计算机与应用化学
計算機與應用化學
계산궤여응용화학
COMPUTERS AND APPLIED CHEMISTRY
2013年
6期
655-658
,共4页
唐军%符继红%童红%高晶
唐軍%符繼紅%童紅%高晶
당군%부계홍%동홍%고정
薰衣草%傅里叶变换红外光谱法%主成分分析%径向基神经网络
薰衣草%傅裏葉變換紅外光譜法%主成分分析%徑嚮基神經網絡
훈의초%부리협변환홍외광보법%주성분분석%경향기신경망락
Lavender%FTIR%PCA%RBFNN
[目的]对不同品种薰衣草进行快速鉴别，为其正确使用提供可靠的科学方法。[方法]采用傅利叶红外光谱法测定93个属4种不同品种薰衣草花样品的红外谱图，以1600 cm-1~1665 cm-1范围内的吸收峰为指标，应用主成分分析(PCA)和径向基神经网络(RBFNN)进行数据分析，对不同品种薰衣草进行鉴别。[结果]对不同品种薰衣草的傅利叶红外光谱进行数据分析，主成分分析(PCA)结果表明，前3个主成分的累积可信度已达93.43%，可将薰衣草分为4个品种，基于FTIR谱的主成分分析能够在一定程度表征出薰衣草在不同品种的多样性分化，在对薰衣草品种进行主成分分析的基础上，选用64个薰衣草花样本建立径向基神经网络模型(RBFNN)，余下29个作为预测样本，所建模型的拟合率和预测品种的识别率均为100%。[结论]实验表明主成分分析(PCA)对不同品种薰衣草具有较好的聚类作用，径向基神经网络模型(RBFNN)能对薰衣草进行较好的识别，说明该方法能快速无损的鉴别薰衣草，为薰衣草的品种识别提供了一定的科学依据。
[目的]對不同品種薰衣草進行快速鑒彆，為其正確使用提供可靠的科學方法。[方法]採用傅利葉紅外光譜法測定93箇屬4種不同品種薰衣草花樣品的紅外譜圖，以1600 cm-1~1665 cm-1範圍內的吸收峰為指標，應用主成分分析(PCA)和徑嚮基神經網絡(RBFNN)進行數據分析，對不同品種薰衣草進行鑒彆。[結果]對不同品種薰衣草的傅利葉紅外光譜進行數據分析，主成分分析(PCA)結果錶明，前3箇主成分的纍積可信度已達93.43%，可將薰衣草分為4箇品種，基于FTIR譜的主成分分析能夠在一定程度錶徵齣薰衣草在不同品種的多樣性分化，在對薰衣草品種進行主成分分析的基礎上，選用64箇薰衣草花樣本建立徑嚮基神經網絡模型(RBFNN)，餘下29箇作為預測樣本，所建模型的擬閤率和預測品種的識彆率均為100%。[結論]實驗錶明主成分分析(PCA)對不同品種薰衣草具有較好的聚類作用，徑嚮基神經網絡模型(RBFNN)能對薰衣草進行較好的識彆，說明該方法能快速無損的鑒彆薰衣草，為薰衣草的品種識彆提供瞭一定的科學依據。
[목적]대불동품충훈의초진행쾌속감별，위기정학사용제공가고적과학방법。[방법]채용부리협홍외광보법측정93개속4충불동품충훈의초화양품적홍외보도，이1600 cm-1~1665 cm-1범위내적흡수봉위지표，응용주성분분석(PCA)화경향기신경망락(RBFNN)진행수거분석，대불동품충훈의초진행감별。[결과]대불동품충훈의초적부리협홍외광보진행수거분석，주성분분석(PCA)결과표명，전3개주성분적루적가신도이체93.43%，가장훈의초분위4개품충，기우FTIR보적주성분분석능구재일정정도표정출훈의초재불동품충적다양성분화，재대훈의초품충진행주성분분석적기출상，선용64개훈의초화양본건립경향기신경망락모형(RBFNN)，여하29개작위예측양본，소건모형적의합솔화예측품충적식별솔균위100%。[결론]실험표명주성분분석(PCA)대불동품충훈의초구유교호적취류작용，경향기신경망락모형(RBFNN)능대훈의초진행교호적식별，설명해방법능쾌속무손적감별훈의초，위훈의초적품충식별제공료일정적과학의거。
Objective]The aim of this study was to provide a fast and reliable scientific approach to identified different varieties of Lavender.[Method]Fourier transform infrared (FTIR) spectroscopy was used for obtaining vibrational spectrum of 93 flower samples which belong to four different Lavender species. Based on the indices of wave number absorbance from 1600 cm-1 to 1665 cm-1. Different varieties Lavender were analyzed by Fourier transformation infrared spectroscopy (FTIR) combined with the principal component analysis (PCA) and RBF neural network.[Result]Lavender samples were clustered into 4 classes by the methods of principal component analysis ( PCA). FTIR spectrum of principal component analysis to some degree reflect Lavender in different species diversity. Based on the principal component analysis of Lavender, the RBF neural network model be established with 64 Lavender samples, the remaining 29 as a predictor of the sample, the model fitting rate and prediction of species recognition rate is 100%.[Conclusion]Lavender were analyzed by principal component analysis (PCA), which could intuitively distinguish Lavender varieties. RBF neural network model provided good recognition for the varieties identification of Lavender. The method can be used to fast identify varieties of lavender and provided some scientific basis.
