南京邮电大学通信与信息工程学院信号处理与传输研究院，江苏 南京 210003
针对未知物体的分类问题，提出了一种基于支持向量机和关联成像的分类方法。该方法利用线性判别分析法提取出物体的特征向量，并根据该特征向量设计出应用于关联成像系统的特征散斑，将特征散斑照射物体获得桶探测器值，支持向量机可以依据桶探测器值进行判别从而获得物体的类别。该方法的可行性在MNIST数据集上得到了验证，结果表明，该方法在10个分类任务中均可取得较高的分类准确率，平均分类准确率达90.5%。与其他分类方法的对比结果表明，所提方法在准确率上更具优势。
关联成像 线性判别分析 机器学习 支持向量机 激光与光电子学进展
2024, 61(10): 1011008
1 金陵科技学院计算机工程学院, 江苏 南京 211169
2 浙江大学台州研究院, 浙江 台州 317700
3 滁州职业技术学院信息工程学院, 安徽 滁州 239000
不同品种茶叶因其所含的有机化学成分不同, 其效果也会有差别。 所以, 寻找出一种能准确迅速的鉴别茶叶品种的技术方法是非常重要的。 近红外光谱(NIR)分析是一种无损检测技术, 能很好的鉴别茶叶品种。 使用NIR光谱仪采集茶叶的NIR数据。 为了对包含噪声信号的茶叶近红外光谱进行准确鉴别, 提出了一种模糊线性判别QR分析的新方法, 可以对茶叶近红外光谱进行准确分类。 通过使用模糊线性判别分析（FLDA）将由主成分分析（PCA）压缩的茶叶近红外光谱数据进行降维, 由模糊线性判别分析得出的特征向量构建鉴别向量矩阵, 对鉴别向量矩阵进行矩阵的QR分解, 得到新的鉴别向量矩阵。 经过模糊线性判别QR分析后使用K近邻算法进行分类, 具有准确率高等优点。 以岳西翠兰、 六安瓜片、 施集毛峰和黄山毛峰四种茶叶为研究样本, 每类65个, 茶叶样本总数为260个。 采集茶叶近红外光谱数据的仪器为AntarisⅡ型傅里叶近红外光谱仪对光谱数据进行预处理, 采用多元散射校正, 由于采集到的茶叶光谱数据存在散射干扰。 以此得到的近红外光谱数据的维数为1557维, 通过主成分分析压缩数据集的维数, 使得光谱数据集的维数达到7维。 经压缩过后的光谱数据集中的鉴别信息再通过模糊线性判别QR分析进行提取, 使得光谱数据的维数降低到3维。 利用K近邻算法对茶叶样本进行分类, 实现对茶叶品种的准确分类。 最后进行三种算法分析结果的比较, 分别是主成分分析结合K近邻算法、 主成分分析和线性判别分析结合K近邻算法、 主成分分析和模糊线性判别QR分析结合K近邻算法。 在权重指数m=2, K=1条件下, 最后的分类准确率分别为83.89%, 87.78%和98.33%。 实验结果显示: 模糊线性判别QR分析可以实现茶叶近红外光谱的准确鉴别分析, 其展现出来的效果比主成分分析和线性判别分析表现的效果更好。
模糊线性判别分析 主成分分析 近红外光谱 K近邻算法 Fuzzy linear discriminant analysis Principal component analysis Near-infrared spectroscopy K-nearest neighbor algorithm 光谱学与光谱分析
2023, 43(12): 3802
南京林业大学材料科学与工程学院, 江苏 南京 210037
基于近红外光谱技术对木材产地进行识别必须依赖于光谱数据预处理方法和校准模型, 然而大多数采用近红外光谱技术识别木材产地的研究工作都是采用经典的线性模型。 构建木材地理溯源系统有利于促进木材市场的良性发展, 打击乱砍滥伐, 保护濒危树种。 为提高木材产地识别效率, 提出一种基于近红外光谱技术结合机器学习的木材产地识别方法。 首先建立木材产地的光谱数据集, 采集来自两种不同产地的樟子松、 泡桐、 榉木、 柚木、 椴木和臭椿的光谱数据, 每个树种构成一个数据集, 并将特征维度降至2维, 以探索各数据集的数据分布情况; 其次对原始光谱数据进行特征工程, 即分别采用主成分分析法和线性判别分析法对高维光谱数据进行降维处理, 以提高模型的泛化能力, 并对比两种降维技术对模型准确率的影响; 最后构建木材产地鉴别模型, 分别从非线性算法、 回归算法、 分类算法、 概率算法、 集成算法和深度学习算法六个角度选取了支持向量机、 逻辑回归、 K最近邻、 朴素贝叶斯、 随机森林和人工神经网络6种算法建立模型, 采用学习曲线、 网格搜索法、 K折交叉验证等算法优化模型参数以提高模型识别准确率及稳健性, 并从模型的准确率与运行时间两个层面来评估模型效果。 