析 低碳合金钢 多变量 Double pulse laser induced breakdown spectroscopy (DP-LIBS) Quantitative analysis Low-carbon alloy steels Multi-variable GA-BP-ANN GA-BP-ANN 
西安交通大学电气工程学院电力设备电气绝缘国家重点实验室, 陕西 西安 710049
β-苯乙胺(PEA)是一种重要的有机合成中间体, 在PEA生产过程中, 最终的生成物中常常为含有氯化钠(NaCl)、 氢氧化钠(NaOH)和PEA三者的混合物。 因此, 对NaCl, NaOH, PEA和混合物种类进行鉴别, 有利于PEA的合成以及定性检测, 需建立紫外光谱快速鉴别NaCl, NaOH, PEA和混合物种类的方法。 利用紫外光谱法分别测量了NaCl, NaOH, PEA和混合物在190~400 nm范围的吸收光谱。 首先, 采用偏最小二乘法(PLS)提取紫外光谱的主成分信息, 用少数的主成分信息取代原始变量, 减少模型的复杂度。 用PLS提取NaCl, NaOH和PEA在前三个主成分空间中得分向量值的分布。 可知NaCl, NaOH和PEA前三个主成分累计贡献率分别是96.64%, 99.44%和99.95%。 因此, NaCl、 NaOH和PEA的前三个主成分基本包含了大部分的光谱信息。 其次, 用获得的三个主成分作为输入变量, 采用线性判别分析(LDA), Sigmoid SVM, RBF-SVM, RBF-ANN, BP-ANN和人工蜂群(ABC)优化神经网络(ABC-BP-ANN)等模式识别方法对NaCl, NaOH和PEA种类进行判别, 获得总的敏感性分别为95.6%, 95.6%, 95.9%, 95.8%, 96.9%和99.6%。 由于NaCl和NaOH特征吸收峰很相似, 主成分得分向量会出现重叠现象, 导致NaCl和NaOH的种类鉴别出现误判。 通过对比六种分类方法, 可知ABC-BP-ANN效果最优, BP-ANN次之, RBF-SVM和RBF-ANN结果相似, 但比BP-ANN稍差, LDA和Sigmoid-SVM效果最差。 最后, 配制7种不同摩尔分数的混合物(混合物摩尔分数是指PEA物质的量占混合物总物质的量百分比), 浓度范围为0%mol·L-1~60%mol·L-1, 然后采用RBF-SVM, BP-ANN和ABC-BP-ANN三种方法对混合物种类进行判别。 从敏感性和特异性结果可以得知, ABC-BP-ANN分类效果最好, BP-ANN次之, RBF-SVM分类效果最差, 由混合物得到的结果与单组分的结果相一致。 结果表明, 紫外光谱结合ABC-BP-ANN模式识别方法可以成功区分NaCl, NaOH, PEA和混合物的种类。 该方法可作为一种简便、 快速、 可靠的方法用于NaCl, NaOH, PEA和混合物的种类判别, 并为PEA的合成和质量控制提供理论依据和技术支撑。
β-苯乙胺 紫外光谱 人工蜂群优化神经网络 敏感性 混合物光谱判别 β-phenylethylamine UV spectroscopy Artificial Bee Colony combined with BP-ANN Sensitivity Species identification of the mixture
1 中国检验检疫科学研究院, 北京 100123
2 燕山大学环境与化学工程学院, 河北 秦皇岛 066004
3 山东农业大学食品科学与工程学院, 山东 泰安 271018
