基于激光诱导击穿光谱的茶叶品种快速分类

在提取激光诱导击穿光谱(LIBS)全部特征峰的基础上,利用支持向量机建立了有效的茶叶分类模型。采集了15种茶叶样品的有效LIBS光谱数据(190～720 nm),运用窗口平移平滑和峰位漂移函数修正对光谱进行了预处理,再结合主成分分析降维,对绿茶、红茶、白茶实现了98.3%的识别率;对同一种类中不同品种的茶叶也实现了较好的识别。研究结果表明,LIBS在茶叶品种快速识别应用中具有较好的前景。     

激光诱导击穿光谱谱峰元素自动识别方法研究

激光诱导击穿光谱(LIBS)中通常含有丰富的元素特征谱峰,谱峰的准确识别是利用LIBS技术进行元素定性、定量分析的前提和基础。针对传统谱峰元素识别方法准确率偏低、可靠性不足的缺点,提出了一种元素谱峰自动识别的新方法。该方法首先利用Voigt函数对实验光谱进行拟合,以克服谱峰重叠和噪声干扰;通过滤波处理后提取拟合谱峰的中心波长、光强、半峰全宽和谱峰质心作为谱峰特征参数向量,并将待识别光谱的谱峰特征参数向量与美国国家标准与技术研究院(NIST)标准谱线数据库中的元素谱线进行相似性分析,从而实现谱峰元素的自动识别。分别利用NIST标准数据库和茶叶样品LIBS光谱数据进行实验研究,验证了该方法在LIBS谱峰元素识别上的有效性。     

基于传感器阵列结合GA-BP算法对VOC的识别研究

为提高空气中挥发性有机物(VOC)检测可靠性，提出了一种基于气敏传感器阵列结合遗传算法(GA)优化反向传播(BP)神经网络算法的VOC检测模型。选用多个气体传感器组建阵列对VOC混合气体样本进行响应测试，使用主成分分析(PCA)对响应数据进行数据降维及初步分类探索，使用构建的GA-BP神经网络算法模型在PCA探索性分析的基础上进行定性及定量识别，并与BP神经网络识别结果进行对比。结果表明：遗传算法优化后的BP神经网络多元分类和回归模型性能优良且稳定，气体分类识别准确率达96%,浓度回归预测均方根误差为1.8×10^-2,平均相对误差为5.2%,平均训练耗时分别降至1.5 s和1.12 s,效果显著优于BP神经网络算法模型。这些研究结果进一步拓展了GA-BP算法结合气敏传感器在挥发性有机物检测识别中的应用前景。     

基于近红外高光谱成像技术的塑料分类（特邀）

塑料因其可塑性与低成本在日常生活与工业中被广泛使用,然而这也带来环境污染与资源浪费等问题,因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性,采用近红外高光谱成像技术（NIR-HSI）,比较了1100～1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法（K-NN）、支持向量机（SVM）、粒子群算法训练的SVM(PSO-SVM)、遗传算法优化的SVM(GA-SVM)等机器学习方法。通过验证数据筛选模型准确率后,将其应用于高光谱图像,通过可视化分类对比原始图像评估模型效果。结果显示,基于欧氏距离、余弦相似度的K-NN和GASVM分类效果最佳,验证数据的精度分别达到96.14%、96.21%和98.67%,在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值,只需获取特定塑料的光谱数据并进行适当处理,即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。     

基于激光诱导荧光光谱的塑料分类鉴别

为了实现 废弃塑料的快速分类识别,利用激光诱导荧光(LIF)光谱技术对不同材质塑料进行分类和鉴 别,通过搭建LIF测量系统,使用发射波长为266nm的ND:YAG固体激 光器作为光源,Ocean Maya2000 Pro光谱仪 作为荧光检测装置,探测了9种塑料荧光光谱。对获得的荧光光谱进行均值化处理和平滑处 理,消除数据 误差、减低光谱噪声。然后根据欧式距离对9种塑料样品光谱特征值进行聚类分析,结果显 示,同元素构成 的塑料聚类效果较好,其中5种塑料只含C、H元素为一类,剩余4种多元素塑料归为另一 大类,此外荧 光峰数目、位置、强度可作为塑料种类鉴定的依据。实验结果表明,LIF光谱技术可应用于识 别不同塑料样品的材质,为塑料制品的快速识别分类提供一种新的方法。     

