王艳斌[1]2000年在《人工神经网络在近红外分析方法中的应用及深色油品的分析》文中认为近红外分析方法是目前发展比较迅速的一种快速分析方法，它具有快速、准确、重复性好、无污染、便于实现在线分析等特点，因此被广泛应用于石化行业的各个领域。但是对近红外分析方法测定深色油品性质的研究较少，为满足深色油品的快速分析要求，拓宽近红外分析方法的应用范围，研究了近红外深色油品性质分析方法，同时为了适应深色油品分析的需要，研究了人工神经网络对近红外光谱分析的校正。 比较了人工神经网络、偏最小二乘、主成分回归和局部权重回归等方法对样本组成范围较宽的汽油(包括催化裂化汽油、重整汽油和商品汽油)辛烷值和柴油(包括一线、二线和三线柴油)闪点的校正结果，认为人工神经网络方法具有较好的预测准确性和抗干扰性。对训练集的设计，提出了将Kennard-Stone设计方法应用于近红外分析定量校正，使训练集样本更具代表性，分布更均匀，从而提高了人工神经网络的建模效果和训练速度。采用PLS和PCA主因子作为人工神经网络的输入，都可以进行数据降维，但采用PLS主因子时，主因子数较少，而且可以得到较好的结果。进一步将人工神经网络应用于原油馏程性质和润滑油基础油粘度性质测定中，认为人工神经网络可以得到比偏最小二乘更好的校正结果。 采用气相色谱模拟蒸馏的结果为参比，研究了近红外分析方法对原油馏程的测定。首先提出了独特的原油采谱方法，能够方便、有效地测定原油的近红外光谱；其次提出结合二阶微分和峰值归一化的方法对深色油品的谱图进行预处理，使谱图达到良好的重复；采用人工神经网络方法建立了原油馏程性质的12个模型(初馏点、5％、10％、20％、30％、40％、50％、60％馏出温度以及汽油馏分收率、柴油馏分收率、润滑油馏分收率和渣油馏分收率)，并对验证集样品进行测定， 石油儿工科学研究院博士学位论文2000结果表明，近红外分折方法测定的原油馏程性质与气相色谱模拟蒸馏结果的差值不超过标准方法的再现性要求，成对矿检验结果表明，两种分析方法没有显著性差别。说明采用近红外分析方法测定原油馏程是完全可行的。 在较宽的样本范围内，采用偏最小二乘方法建立了润滑油基础油的近红外－粘度指数及化学族组成校正模型，并对上述性质与近红外光谱之间的关系进行了合理解释。对验证集样本的测定结果表明，近红外分析方法测定的粘度指数、化学族组成与标准方法或参考方法的结果一致。同时讨论了采用近红外分析方法测定润滑油基础油粘度。由于粘度与物质组成结构之间关系的复杂性，采用偏最小二乘方法时，只能在较窄的样本范围内建立模型，当样本范围较宽时，可以采用人工神经网络方法进行校正。 对近红外分析方法快速测定沥青蜡含量以及催化裂化原料油残炭值进行了研究，采用载玻片涂片的方法测定沥青及催化裂化原料油近红外光谱。验证集测定结果表明，近红外分析方法测定的沥青蜡含量和催化裂化原料油残炭值与标准方法结果的差值不超过标准方法再现性或重复性要求，成对t检验结果表明两种分析方法的结果是一致的。 与所用的标准方法或参考方法相比，近红外分析方法具有分析速度快、重现性好、方法简单、不消耗有机溶剂、样品用量少等特点，可以代替标准方法或参考方法进行上述深色油品性质的快速测定。
王艳斌, 刘伟, 袁洪福, 陆婉珍[2]2002年在《人工神经网络在近红外分析方法中的应用及深色油品的分析——人工神经网络-近红外分析方法快速测定原油馏程》文中研究表明采用近红外分析方法测定原油馏程性质,比较了人工神经网络、主成分回归和偏最小二乘法的校正结果。认为对于组成变化比较复杂的原油,采用人工神经网络方法能够得到较好的建模效果。对验证集的测定结果表明,近红外分析方法与所用参考分析方法(气相色谱模拟蒸馏)测定的原油馏程结果之间没有显著性差别,二者测定结果的差值在参考方法ASIM D5307的再现性范围内,说明以人工神经网络为校正方法的近红外分析方法可以用于原油馏程性质的快速测定,其单次测定只需大约10min。
