应用近红外光谱分析判别芝麻油掺伪的研究

研究了应用近红外光谱分析技术快速、准确判别芝麻油有无掺伪的方法。主要利用近红外光谱和主成分分析结合BP人工神经网络法进行了纯芝麻油、纯大豆油、掺有大豆油的掺伪芝麻油的判别研究。试验结果表明,利用BP人工神经网络法将83个校正集样品的10个主成分数据作为BP网络输入变量,建立的三层BP人工神经网络判别模型对26个测试集样品的判别率为96.15%,表明近红外光谱分析方法对纯芝麻油、纯大豆油、掺伪芝麻油具有很好的判别分类作用,该方法能有效判别芝麻油有无掺伪大豆油。     

原料肉中掺大豆蛋白的近红外检测技术的研究

探讨了利用近红外光谱技术快速、准确地进行原料肉中是否掺大豆蛋白鉴别的可行性。首先以原料肉和掺假肉为原料,利用近红外光谱仪测定样品的漫反射光谱曲线,再应用Fisher线性判别分析和偏最小二乘法对试验数据进行了多元统计分析。分析结果表明,利用Fisher判别分析建立的判别模型的正确判别率达到100%,对未知样进行检验,正确判别率达到86.1%;最后利用偏最小二乘法(PLS)建立大豆蛋白掺入量的定量检测模型,校正模型决定系数(R2)为93.4%,内部交叉验证均方根差(RMSECV)为2.45%,对此模型进行验证,预测集相关系数(R2)为84.1%,预测标准偏差(RMSEP)为3.59%。说明应用近红外光谱技术对原料肉中掺大豆蛋白进行快速、准确的的鉴别是可行的。     

基于FT-NIR和电子鼻的苹果水心病无损检测

探讨傅里叶变换近红外光谱技术和电子鼻技术应用于苹果水心病检测的可行性。以277?个“秦冠”水心病苹果和健康苹果为试材,分别采集每个样本在12?000～4?000?cm－1波数范围的近红外光谱和10?个传感器的电子鼻信号,用不同预处理的近红外光谱方法提取主成分建立Fisher判别模型;同时电子鼻结合3?种化学计量学的方法进行建模。结果表明,经一阶导数（9?点平滑）预处理的近红外光谱,提取前20?个主成分建立的Fisher判别模型效果最好,对未知样本的正确判别率达100%;电子鼻分别结合Fisher判别、多层感知器神经网络和径向基函数神经网络判别模型对未知样本的识别率为89.7%、89.5%和85.7%。故利用近红外光谱和电子鼻技术分别结合化学计量学的方法可快速、无损检测苹果的水心病。其中,近红外光谱技术结合Fisher判别对苹果水心病的识别率最高,是一种准确可靠的测定方法。     

近红外光谱技术快速鉴别原料肉掺假的可行性研究

探讨利用近红外光谱技术结合Fisher两类判别法以及多层感知器(multilayer perceptron,MLP)神经网络快速无损鉴别原料肉是否掺假,并建立多种掺假肉的分类识别模型的可行性.首先近红外结合主成分与Fisher两类判别,建立原料肉与掺假肉的判别函数,以原料肉与注水肉两类样木的平均重心即两类样木的加权平均...     

基于近红外光谱的冷鲜肉--解冻肉的判别研究

目的 利用近红外光谱对冷鲜肉和解冻肉进行判别研究。方法 利用385～935nm的近红外光谱系统,采集冷鲜肉与解冻肉表面的反射光谱数据,采用Savitzky-Golay(S-G)平滑和标准变量正态变换(SNVT)方法对光谱数据进行预处理。然后利用主成分分析法(PCA)实现数据降维,提取主成分后结合两种状态肉的理化指标(L*值,a*值,pH,蒸煮损失和嫩度),分别利用Fisher判别法、贝叶斯判别法两种判别分析方法对冷鲜肉和解冻肉进行判别研究。结果 两种判别分析方法,均取得较好的分类效果,尤其是Fisher判别法,校正集的回判正确率为96.67%,验证集的正确率为100%。结论 近红外光谱技术应用于冷鲜肉和解冻肉的鉴别是可行的。     

