光谱学与光谱分析
光譜學與光譜分析
광보학여광보분석
SPECTROSCOPY AND SPECTRAL ANALYSIS
2012年
9期
2377-2381
,共5页
马明宇%王桂芸%黄安民%张卓勇%相玉红%顾轩
馬明宇%王桂蕓%黃安民%張卓勇%相玉紅%顧軒
마명우%왕계예%황안민%장탁용%상옥홍%고헌
人工神经网络%木材树种识别%近红外光谱%方差分析
人工神經網絡%木材樹種識彆%近紅外光譜%方差分析
인공신경망락%목재수충식별%근홍외광보%방차분석
测量了不同产地及品种的89个木材样品的近红外光谱,并分别使用反向传播人工神经网络(back propagation artificial neural networks,BPANN)与广义回归神经网络(generalized regression neural network,GRNN)建立了NIRS树种识别模型.通过方差分析分别选择两种神经网络所用参数,并采用最优参数进行网络训练.考虑到样品光谱的差异,对含不同水平白噪声与不同水平偏置的光谱进行模拟,并使用建立的模型对模拟光谱进行预测.发现两种神经网络模型均有较好的预测结果,其中BPANN模型,对含偏置水平不高于2%、噪声水平不高于4%的模拟光谱识别正确率在97%以上;GRNN模型,对含偏置水平不高于2%、噪声水平不高于4%的模拟光谱识别正确率在99%以上.
測量瞭不同產地及品種的89箇木材樣品的近紅外光譜,併分彆使用反嚮傳播人工神經網絡(back propagation artificial neural networks,BPANN)與廣義迴歸神經網絡(generalized regression neural network,GRNN)建立瞭NIRS樹種識彆模型.通過方差分析分彆選擇兩種神經網絡所用參數,併採用最優參數進行網絡訓練.攷慮到樣品光譜的差異,對含不同水平白譟聲與不同水平偏置的光譜進行模擬,併使用建立的模型對模擬光譜進行預測.髮現兩種神經網絡模型均有較好的預測結果,其中BPANN模型,對含偏置水平不高于2%、譟聲水平不高于4%的模擬光譜識彆正確率在97%以上;GRNN模型,對含偏置水平不高于2%、譟聲水平不高于4%的模擬光譜識彆正確率在99%以上.
측량료불동산지급품충적89개목재양품적근홍외광보,병분별사용반향전파인공신경망락(back propagation artificial neural networks,BPANN)여엄의회귀신경망락(generalized regression neural network,GRNN)건립료NIRS수충식별모형.통과방차분석분별선택량충신경망락소용삼수,병채용최우삼수진행망락훈련.고필도양품광보적차이,대함불동수평백조성여불동수평편치적광보진행모의,병사용건립적모형대모의광보진행예측.발현량충신경망락모형균유교호적예측결과,기중BPANN모형,대함편치수평불고우2%、조성수평불고우4%적모의광보식별정학솔재97%이상;GRNN모형,대함편치수평불고우2%、조성수평불고우4%적모의광보식별정학솔재99%이상.