结果表明, 基于近红外光谱技术结合机器学习是识别木材地理来源的有效手段, 樟子松、 泡桐、 榉木、 柚木、 椴木和臭椿的准确率分别达到98.3%、 100%、 100%、 100%、 100%、 98.3%, 相应的模型运行时间分别为0.183、 0.182、 0.181、 0.182、 11.424和12.969 s。 综合分析6种模型在各数据集上的表现, 发现非线性的支持向量机和人工神经网络模型比其余模型更具有优势。 其中, 基于人工神经网络构建的木材产地鉴别模型表现优异, 在各数据集中识别率最高, 但运行时间远多于其余算法。
机器学习 近红外光谱 木材产地识别 主成分分析法 线性判别分析法 人工神经网络 Machine learning Near-infrared spectroscopy Wood origin identification Principal component analysis Linear discriminant analysis Artificial neural network 光谱学与光谱分析
2023, 43(11): 3372
1 江苏大学卓越学院, 江苏 镇江 212013
2 江苏大学电气信息工程学院, 江苏 镇江 212013
3 浙江大学台州研究院, 浙江 台州 317700
4 滁州职业技术学院信息工程学院, 安徽 滁州 239000
茶叶是全球最受欢迎饮品之一, 且具有丰富的营养价值, 但目前市面上的茶叶鱼龙混杂, 难以辨别。 因此, 快速准确的分类方法对茶叶进行鉴别具有重要的研究意义。 由于大多数化合物基频吸收带均出现在波长为2 500～25 000 nm的中红外区域, 茶叶的中红外光谱中含有大量关于茶叶品种的特征鉴别信息, 利用这一显著特点可以对其进行分类。 提出模糊协方差学习矢量量化(FCLVQ), 该算法在GK(Gustafson-Kessel)聚类的基础上, 引入学习向量量化(LVQ)中学习速率的概念, 用以控制模糊类中心的更新速率。 FCLVQ结合中红外光谱, 通过不断迭代计算样本模糊隶属度值和模糊聚类中心, 实现对茶叶的快速精准分类。 选取市场上的峨眉山茶叶、 优质竹叶青茶叶、 劣质竹叶青茶叶作为实验对象。 将实验对象分为3组（每个品种各1组）, 每组32个, 共计96个样本。 利用FTIR-7600型傅里叶红外光谱分析仪分别采集每组样本的中红外光谱数据, 每组样本采集三次, 取其平均值作为样本的红外光谱数据。 首先, 由于原始光谱含有噪声数据, 故使用多元散射校正(MSC)作降噪预处理; 其次, 由于光谱数据维数高达1 868维, 采用主成分分析(PCA)将光谱数据降至14维, 其14个主成分的累计贡献率为99.74%; 然后将降维后的光谱数据使用线性判别分析(LDA)进一步降至2维, 同时提取数据中的鉴别信息; 最后运行模糊C均值聚类算法(FCM), 将其运算得到的聚类中心作为FCLVQ的初始聚类中心参与迭代, 设置模糊隶属度的权重指数m=2, 最终分类准确率高达95.25%。 将FCM算法、 GK算法、 模糊Kohonen聚类网络(FKCN)算法与FCLVQ算法的运行结果进行对比, FCM, GK和FKCN的分类准确率分别为90.91%, 92.41%和90.91%。 结果表明, 与其他三个算法相比较, FCLVQ在m=2, 主成分个数为14时有着更好的分类效果, 可以用来实现对茶叶品种的准确分类。
中红外光谱 茶叶 模糊聚类 主成分分析 线性判别分析 Mid-infrared spectroscopy Tea Fuzzy clustering Principal component analysis Linear discriminant analysis
1 长春理工大学物理学院, 长春 130022
2 吉林工程技术师范学院信息工程学院, 长春 130052
针对东北地区多个品种大豆的分类鉴别需求, 本文采用理论计算与实验分析相结合的研究方法, 开展对6个品种大豆的分类鉴别。油酸和亚油酸是大豆的重要构成成分, 首先以密度泛函理论为基础, 构建油酸和亚油酸分子空间结构, 并利用B3LYP/6-31+G(d,p)基组优化并计算其理论拉曼光谱。再通过实验获取油酸、亚油酸分析纯和6个品种大豆的拉曼光谱, 并将所得理论拉曼光谱与实验拉曼光谱做出比对, 发现各品种大豆均在1281、1445、1662和2904 cm-1处有较强拉曼峰。最后以此四个拉曼峰作为特征峰, 运用主成分分析法(PCA)和线性判别分析法(LDA)对不同品种大豆做可视化分类, 分类正确率达到90%。研究结果表明, 密度泛函理论结合拉曼光谱法能够开展对大豆品种的有效分类, 对智慧农业的发展提供了一定借鉴意义。
