公共文化服务平台

共 7 条记录，以下是 1-7

全选清除导出

排序方式：

可见和近红外透射光谱结合区间偏最小二乘法(iPLS)用于橄榄油中掺杂煎炸老油的定量分析被引量：23: 2016年; 为探寻一种快速可靠的分析方法用于橄榄油中掺杂煎炸老油含量的测定,实验采用可见和近红外透射光谱分析技术结合区间偏最小二乘法（interval partial least squares,iPLS）、联合区间偏最小二乘法（synergy interval partial least squares,SiPLS）和反向区间偏最小二乘法（backward interval partial least squares,BiPLS）,对掺杂不同含量煎炸老油的橄榄油建模分析,并对不同模型比较优选。采集样品400～2500 nm范围内的光谱,对光谱数据进行Savitzky-Golay（SG）平滑去噪。剔除奇异样本后,采用sample set partitioning based on joint X-Y distance（SPXY）法划分样本集,以不同的iPLS优选建模区域,建立煎炸老油含量预测模型。结果表明：对掺杂不同含量煎炸大豆油的橄榄油,采用划分20个区间,选择2个子区间[4,16]建立的SiPLS模型预测效果最好,相关系数（Rp）达0.998 9,预测均方根误差（RMSEP）为0.019 2。对掺杂不同含量煎炸花生油的橄榄油,采用划分20个区间,选择2个子区间[2,16]组合建立的SiPLS和BiPLS模型具有相同的预测效果,预测均方根误差（RMSEF）为0.0120,均优于iPLS模型。此外,与SiPLS模型相比,BiPLS模型运算量少,速度快。由此可见,基于掺杂油样品的可见和近红外透射光谱,分别采用组合区间偏最小二乘法（SiPLS）和反向区间偏最小二乘法（BiPLS）优选建模光谱区域,可以对橄榄油中掺杂煎炸大豆油和煎炸花生油含量进行准确测定。而且,实验过程无需对掺杂油样品进行预处理,无环境污染,操作简单,快速无损。; 冼瑞仪黄富荣黎远鹏潘莎莎陈哲陈振强汪勇; 关键词：掺伪煎炸老油

中红外无创血糖测量中光程变化对PLSR模型的影响研究被引量：2: 2012年; 在测量人体皮肤中红外光谱的过程中,皮肤与ATR晶体之间的接触面积很难保持一致,导致倏逝波与人体皮肤的作用光程会产生差异。以光程变化信息与葡萄糖浓度信息之间的相关性为基础,建立了两个分析葡萄糖含量的偏最小二乘回归(PLSR)模型,RMSECV分别为31.3和4.52mg.dL-1;RMSEP分别为30.3和98.7mg.dL-1。结果表明,当光程变化信息与葡萄糖浓度信息之间偶然相关时,所建PLSR模型的预测精度与稳健性会受到不同程度的影响,随着二者之间相关性的增强,最优模型对葡萄糖信息的识别能力越来越弱。为提高中红外无创血糖测量分析结果的可靠性,避免获得伪优定标模型提供了实验依据。; 王动民卢启鹏丁海泉黄富荣; 关键词：中红外光谱糖尿病偏最小二乘回归

基于iPLS和SiPLS算法的人体血清胆红素含量的可见-近红外光谱建模被引量：8: 2016年; 为了建立血清胆红素（BR,bilirubin）样品总胆红素（TBIL）、直接胆红素（DBIL）和间接胆红素（IBIL）近红外（NIR）光谱分析最优模型,利用可见-NIR透射光谱技术与间隔偏最小二乘法（iPLS）及协合区间偏最小二乘法（SiPLS）算法相结合对建模区域进行优选,实现血清光谱特征波段选择,建立光谱与血清BR成分之间的定量预测模型,以均方根误差（RMSE）作为模型评价标准。结果表明：SiPLS模型效果更佳,TBIL、DBIL和IBIL的最优建模波长范围分别为400～536nm、1 366～1 502nm和2 324～2 460nm,400～502nm、608～710nm和1 644～1 746nm,400～502nm和1 746～1 848nm;3种BR最优预测模型的RMSE分别为0.598 9、0.207 2和0.386 2μmol/L;波段优选对提高预测结果的准确性有重要的意义;采用SiPLS建立TBIL、DBIL和IBIL定量分析模型,不仅可以提高模型的预测精度,而且克服了iPLS单一区间建模的缺点,优选出的特征谱区还可为设计小型专用光谱分析仪器提供依据。; 郭慧娴朱思祁黎远鹏方涛黄富荣郑仕富陈振强