基于近红外光谱的冷鲜肉-解冻肉的判别研究

目的利用近红外光谱对冷鲜肉和解冻肉进行判别研究。方法利用385~935 nm的近红外光谱系统,采集冷鲜肉与解冻肉表面的反射光谱数据,采用Savitzky-Golay(S-G)平滑和标准变量正态变换(SNVT)方法对光谱数据进行预处理。然后利用主成分分析法(PCA)实现数据降维,提取主成分后结合两种状态的肉的理化指标(L*值,a*值,pH,蒸煮损失和嫩度),分别利用Fisher判别法、贝叶斯判别法两种判别分析方法对冷鲜肉和解冻肉进行判别研究。结果两种判别分析方法,均取得较好的分类效果,尤其是Fisher判别法,校正集的回判正确率为96.67%,验证集的正确率为100%。结论近红外光谱技术应用于冷鲜肉和解冻肉的鉴别是可行的。     

基于傅里叶近红外光谱和电子鼻技术的苹果霉心病无损检测

为研究傅里叶近红外光谱技术(Fourier transform near infrared spectroscopy,FT-NIRS)和电子鼻技术分别结合化学计量学方法对苹果霉心病的判别效果,以“红富士”霉心病苹果和健康苹果为试材,利用近红外光谱技术,基于主成分分析建立Fisher判别和多层感知器(multi-layer perceptron,MLP)神经网络模型;同时利用电子鼻技术分别结合Fisher判别、MLP神经网络和径向基函数神经网络3种化学计量学的方法建立判别模型。根据建模集和验证集的预测准确率综合考虑,基于主成分分析建立的MLP神经网络模型和电子鼻结合MLP神经网络模型对苹果霉心病的判别效果最好,验证集中的正确判别率分别达到87.7%和86.2%。说明电子鼻和近红外光谱技术均可以较好地判别苹果霉心病。     

应用近红外技术快速鉴别原料肉注水的研究

提出一种用近红外光谱技术快速鉴别原料肉和注水肉的新方法。首先以原料肉和注水肉为原料,利用近红外光谱仪测定其漫反射光谱曲线,然后选取二阶导数+25点平滑方法进行预处理,再应用主成分分析结合人工神经网络技术对其进行判别分析。结果表明,前5个主成分的累计贡献率已达99.626%,以前5个主成分作为人工神经网络的输入,对应的肉种类(原料肉与注水肉)作为输出,建立了一个三层BP神经网络模型,模型对建模集109个样本的鉴别率为91.74%,对预测集30个样本的鉴别率为90%。说明利用近红外光谱分析技术对原料肉注水进行快速鉴别是可行的。     

鲫鱼新鲜度近红外定量预测模型的建立

为实现鲫鱼新鲜度的快速测定,本文基于近红外漫反射光谱定量分析技术和化学计量学方法,采集了144个鲫鱼鱼肉样品在1000~1799 nm范围内的光谱数据,测定了鲫鱼样品的p H、TVB-N含量、TBA含量和K值四种新鲜度指标;在确定近红外光谱数据最佳预处理方法和适宜波段的基础上,分别采用偏最小二乘法、主成分分析和BP人工神经网络技术、偏最小二乘法和BP人工神经网络技术建立了鲫鱼新鲜度定量预测模型。结果表明,鲫鱼样品四种指标数据范围均较大,可满足建模要求。以p H为鲜度指标时,采用偏最小二乘法和BP人工神经网络技术建立的模型最好,其定标相关系数为0.9945;以TVB-N、TBA和K值为鲜度指标时,采用偏最小二乘法建立的模型最好,其定标相关系数分别为0.9857、0.9985和0.9952。建立的四种鲜度指标定量模型均具有较好的预测能力。     

