基于近红外光谱结合机器学习算法检测食用明胶品种溯源的研究

采用近红外光谱结合机器学习方法,对5种不同来源的食用明胶进行鉴别.利用Savitzky-Golay平滑去噪、多元散射校正和最大最小归一化等方法对原始光谱数据进行预处理.将预处理的光谱数据划分为训练集和验证集,分别采用支持向量机(support vector machine,SVM)、随机森林(random forest...     

近红外光谱法检测果汁中的富马酸

应用傅立叶变换近红外光谱法测定40个果汁的近红外光谱数据,用OPUS/QUANT5.5定量分析软件将光谱与对应的化学成分值相关联,建立了果汁中富马酸的回归模型。富马酸含量近红外光谱分析模型的决定系数R2为97.53,交叉验证均方根RMSECV为0.00416。用该模型对10个未知样品进行了外部验证,外部验证的决定系数(R2)为99.1,均方差(RMSEP)为0.00294。内部交叉验证和外部验证均证明,近红外定量分析有较高的准确度,可应用于生产。     

近红外光谱法估测饲料用裸大麦品质的应用研究

应用近红外光谱分析法(NIRS)估测饲料用裸大麦中粗蛋白质、粗纤维、粗灰分、水分的含量与化学万法之间相关性高,误差小。42份样品定标结果,复合相关系数(MR)分别为0.9762、0.7826、0.6158、0.9408,标准误误(SE)为0.3210、0.1930、0.3140、0.1520,22份裸大麦样品检验结果,相关系数(r)分别为0.933、0.397、0.409、0.762,估测标准误(SEP)为0.421、0.197、0.157、0.512;估测13种氨基酸含量,除色氨酸和胱氨酸外,相关系数均在0.9以上,变异系数(C.V.)均小于6%。说明采用NIRS方法测定裸大麦的粗蛋白、粗纤维、粗灰分、水分以及氨基酸含量不仅可行,而且具有快速、简便、低耗、准确等优点。     

机器学习算法在森林生长收获预估中的应用

森林生长收获预估是森林经理学的一个重要方向,采用模型技术进行森林生长收获估计是森林经营决策的重要前提。传统的统计模型如线性及非线性回归模型、混合效应模型、分位数回归、度量误差模型等统计方法已被广泛应用于研究林木生长,但这些统计方法在应用时常常需满足一定的统计假设前提,诸如数据独立、正态分布和等方差等。由于森林生长数据的连续观测和层次性,上述假设通常难以满足。近年来随着人工智能技术的发展,机器学习算法为森林生长收获预估提供了一种新的手段,它具有对输入数据的分布形式没有假设前提、能够揭示数据中的隐含结构、预测结果好等优点,但在森林生长收获预估中的应用仍十分有限。文章对分类和回归树、多元自适应样条、bagging回归、增强回归树、随机森林、人工神经网络、支持向量机、K最近邻等方法在森林生长收获预估中的应用、软件及调参等进行了综述,讨论了机器学习方法的优势和挑战,认为机器学习方法在森林生长收获预估方面有很大的潜力,必将得到广泛应用,并和传统统计模型相结合成为生长收获模型发展的一种趋势。      

近红外光谱法快速测定食用油中的脂肪酸含量

探讨利用近红外光谱技术快速测定食用油中的脂肪酸含量.在实验中采用气相色谱法对45个食用油样品中的硬脂酸、棕榈酸、油酸含量进行测定,同时根据45个食用油样品的近红外线光谱结合模型优化方法来建立起食用油中主要脂肪酸含量的近红外定量分析模型,由此建立起一个可以定量分析食用油脂肪酸含量的快速简便的检测途径,因而极具良好的应用前景.     

近红外光谱法快速测定烟草中的常规化学成分含量

[目的]探讨近红外光谱法快速测定烟草中的常规化学成分含量.[方法]采用近红外光谱技术,选取单品种样品681个,结合偏最小二乘法(PLS),定量分析了烟草中总氯、烟碱、总钾、总糖、还原糖及总氮含量,并用实际样品对模型进行了验证.[结果]使用偏最小二乘法(PLS)为建模方法,建立了烟草中6种常规化学成分:总氯、烟碱、总钾,总糖、还原糖及总氮的近红外预测模型.6种组分最佳PLS预测模型的相关系数r分别为0.977 4、0.992 7、0.982 1、0.986 0、099 1和0.975 0.交叉检验的均方差(RMSECV)分别为0.057、0.126、0.160、1.170、0.994和0.127.[结论]所建模型精密度良好,近红外光谱法与行业标准方法所测值不存在显著差异,近红外光谱模型可以快速预测烟草中总氯、烟碱、总钾、总糖、还原糖及总氮的含量.     

