基于随机森林算法的食源性致病菌拉曼光谱识别

药品食品的安全问题一直是人们关注的重点。相比于传统的食源性致病菌光谱检测方法,拉曼光谱法具有检测范围广、检测灵活、光谱特征突出等特点。本文以常见的食源性致病菌为研究对象,利用拉曼光谱仪采集了11种食源性致病菌样品的132个拉曼光谱数据,提出了一种基于主成分分析和随机森林算法的分类模型。实验结果表明,主成分分析结合随机森林算法的分类模型可以将食源性致病菌区分开,且分类准确度可达到91.36%。     

土壤锰污染的高光谱分级评价

提出一种利用高光谱技术进行土壤锰污染分级评价的方法。以FieldSpec3地物光谱仪采集矿区土壤光谱反射率150份,随机分成校正集(115份)和检验集(35份)。光谱经小波去噪和多元散射校正(MSC)处理后,以主成分分析法(PCA)降维。将降维所得的前5个主成分数据为输入变量,分别采用Fisher线性判别、Byes逐步判别、模糊模式识别以及BP-ANN判别四种方法建立了土壤锰污染分级评价模型,并利用35个未知样对模型进行检验。结果表明:Fisher线性判别与模糊模式识别预测准确率为80%,Byes逐步判别为82.86%,BP-ANN模型预测精度最高,达85.71%。说明以高光谱技术进行土壤锰污染分级评价是可行,且BP-ANN是建模的优选算法。     

主元分析降维联合广义判别分类的水质检测紫外-可见光谱数据处理方法

针对环境水样快速、在线监测的需要,立足于水质(体)检测紫外-可见吸收光谱分析技术,研究了基于主元分析(PCA)的降维联合广义判别分析(GDA)分类的水质检测紫外-可见吸收光谱数据在线处理方法。通过对地表水、生活污水和工业废水共计160组水样的吸收光谱数据进行研究,结果表明:直接采用ANN-BP、SVM、LS-SVM、Fisher和GDA进行分类,虽分类精度较高,但耗时较长;采用PCA降维后再分类,虽分类精度降低,但分类速度得到了提升;采用PCA降维联合GDA分类,可在不影响分类速度的前提下,分类精度却达到最优。这为实时、在线的水质检测光谱数据分析与处理提供了一种新的途径。     

紫外-可见吸收光谱法水质检测系统的噪声分析与处理研究

直接紫外-可见光谱法检测水质参数具有检测速度快、成本低、无二次污染、可实现在线和原位测量等优点,但受限于光谱检测精度和检测设备成本。基于该方法的检测系统一直较难推广。为此,利用海洋光学的工业级光谱仪USB2000+及脉冲氙灯光源搭建了一套低成本、快速的水质光谱检测系统。进而,在对系统噪声源进行全面分析的基础上,利用小波包软阈值去噪方法对原始光谱数据进行去噪处理。为了有效地评价去噪效果,同时采用海洋光学科研级光谱仪QE65000配合稳定的氘钨灯光源搭建标准光谱检测系统,对同一样本溶液进行了紫外-可见吸收光谱采集。实验结果表明,搭建的系统能稳定、有效地采集原始光谱数据,进一步对原始数据采用基于软阈值的小波包去噪,能在保留水样紫外-可见吸收光谱特征的前提下,有效地去除原始光谱的各种噪声,提高光谱的信噪比,为采用低成本光谱检测设备进行水质参数分析奠定了基础。     

随机森林结合直接正交信号校正的模型传递方法

为增强近红外光谱模型通用性,解决直接正交信号校正算法在光谱处理过程中可能出现过拟合、模型不稳定的现象,提出一种将随机森林与直接正交信号校正算法相结合的模型传递方法(Random Forest-Direct Orthogonal Signal Correction,RF-DOSC)。该方法首先利用随机森林算法进行近红外光谱波长点筛选,然后采用直接正交信号校正方法进行光谱处理并建立回归方程,由PLS计算回归系数求得模型传递矩阵。实验使用三台光谱仪(S,S1,S2)测得的玉米近红外光谱数据集建立传递模型,数据集1(D1)水分、油分、蛋白质、淀粉成分预测标准偏差(SEP)分别为0.1267、0.0982、0.1569和0.4051,数据集2(D2)四种成分的SEP分别为0.1548、0.0819、0.1366和0.3836,均小于传统方法。实验结果表明本文所提模型传递方法能有效消除光谱噪声,减小主仪器和从仪器光谱之间的差异,提高模型的稳定性和准确性,实现不同仪器之间模型的共享。     

