检索结果-维普期刊中文期刊服务平台

双光谱区间遗传算法及其在模型转移中的应用被引量：2: 1; 作者郑开逸沈烨 +6 位作者张文周晨光丁福源张钖张柔佳石吉勇邹小波《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2022年第12期3783-3788,共6页; 在近红外光谱分析中,将近红外光谱和浓度信息建立统计模型,通过光谱代入模型即可预测未知样本浓度。但是,检测条件的变化会导致光谱的改变,进而导致原有的模型不能准确预测光谱改变后的样本。对此,模型转移可以通过校正新测量的光谱(从... 展开更多; 关键词近红外光谱模型转移遗传算法变量选择向后迭代区间选择法; 在线阅读下载PDF 职称材料

IVISSA算法冷鲜滩羊肉嫩度的高光谱模型优化被引量：9: 2; 作者刘贵珊张翀 +3 位作者樊奈昀程丽娟余江泳袁瑞瑞《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2020年第8期2558-2563,共6页; 高光谱成像可同时获取被检测对象的图像信息和光谱信息,并对其内部成分进行定性和定量分析。国内外学者采用高光谱对肉品品质的研究多集中在水分、菌落总数、色泽、 pH、挥发性盐基氮等方面,在肉品嫩度检测中应用区间变量迭代空间收缩... 展开更多; 关键词冷鲜滩羊肉嫩度高光谱成像技术区间变量迭代空间收缩法偏最小二乘回归; 在线阅读下载PDF 职称材料

基于高光谱图像技术结合深度学习算法的萝卜种子品种鉴别被引量：5: 3; 作者杭盈盈李亚婷孙妙君《农业工程》 2020年第5期29-33,共5页; 提出一种基于可见-近红外光谱技术的无损检测方法,以期实现对萝卜种子品种的鉴别。通过光谱成像系统采集6类常见萝卜种子的高光谱图像,并利用HSI软件提取光谱数据。使用Savitzky Golay(SG)平滑与多元散射校正(multiple scattering corre... 展开更多; 关键词高光谱萝卜种子堆叠自动编码器连续投影算法变量迭代空间收缩方法; 在线阅读下载PDF 职称材料

饲料中粗脂肪和粗纤维含量的近红外光谱快速分析被引量：11: 4; 作者郝勇吴文辉商庆园《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2020年第1期215-220,共6页; 采用近红外光谱(NIRS)结合偏最小二乘(PLS)方法,实现对饲料中粗脂肪和粗纤维的快速定量分析。采用Norris-Williams平滑求导(NW)和多元散射校正(MSC)方法对光谱进行预处理;蒙特卡罗无信息变量消除法(MCUVE)、变量组合集群分析法(VCPA)和... 展开更多; 关键词近红外光谱饲料蒙特卡罗无信息变量消除法变量组合集群分析法区间变量迭代空间收缩法; 在线阅读下载PDF 职称材料

桦木顺纹抗压强度的SEPA-VISSA-RVM近红外光谱预测被引量：1: 5; 作者高礼彬陈金浩 +1 位作者张怡卓王克奇《林业工程学报》 CSCD 北大核心 2022年第1期52-58,共7页; 木材顺纹抗压强度是评价木材力学性能的重要指标,而传统测量方法操作复杂、精确度低。以桦木为例,提出基于近红外光谱技术(NIR)的SEPA-VISSA-RVM木材顺纹抗压强度模型,实现对其更加精确的预测。试验选取100个木材试件,在900~1700 nm近... 展开更多; 关键词抗压强度近红外光谱变量空间迭代收缩法采样误差分布分析相关向量机桦木; 在线阅读下载PDF 职称材料

