光谱学与光谱分析
光譜學與光譜分析
광보학여광보분석
SPECTROSCOPY AND SPECTRAL ANALYSIS
2007年
10期
2005-2009
,共5页
刘波平%秦华俊%罗香%曹树稳%王俊德
劉波平%秦華俊%囉香%曹樹穩%王俊德
류파평%진화준%라향%조수은%왕준덕
近红外光谱%饲料%偏最小二乘%人工神经网络%BP网络
近紅外光譜%飼料%偏最小二乘%人工神經網絡%BP網絡
근홍외광보%사료%편최소이승%인공신경망락%BP망락
建立了用偏最小二乘(partial least squares,PLS)与人工神经网络(artificial neural networks,ANN)联用对饲料样品同时测定水分、灰分、蛋白质、磷含量的预测校正模型.光谱数据用二阶微分及标准归一化处理(SNV),用PLS法将原始数据压缩提取前10个主成分与2个特征峰值作为12个输入向量,采用单隐层的反向传播人工神经网络(Back-Propagation Network,BP),确定中间层的神经元个数为23,初始训练迭代次数为1 000.PLS-BP模型对样品四个组分含量的预测决定系数(r2)分别为:0.995 0,0.998 0,0.999 0和0.967 0;样品平行扫描光谱预测值的标准偏差分别为:0.027 74,0.048 53,0.032 92和0.022 04.
建立瞭用偏最小二乘(partial least squares,PLS)與人工神經網絡(artificial neural networks,ANN)聯用對飼料樣品同時測定水分、灰分、蛋白質、燐含量的預測校正模型.光譜數據用二階微分及標準歸一化處理(SNV),用PLS法將原始數據壓縮提取前10箇主成分與2箇特徵峰值作為12箇輸入嚮量,採用單隱層的反嚮傳播人工神經網絡(Back-Propagation Network,BP),確定中間層的神經元箇數為23,初始訓練迭代次數為1 000.PLS-BP模型對樣品四箇組分含量的預測決定繫數(r2)分彆為:0.995 0,0.998 0,0.999 0和0.967 0;樣品平行掃描光譜預測值的標準偏差分彆為:0.027 74,0.048 53,0.032 92和0.022 04.
건립료용편최소이승(partial least squares,PLS)여인공신경망락(artificial neural networks,ANN)련용대사료양품동시측정수분、회분、단백질、린함량적예측교정모형.광보수거용이계미분급표준귀일화처리(SNV),용PLS법장원시수거압축제취전10개주성분여2개특정봉치작위12개수입향량,채용단은층적반향전파인공신경망락(Back-Propagation Network,BP),학정중간층적신경원개수위23,초시훈련질대차수위1 000.PLS-BP모형대양품사개조분함량적예측결정계수(r2)분별위:0.995 0,0.998 0,0.999 0화0.967 0;양품평행소묘광보예측치적표준편차분별위:0.027 74,0.048 53,0.032 92화0.022 04.