光纤光谱结合模式识别无损检测苹果表面疤痕

为了实现基于光纤光谱技术结合模式识别无损检测苹果表面疤痕, 利用光纤光谱采集系统采集了完好无损和表面有疤痕苹果的光谱数据, 采用标准正态变换(SNV)和1阶导数对原始光谱数据进行预处理; 利用主成分分析方法对预处理后的光谱数据进行降维, 以提取能反映苹果表面疤痕的特征光谱; 利用k最近邻(KNN)模式识别方法和偏最小二乘判别分析方法, 建立了苹果表面疤痕的识别模型。结果表明, 采用主成分分析法选择了累计贡献率超过99%的前8个主成分作为样本集特征光谱数据, 很好地实现了光谱数据的降维; 利用1阶导数+KNN识别模型对校正集以及SNV+KNN识别模型对预测集中正常果和疤痕果的正确率识别均高达96.0%。验证了基于光纤光谱技术结合模式识别方法无损检测苹果表面疤痕的可行性。     

激光光谱技术的水质监测系统研究

为了能够迅速精准判断水质的成分，提出了利用激光光谱技术对水质的检测方法，此系统采用87C52单片机作为系统的核心，组建了共聚焦式检测子系统，采集系统则用USB30协议与上位机进行通讯。通过对水体表面受激而产生的荧光信号进行光谱分析，可以定量分析水质成分。本实验在室内光源下进行，忽略了背景光的影响，得到的实验数据较为准确。实验结果表明检测到的荧光信号与水体受污染程度成良好的相关性，可以作为水体污染检测的指标。     

井下流体光纤在线光谱分析仪关键技术

利用离散光谱法实现了可应用于井下原油在线成分分析的光纤在线测量系统。给出井下流体的光谱测量的基本原理以及建立还原模型的基本算法。传统的全谱测量方式很难满足井下应用要求，为此提出了波长选择算法以简化传统光谱测量系统设计。该波长选择算法以全光谱数据为基础进行波长筛选，最终选取了11个特征光谱来代替传统的全谱扫描。以测得的吸收谱线为基础进行模型精度实验，实验表明利用离散光谱点建立还原模型和利用全光谱建立的模型具有很好的一致性。采用离散光谱法简化了系统结构，并可应用于井下在线分析。该系统可同时对井下油、气、水进行检测，也能对原油和油基钻井泥浆混合物进行在线测量，测量误差仅为2%。     

遗传算法优化小波阈值对水质光谱数据的去噪研究

针对紫外-可见光谱法水质检测系统易受到仪器本身和外界环境的噪声干扰, 所测得的光谱数据存在大量系 统和杂散光噪声的问题, 在对紫外-可见光谱法水质检测系统的噪声源分析的基础上提出将遗传算法应用于小波阈值 优化的去噪方法, 并与小波软阈值、 SG 平滑和中值滤波方法进行了对比。为评价去噪效果, 对同一浓度的邻苯二甲 酸氢钾标液的紫外-可见光谱数据进行去噪实验。在采用遗传算法选取小波最优阈值对标液进行去噪处理的同时, 还 采用传统小波软阈值去噪、 SG 平滑和中值滤波去噪作为对比。为验证该算法的实际可行性, 进一步用这四种方法对 某地排水沟和某污水处理厂排水口的实际水样光谱进行去噪处理。实验结果表明: 基于遗传算法的小波阈值去噪效 果良好, 相较于传统的小波软阈值去噪、 SG 平滑和中值滤波的方法, 信噪比分别提高了 2.2994、 5.7066、 2.6155 dB, 均方根误差分别减小了 0.0028、 0.0087、 0.0033, 峰值信噪比分别提高了 2.0837、 5.2569、 2.7375 dB。基于遗传算法 的小波阈值去噪算法不仅抑制了光谱数据中的噪声, 同时也提高了系统精度, 为紫外-可见光谱法水质光谱去噪处理提 供了一种新的解决办法。     