近红外光谱技术在水质监测中的应用

近红外光谱技术(NIRS)可通过建立校正模型实现对未知样品的定性或定量分析,在废水总氮、总磷的快速分析和废水综合指标BOD、COD、pH监测分析中,都能获得理想的结果,与国标法具有较高的相关性.综述了近红外光谱分析技术的特点及其在水质监测领域的应用,展望了近红外光谱分析技术在水质监测领域的广阔前景和研究领域.     

利用近红外光谱法测定玉米籽粒含油量的研究

用近红外光谱(NIRS)分析技术和偏最小二乘法(PLS)建立了玉米籽粒含油量分析数学模型,并对模型预测结果的准确性进行了评价。结果表明,定标集、检验集的预测值与化学测定值间均呈极显著正相关,相关系数分别为0.958和0.957,定标标准差和预测标准差分别为0.757和0.745。利用该技术能测定玉米籽粒含油量。     

应用近红外光谱法定量检测牛奶中尿素氮的研究

【目的】建立牛奶中尿素氮的快速、无损检测方法,为牛奶中尿素氮的快速检测提供支持。【方法】对200个牛奶样品进行近红外扫描,并用多功能乳制品分析仪对牛奶样品中尿素氮的含量进行测定;剔除20个异常样品后,得到由180个牛奶样品组成的得分样品,将得分样品分为定标集(144个)和验证集(36个),将正交试验设计与主成分回归法(PCR)、偏最小二乘法(PLS)、改进偏最小二乘法(MPLS)3种定量校正方法和多种光谱预处理方法结合,建立牛奶中尿素氮的近红外检测模型,利用目标函数法对模型预测效果进行评定。【结果】建立了定量检测牛奶中尿素氮的最优模型,其定标相关系数(R2)和定标标准差(SEC)分别为0.986 4和0.238 4。用验证集对所建模型进行验证,其校正相关系数(RSQ)和预测标准差(SEP)分别为0.976 0和0.360 0。利用所有得分样品对预测结果进行监控,并绘制尿素氮测定值与模型预测值的线性相关曲线,相关系数r2为0.980 5。【结论】利用近红外光谱法建立的尿素氮定量检测最优模型具有很好的适用性和准确性,可用于牛奶尿素氮的快速定量检测。     

近红外光谱法在玉米粗蛋白含量测定研究中的应用

探讨了HN1100型近红外光谱仪测定玉米粗蛋白的可行性。结果表明,定标集、检验集的预测值与化学测定值间均达极显著正相关,相关系数分别为0.982和0.937,并具有较小的定标标准差和预测标准差,分别为0.124和0.499。该仪器可用于玉米粗蛋白含量的测定。     

基于支持向量机的近红外光谱技术鉴别掺假牛肉

【目的】利用近红外光谱技术对掺入鸭肉的掺假牛肉进行判别研究,为实现掺假牛肉的快速、准确检测提供参考。【方法】市购冷冻储存的牛里脊肉和鸭肉,在牛里脊肉糜中掺入质量分数为0,5%,10%,15%,20%,25%的鸭肉糜(对应m(鸭肉糜)∶m(牛肉糜)分别为0∶20,1∶19,2∶18,3∶17,4∶16和5∶15),制备供试牛肉和掺假牛肉,采用近红外漫反射方式在波数为10 000~4 000cm-1时采集牛里脊肉、掺假牛里脊肉和鸭肉的近红外光谱,对原始光谱经多元散射校正(Multiplicative scatter correction,MSC)、标准正态变量变换(Standard normal variate transformation,SNV)、面积归一化(Area normalization)、15点平滑处理和一阶导数处理等方法预处理后,对所建支持向量机(nu-SVM)判别模型的预测效果进行比较。【结果】经MSC预处理后所建的牛里脊肉、掺假牛里脊肉和鸭肉的nu-SVM判别模型判别性能稳定,对建模集的正确判别率为97.09%,对检验集的正确判别率为94.00%。【结论】近红外光谱技术结合MSC预处理后所建的nu-SVM模型可用于掺杂鸭肉的牛里脊肉的鉴别。     