题名双光谱区间遗传算法及其在模型转移中的应用被引量：2: 1; 作者郑开逸沈烨张文周晨光丁福源张钖张柔佳石吉勇邹小波; 机构江苏大学食品与生物工程学院; 出处《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2022年第12期3783-3788,共6页; 基金国家自然科学基金项目(31972153) 国家博士后资助项目(2019M661758) +1 种基金江苏大学基金项目(19JDG010)资助。; 文摘在近红外光谱分析中,将近红外光谱和浓度信息建立统计模型,通过光谱代入模型即可预测未知样本浓度。但是,检测条件的变化会导致光谱的改变,进而导致原有的模型不能准确预测光谱改变后的样本。对此,模型转移可以通过校正新测量的光谱(从光谱),使得从光谱能够被原有光谱(主光谱)建立的模型准确预测。模型转移可以使用全光谱进行校正,但是全光谱中往往包括噪声、背景等干扰信息,这些干扰会增加预测误差。故可以使用变量选择方法找出光谱中有化学意义的信息来模型转移。但是一般的变量选择算法只选择主光谱的区间,从光谱使用主光谱相同的波长区间模型转移。但是在实际工作中,主光谱和从光谱有化学意义的区间往往不一致,主从光谱使用同一区间模型转移会增加误差;此外,有时二者原光谱的波长范围并不一致,从主光谱选出的区间不能用于从光谱的校正。对此,提出了基于双光谱区间遗传算法(GA-IDS),同时选择主光谱和从光谱有化学意义的区间,进而实现模型转移。GA-IDS算法步骤包括,①随机产生种群;②分析种群中每条染色体,删去错误染色体;③根据每条染色体,找出其相应的主光谱和从光谱波段组合,并计算其模型转移后的验证均方根误差(RMSEV);④按照概率,执行选择、交叉、变异操作。在一次迭代结束之后,返回到步骤②,重新执行纠错、计算RMSEV、选择、交叉、变异。达到停止迭代的要求后,将最低的RMSEV值所对应的染色体保存下来作为最优染色体,其所对应的主从光谱区间作为最优区间。用玉米、小麦两套数据测试了该算法,结果显示,与全光谱相比,GA-IDS选择的主从光谱区间可以显著地降低误差;与向后迭代区间选择法(IIBS)相比,在小样本情况下,GA-IDS的误差显著地小于IIBS方法。; 关键词近红外光谱模型转移遗传算法变量选择向后迭代区间选择法; Keywords Near-infrared spectra Calibration transfer Genetic algorithm Variable selection Iterative interval backward selection; 分类号 O657.3 [理学—分析化学]; 在线阅读下载PDF 职称材料

题名IVISSA算法冷鲜滩羊肉嫩度的高光谱模型优化被引量：9: 2; 作者刘贵珊张翀樊奈昀程丽娟余江泳袁瑞瑞; 机构宁夏大学农学院; 出处《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2020年第8期2558-2563,共6页; 基金国家自然科学基金项目(31760435)资助。; 文摘高光谱成像可同时获取被检测对象的图像信息和光谱信息,并对其内部成分进行定性和定量分析。国内外学者采用高光谱对肉品品质的研究多集中在水分、菌落总数、色泽、 pH、挥发性盐基氮等方面,在肉品嫩度检测中应用区间变量迭代空间收缩法优选特征波长的研究鲜有报道。利用可见-近红外(400~1 000 nm)和近红外(900~1 700 nm)高光谱结合化学计量学方法对冷鲜滩羊肉嫩度进行无损预测,优选最佳建模波段。首先,采集羊肉的高光谱图像,提取样本感兴趣区域的光谱反射值,采用TA-XTplus质构仪测量滩羊肉嫩度;其次,将两个波段下的原始光谱数据进行多元散射校正(multiple scattering correction, MSC)、去趋势(de-trending)、基线校准(baseline)、标准正态变量(standard normal variable, SNV)、归一化(normalize)和卷积平滑(Savitzky-Golay)等预处理;分别采用连续投影算法(successive projection algorithm, SPA)、竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)、变量组合集群分析法(variables combination population analysis, VCPA)和区间变量迭代空间收缩法(interval variable iterative space shrinkage approach, IVISSA)对最佳预处理的光谱数据优选特征波长;最后,建立冷鲜滩羊肉嫩度的偏最小二乘回归(partial least squares regression, PLSR)预测模型,优选最佳建模波段。结果表明:(1)滩羊肉嫩度的近红外高光谱模型的预测效果优于可见-近红外高光谱;(2)经过多种预处理方法所建立的滩羊肉嫩度的模型中,近红外区域的原始光谱(original spectra, OS)模型效果最优,其Rc=0.83,Rp=0.79, RMSEC=874.94, RMSEP=1 465.97;(3)近红外高光谱的原始光谱经SPA, CARS, VCPA, IVISSA四种方法共挑选出15, 16, 13和123个特征波长,占总波长的7%, 6%, 5%和54%;(4)近红外高光谱结合OS-IVISSA-PLSR建立的冷鲜滩羊肉嫩度预测模型最好,其Rc=0.85,RMSEC=850.86,Rp=0.79, RMSEP=1 497.11。IVISSA算法不仅可大幅度减少模型运算次数,还可以保证模型的精准和稳定性。研究表明, OS-IVISSA-PLSR模型对冷鲜滩羊肉嫩度进行高光谱的快速无损检测是可行的。; 关键词冷鲜滩羊肉嫩度高光谱成像技术区间变量迭代空间收缩法偏最小二乘回归; Keywords Chilled Tan-sheep mutton Tenderness Hyperspectral imaging technology Interval variable iterative space shrinkage approach Partial least squares regression; 分类号 O433.4 [机械工程—光学工程]; 在线阅读下载PDF 职称材料

