光谱学与光谱分析
光譜學與光譜分析
광보학여광보분석
SPECTROSCOPY AND SPECTRAL ANALYSIS
2008年
3期
578-581
,共4页
李晓丽%唐月明%何勇%应霞芳
李曉麗%唐月明%何勇%應霞芳
리효려%당월명%하용%응하방
可见/近红外光谱%化学计量学%稻谷%品种鉴别%无损
可見/近紅外光譜%化學計量學%稻穀%品種鑒彆%無損
가견/근홍외광보%화학계량학%도곡%품충감별%무손
提出了一种应用可见/近红外光谱技术与化学计量学相结合的快速、无损鉴别稻谷品种的新方法.收集了5个品种水稻共150个样本作为实验样本,通过可见/近红外光谱仪扫描这些样本获得了从350 nm到1 075 nm波长范围的光谱信息.将样本的光谱信息进行小波分解以消除高频噪声.将去噪声后的光谱数据经主成分分析压缩成数目较少的新变量(主成分),压缩得到的前4个主成分能够解释99.891%的原始光谱信息.将前4个主成分作为BP神经网络的输入,不同水稻品种值的二进制代码值作为BP神经网络的输出,建立稻谷品种的模式识别模型.模型的预测误差阈值是0.2,模型是3层网络结构,各层的节点分别是4,9和3.150个样本被随机的分成包含100个样本的建模集和50个样本的预测集.结果表明,预测未知的50个样本的正确率达到96%.说明该方法具有较高的鉴别准确度,为稻谷品种的快速无损鉴别提供了一种新的方法.
提齣瞭一種應用可見/近紅外光譜技術與化學計量學相結閤的快速、無損鑒彆稻穀品種的新方法.收集瞭5箇品種水稻共150箇樣本作為實驗樣本,通過可見/近紅外光譜儀掃描這些樣本穫得瞭從350 nm到1 075 nm波長範圍的光譜信息.將樣本的光譜信息進行小波分解以消除高頻譟聲.將去譟聲後的光譜數據經主成分分析壓縮成數目較少的新變量(主成分),壓縮得到的前4箇主成分能夠解釋99.891%的原始光譜信息.將前4箇主成分作為BP神經網絡的輸入,不同水稻品種值的二進製代碼值作為BP神經網絡的輸齣,建立稻穀品種的模式識彆模型.模型的預測誤差閾值是0.2,模型是3層網絡結構,各層的節點分彆是4,9和3.150箇樣本被隨機的分成包含100箇樣本的建模集和50箇樣本的預測集.結果錶明,預測未知的50箇樣本的正確率達到96%.說明該方法具有較高的鑒彆準確度,為稻穀品種的快速無損鑒彆提供瞭一種新的方法.
제출료일충응용가견/근홍외광보기술여화학계량학상결합적쾌속、무손감별도곡품충적신방법.수집료5개품충수도공150개양본작위실험양본,통과가견/근홍외광보의소묘저사양본획득료종350 nm도1 075 nm파장범위적광보신식.장양본적광보신식진행소파분해이소제고빈조성.장거조성후적광보수거경주성분분석압축성수목교소적신변량(주성분),압축득도적전4개주성분능구해석99.891%적원시광보신식.장전4개주성분작위BP신경망락적수입,불동수도품충치적이진제대마치작위BP신경망락적수출,건립도곡품충적모식식별모형.모형적예측오차역치시0.2,모형시3층망락결구,각층적절점분별시4,9화3.150개양본피수궤적분성포함100개양본적건모집화50개양본적예측집.결과표명,예측미지적50개양본적정학솔체도96%.설명해방법구유교고적감별준학도,위도곡품충적쾌속무손감별제공료일충신적방법.