应用电感耦合等离子体质谱(ICP-MS)测定了北京顺义、河北阜平和河北平山三个地区65个荆条蜜样品中38种元素含量, 其中B, Na, Mg, P, K, Ca, Fe和Zn等8种元素的含量处于较高水平, 其浓度均高于1 mg·kg-1。比较发现, 不同地区荆条蜜中元素含量存在一定差异。以具有显著性差异(p<0.05)的29种元素(Na, Mg, Al, K, Ti, V, Mn, Fe, Ni, Cu, Zn, Ga, As, Sr, Y, Mo, Cd, Ba, La, Ce, Pr, Nd, Sm, Gd, Dy, Ho, Tl, Pb和U)为变量, 应用主成分分析(PCA)和反向传输人工神经网络(BP-ANN)两种化学计量学方法按照不同产地对荆条蜜进行了分析。PCA可将所有变量降为4个主成分, 并能解释81.6%的变量, 结果表明, PCA基本可以将荆条蜜按照不同产地分开。应用BP-ANN建立不同产地荆条蜜溯源模型, 用全部样本建立模型时, 三个产地荆条蜜分类的正确率均为100%, 采用“留一法”进行交叉检验, 整体准确率为95.4%;以75%的样本建立模型, 25%的样本用于预测, 对BP-ANN模型的可靠性进行验证, 三个产地整体分类和预测的准确率均为100%。ICP-MS测定蜂蜜中多元素含量结合多变量模型可以实现不同产地荆条蜜溯源。
荆条蜜 多元素 地理来源 Vitex honey Multi-element Geographical origin PCA PCA BP-ANN BP-ANN
江苏大学食品与生物工程学院, 江苏 镇江212013
提出了一种应用三维荧光谱技术结合化学计量学方法快速无损鉴别蜂蜜中大米糖浆掺假的新方法。 利用特征参量法和主成分分析法对三维荧光光谱信息量进行压缩提取, 并结合线性判别分析法(LDA)和误差反向传播神经网络法(BP-ANN)对蜂蜜掺假进行分析。 结果显示, 在掺假蜂蜜判别试验中, 采用4个主成分时, 模型对预测集样本的识别率最佳, LDA模型识别率为94.44%, BP-ANN模型识别率为100%, 说明非线性的BP-ANN模型更适合蜂蜜掺假识别。 研究表明, 三维荧光光谱结合BP-ANN判别模型可以快速、 无损、 准确地鉴别蜂蜜中大米糖浆掺假。
三维荧光光谱 蜂蜜 掺假 线性判别模型 BP神经网络 Three-dimensional fluorescence spectra Honey Adulteration LDA BP-ANN 光谱学与光谱分析
2013, 33(6): 1626
1 江苏大学江苏省现代农业装备与技术重点实验室, 江苏 镇江212013
2 江苏大学电气信息工程学院, 江苏 镇江212013
为了便于生菜合理施水管理, 力求构建生菜叶片水分检测模型。 采集生菜叶片获取高光谱图像并同时测量叶片含水率, 分析高光谱图像寻求生菜叶片水分特征波段, 处理特征波段处的波段图像, 求取生菜叶片水分的图像特征, 并通过相关性分析筛选出其中与水分相关性高的图像特征。 由于图像特征之间存在可能的相关性, 利用偏最小二乘PLS提取图像特征的主成分, 作为具有回归预测能力的BP神经网络的输入, 构建PLS-ANN模型。 同时分别利用BP神经网络、 传统的多元回归方法MLR建模, 采用相同的样本数据分别对三种模型进行预测试验, 结果表明, 发棵期的PLS-ANN网络模型的生菜叶片水分预测平均误差率达到9.323%, 比BP-ANN和MLR预测模型均有了改善。
高光谱图像 BP-ANN BP-ANN PLS-ANN PLS-ANN MLR MLR Hyper-spectral image
1 江苏大学食品与生物工程学院， 江苏 镇江212013
2 江苏大学现代农业装备与技术重点实验室， 江苏 镇江212013