杂交稻种品系与真伪的可见-近红外光谱鉴别

提出了一种基于可见-近红外光谱技术快速、无损鉴别杂交稻种品系与真伪的新方法。采集了5种稻种的光谱数据,各获取32个样本,随机分成训练集(125份)和检验集(35份)。光谱经S.Golay平滑和标准归一化(SNV)处理后,以主成分分析法(PCA)降维。将降维所得的前9个主成分作为新变量。分别用模糊模式识别、BP-神经网络、Fisher多类线性判别以及Bayes多类逐步判别四种方法进行分析。对35个未知样的预测结果说明可见-近红外技术进行杂交稻种品系与真伪的快速、无损鉴别是可行的,且PCA结合Bayes多类逐步判别是一种优选方法。     

红外光谱结合化学计量学检验直液式走珠笔墨水

检验鉴定书写墨水是法庭科学领域中一项重要的工作。利用傅里叶变换红外光谱仪对市面上常见的20种直液式走珠笔墨水样品进行检验,采取化学计量学实现了对直液式走珠笔墨水的快速检验。对傅里叶变换红外光谱数据做标准化处理,采取自动基线矫正、峰面积归一化、Savitzky-Golay 5点平滑3种方法对谱图做预处理,通过误差平方和指标（sum of the squares errors, SSE）确定分类K的最优取值,对样品进行K-均值聚类分析并解释聚类结果。采取主成分分析方法验证K-均值聚类的结果,利用组均值均等检验考察主成分变量对Fisher判别分析（Fisher discriminant analysis, FDA）模型的贡献程度,构建直液式走珠笔墨水的FDA判别模型。结果表明,K-均值聚类将全部墨水样本聚类为3类,PCA-FDA（principal components analysis-fisher discriminant analysis）模型能够对不同类别直液式走珠笔墨水达到100%的预测分类,经交叉验证后正确率达到100%。红外光谱与PCA-FDA模型结合可用于直液式走珠笔墨水的快速、准确检验鉴定。     

基于小波特征的星系光谱分类

提出了一种新的星系光谱分类方法.首先,对原始光谱进行四级小波分解,选择主要包含谱线信息的第四级小波系数作为光谱的小波特征;然后,利用主分量分析对光谱的小波特征进行特征压缩,得到光谱的识别特征;最后,利用Fisher线性判别分析实现分类.该方法能够在红移值未知的情况下,对流量未定标的星系光谱进行识别.通过实验与其他几种分类方法进行了比较.实验结果表明,本文方法具有较强的鲁棒性,在流量未定标情况下的识别效果优于其他几种分类方法.     

好奇号火星车ChemCam-LIBS 光谱数据的定量分析研究

传统的偏最小二乘法和支持向量机回归等方法在预测光谱对应的火星车地面标样成分元素含量时往往难以获得较高的精度,并难于进一步优化。针对上述问题,在研究中对高维度光谱信息进行三通道折叠以消除其基体效应,并引入在计算机视觉领域表现不俗的ResNet残差网络结构来提取光谱特征并预测对应主成分含量值。文中将ResNet网络结构中的全连接层去除以避免模型参数快速增长,并将网络最后的Softmax分类子层改为线性整流层以便于进行预测,同时添加了指数学习率衰减和Dropout机制以使模型预测结果具备更高的精度与泛化能力。模型各主要元素含量的预测均方根误差相对于线性支持向量机LinearSVR和深度可分离卷积网络Xception分别平均下降了30%和17%。实验结果表明:采用LIBS技术对ChemCam光谱数据进行主成分元素定量分析时,基于ResNet网络建立的回归模型表现出良好的预测特性。     

Radio Fingerprint Extraction Based on Marginal Fisher Deep Autoencoders

Aiming at the difficulty of extracting radio fingerprint feature caused by insufficient traditional training method under small labeled sample prerequisite, the deep autoencoders regularized by marginal Fisher analysis algorithm for radio fingerprint extraction is proposed. Based on deep autoencoders, the training procedures was divided into two parts: unsupervised pre-training and supervised finetuning based on marginal Fisher analysis. In the algorithm, firstly the individual information of radio classes in large amounts of unlabeled signal samples was extracted, whose information was then applied on model optimal parameters learning by deep autoencoders. Then the trainable parameters were analyzed by marginal Fisher method with the assistant of labeled samples to improve the discriminant capability of fingerprint feature between radio individuals of the same model. The classification experiment was operated on several communication radio signal dataset. The results proved that the differences of radio individuals of the same model can be represented effectively through the algorithm proposed.     