基于遗传神经网络的激光诱导击穿光谱元素定量分析技术

提出了一种基于遗传神经网络定量分析模型的激光诱导击穿光谱(LIBS)分析技术。采用误差反向传播(BP)算法构造三层神经网络(ANN)结构,通过遗传算法对神经网络权值和阈值进行优化,并将该定量分析模型与LIBS技术有机结合,实现了元素含量的高精度检测。对土壤中的Ba和Ni元素进行定量检测,平均相对误差分别为4.15%和6.06%,相关系数分别为0.983和0.990,检测精度明显优于BP-ANN方法和光谱分析中常用的内标法。研究表明遗传神经网络建模方法具有很好的预测效果,为LIBS技术进行元素高精度检测提供了一种新的建模方法。     

利用多数据处理方法提高LIBS谱信号质量

基于分段光谱特征值提取法和小波变换算法等多个数据预处理方法,分别针对分段基线差异及光谱噪声等严重影响激光诱导击穿光谱(LIBS)信号质量的主要影响因素,开展光谱信号预处理研究.基于实验室LIBS实验装置,通过实验验证,基于多通道光谱仪不同波段光谱特征值提取,提出了一种简单易行的多组数据中特征值点连接的方法,有效地提高了LIBS光谱信号的基线平直度,并得出以小波变换算法进行LIBS谱线信号去噪的最佳算法参数.在上述工作的基础上,使用基于误差反向传播的人工神经网络方法,实现了纯铜和不锈钢等物质种类的有效识别,研究结果表明,综合利用多数据处理方法进行LIBS技术中光谱信号处理可以有效提高谱线分析和识别的质量.     

基于激光诱导击穿光谱结合偏最小二乘判别分的软玉产地识别研究

采用激光诱导击穿光谱(LIBS)技术结合偏最小二乘判别分析(PLS-DA)对新疆、青海和俄罗斯的白色软玉进行产地研究。选取产自新疆(和田、于田、且末)、青海(格尔木)、俄罗斯(贝加尔湖)的146个白色软玉样品作为样品集,从样品集中随机抽取111个样品作为校正集,用于建立PLS-DA识别模型,剩余35个样品作为验证集,用于检验PLS-DA识别模型的预测效果。采用LIBS对三个产地的软玉样品进行成分分析,选择Na、K、Al、Li、Be、Mn、Sr、Zr、Ba、Y、Ce作为目标元素,并选取589.995,766.490,396.152,670.793,313.042,257.610,407.771,389.138,455.403,437.493,401.239nm处的谱线作为目标元素的分析谱线,选取Si元素作为内标元素,以其在288.158nm处的谱线作为内标元素分析谱线,分别计算各目标元素与内标元素的谱线强度的比值Rx,由Rx组成自变量矩阵,用于模型的建立与预测。实验结果表明,采用LIBS结合PLS-DA建立的产地识别模型,其校正自变量和验证自变量与实际分类变量的相关系数都大于0.9,PLS-DA识别模型的交叉验证均方根误差和预测均方根误差均小于0.29,PLS-DA产地识别模型对验证集中新疆(和田、于田、且末)、青海(格尔木)、俄罗斯(贝加尔湖)产地的35个白色软玉样品的识别正确率为92%。研究表明,采用LIBS结合PLS-DA能够快速有效识别三大产地的白色软玉。     