荧光光谱成像技术结合主成分分析与Fisher判别快速鉴别肉苁蓉被引量：5: 2015年; 为探究一种快速、可靠的肉苁蓉属中药材检测方法，实验采用荧光光谱成像技术结合模式识别方法对肉苁蓉属三种中药材：荒漠肉苁蓉、管花肉苁蓉和沙苁蓉进行鉴别研究。实验中发现肉苁蓉样品存在较显著的荧光特性，采集来自不同产地、不同批次以及不同超市购买的三种肉苁蓉属药材的40个样品的荧光光谱图像，对图像进行去噪、二值化处理后，根据光谱立方体绘制每个样本的光谱曲线，将所得450～680 nm 波段范围内的光谱数据作为鉴别分析的研究对象，应用主成分分析法（PCA）对三种肉苁蓉的光谱数据进行降维处理，再结合 Fisher 判别方法对三种肉苁蓉进行鉴别。分别比较多元散射校正（MSC）、标准正态变量校正变换（SNV）以及一阶微分（FD）三种数据预处理方法对鉴别模型的影响，并根据主成分的累积贡献率和主成分因子数对判别模型效果的影响对主成分因子数进行优化。分析结果表明：一阶微分预处理后提取前四个主成分进行 Fisher 判别的鉴别效果最佳，PCA 结合 Fisher 判别建立肉苁蓉属三种药材的判别模型原始判别的准确率达到100％，交叉验证的准确率达到95％。由此可见，利用荧光光谱成像技术结合主成分分析及 Fisher 判别对肉苁蓉属三种药材的鉴别分析是可行的，而且具有操作简便、快速、可靠等优点。; 黎远鹏黄富荣董佳肖迟冼瑞仪马志国赵静; 关键词：主成分分析 FISHER 肉苁蓉

荧光光谱成像技术结合聚类分析及主成分分析的藻类鉴别研究被引量：17: 2014年; 为探讨快速、实时藻类检测方法，实验通过荧光光谱成像技术结合模式识别方法对不同藻类进行鉴别研究。发现藻类样本存在着显著的荧光特性，通过采集40个藻类样品的荧光光谱图像，对图像进行去噪、二值化处理，确定有效像素后，根据光谱立方体绘制每个样本的光谱曲线，将所得400～720 nm区段范围内的光谱数据作鉴别分析，再利用系统聚类分析及主成分分析两种不同的模式识别法对光谱数据进行处理。系统聚类分析结果表明：采用欧氏距离法及平均加权法计算样本间的聚类距离，在距离L＝2．452以上水平处可将样本正确分类，准确率为100％；主成分分析结果表明：通过对原始光谱数据进行一阶微分、二阶微分、多元散射校正、变量标准化等预处理后，再对数据进行主成分分析，其中二阶微分预处理后鉴别效果最佳，八种藻类样品在主成分特征空间中独立分布。因此，利用荧光光谱成像技术结合聚类分析法及主成分分析法对藻类进行鉴别是可行的，操作简便、快速、无损。; 梁曼黄富荣何学佳陈星旦; 关键词：聚类分析主成分分析藻类

红外光谱法与荧光光谱成像技术结合神经网络对正毛化橘红的快速鉴别被引量：9: 2015年; 为探究一种快速、可靠的化橘红检测方法,本实验分别采用傅里叶变换衰减全反射红外光谱法和荧光光谱成像技术结合多层感知器（MLP）神经网络所构建的模式识别方法,对化橘红进行鉴别,并对两种方法进行了比较。实验以81个正毛化橘红,37个其他品种橘红共118个样品为研究对象,采集所有样品的红外光谱和荧光光谱图像。根据光谱曲线中不同样品间的差异,取红外光谱中550-1800cm^-1区段范围内的光谱数据和荧光光谱曲线中的400~720nm区段的光谱数据进行分析,应用主成分分析法（PCA）对化橘红的光谱数据进行降维处理,再结合MLP神经网络对化橘红样品进行判别分析。实验中分别使用多元散射校正（MSC）、标准正态变量校正（SNV）、一阶导（FD）、二阶导（SD）以及Savitzky-Golay（SG）平滑数据预处理方法,并比较他们对鉴别模型的影响。分析结果表明：利用红外光谱法（FTIR/ATR）,经由Savitzky-Golay（SG）平滑预处理得到的数据,通过隐层函数为sigmoid的三层MLP模型,能够得到最优正毛化橘红识别率,其结果训练集和测试集的识别率都为100%;利用荧光光谱成像技术,由多元散射（MSC）预处理的结果是最理想的。经过预处理的数据,通过隐层函数为sigmoid函数的三层MLP模型,训练集识别率达到100%,测试集识别率达到96.7%。由此可见,衰减全反射红外光谱法（FTIR/ATR）和荧光光谱成像技术分别与MLP神经网络构建的识别模式,均可对化橘红的判别达到快速、可靠的效果。; 潘莎莎黄富荣肖迟冼瑞仪马志国; 关键词：化橘红

近红外光谱结合主成分分析和BP神经网络的转基因大豆无损鉴别研究被引量：27: 2013年; 为探究无损鉴别转基因大豆的可行性,利用近红外光谱分析仪对大豆扫描得到反射光谱,应用主成分分析结合BP神经网络方法进行分析鉴别。首先应用主成分分析法,得到包含大豆99.03%的光谱信息的6个主成分,再将其作为BP神经网络的输入,对应的大豆种类作为输出,建立一个三层BP神经网络模型。该模型对于转基因大豆的正确识别率为100%,说明近红外光谱结合主成分分析和BP神经网络的方法能无损快速准确地鉴别转基因大豆。; 吴江黄富荣黄才欢张军陈星旦; 关键词：近红外光谱转基因大豆主成分分析 BP神经网络

全选清除导出

共1页<1>

广东省自然科学基金(S2011040001850)

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

广东省自然科学基金(S2011040001850)

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