1 上海海关工业品与原材料检测技术中心, 上海 200135
2 上海海关工业品与原材料检测技术中心, 上海 200135上海理工大学材料与化学学院, 上海 200093
3 上海理工大学材料与化学学院, 上海 200093
快速准确测定铁矿石中的硅、 铝、 钙、 镁含量对铁矿石质量评价具有重要作用。 受制于多变量分析方法过拟合现象以及不同种类样品基体效应, 使用激光诱导击穿光谱（LIBS）准确测定铁矿石中硅、 铝、 钙、 镁含量仍然是当前存在的挑战。 采用变量重要性-反向传播人工神经网络（VI-BP-ANN）辅助LIBS定量分析铁矿石中硅（以SiO2计）、 铝（以Al2O3计）、 钙（以CaO计）和镁（以MgO计）的含量。 在这项研究中, 收集了12种244批铁矿石代表性样品的LIBS光谱, 优化了光谱预处理方法, 使用随机森林（RF）对LIBS光谱特征的重要性进行了测量, 使用袋外(OOB)误差优化RF模型参数, 变量重要性阈值用于优化BP-ANN校准模型的输入变量。 变量重要性阈值和神经元数量通过五折交叉验证（5-CV）的测定系数（R2）和均方根误差（RMSE）进行优化。 结果显示测试样本SiO2、 Al2O3、 CaO和MgO含量预测均方根误差（RMSEP）分别为0.377 2 wt%、 0.133 9 wt%、 0.059 2 wt%和0.141 1 wt%, R2分别为0.970 1、 0.955 4、 0.987 1、 0.997 5。 相比于使用相同的预处理方法作为PLS、 SVM、 RF和BP-ANN四种模型的输入, VI-BP-ANN在校准集和预测集都显示出出色的预测能力。 结果表明LIBS与VI-BP-ANN的结合有潜力在实际应用中实现铁矿石硅、 铝、 钙、 镁含量的快速准确预测。
铁矿石 反向传播人工神经网络 变量重要性 定量分析 激光诱导击穿光谱 Iron ore Back propagation artificial neural network Variable importance Quantitative analysis Laser-induced breakdown spectroscopy 光谱学与光谱分析
2023, 43(10): 3132
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
1 河北大学质量技术监督学院, 河北 保定 071002
2 河北农业大学生命科学学院, 河北 保定 071000
在采后冷藏过程中, 李果实很容易发生褐变, 这是影响其品质的重要因素之一。 有关李果实褐变的传统检验手段绝大多数为破坏性检验, 且主观性强、 一致性差。 为此, 使用了近红外光谱的方法来实现对李果实褐变和非褐变的无损、 快速鉴别。 采集4 000～12 500 cm-1波长范围内的124个李果实样品(褐变样品70个, 非褐变样品54个)的近红外漫反射光谱, 基于主成分分析的马氏距离判别分析和反向传播人工神经网络定性鉴别模型, 通过比较和考察上述模型对褐变样品和非褐变样品识别的准确程度, 筛选出能够有效鉴别李果实褐变的新方法。 结果表明: 在对样品全波段光谱数据做主成分分析后, 以前10主成分得分作为输入变量所建立起来的马氏距离判别分析和反向传播人工神经网络模型均能够对李果实褐变与否进行有效识别, 且后者判别效果更佳, 其校正集和预测集的判别正确率分别为100%和97.56%, 对非褐变样品和褐变样品的判别正确率分别达到100%和98.57%。 因此, 采用近红外光谱分析技术并结合化学计量学方法能够对李果实是否褐变进行快速、 无损、 有效的鉴别。
李果实 褐变 反向传播人工神经网络 马氏距离判别分析 近红外光谱 Plum browning Back Propagation-artificial neural networks Mahalanobis distances discriminate analysis Near-infrared spectroscopy 光谱学与光谱分析
2016, 36(7): 2089
1 四川建筑职业技术学院测量工程研究所, 四川 德阳 618000
2 四川建筑职业技术学院测绘工程系, 四川 德阳 618000
3 北京师范大学地表过程与资源生态国家重点实验室, 北京 100875
针对一些遥感数据缺失蓝波段而无法进行真彩色影像合成的问题，提出一种模拟多光谱传感器真彩色影像的方法。将中分辨率成像光谱仪MODIS 地表反射率产品(MOD09)作为参考影像，经影像聚类分析得到具有代表性训练样本，并通过反向传播(BP)人工神经网络训练得到蓝波段与特征波段(绿/红/近红)间关系的非线性回归模型，该模型用于模拟Landsat TM/MSS 和SPOT-5 的蓝波段并最终合成真彩色影像。实验结果表明：BP 神经网络能够很好地模拟多光谱影像的蓝波段，并且能够在一定程度上去除蓝波段上的大气影响，从而可以得到较为理想的真彩色合成效果。研究成果进一步扩展了图-图遥感影像波段模拟模型的研究深度。
遥感 蓝波段模拟 真彩色影像 反向传播人工神经网络 激光与光电子学进展