基于高光谱图像的东北稻米品种快速分类

针对稻米品种无损鉴别需求,利用高光谱技术分析了3种稻米样品的光谱图像特征,实现了利用液晶可调滤波器(LCTF)光谱相机对3种稻米的探测、分类与鉴别。通过高光谱相机采集稻米样品的VIS/NIR光谱图像,运用Matlab软件及ENVI软件对高光谱图像进行处理分析,获得各样本的相对反射率曲线,结合图像阈值分割技术,得到各波段光谱图像的二值图像。结合图像及数据,分析不同品种稻米的光谱差异,发现稻米于480~550 nm波段有较为明显的特征峰,品种之间光谱差异明显,且不同品种稻米的二值图像明暗占比不同,以此完成稻米品种的分类与鉴别。研究结果表明,光谱图像的相对反射率和二值图像在稻米品种快速分类与识别的应用中具有较好的应用前景。     

基于激光诱导击穿光谱积分信号的水稻种子鉴别研究

基于LIBS技术结合BP神经网络技术,对6类水稻种子进行类型鉴别研究。对水稻种子的LIBS全谱和分段光谱进行积分,再输入BP神经网络,得到:全谱积分前的识别率为81.02%,积分后识别率为93.40%,识别率提高12.38%;分段光谱积分后识别效果较好的是中心波长为405 nm、570 nm、810 nm的光谱,将这三段光谱进行组合,组合光谱的识别率均超过94%,其中405-570-810 nm组合识别率最高达到97.67%;从该组合光谱中提取特征光谱输入神经网络,识别率为97.35%,识别时间为原组合光谱的53%。结果表明:LIBS积分信号下的组合光谱法识别迅速可靠,适用于水稻种子的快速批量检测。     

Research on the identification of the production origin of Angelica dahurica using LIBS technology combined with machine learning algorithms

The origin of Angelica dahurica medicinal herbs varies, and their pharmacological effects also differ. In order to achieve rapid and accurate identification of the origin of Angelica dahurica medicinal herbs, this study utilizes laser induced breakdown spectroscopy(LIBS) technology combined with machine learning algorithms to identify the original source of Angelica dahurica. Sliced samples of Angelica dahurica were taken from four regions: Hebei, Henan, Zhejiang, and Sichuan. The spectral data ...     

基于支持向量机的飞机图像识别算法

研究了一种基于支持向量机的飞机图像识别算法。采用基于神经网络的图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练。提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验,实验表明基于支持向量机的飞机图像识别算法具有更好的性能。     

Moving targets pattern recognition based on the wavelet neural network

Based on pattern recognition theory and neural network technology, moving objects automatic detection and classification method integrating advanced wavelet analysis are discussed in detail. An algorithm of moving targets pattern recognition on the combination of inter-frame difference and wavelet neural network is presented. The experimental results indicate that the designed BP wavelet network using this algorithm can recognize and classify moving targets rapidly and effectively.     

基于SVM方法的神经网络呼吸音识别算法

提出了一种神经网络的SVM(支持向量机)呼吸音识别算法,将通过小波分析得到的呼吸音特征输入神经网络,作为SVM方法的特征输入,对训练样本进行训练,再对测试样本进行分类识别。对于呼吸音反映的3种状态（正常、轻度病变和重度病变）进行了识别,同时与K最近邻(KNN)方法进行比较。实验结果表明,SVM方法具有较高的识别精度,能够对呼吸音状态进行识别,同时在此领域也验证了在神经网络方法中无法避免的局部极值问题。提示基于SVM方法的神经网络呼吸音识别算法有较好的精度,可为身体局域网技术提供信息处理的有效算法。     

基于遗传BP神经网络算法的主被动遥感协同反演土壤水分

提出了一种基于遗传神经网络算法的主被动遥感协同反演地表土壤水分的方法.首先,建立一个BP神经网络,并采用遗传算法对BP网络的节点权值进行了优化.然后分别将TM数据(TM3,TM4,TM6)、不同极化和极化比的(VV,VH,VH/VV)ASAR数据作为神经网络的输入,土壤水分含量作为网络的输出,用部分实测数据对网络进行训练并反演得到研究区土壤水分布图.最后,利用地面实测数据分别对遗传神经网络优化算法的有效性和主被动遥感协同反演的效果进行了验证,结果表明,新优化算法是有效可行的,且TM和ASAR协同反演的结果比两者单独反演的结果明显要好,体现了主被动遥感协同反演土壤水分的优势与潜力.     