基于主成分和多类判别分析的可见-红外光谱水蜜桃品种鉴别新方法

提出了一种用可见-近红外漫反射光谱技术快速鉴别水蜜桃品种的新方法.应用可见-近红外光谱仪测定三个品种水蜜桃的光谱曲线,再用主成分分析法对不同品种样本进行聚类分析,获取了水蜜桃可见-近红外光谱的特征信息,同时结合多类判别分析技术建立水蜜桃品种鉴别的模型.对经过预处理的光谱数据进行主成分分析,分析表明,以样本在第一主成分和第二主成分上的得分做出的二维散点图,对不同种类水蜜桃具有很好的聚类,能定性区分不同种类水蜜桃;经过主成分分析得到的前8个主成分的累积可信度已达94.38%,说明这8个变量能够代表绝大部分原始光谱的信息.从75个样本中随机抽取60个样本用于建立8个主成分变量的多类判别分析品种鉴别模型,余下的15个样本用于验证,准确率为100%.说明本文提出的方法具有明显的分类和鉴别作用.     

基于核局部Fisher判别分析的掌纹识别

运用核局部Fisher判别分析(KLFDA)进行掌纹识别。为了解决小样本图像识别中特征方程矩阵的奇异性问题,首先运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用KLF-DA提取低维的投影向量;然后将训练图像和待识别图像的核矩阵向投影向量上投影,得到非线性局部判别特征;最后计算特征向量间的余弦距离,进行掌纹匹配。运用PolyU掌纹图像库对算法进行测试,实验结果表明,与主元分析(PCA)、Fisher判别分析(FDA)、独立元分析(ICA)、核主元分析(KPCA)和局部Fisher判别分析(LFDA)相比,本文算法的识别率(RR)最高为99%,特征提取和匹配总时间0.031 s,满足实时系统的要求。     

核Fisher鉴别分析在掌纹识别中的应用

核Fisher的鉴别方法(KFDA)是模式识别中较为突出的提取图像非线性特征的方法。为了更好的提取掌纹图像的非线性特征,将KFDA方法引入到掌纹识别中。首先对掌纹图像做小波变换进行降维,在保留原始图像轮廓信息和特征的基础上,然后进行核Fisher判决方法进行特征提取并引入零空间的核Fisher(ZKFDA)方法解决小样本问题,最后用最小距离分类器进行掌纹匹配。通过PolyU掌纹图像库,实验结果表明,在不同的特征个数下,KFDA方法比二维Fisher准则(2DFLD)方法识别率高;零空间ZKFDA的平均识别率高于KFDA,并且计算量大大减少。在核函数选取上,取RBF核函数的识别性能最佳。     

Signal processing for hyperspectral image exploitation

Electro-optical remote sensing involves the acquisition of information about an object or scene without coming into physical contact with it. This is achieved by exploiting the fact that the materials comprising the various objects in a scene reflect, absorb, and emit electromagnetic radiation in ways characteristic of their molecular composition and shape. If the radiation arriving at the sensor is measured at each wavelength over a sufficiently broad spectral band, the resulting spectral signature, or simply spectrum, can be used (in principle) to uniquely characterize and identify any given material. An important function of hyperspectral signal processing is to eliminate the redundancy in the spectral and spatial sample data while preserving the high-quality features needed for detection, discrimination, and classification. This dimensionality reduction is implemented in a scene-dependent (adaptive) manner and may be implemented as a distinct step in the processing or as an integral part of the overall algorithm. The most widely used algorithm for dimensionality reduction is principal component analysis (PCA) or, equivalently, Karhunen-Loeve transformation     

邻域谱概率协同表示的高光谱图像分类方法

为了提高高光谱遥感图像的分类精度, 通过结合像元邻域谱与概率协同表示方法, 提出了一种基于空间信息与光谱信息的分类方法。首先采用插值方法生成像元的邻域谱, 然后用概率协同表示方法将待测样本进行分类。用所提出的方法在AVIRIS Indian Pines和Salinas scene高光谱遥感数据库上进行分类实验, 并和主成分分析、支持向量机、稀疏表示分类器和协同表示分类器方法进行了比较。结果表明, 所提出的方法在AVIRIS Indian Pines数据库上识别精度比主成分分析法高约17%, 其识别精度和kappa系数都优于另外4种方法。该方法是一种较好的高光谱遥感图像分类方法。