近红外光谱法测定土壤全氮和碱解氮含量

为探寻采用近红外光谱技术在野外快速测定土壤全氮和碱解氮含量的方法,采集土壤光谱信号,结合偏最小二乘法和主成分分析法,分别建立土壤全氮和碱解氮含量测定的定标模型。结果表明,采用PLS方法建模时,土壤全氮和碱解氮含量测定定标模型的精度较高。为提高模型的预测精度,采用多元散射校正、标准归一化、基线校正、卷积平滑和小波变换5种方法对光谱信号进行预处理,当用小波变换法对光谱信号进行去噪处理,并与PLS方法结合时,模型的预测精度最高,土壤全氮样品校正模型的相关系数为0.838 5,均方根误差为0.153 1,对应验证模型的相关系数为0.754 9,均方根误差为0.184 2,校正集和验证集土壤全氮含量预测值(y)与实测值(x)之间的关系模型分别为y=0.685 8x+0.198 0和y=0.621 4x+0.237 9;土壤碱解氮样品校正模型的相关系数为0.866 5,均方根误差为0.007 7,对应验证模型的相关系数为0.796 1,均方根误差为0.009 4,校正集和验证集土壤碱解氮含量预测值(y)与实测值(x)之间的关系模型分别为y=0.749 8x+0.019 4和y=0.700 7x+0.023 3。综合分析结果表明,应用近红外光谱技术对土壤全氮和碱解氮含量进行定量预测是可行的,且应用小波变换方法对光谱冗余信息进行预处理后,再与偏最小二乘法相结合可有效地提高模型的精度。     

稻米表观直链淀粉含量近红外光谱测定技术校正设置的优化

以 精米粉为样品,研 究了不同光谱预处 理和回归 统计方法 在用近红 外反射光谱 分析稻米 表观直链淀粉含量（ Ａ Ａ Ｃ）时,对建立回 归方程的影响⒚结果 发现,光谱预处理对 校正结果影响较 小,不同光谱数学处理以一级衍生值较好,但“波段”和“间隙”长短对结果影响不大⒚回归统计方法对建立回归方程的影响最为明显,其中以修正的部 分最小平方法（ Ｍ Ｐ Ｌ Ｓ）建立的回归方 程效果最好⒚因此,在 建立以精米粉为样本进行稻 米 Ａ Ａ Ｃ 近红 外分析时,“光谱散 射校正／数学处理／回归统 计方法”组合以“标准正态变量转 换／１,５,５,１／ Ｍ Ｐ Ｌ Ｓ”最佳⒚用此组合建 立的回归方程测 定稻米 Ａ Ａ Ｃ 时,检验工作标准误 （ Ｓ Ｅ Ｐ）可小至 ０．８４,而决定系数可高达 ９４％ ⒚     

基于机器学习的焦油预测模型研究

为研究卷烟焦油预测模型,以焦油的释放量为研究对象,运用不同的回归方法进行焦油预测研究,以各个模型的标准化均方误差为评判尺度,对各个模型的预测效果进行了比较.结果表明,各模型的预测精度差别较大,整体来看机器学习方法对于焦油的预测精度较高,其中以随机森林算法回归对于焦油的预测精度最高,表现出较高的预测精度和良好的稳定性,其次表现较好的机器学习算法为支持向量机回归方法.因此,在焦油预测应用或研究中可以运用随机森林或其他机器学习方法对焦油进行建模预测.     

基于机器学习的猪场用户流失分析

为实现养殖互联网平台用户的自动化运营,防止用户流失,采用区间估计和机器学习建模方法,对猪场用户的平台使用情况进行用户流失分析。结果表明:1)猪场规模越小,用户流失的概率越大,其中500母猪数x≤1 000的猪场规模用户流失的概率最小,属于忠诚用户;2)使用决策树算法、kNN算法、贝叶斯分类算法进行猪场用户流失分析建模,3种分类算法中,从平均识别率(F_1度量)考虑,决策树模型的平均识别率(0.93)高于kNN模型(0.91)和贝叶斯分类模型(0.80),选择决策树算法用于平台用户流失分析建模是可行的。本研究所构建的猪场用户流失分析模型,可为养殖互联网平台的猪场用户研究提供可靠的数据模型,实现平台用户的自动化运营,也可为其他类型的用户研究和产品设计提供参考。     