夏俊芳[3]2007年在《基于近红外光谱的贮藏脐橙品质无损检测方法研究》文中提出为了提出脐橙内部品质近红外光谱快速无损检测方法,预测和控制脐橙可溶性总糖、总酸、维生素C、可溶性固形物、糖酸比等内部品质贮藏特性,收集了420个脐橙样品,比较并优选了11种常用光谱消噪预处理方法,确定了小波消噪的最优分解尺度,提出了近红外光谱消噪的最优小波基,建立了贮藏脐橙内部品质近红外光谱无损检测定量模型,建立了脐橙内部品质贮藏特性的BP神经网络模型。主要研究结果如下:1.可溶性总糖含量近红外光谱常规最佳预处理方法是直线差值(SLS)法;多品种PLS校正模型和验证模型预测值的相关系数R分别为0.9487和0.877,内部交叉验证均方差RMSECV分别为0.776%和0.6992%;单品种PLS校正模型和验证模型预测值R分别为0.961和0.9626,RMSECV分别为0.767%和0.7769%。总酸含量近红外光谱常规最佳预处理方法是附加散射校正法(MSC);多品种PLS校正模型和验证模型预测值R分别为0.9268和0.894,RMSECV分别为0.0355%和0.0407%;单品种PLS校正模型和验证模型预测值R分别为0.9663和0.9813,RMSECV分别为0.0328%和0.01705%。维生素C含量近红外光谱常规最佳预处理方法是一阶导数+向量归一化(FD+VN);多品种PLS校正模型和验证模型预测值R分别为0.9306和0.8689,RMSECV分别为5.07mg/100g和3.888mg/100g;单品种PLS校正模型和验证模型预测值R分别为0.9392和0.9717,RMSECV分别为2.02mg/100g和1.8356mg/100g。可溶性固形物含量近红外光谱无损检测的常规光谱最佳预处理方法是一阶导数(FD);多品种PLS校正模型和验证模型预测值R分别为0.9654和0.8953,RMSECV分别为0.316%和0.4262%;单品种PLS校正模型和验证模型预测值R分别为0.9737和0.94,RMSECV分别为0.282%和0.36%。2.可溶性总糖近红外光谱小波消噪最佳分解尺度为6,PLS模型预测值R达到0.9231,RMSECV为0.672%。总酸度近红外光谱小波消噪最佳分解尺度为3 PLS模型预测值R为0.9371,RMSECV为0.0334%。维生素C近红外光谱小波消噪最佳分解尺度为3,PLS模型预测值R为0.9632,RMSECV为2.78mg/100g。可溶性固形物含量近红外光谱小波消噪最佳分解尺度为5,PLS模型预测值R为0.9791,RMSECV为0.292%。3.小波包变换是脐橙可溶性总糖、总酸、维生素C、可溶性固形物近红外光谱消噪的有效方法。可溶性总糖近红外光谱噪声效果最好的小波基是db6,其PLS模型预测值R为0.9431、RMSECV为0.373%。总酸近红外光谱消噪效果最好的小波基是db4,其PLS模型预测值R为0.9507、RMSECV为0.0336%。维生素C近红外光谱消噪效果最好的小波基是db5,其PLS模型预测值R为0.9427、RMSECV为2.02mg/100g。可溶性固形物近红外光谱消噪效果最好的小波基是db5,其PLS模型预测值R为0.968、RMSECV为0.344%。4.内部品质与贮藏时间的BP人工神经网络模型中,可溶性总糖模型某些优化隐含层神经元数目为60,贮藏时间校正模型预测值R为0.864,验证模型R为0.88。总酸模型优化隐含层神经元数目为50,贮藏时间校正模型预测值R为0.984,验证模型R为0.9814。维生素C模型优化隐含层神经元数目为50,贮藏时间校正模型预测值R为0.82,验证模型R为0.8648。可溶性固形物模型优化隐含层神经元数为30,贮藏时间校正模型预测值R为0.933,验证模型R为0.9343。糖酸比模型优化隐含层神经元数为60,贮藏时间校正模型预测值R为0.89,验证模型R为0.90。与贮藏时间关联最显著的品质指标是总酸度。5.可溶性总糖、总酸、维生素C、可溶性固形物和糖酸比等5个指标建立的多因素随贮藏时间变化的BP人工神经网络模型优化隐含层神经元数为8,校正模型贮藏时间预测值R为0.98,验证模型R为0.99。多因素模型比单因素模型预测效果精确,应该采用多因素模型预测贮藏时间和贮藏寿命。