密度泛函 拉曼光谱 主成分分析 线性判别分析 density functional raman spectroscopy principal component analysis linear discriminant analysis
1 中国人民公安大学侦查学院，北京 100038
2 南京简智仪器设备有限公司，南京 210049
在公安司法实践中，印章印泥长期在鉴别文件真伪中发挥重要作用。为判定文件真伪提供证据，利用SERDS Portable-Base便携式差分拉曼光谱仪，在激发光源785 nm，激光功率380 mW，扫描时间10 s，扫描范围250～2 800 cm-1的试验条件下，对36个印泥样本进行了快速无损检测。通过分析谱图可以将样品按照特征峰位置和数目进行区分，对于同组样品还可以通过特征峰的相对峰高比进行区分。利用主成分分析法对所得的差分数据进行降维，将所得到的降维后的成分矩阵进行系统聚类，所有样本被科学地分为7类，DP值为85.23%。同时利用判别分析建立了基于聚类分析的分类模型，经交叉验证后分类正确率达94.4%。该方法快速无损，灵敏度高，抗荧光干扰性强，结合所建立模型可以科学地检验印泥样品，为公安一线文件检验等实际工作提供帮助。
印泥 差分拉曼光谱 主成分分析 系统聚类 判别分析 inkpad differential Raman spectroscopy principal component analysis system clustering discriminant analysis
1 新疆农业大学数理学院, 新疆 乌鲁木齐 830052
2 新疆农业大学机电工程学院, 新疆 乌鲁木齐 830052
苹果产地溯源具有重要的应用价值和现实意义。 为了探寻苹果产地溯源新方法, 以红富士品种为研究对象, 以新疆阿克苏、 山东烟台、 陕西洛川三个产地671个红富士苹果样本为试材, 分别采集其590~1 250 nm的近红外透射光谱, 然后基于分数阶微分(FD)及主成分分析(PCA)-谱回归判别分析(SRDA)进行多模型融合, 构建红富士苹果产地溯源的集成学习模型。 首先, 将经过光谱校正后的光谱数据划分为训练集和测试集, 并利用分数阶微分预处理训练集光谱, 获取不同阶次(取0~2阶, 步长为0.1)的分数阶微分光谱; 结合不同阶次的分数阶微分光谱及PCA-SRDA算法构建基学习器, 将基学习器预测结果构成一个新训练集, 并通过决策树算法完成模型融合, 得到最终分类预测模型; 随后, 采用对应阶次的分数阶微分预处理测试集光谱, 并基于已建立的基学习器, 获得测试集相应的预测结果; 最后, 将预测结果构成一个新测试集, 并基于已建立的分类预测模型, 输出最终的预测结果。 按7:3比例随机划分样本集, 并进行200次重复实验。 结果表明, 结合不同阶次的分数阶微分预处理及线性判别分析(LDA)、 SRDA、 PCA-LDA、 PCA-SRDA算法建立多模型融合集成学习模型, 具有较好的鉴别效果和较强的鲁棒性, 其中, FD-PCA-SRDA多模型融合集成学习模型为最优, 其训练集的平均精度为97.33%, 标准差为0.49%, 测试集的平均精度为94.84%, 标准差为1.48%。 故, 分数阶微分技术及PCA-SRDA算法结合近红外透射光谱可成功、 有效地实现苹果产地溯源。
近红外透射光谱 分数阶微分 主成分分析-谱回归判别分析 苹果 产地溯源 Near-infrared transmission spectrum Fractional differential Principal component analysis-spectral regression discriminant analysis Apple Origin traceability 光谱学与光谱分析
2022, 42(10): 3249
1 华侨大学分析测试中心, 福建 厦门 361021
2 华侨大学化工学院, 福建 厦门 361021
3 厦门市环境科学研究院, 福建 厦门 361021