题名基于高光谱图像技术结合深度学习算法的萝卜种子品种鉴别被引量：5: 3; 作者杭盈盈李亚婷孙妙君; 机构江苏大学电气信息工程学院; 出处《农业工程》 2020年第5期29-33,共5页; 基金大学生实践创新训练计划项目(项目编号:201910299024Z,201910299142Y)。; 文摘提出一种基于可见-近红外光谱技术的无损检测方法,以期实现对萝卜种子品种的鉴别。通过光谱成像系统采集6类常见萝卜种子的高光谱图像,并利用HSI软件提取光谱数据。使用Savitzky Golay(SG)平滑与多元散射校正(multiple scattering correction,MSC)叠加对光谱数据进行预处理以消除高频随机误差。采用堆叠自动编码器(stacked autoencoder,SAE)、连续投影算法(successive projections algorithm,SPA)和变量迭代空间收缩算法(variable iterative space shrinkage approach,VISSA)进行数据降维。利用Softmax与支持向量机(support vector machine,SVM)算法对全光谱和选取的特征光谱数据建立分类模型。结果表明:SAE-Softmax模型的分类效果最优,其训练集和预测集准确率分别达99.72%和96.22%。因此,利用可见-近红外光谱技术与深度学习算法结合的方法对萝卜种子的品种鉴别是可行的。该研究为种子品种无损检测分析提供参考。; 关键词高光谱萝卜种子堆叠自动编码器连续投影算法变量迭代空间收缩方法; Keywords hyperspectral imaging radish seeds stack autoencoder(SAE) successive projections algorithm(SPA) variable iterative space shrinkage approach(VISSA); 分类号 S126 [农业科学—农业基础科学]; 在线阅读下载PDF 职称材料

题名饲料中粗脂肪和粗纤维含量的近红外光谱快速分析被引量：11: 4; 作者郝勇吴文辉商庆园; 机构华东交通大学机电与车辆工程学院; 出处《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2020年第1期215-220,共6页; 基金国家自然科学基金项目(21265006) 国家质量监督检验检疫总局科技计划项目(2015IK160) 江西省自然科学基金项目(2015ZBAB201003)资助; 文摘采用近红外光谱(NIRS)结合偏最小二乘(PLS)方法,实现对饲料中粗脂肪和粗纤维的快速定量分析。采用Norris-Williams平滑求导(NW)和多元散射校正(MSC)方法对光谱进行预处理;蒙特卡罗无信息变量消除法(MCUVE)、变量组合集群分析法(VCPA)和区间变量迭代空间收缩法(iVISSA)用于光谱变量选择和优化;PLS用于光谱校正模型的建立,采用校正集相关系数(R_c)、交互验证均方根误差(RMSECV)、预测集相关系数(R_p)和预测集均方根误差(RMSEP)评价模型。光谱预处理中经MSC处理后的光谱模型优于其他预处理方法,其RMSECV和RMSEP值都减小,R_c和R_p值都增大。脂肪定量分析中,原始光谱模型的RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.20和0.88,变量数(V_n)为1 501;经MCUVE方法选择变量后建立的定量模型,其RMSECV和R_c为0.17和0.92, RMSEP和R_p为0.19和0.89,V_n为400个;经VCPA选择变量建立PLS定量模型,其RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.25和0.81,V_n为12;经iVISSA选择变量后的模型,其RMSECV和R_c为0.21和0.86, RMSEP和R_p为0.20和0.87,V_n为20。粗纤维定量分析中,原始模型的RMSECV和R_c为0.28和0.91, RMSEP和R_p为0.25和0.95,V_n为1 501;经MCUVE选择后的模型,其RMSECV和R_c为0.23和0.95, RMSEP和R_p为0.23和0.94,V_n为740;经VCPA选择变量后的模型,其RMSECV和R_c为0.27和0.91, RMSEP和R_p为0.30和0.91,V_n为11;经iVISSA选择后变量的模型,其RMSECV和R_c为0.29和0.90, RMSEP和R_p为0.27和0.93,V_n为20。结果表明, MSC方法可以有效提高光谱质量,消除光谱平移误差;MCUVE变量选择方法可以简化模型提高模型精度和稳定性,建立最优模型。在粗脂肪的定量分析模型中, MSC处理后的光谱经过MCUVE选择后剩余400个变量,R_c和R_p相较于全谱模型提高了0.05和0.01, RMSECV和RMSEP分别降低到了0.17和0.19;经VCPA和iVISSA选择变量的模型其结果与全谱模型相似,但其变量分别只有12和20个。在粗纤维模型中,经MCUVE选择后740个变量用于建立PLS模型,其R_c和R_p为0.95和0.94, RMSECV和RMSEP分别为0.23和0.23;VCPA和iVISSA分别运用11和12个变量建立回归模型,但结果都比MCUVE模型差。利用饲料近红外光谱建立MSC-MCUVE-PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析。; 关键词近红外光谱饲料蒙特卡罗无信息变量消除法变量组合集群分析法区间变量迭代空间收缩法; Keywords Near infrared spectroscopy(NIRS) Feed Monte carlo based uninformative variable elimination(MCUVE) Varia-bles combination population analysis(VCPA) Interval variable iterative space shrinkage approach(iVISSA); 分类号 S816.2 [农业科学—饲料科学]; 在线阅读下载PDF 职称材料