郑伟[4]2010年在《近红外光谱结合径向基神经网络在灵芝活性成分快速无损分析中的应用》文中研究说明本实验采用小波包变换的5尺度分解的光谱,提取光谱的主成分作为径向基神经网络的输入节点,近红外光谱径向基人工神经网络模型(NIRS-RBFNN),即在灵芝蛋白的分析过程中,采用的模型为(10-18-1,SC=2.6);灵芝多糖分析的模型中采用的模型为(12-10-1,SC=3.0),此时对校正集而言,参数达到了最优化,在5尺度小波包分解后的重构光谱主成分提取中,其它变量保持不变,当径向基宽度的选择为2.6时,径向基神经网络模型的交互验证均方根误差(RMSECV)达到了最低值,此时我们得到了灵芝蛋白含量测定的近红外光谱径向基神经网络模型(NIRS-RBFNN)建模的最佳效果,此时得到的模型对校正集的交互验证均方根误差(RMSECV)为0.00825,同时校正集的相关系数为Rc=0.9925;同时在5尺度小波包分解后的重构光谱主成分提取中,其它参数优选后固定,灵芝多糖含量测定的近红外光谱径向基神经网络模型(NIRS-RBFNN)建模的交互验证均方根误差(RMSECV)达到了最小值取得的径向基网络模型的宽度为3.0,此时得到了近红外光谱径向基网络模型对多糖含量分析的最佳模型,此时得到的模型对校正集的交互验证均方根误差(RMSECV)为0.00548,同时校正集的相关系数为Rc=0.9956。预测的结果也表明这两个模型对灵芝蛋白和多糖的分析是合理可行的。
王晓朵[5]2016年在《基于DMD的哈达玛变换近红外光谱仪的研究》文中认为随着化学计量学和计算机技术的快速发展,近红外光谱仪突破了其在传统农业中的应用局限,广泛应用于临床医学、石油化工、矿物质以及国防等领域,成为很多领域质量控制和品质分析的重要工具。哈达玛变换光谱仪以其测量速度快、信噪比高、分辨率高等优势成为微型光谱仪的研究热点。而随着研究和应用领域需求的不断提高,目前哈达玛变换近红外光谱仪亟待解决的问题是:如何在保持系统高分辨率的同时提高光谱仪的能量利用率并扩宽其工作光谱范围。本论文致力于这一问题,旨在通过改进光谱仪结构,实现哈达玛变换近红外光谱仪的高分辨率、高能量利用率和宽工作谱段,以满足更多研发和应用领域的需求。具体内容如下:针对目前哈达玛变换光谱仪分辨率较低的现状,分别研究了入射狭缝、准直透镜和成像透镜对系统分辨率的影响,研究了光栅衍射效率随入射波长与入射角度的变化情况,综合考虑系统体积与系统分辨率,选择最佳参数进行系统优化设计,对光栅多级次衍射进行分析,设计并搭建原理样机进行实验验证,实验测得的系统分辨率与模拟结果一致。该设计使光谱仪体积更小,分辨率更高。为提高入射光通量,提出两种改进的光谱仪光学系统结构。第一种为在入射狭缝前添加集光结构,集光结构借助柱面镜将圆形光束整形为与入射狭缝平行的带状光束。实验表明,相同条件下,该装置可以使通过入射狭缝的能量提高14.2%。为减少狭缝导致的大量光能量的遮拦,第二种改进型的光谱仪用光纤代替入射狭缝,用柱面镜作为成像透镜,对光栅色散后的圆形光束进行整形,使光纤在DMD上的像呈带状分布,提高了光谱仪的能量利用率和分辨率;采用M型对称光路设计,使最终聚焦到单点探测器上的光斑直径仅180?m,减小探测器体积,节约成本。为了在保持系统高分辨率的同时扩宽光谱仪的工作光谱范围,提出两种结构不同的光谱折叠哈达玛变换光谱仪。第一种光谱仪利用两个有一定夹角的子光栅将光源发出的波长为800~2000nm的光谱二维折叠分布在DMD表面。对光栅衍射效率随波长和入射角关系进行模拟,以确定两个子光栅的最佳入射角,模拟表明使用两个子光栅可以提高光栅在整个波段的平均衍射效率。系统整体优化设计后,光谱仪在全波段的分辨率为5.5nm。为减少系统杂散光,对两个子光栅的多级次衍射、DMD的二维衍射进行分析。