基于近红外光谱技术的鲢鱼营养成分的快速分析

目的通过采集鲢鱼的近红外光谱数据和测定鱼肉营养成分含量探索鲢鱼营养成分的快速分析方法。方法采集254个鲢鱼鱼肉样品的近红外光谱数据,经过多元散射校正、正交信号校正、数据标准化等20种方法预处理,在1000~1799 nm光谱范围内,结合化学实测值分别采用偏最小二乘法、主成分分析和BP人工神经网络技术、偏最小二乘法和BP人工神经网络技术建立鲢鱼营养成分近红外定量模型。结果鲢鱼鱼肉粗蛋白含量为12.05%~19.05%,粗脂肪含量为0.24%~5.27%,水分含量为72.62%~80.58%,灰分含量为0.46%~1.50%,数据范围较大,可满足建模要求。在3种建模方法中,近红外光谱数据结合偏最小二乘法建立的鲢鱼营养成分模型最优,所得的粗蛋白、粗脂肪、水分和灰分的近红外定量模型的相关系数分别为0.9969、0.9925、0.9831和0.9976。结论采用近红外光谱数据和偏最小二乘法建立的模型具有较好的预测能力,能较为准确、快速地分析出鲢鱼鱼肉粗蛋白、粗脂肪、水分和灰分的含量。     

电子鼻技术在区分酸羊奶发酵菌种中的应用

利用电子鼻技术快速区分酸羊奶的发酵菌种。通过电子鼻采集不同酸羊奶挥发成分的响应值,然后利用主成分分析（principal component analysis,PCA）、Fisher线性判别分析（fisher linear discriminant analysis,FLDA）以及BP神经网络（back propagation neural network,BP-NN）分析进行判别,建立基于电子鼻技术区分酸羊奶发酵菌种的方法。结果表明,FLDA及PCA都能够区分出不同菌种发酵的酸羊奶,FLDA区分效果优于PCA。利用FLDA和BP-NN分析预测酸羊奶发酵菌种类别的正确率分别为100.0%和98.4%。因此,利用电子鼻快速区分酸羊奶的发酵菌种是可行的。     

BP神经网络预测废水处理过程的研究

通过在实验室条件下进行追纸废水处理试验取得的数据对BP神经网络进行训练，建立了造纸废水处理过程的网络模型。该网络模型仿真实际废水处理过程的结果表明，BP神经网络具有很强的学习能力。利用BP神经网络模型实现了对造纸废水处理过程的预测，平均相对误差为19％，表明网络泛化能力不是很好。经过动态训练的BP神经网络模型能够比较准确的预测造纸废水处理过程，平均相对误差为1．9％，大大优于未经动态训练的网络模型。     

基于电子鼻的水稻品种鉴别研究

为了实现水稻品种的快速鉴别,避免水稻品种混杂,利用电子鼻对来自同一产地不同水稻品种进行测试,获取有效信息。对获取的信息提取平均微分值和面积斜率比两种特征。采用主成分分析、Fisher判别分析及BP神经网络3种模式识别方法进行水稻品种的判别,并对3种识别方法的结果进行比较分析。结果表明:不同种类的水稻品种可以被区分开来,但BP神经网络分类效果最好,Fisher判别分析效果次之,PCA分类效果最差。因此,结合合适的特征提取方法及模式识别方法,有可能实现一种基于电子鼻技术的对不同水稻品种鉴别的简单、有效的方法。     

人工神经网络用于造纸废水处理建模的研究

利用造纸废水处理监控系统取得表征废水水质的各项指标，在此基础上研究了基于BP网络和RBF网络的造纸废水处理建模。仿真结果表明，BP网络较RBF网络对样本数据的仿真误差较小，泛化能力更好；输入量考虑历史出水COD变化趋势的网络，其仿真效果要优于不考虑变化趋势的网络；运用基于BP网络和RBF网络的造纸废水处理模型能够准确地预测出水COD，为实现废水处理的自动控制提供可行途径。     