安溪是铁观音茶的源产地, 茶叶总产值每年数亿元, 但不同品质的铁观音茶价格参差不齐, 市场上存在以次充好的现象。 福建省安溪县和华安县为铁观音主要的茶产地, 两县市的茶叶产量市场占有率较高, 地理位置毗邻, 但茶叶品质和风味各有不同, 造成茶叶市场的困扰。 铁观音中微量元素种类和含量的检测, 对产地的溯源具有重要的意义。 采用X射线荧光光谱无标样半定量分析法(XRF)和微波消解/电感耦合等离子体质谱法(ICP-MS)对福建省主要茶产区安溪县(感德、 西坪、 祥华)和华安县(良村、 华丰、 仙都)的30份铁观音进行元素含量对比分析。 XRF法检测出两县茶样中存在的元素种类有K, Ca, S, P, Mg, Al, Si, Cl, Fe, Mn, Rb, Zn, Na和Sr, 但含量上存在一定的差异。 根据XRF法检测结果进行快速、 准确稀释茶样用于ICP-MS法对比测定金属元素, 优化样品前处理方法以满足痕量检测要求。 对比发现当测定Ca, Mg, Al, Fe, Mn和Zn金属元素时, 相关性系数R2在0.824 8~0.892 8, 趋势线斜率在0.806 0~0.944 9, XRF法和ICP-MS法的可比性较好, 说明检测这六种元素采用这两种方法皆适合。 同1份安溪铁观音茶样采用XRF法的相对标准偏差皆<6.0%, ICP-MS法的相对标准偏差皆<3.0%。 相对于ICP-MS法, XRF法前处理更简单, 耗时少, 因此需低成本、 快速、 简便检测茶样中的Ca, Mg, Al, Fe, Mn和Zn元素含量时, 可选择XRF检测法。 采用ICP-MS检测出的K, Ca, Mg, Al, Fe, Mn, Rb, Zn, Na和Sr金属元素进行逐步判别分析, 通过建立Fisher判别模型对安溪县和华安县铁观音茶样实现有效区分, 模型建立的判别函数的产地检验判别率为96.7%, 交叉检验判别率为96.7%, 对测试样品的识别正确率为100%。 ICP-MS法检测金属元素结合逐步判别-Fisher判别分析, 对安溪县和华安县铁观音茶样产地溯源具有较强的可行性。
铁观音茶 X射线荧光光谱技术 电感耦合等离子体质谱法 元素分析 逐步判别分析 Tieguanyin XRF ICP-MS Elemental analysis Stepwise discriminant analysis 光谱学与光谱分析
2022, 42(10): 3124
1 滁州职业技术学院信息工程学院, 安徽 滁州 239000
2 江苏大学卓越学院, 江苏 镇江 212013
3 江苏大学电气信息工程学院, 江苏 镇江 212013
贮存时间是影响生菜品质的一项重要因素, 传统的贮存时间鉴别方法主要依靠人工经验, 但是这种方法的准确率和可信度并不高。 研究的目标是建立一种基于模糊识别的模型进行生菜光谱分析以实现生菜贮存时间的鉴别, 并与其他鉴别方法作比较。 为此, 在当地超市购买60份新鲜生菜样品, 存放于冰箱中待用。 首先, 通过Antaris Ⅱ近红外光谱检测仪采集生菜样品的近红外光谱数据, 每隔12小时检测一次, 每个样本检测重复三次, 并取三次平均值作为实验数据。 其次, 利用多元散射校正(MSC)减少近红外光谱中的冗余信息。 为了进一步去除近红外光谱中的无用信息以及简化随后的数据分类过程, 分别运用主成分分析(PCA)和排序主成分分析 (PCA Sort)。 其中, PCA Sort通过改进对主成分的排序方法能提高分类准确率, 同时便于模糊线性鉴别分析(FLDA)进一步提取特征。 PCA和PCA Sort的计算仅运用了前15个主成分(能充分反映光谱的主要信息)。 最后, 利用模糊线性鉴别分析算法(FLDA)和K近邻算法(KNN)进一步分类所得的低维数据。 基于PCA和KNN算法的模型鉴别准确率达到43%, 而基于PCA, FLDA和KNN算法的模型鉴别准确率可达83%。 上述结果说明基于PCA, FLDA和KNN算法的模型鉴别准确率已经得到较大程度提高。 当用PCA Sort替代了模型中的PCA算法后, 结合FLDA和KNN算法则鉴别准确率达到98.33%。 实验结果表明PCA Sort结合FLDA和KNN所建立的模型是有效的生菜贮存时间鉴别模型。
近红外光谱 主成分分析 生菜 模糊鉴别线性分析 K近邻算法 NIR spectra Principal component analysis Lettuce Fuzzy linear discriminant analysis K-nearest neighbor 光谱学与光谱分析
2022, 42(10): 3079