基于机器学习的落叶松毛虫发生面积预测模型

落叶松毛虫为我国主要害虫之一,其发生严重影响了我国林木生长和森林资源的安全。因此,及时准确地对落叶松毛虫虫害发生趋势进行预测、预报十分必要。虫害的发生受到多种因素的影响,存在复杂的非线性关系,传统的预测方法大多为基于线性的预测,导致其预测效果不够理想。本研究选取当年3月中旬的总蒸发量、上年7月上旬的平均最低气温、当年3月下旬的极端最低气温以及上年11月上旬的平均风速作为自变量,虫害发生面积作为因变量,利用多层前馈神经网络(MLFN)、广义回归神经网络(GRNN)以及支持向量机(SVM)3种机器学习算法对落叶松毛虫发生面积进行预测,并将3种方法的预测结果与传统多元线性回归预测方法相比较。结果表明,机器学习的预测效果均在很大程度上优于多元线性回归预测,并且在3种机器学习算法中,SVM模型的预测效果最好,在30%容忍度下其预测精度可以达到100%,并且该模型还有较低的RMSE值(0.077)和较短的训练时间(1 s)。这表明,机器学习可以应用于生产实际并有效预测虫害发生面积,尤其是SVM模型可以作为一种很好的虫害发生预测手段。      

基于近红外光谱技术的恩施玉露茶保存年份的快速无损鉴别

为快速、准确、无损鉴别恩施玉露茶的保存年份,扫描在良好条件下连续保存5a(2010-2014年)的100个恩施玉露茶,获得其近红外光谱,对光谱进行预处理,然后结合主成分分析法(PCA)和最小二乘支持向量机法(LS-SVM)建立绿茶保存年份的近红外光谱预测模型。结果表明,前3个主成分的累计贡献率为99.99%,验证集模型的决定系数(R2)为0.971 7,验证均方差(RMSEP)为0.255 0。初步实现了市售绿茶保存年份的快速鉴别,该方法也为其他茶类保存年份的判别提供参考。     

小批量稻谷种子蛋白质含量的近红外透射光谱分析

以完整水稻种子为样品,利用近红外透射谷物分析仪对186份批量稻谷进行扫描并测定了蛋白质含量的参比数据。采用多种数学计量学处理方法和不同的回归统计方法进行定标曲线的开发和比较,优化得到了小批量水稻种子蛋白质含量测定的近红外定标方程。其定标标准偏差(SEC)、交叉检验标准误差(SECV)、定标相关系数(RSQ)和交叉验证相关系数(I-VR)分别为0.255 8、0.279 5、0.972 8、0.967 5。研究采用整粒小量样品(5 g)来分析,效果较好,可直接用于育种早世代选择。     

基于近红外光谱技术的茶鲜叶海拔高度判别模型建立

以不同海拔高度的茶鲜叶为研究对象,扫描获取其近红外光谱(NIRS)并筛选特征光谱区间后,分别应用逐步多元线性回归法(SMLR)、主成分回归法(PCR)和联合区间偏最小二乘法(Si-PLS)建立茶鲜叶海拔高度预测模型。结果表明,在5 542.41~6 888.48cm-1区间内,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的SMLR模型预测集相关系数和预测均方差分别为0.800 5和0.486;在4 929.16~6 965.62cm-1区间内,当主成分数为3时,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的PCR模型预测集相关系数和预测均方差分别为0.803 6和0.472;当将光谱划分为18个子区间、因子数为13时,选用[5 8 11 17]4个子区间建立的Si-PLS模型预测集相关系数和预测均方差分别为0.944 3和0.295。经比较,Si-PLS模型预测结果最佳。     

基于机器学习和深度学习的玉米种子活力光谱检测

为解决传统的种子活力检测方法存在耗时长、损伤种子等问题,实现种子活力的快速无损检测,分别利用机器学习和深度学习算法结合高光谱成像技术构建玉米种子3个活力梯度分类模型,通过人工老化方式将1 012粒玉米种子分为3个活力梯度样本,采集其高光谱数据后通过卷积平滑（SG）和多元散射校正（MSC）去除高光谱噪声,分别采用主成分分析（PCA）、连续投影算法（SPA）进行光谱特征降维,再从降维后的波段中抽取1 156、1 191和1 463 nm 3个波段合成假彩色图像,用局部二值模式（LBP）提取感兴趣区域的纹理特征,并与纯光谱特征融合。分别基于纯光谱特征构建决策树（DT）和支持向量机（SVM）模型和融合特征建立随机森林（RF）、SVM和极端梯度提升树（XGBoost）模型等机器学习模型。将假彩色图像输入ResNet18、MobileNetV2、DenseNet121、Efficientb0、Efficientb2等5个深度学习模型中进行玉米种子活力预测。结果显示,就机器学习方法而言,针对纯光谱特征表现最好的是PCA-SVM模型,其测试集准确率为92.5%;针对融合特征表现最好的是SVM模型,其测...