第二种光谱仪通过自由曲面透镜将光源发出的宽波段光准直为两束波长不同、方向不同的平行光束,用一个平面光栅进行色散,实现了波长800~2400nm的光谱折叠。通过裁剪法建立自由曲面数学模型,利用Rounge-Kutta法求得自由曲面离散值,进而构建自由曲面透镜。该光谱仪在全波段的模拟分辨率约为10nm。对两种结构的光谱仪进行比较可以发现,当光谱折叠次数增多时,自由曲面准直的光谱折叠光谱仪在体积和能量利用率方面更占优势。设计结果表明,通过DMD上的光谱折叠,可以很好的解决由于DMD的尺寸限制导致的光谱分辨率与工作光谱范围的矛盾。
郭伟良[6]2010年在《近红外光谱分析技术在发酵工艺中的应用研究》文中研究表明近红外(NIR)光谱分析技术由于具有无前期样品预处理程序、无需损坏样品、无需大量有机化学试剂、分析速度快、成本低、可多组分同时测定、在光纤探头的辅助应用下可实现在线检测和反馈控制等众多的优点,其伴随着计算机科学的快速发展而逐渐得到完善和广泛应用的绿色环保分析技术。NIR技术具有众多优点的同时,也存在固有的弱点,由于其主要检测的是分子振动倍频,信号比较弱,在涉及到水溶液的检测过程受水的严重干扰,同时NIR光谱技术是一种间接的分析技术,建立稳健性好,泛化能力强和预测能力强的校正模型是关键,本文考察了不同的光谱预处理方法,包括卷积平滑(Savitzky-Golay)、快速傅立叶变换光滑(Fast Fourier Transform Smoothing)、一阶导数(First Order Derivative)、二阶导数处理(Second Order Derivative),标准正态变换(Standard Normal Variate)和小波变换(Wavelet Transform)等光谱预处理方法对样品的NIR光谱进行预处理时,去除光谱中随机噪声和提取有效信息的效果。采用蒙特卡罗偏最小二乘法(MCPLS)识别异常样本。分别尝试采用偏最小二乘法(PLS)和径向基神经网络(RBFNN)法建立模型,采用可移动窗口法筛选两种模型的波长变量,并以逼近度(Da)为指标,对两种模型的建模参数进行了优化。本文将NIR分析技术应用到发酵工艺分析领域。主要包括三方面的内容:(1)采用NIR光谱技术同时快速无损检测蛹虫草发酵产品蛹虫草菌丝体粉末样品中腺苷、蛋白质、多糖和虫草酸含量,以有效评价蛹虫草发酵产品质量,可推广应用于蛹虫草优良菌种的筛选和发酵条件优化等领域。(2)采用NIR光谱技术实时监测蛹虫草发酵过程中发酵液中生物量、胞内多糖、胞外多糖、虫草酸、腺苷和葡萄糖含量。为蛹虫草发酵工艺优化,参数自动控制和提高蛹虫草发酵水平做铺垫,同时也为NIR光谱技术在真菌发酵工艺实时监测中的应用进行可行性探索。(3)采用NIR光谱技术实时监测乳酸乳球菌发酵过程中发酵液中乳链菌肽效价、葡萄糖含量、pH和生物量,为NIR光谱技术在细菌发酵工艺优化和自动控制做铺垫。
马兰[7]2017年在《热红外遥感图像典型目标识别技术研究》文中研究说明热红外遥感与其他手段相比具有特殊优势,本文研究的热红外图像成像波段是8~10.5μm,该波段图像能获取典型目标的类型和工作状态,在军事目标侦察、热点地区监视、伪装目标揭露等方面具有特殊作用。与可见光图像相比,星载热红外图像细节模糊、对比度低、信噪比低,使得该类图像的目标识别更加困难。但是,对于港口、机场、大型舰船和油罐等典型目标的识别还是可行且很有必要的。由于港口(包括油罐)、机场属固定目标,舰船属活动目标,且这几类目标的形状、纹理等图像特征具有一定的代表性,因此,本文选择了上述典型目标。由于热红外图像识别在条带噪声去除、辐射定标与温度反演、目标建模与图像分割、特征提取与选择、目标检测与识别等方面存在较多需要解决的问题,而本文在已进行辐射校正处理的图像上,对典型目标的热红外图像识别特征进行分析,根据特征分析模型进行特征比对辅助解译,提取热红外目标识别典型特征,研究热红外目标检测与识别方法。主要研究内容和创新点如下:1.使用特征分析和比对方法,对热红外图像进行目标状态和信息分析。