论文部分内容阅读
近红外光谱技术快速不断的发展得力于化学计量方法的应用。随着光谱数据的复杂度增加,模型适应能力较弱,传统方法所建模型不足以满足需要,近红外光谱技术面临着巨大的挑战,而使用化学计量学方法建立稳健、可靠的模型是解决问题的关键。本文提出了随机隐匿深度信念网络(DBN)的近红外光谱分析算法,并将其用于棉涤混纺成分含量的分析和砂梨成熟的鉴别分析,主要的研究内容和结论有:(1)在样品优化选择中,针对各方面主客观因素导致建模数据中存在异常光谱数据,采用马氏距离法,将异常样品剔除。在光谱预处理中,针对原始光谱数据较为复杂且掺杂各种无关信息的情况,对比了SG平滑、MSC、SNV等预处理方法对建模分析的影响,最终采用小波变换对原始光谱进行特征提取,通过小波重构信号的均方根误差来选取小波函数及分解层数,从而提取光谱的特征数据,去除噪声,凸显真实光谱信息。(2)在建模分析中,针对模型适应能力不强等问题,提出了一种基于随机隐匿DBN的近红外分析方法。将随机隐匿算法应用于深度信念网络的参数调节阶段,对样品进行降采样,使得其部分网络权值不更新,能够有效改善过拟合现象,提高建模速度,得到更稳定的模型,有利于实际生产、生活中模型的传递与共享。(3)将随机隐匿DBN方法应用于定量分析和定性分析。建立随机隐匿DBN棉涤混纺近红外定量分析模型。其棉、涤纶含量的预测相关系数分别为0.9941和0.9965,预测标准差分别为0.0253和0.0535,与传统建模方法(人工神经网络、偏最小二乘法)以及标准深度信念网络所建模型的效果进行比较,结果证明随机隐匿DBN模型建模结果有显著提高。建立了随机隐匿DBN的砂梨成熟度判别模型,比较了不同预处理方法(SG平滑、MSC、SNV、WT)对砂梨成熟度判别结果的影响,结果表明选择小波变换进行处理,所建模型效果最优,其判别准确率为95.8%。同样,随机隐匿DBN模型与其他三种(PLSDA、标准DBN、自编码网络)建模方法进行了比较,结果表明,随机隐匿DBN模型明显优于其他三种模型,可以应用于近红外光谱的定性分析。(4)开发了基于随机隐匿DBN的NIR分析软件。该软件包括近红外光谱定量分析和定性分析两部分,并分别采用棉涤混纺和砂梨样品对软件功能进行测试,实现了对未知样品的预测输出,其结果准确可靠,操作简单,具有实用价值。