苹果品种及损伤苹果的FT-NIR鉴别研究

用傅里叶近红外光谱技术(FT-NIR)对不同品种的苹果以及损伤嘎啦和完好嘎啦进行快速、无损检测,比较不同判别方法对所建立的区分苹果品种及苹果损伤模型的影响。结果表明:损伤嘎啦和完好嘎啦的近红外图谱经小波分析预处理后,用12000～4000cm-1波数范围的前5个主成分分别结合多层感知神经网络、径向基神经网络、Fisher判别3种方法所建立的判别模型对未知样本的正确判别率分别为97.8%、87.2%和84.8%,基于权重法用多元线性回归(MLR)所选择的特征波长所建立的Fisher判别模型对未知样本的正确判别率为89.1%;用偏最小二乘判别(PLS-DA)所建立的判别模型对未知样本的正确判别率为100%,由于PLS-DA模型对训练集和验证集的正确判别率均为100%,因此PLS-DA模型优于其他模型。不同品种苹果的光谱经平滑预处理后,用全波数范围12000～4000cm-1的前6个主成分所建立的判别模型优于经验波数范围8000～4500cm-1所建立的判别模型,其较优模型对建模集和验证集的正确判别率分别为90.9%和92.1%。近红外光谱技术结合化学计量学可以快速、无损鉴别苹果是否有损伤以及不同品种的苹果。     

基于计算机图像处理的沁州黄小米产地判别研究

为了沁州黄小米的产地溯源和品牌保护，本研究采集沁州黄小米地理标志保护区及域外小米样品，利用计算机图像处理技术对来源于沁州黄小米保护区（核心区和非核心区）和域外区3个产区的小米有效颜色特征进行提取。分别建立Fisher判别、K最近邻判别和BP人工神经网络3种判别模型并进行比较。采用紫外可见光谱法和荧光定量PCR法对不同产区小米的总类胡萝卜素含量及其降解途径中的关键基因进行差异分析。结果表明：不同产区的沁州黄小米在RGB色彩模式中B值存在显著差异（P＜0.05）；3种判别模型中，BP人工神经网络判别模型正确率最高为96.7%，具有可行性。进一步分析表明，小米颜色参数变化与总类胡萝卜素含量有显著相关性，并且不同产区之间总类胡萝卜素含量存在显著差异（P＜0.05），核心产区小米的总类胡萝卜素含量最高，达到15.89 mg/kg；此外，沁州黄核心区小米中的类胡萝卜素裂解双加氧酶的表达量显著低于非核心区和域外区（P＜0.05）。本研究运用计算机图像处理技术和人工神经网络相结合的判别方法对沁州黄小米的不同产地进行了正确区分，具有一定的应用价值，可为沁州黄小米的产地溯源和品牌保护提供技术支持，同时对类胡萝卜素含量及降解途径中关键基因进行比较分析，从生化和分子水平揭示了引起不同产区沁州黄小米图像和品质差异的本质原因。     

基于大米特征矿物元素产地鉴别建模方法比较研究

基于前期实验筛选到的与产地和母质土壤直接相关的23种特征矿物元素作为产地判别特征指标,比较Fisher判别模型和前馈神经网络预测模型的适用性。以连续3年随机采集的五常、查哈阳和建三江地理保护区274份样本作为建模对象,以模型的判别率为指标,采用电感耦合等离子体质谱仪(ICP-MS)和X射线荧光光谱仪测定样本中特征矿物元素含量(Mg、Ca、Cr、Mn、Zn、As、Rb、Sr、Ag、Cd、Sb、Te、Ba、La、Nd、Sm、Gd、Dy、Ho、Er、Yb、Pb、U),结合线性(一般线性判别分析)和非线性(前馈神经网络训练方法)模型构建方法用于产地鉴别。结果表明,Fisher判别分析模型对训练集判别率为81.5%,交叉检验判别率为78.8%,测试集总体判别率为87.5%。前馈神经网络预测模型对大米产地识别结果平均相对误差值为17.14%,产地的整体识别准确率为100%。筛选到的特征矿物元素携带了足够多的产地信息,通过前馈神经网络法建立的判别模型具有更优的判别能力,能解决小距离相似自然环境产地样本难以识别的问题。