分析了油罐、舰船及机场跑道目标热红外图像识别特征,并结合热红外特征分析与比对方法,从辅助识别角度,对油罐状态和机场设施信息进行判定,该方法在环境影响不大时是有效的。2.使用评估器方法,研究了热红外图像特征提取与选择方法,得出了港口、油罐和舰船目标最佳特征组合。针对舰船样本图像几何特征提取前,图像分割的高效和普适性问题,从4种典型的阈值分割方法中选择了最大类间方差法。针对港口热红外图像背景复杂、目标较多、边缘信息不明显等识别困难问题,提出了基于评估器方法的特征提取与选择方法,对比了对热红外图像识别有效果的纹理、几何等特征,通过评估器选择最佳特征组合,生成了热红外图像港口目标最佳分类特征组合。在上述港口目标选择的特征组合基础上,针对油罐和舰船识别特征,提出基于支持向量机分类的特征提取与选择方法,生成了热红外油罐和舰船目标最佳分类精度特征组合和分类模型,为后续样本学习型目标检测提供训练样本分类模型基础。3.从无样本学习的方法角度,提出尺度分层多阈值与考虑目标形状和低对比度特征的方法,实现了舰船和跑道目标的有效检测。针对目标与背景反差较小时热红外舰船检测困难问题,提出了一种基于尺度选择的分层多阈值检测方法,可根据模板的尺度来滤除不同模板尺度的相似区域目标,实现精确地检测舰船目标。针对目标亮温较强时的热红外舰船检测不准确问题,在基于小波包和高阶统计量的目标检测未考虑目标几何特征的情况下,提出了考虑目标形状特征的检测算法,在背景噪声较多、纹理不太清晰且目标与背景反差较大时检测效果较好。针对目标与背景反差较小使得热红外图像跑道提取不完整问题,提出了直觉模糊C均值结合区域生长法的辅助检测方法,与直接使用区域生长法相比,能够较准确地辅助人工提取出机场跑道。4.从样本学习型方法角度,提出基于变形模板、团块特征检测、分层多阈值方法与支持向量机分类等检测方法,解决了低背景反差下的油罐和舰船检测难题。针对油罐目标小且与背景反差小造成检测困难问题,结合所得出的最佳特征组合,提出一种支持向量机分类的检测方法,对具有一定的条带噪声和边缘信息不突出的油罐目标检测是有效的。针对支持向量机分类油罐检测方法虚警率较高的问题,结合油罐圆特征,提出一种支持向量机和变形模板相结合的检测方法,对具有一定条带噪声和边缘信息不突出的类圆形油罐目标检测是有效的。再针对上述方法检测虚警目标多的问题,提出了一种斑点和团块特征检测方法,与支持向量机样本学习分类和变形模板法相结合的检测方法,该方法检测更准确,且比单一使用样本分类方法降低了虚警率,提高了检测效率。针对近岸舰船目标与背景亮温差异不大时检测效果差,而分层多阈值法有时无法检测完全且会有较多的虚警目标等问题,结合已选择的舰船特征组合,提出了一种将分层多阈值方法与支持向量机样本学习分类相结合的检测方法,检测目标更完全,且比单一使用样本分类法降低了虚警率,提高了检测效率。
参考文献：
[1]. 人工神经网络在近红外分析方法中的应用及深色油品的分析[D]. 王艳斌. 石油化工科学研究院. 2000
[2]. 人工神经网络在近红外分析方法中的应用及深色油品的分析——人工神经网络-近红外分析方法快速测定原油馏程[J]. 王艳斌, 刘伟, 袁洪福, 陆婉珍. 石油炼制与化工. 2002
[3]. 基于近红外光谱的贮藏脐橙品质无损检测方法研究[D]. 夏俊芳. 华中农业大学. 2007
[4]. 近红外光谱结合径向基神经网络在灵芝活性成分快速无损分析中的应用[D]. 郑伟. 吉林大学. 2010
[5]. 基于DMD的哈达玛变换近红外光谱仪的研究[D]. 王晓朵. 中国科学院研究生院(长春光学精密机械与物理研究所). 2016
[6]. 近红外光谱分析技术在发酵工艺中的应用研究[D]. 郭伟良. 吉林大学. 2010
[7]. 热红外遥感图像典型目标识别技术研究[D]. 马兰. 解放军信息工程大学. 2017
标签：化学论文; 人工神经网络论文; 近红外光谱论文; 红外成像论文; 光谱分辨率论文; 预测模型论文; 光纤光谱仪论文;