基于激光诱导击穿光谱的塑料鉴别研究

不同种类塑料所含元素及含量不同,通过激光诱导击穿光谱技术结合机器学习算法以塑料基体元素(C、H、O、N)的原子及分子光谱峰值强度对7种塑料进行区分,避免了光谱中大量背景噪声及无关元素的干扰,分类时间较短并取得了较好的识别率,同时又以谱线积分强度对塑料进行鉴别,减弱了光谱波动和谱线线型等对分类的影响。实验结果表明利用谱线积分强度对塑料进行区分的识别正确率较谱线峰值强度有所提升。     

一种基于GA-BP神经网络结合PCA的LCD显示器光谱特征化模型

为实现LCD显示器的光谱特征化,本文提出一种基于遗传算法优化(Genetic Algorithm,GA)的BP神经网络(GABP)结合PCA(Principal component analysis)的光谱特征化模型。首先对显示器色空间进行子空间划分,同时采用PCA对光谱数据进行降维,接着在各子空间中采用遗传算法对BP神经网络的权值阈值进行优化,建立显示器驱动值与光谱数据之间的神经网络模型,实现了显示器的光谱特征化。实验结果表明子空间划分后,在子空间中进行模型参数的优化有利于模型整体精度的提高,GA的优化有效改善了BP神经网络的极值问题,提高了模型的精度,PCA在不影响模型精度的同时提高了算法的运行效率。由此说明该模型是一种高精度显示器特征化模型。     

Rapid identification of rice seed based on inverse Fourier transform of laser-induced breakdown spectroscopy

The identification of rice seeds is crucial for agriculture production. An inverse Fourier transform (IFT) method based on laser-induced breakdown spectroscopy (LIBS) is proposed to identify five kinds of rice seeds. The LIBS data of the samples were preprocessed by inverse fast Fourier transform (IFFT), and the time-domain signals of rice seeds were obtained. The back propagation (BP) neural network was used to establish full spectrum, segmented spectrum, time-domain full spectrum and time-domain segmented spectrum discrimination models. Compared with the original spectrum, the time-domain spectrum can significantly improve the identification accuracy. The time-domain full-spectrum identification accuracy reached 95.28%, and the time-domain segmented spectrum identification accuracy reached 94.36%, whose identification time was only a few seconds. The results demonstrate that LIBS detection technology combined IFFT and BP neural network is fast and accurate, which provides a new idea for batch detection of rice seeds.     

基于拉曼光谱的乙肝与丙肝鉴别技术的研究

本研究利用血清拉曼光谱结合模式识别技术直接 对乙肝和丙肝进行分类。实验中 测量了480名乙肝患者和346名丙肝患者的血清样本用于分析。通过基线校正对采集到的原始 光谱进行预处理,然后使用主成分分析技术(PCA)降低光谱数据维度提取有效的光谱数据 特征,最后使用支持向量机(SVM)等算法评估乙肝与丙肝之间的差异。本文研究了粒子群 优化(PSO)和网格寻优(GS)两个不同寻优算法的支持向量机模型对乙肝患者和丙肝患者 分类,此外还通过学习矢量量化(LVQ),极限学习机(ELM),线性判别分析(LDA)等模 式识别算法对乙肝和丙肝分类与支持向量机模型进行了对比。在当前的研究中,PSO-SVM算 法模型取得了最佳的分类性能,准确率达到96.74%。本研究结果表明 ,血清拉曼光谱技术结 合PCA-PSO-SVM算法用于区分乙型肝炎和丙型肝炎具有很大的潜力,该技术可用于乙肝和 丙肝的区分。