论文部分内容阅读
玉米秸秆资源是我国最丰富的农作物秸秆资源,常被作为工业和生物质能源开发的主要原料,它的主要成分纤维素和木质素的含量常常影响着其工业和生物质能源的产能,因此对玉米秸秆纤维素和木质素含量的快速检测十分重要。目前,植物的纤维素和木质素含量检测方法主要是范氏法等化学方法,化学法不仅测量周期长而且会破坏样本的内部结构。近红外光谱分析技术由于它快速、无损、操作简单等优点,近几十年来在农业、医药、石油等方面得到广泛的发展和应用。因此,本研究尝试利用近红外光谱分析技术对玉米秸秆的纤维素和木质素的含量实现快速测量。该文的主要研究内容如下:(1)建立玉米秸秆纤维素含量预测模型。采集玉米秸秆样本的近红外光谱数据,利用范式法(Van Soest)测量对应样本的纤维素含量,利用主成分马氏距离(PCA-MD)、蒙特卡洛交叉验证法(MCCV)、基于XY变量联合算法(ODXY)剔除异常样本,对剔除异常样本后的光谱进行Savitzky-Golay(SG)平滑和正交信号校正(OSC)预处理后利用基于X-Y距离结合的样本划分方法(SPXY)以2:1的比例划分样本集。利用联合区间偏最小二乘法(SIPLS)、后向区间偏最小二乘法(BIPLS)和模拟遗传退火算法(GSAA)挑选特征波长,分析了GSAA对SIPLS和BIPLS二次选择的特点和优势。对选出的特征波长点建立对应的偏最小二乘法(PLS)和支持向量机(SVM)模型,建立的纤维素PLS模型性能要优于SVM的模型,综合考虑了模型的输入维度、分布特点以及模型的性能,SIPLS-GSAA-PLS模型更有优势,该模型的输入从原始光谱数据的1845维降到了32维,输入变量的分布集中在第二倍频到组合频区,模型的评价参数R_P、RMSEP和RPD的值分别为0.9414、0.8568和2.9501。实验结果表明,SIPLS-GSAA特征选择方法能大幅度减小模型的输入从而提高模型性能。(2)建立玉米秸秆木质素含量预测模型。首先采用MCCV剔除异常样本,经过SPXY划分样本集以及SG+OSC预处理后,利用SIPLS、BIPLS和GSAA方法选择特征波长后建立PLS和SVM模型。通过对比,在木质素模型中,非线性SVM模型性能优于线性PLS模型,SIPLS-SVM模型的输入降到了160维,模型的评价参数R_P、RMSEP和RPD的值分别为0.9590、0.3431和3.5499。实验结果表明,SIPLS方法选出的波长点更适用于SVM模型。本研究探讨了BIPLS、SIPLS、GSAA、BIPLS-GSAA和SIPLS-GSAA五种特征波长选择算法对模型的影响,并最终分别建立了玉米秸秆纤维素和木质素的近红外光谱检测模型,为玉米秸秆的快速检测提供理论依据,同时也为农作物秸秆综合利用提供一些新的思路。