2015, 52(5): 051003
浙江大学生物系统工程与食品科学学院, 浙江 杭州310058
氮素是果树生长发育的一种大量必需元素, 及时准确地监控果树的氮营养状况, 对果树的合理施肥、 增产、 优化果实品质以及减缓过量施氮引起的水资源污染具有重要意义。 利用高光谱成像技术结合多变量统计学方法, 建立了柑橘植株叶片的含氮量预测模型。 研究步骤为: 高光谱扫描、 提取平均光谱曲线、 预处理原始光谱数据、 采用连续投影法提取特征波段和建立含氮量预测模型。 从SG平滑、 SNV、 MSC、 1-Der等11种预处理方法中筛选出的较优预处理方法是SG平滑、 Detrending和SG平滑-Detrending。 对应这三种最优预处理方法, 先采用连续投影法挑选出各自的特征波长, 然后将各特征波段下的光谱反射率作为偏最小二乘、 多元线性回归和反向传播人工神经网络模型的输入, 各自建立三个预测模型。 从以上获得的9个预测模型中, 得出两个最优模型SG平滑-Detrending-SPA-BPNN（Rp: 0.851 3, RMSEP: 0.188 1）和Detrending-SPA-BPNN（Rp: 0.8609, RMSEP: 0.159 5）。 结果表明, 利用高光谱数据测定柑橘叶片含氮量具有可行性。 这为实时、 准确地监控柑橘植株生长过程中叶片含氮量的变化以及合理科学的氮肥施加提供了一定的理论基础。
高光谱成像技术 柑橘叶片 连续投影法 偏最小二乘法 反向传播人工神经网络 Hyperspectral imaging technology Citrus leaf Successive projection algorithm Partial least squares Back propagation neural network
为了研究工艺参量对光纤激光切割切口质量的影响, 进行了切割T4003不锈钢试验, 分析了工艺参量与切口质量之间的关系。采用基于误差反向传播算法的人工神经网络, 建立了激光功率、切割速率、辅助气体压力等工艺参量与切口粗糙度之间的预测模型。对切割试验采集的训练样本进行了网络训练, 并利用测试样本对训练模型进行验证。结果表明, 随着激光功率增加, 切口粗糙度增大;随着切割速率和辅助气体压力增加, 切口粗糙度减小。神经网络预测模型精度较高, 网络训练效果良好, 预测值与试验样本值间的最大相对误差为2.4%。训练后检验精度较高, 检验样本最大相对误差仅为6.23%。该模型可有效预测激光切割切口表面粗糙度, 同时为合理选择及优化工艺参量, 提高激光切割质量提供试验依据。
激光技术 切口质量 反向传播人工神经网络 粗糙度 预测 laser technique kerf quality back propagation artificial neural network roughness prediction
1 河北大学质量技术监督学院, 河北 保定 071002
2 河北农业大学机电工程学院, 河北 保定 071001
研究了使用近红外漫反射光谱对不同品种草莓进行无损鉴别的方法, 并分析了各品种草莓品质指标的差异性。 在4 545～9 090 cm-1光谱范围比较了反向传播人工神经网络、 最小二乘支持向量机及判别分析的分类模型性能, 发现拓扑结构为12-18-3的反向传播神经网络模型分类结果最优, 校正集和预测集分类正确率分别为96.68%和97.14%, “甜宝”(n=99)、 “丰香”(n=100)和“明星”(n=117)样品的单独判别正确率分别为94.95%, 97%和98.29%。 对三个品种样品的可溶性固形物、 可滴定酸、 pH值及固酸比品质指标进行了单因素方差分析, 发现四个指标含量均存在明显差异, 分析成分指标数据的主成分得分发现不同品种草莓存在明显的聚类趋势。 结果表明, 近红外光谱与反向传播人工神经网络结合可有效鉴别不同品种的草莓, 且不同品种草莓化学成分含量的差异为近红外光谱分类提供了理化解释。
草莓 近红外光谱 反向传播人工神经网络 单因素方差分析 Strawberry Near infrared spectroscopy Back propagation-artificial neural networks One-way analysis of variance 光谱学与光谱分析
2012, 32(8): 2095
浙江大学现代光学仪器国家重点实验室, 杭州 310027
针对彩色扫描仪的特点,采用主元分析法(PCA)和反向传播(BP)人工神经网络(ANN)相结合的方法对图像光谱重构进行研究。选择IT8.7/2标准色卡作为训练样本,将该色卡中的另一组色靶作为检验样本以讨论不同网络结构以及不同主元数和训练样本数对光谱重构的影响,再以自然色系统(NCS)色卡为检验样本来分析不同种类的训练和检验样本与光谱重构性能的关系。实验结果表明,采用3-14-6网络结构和6个主元数是最佳选择,训练样本和扫描目标之间的一致性是基于彩色扫描仪图像光谱重构的关键所在。
颜色科学 光谱反射比 光谱重构 主元分析法 反向传播人工神经网络 IT8.7/2标准色卡 自然色系统色卡