磷元素（P）亏缺初期， 水果黄瓜植株根部叶片出现小斑点， 其症状的外观特征与健康植株根部叶片老化初期类似， 难以用肉眼或者计算机图像处理技术识别。 本文根据近红外光谱能够反映叶片组织中有机物组分的差异， 运用近红外光谱技术对水果黄瓜植株磷元素亏缺进行了快速诊断研究。 精确控制营养液中磷元素含量， 通过设施栽培方式培养缺磷植株和对照样本。 近红外光谱仪采集了90片叶子的原始光谱（60片作为训练集， 30片作为预测集）， 经光谱预处理和窗口宽度优化后均匀划分为27个子区间， 分别提取每个子区间的10个主成分数据作为BP人工神经网络（BP-ANN）的输入变量， 以叶片缺素情况作为输出变量， 建立3层BP-ANN诊断模型。 当主成分因子数为3时， 第7个子区间对应的模型效果最佳， 模型对缺磷叶片和正常叶片的预测准确率均达到100%。 研究表明: 近红外光谱技术结合BP-ANN快速诊断水果黄瓜磷元素亏缺是可行的。
缺素诊断 近红外光谱技术 磷元素 水果黄瓜 BP人工神经网络 Diagnostics of deficiency Near infrared spectroscopy Phosphorus Mini-cucumber plants BP-ANN 光谱学与光谱分析
2011, 31(12): 3264
1 中南大学信息物理工程学院, 湖南 长沙410083
2 中南林业科技大学林业遥感信息工程研究中心, 湖南 长沙410004
3 吉首大学生物资源与环境科学学院, 湖南 吉首416000
提出了一种基于可见-近红外光谱技术快速、 无损鉴定杂交稻种纯度的新方法。 以FieldSpec3地物光谱仪采集纯度在90%～99%范围内的杂交稻种（宜香725）光谱数据90份, 随机分成校正集（75份）和检验集（15份）。 根据其在380～2 400 nm的反射光谱, 以偏最小二乘算法（PLS）建立了回归模型, 并比较了不同光谱预处理方法对模型的影响。 分析表明采用一阶导数结合标准归一化处理能最有效地提取光谱信息, 此时PLS模型校正集决定系数与检验集决定系数分别为0.988 4与0.922 7, 校正标准误差（SEC）与预测标准误差（SEP）分别为0.002 5与0.006 6。 将经一阶导数结合标准归一化处理后的光谱进行PCA降维, 以前20个主成份（含原始光谱86.09%的特征信息）为输入变量, 建立杂交稻种纯度鉴定的BP-ANN模型。 分析表明BP-ANN模型校正集决定系数与检验集决定系数分别为0.995 2与0.936 9, SEC与SEP分别为0.001 7与0.006 1, 具有比PLS模型更高的精度。 结果表明以可见-近红外技术进行杂交稻种纯度的快速、 无损鉴定是可行的, 且PCA结合BP-ANN是一种优选方法。
可见-近红外光谱 杂交稻种 纯度 无损鉴定 偏最小二乘 BP-神经网络 Visible-near infrared reflectance spectra Hybrid rice seed Purity Noncontact measurement PLS BP-ANN 光谱学与光谱分析
2009, 29(11): 2962
1 首都师范大学化学系， 北京100037
2 中国林业科学院木材研究所， 北京100091
利用近红外光谱（NIR）技术结合BP神经网络定量预测了杉木中的综纤维素、 木质素和微纤丝角。 首先对杉木的原始近红外光谱数据进行卷积（Savitzky-Golay）平滑和二阶导数处理， 然后利用小波变换压缩， 将由171个数据点组成的近红外光谱压缩为86个数据点， 最后用BP神经网络建模， 采用Leave-n-out交叉验证法对模型进行验证， 并讨论了隐含层神经元个数、 学习速率、 动量因子和学习次数对所建BP网络的影响。 用所建的网络模型预测了测试集中杉木样本的综纤维素、 木质素和微纤丝角 ， 预测的相关系数R2值分别为0.91, 0.90, 0.87， 预测均方根误差RMSEP分别为： 0.86%, 0.33%, 4.99%。 结果表明该方法快速， 无损， 基本能满足定量分析的要求。
近红外光谱 BP神经网络 综纤维素 木质素 微纤丝角 Near infrared spectroscopy BP-ANN Holocellulose Lignin Microfibril angle 光谱学与光谱分析
2009, 29(7): 1784