题名桦木顺纹抗压强度的SEPA-VISSA-RVM近红外光谱预测被引量：1: 5; 作者高礼彬陈金浩张怡卓王克奇; 机构东北林业大学机电工程学院; 出处《林业工程学报》 CSCD 北大核心 2022年第1期52-58,共7页; 基金林业公益性行业科研专项(201504307)。; 文摘木材顺纹抗压强度是评价木材力学性能的重要指标,而传统测量方法操作复杂、精确度低。以桦木为例,提出基于近红外光谱技术(NIR)的SEPA-VISSA-RVM木材顺纹抗压强度模型,实现对其更加精确的预测。试验选取100个木材试件,在900~1700 nm近红外光谱波段上采集数据并测量抗压强度真值;然后采用卷积平滑(SG)方法进行光谱预处理;使用采样误差分布分析(SEPA)作为变量空间迭代收缩算法(VISSA)的改进策略进行特征波长优选;最后通过粒子群优化算法(PSO)优化核函数参数并建立相关向量机(RVM)的预测模型。试验表明:在特征波长优选方面,以偏最小二乘法(PLS)建模为基础的SEPA-VISSA方法,其预测决定系数为0.9593,预测均方根误差为2.8995,相对分析误差为3.0256,光谱变量数由512减小到111个,占总波长的22%,均优于VCPA、CARS和VISSA算法;在建模预测方面,以SEPA-VISSA所选波长为基础的RVM模型,PSO优化的拉普拉斯(Laplacian)核函数的核宽度为10.4043,决定系数为0.9449,预测均方根误差为2.0432,相对分析误差为4.2936,预测效果优于PLS和SVR。因此,基于近红外光谱的SEPA-VISSA-RVM建模能够实现对桦木顺纹抗压强度更准确和稳定的无损检测。; 关键词抗压强度近红外光谱变量空间迭代收缩法采样误差分布分析相关向量机桦木; Keywords compressive strength near infrared spectroscopy variable iterative space shrinkage approach sampling error profile analysis related vector machine birch wood; 分类号 S781 [农业科学—木材科学与技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	双光谱区间遗传算法及其在模型转移中的应用	郑开逸沈烨张文周晨光丁福源张钖张柔佳石吉勇邹小波	《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心	2022	2	在线阅读下载PDF 职称材料
2	IVISSA算法冷鲜滩羊肉嫩度的高光谱模型优化	刘贵珊张翀樊奈昀程丽娟余江泳袁瑞瑞	《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心	2020	9	在线阅读下载PDF 职称材料
3	基于高光谱图像技术结合深度学习算法的萝卜种子品种鉴别	杭盈盈李亚婷孙妙君	《农业工程》	2020	5	在线阅读下载PDF 职称材料
4	饲料中粗脂肪和粗纤维含量的近红外光谱快速分析	郝勇吴文辉商庆园	《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心	2020	11	在线阅读下载PDF 职称材料
5	桦木顺纹抗压强度的SEPA-VISSA-RVM近红外光谱预测	高礼彬陈金浩张怡卓王克奇	《林业工程学报》 CSCD 北大核心	2022	1	在线阅读下载PDF 职称材料