下载文档原格式
基于遗传算法和最速下降法的Bézier曲线拟合
白向军;彭国华;陈晓
【期刊名称】《计算机工程与设计》
【年(卷),期】2009(030)001
【摘要】Bézier曲线最小二乘拟合,最终可转化为求解给定数据点的参数优化问题,遗传算法可以求解该优化问题,但易陷入局部早敛.为了防止局部早敛,提出将最速下降法和遗传算法相结合的混合算法用在曲线拟合上,该算法有效的解决了曲线拟合中遗传算法的局部早敛问题.最后通过实例验证了算法的可行性和有效性.
【总页数】3页(P194-196)
【作者】白向军;彭国华;陈晓
【作者单位】西北工业大学数学系,陕西,西安,710129;西北工业大学数学系,陕西,西安,710129;西北工业大学数学系,陕西,西安,710129
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.求解非线性最小二乘全局解基于最速下降法和遗传算法的混合算法 [J], 赵明旺
2.基于遗传算法和最速下降法的非线性动态系统辨识的混合算法 [J], 赵明旺
3.基于遗传算法的Bézier曲线降多阶逼近 [J], 于世亮;白宝刚
4.基于Bézier曲线拟合和链码技术的乳房检测方法 [J], 王乐珣;李德华
5.基于遗传算法的C-Bézier曲线降阶 [J], 秦新强;王伟伟;胡钢
因版权原因，仅展示原文概要，查看原文内容请购买。
近红外光谱结合偏最小二乘法快速测定糖果中水分含量沈乐丞;刘书航;邓海玲;何美霞;吴燕蕙;彭建飞;黄勇旗【期刊名称】《食品工业科技》【年(卷),期】2018(039)007【摘要】采用近红外光谱(NIR)结合偏最小二乘法(PLS)建立了一种糖果中水分含量快速准确的测定方法.在12500～3600 cm-1光谱范围内采集116批糖果的近红外漫反射光谱,并用减压干燥失重法测定其水分含量.通过比较不同参数对建模的影响,发现用多元散射校正法进行预处理,在11682.2～9826.1、8939.0～6267.9、5378.8～4487.8 cm-1光谱范围内,主成分数为15时,应用PLS方法建立的糖果水分的定量分析模型效果最佳.所建立模型的相关系数为0.9716,校正均方根误差和验证均方根误差分别为0.97％和1.03％.该方法结果准确可靠、操作简便,可用于糖果中水分含量的快速检测.【总页数】5页(P255-258,322)【作者】沈乐丞;刘书航;邓海玲;何美霞;吴燕蕙;彭建飞;黄勇旗【作者单位】深圳市计量质量检测研究院,广东深圳518131;河南工业大学粮油食品学院,河南郑州450001;深圳市计量质量检测研究院,广东深圳518131;深圳市计量质量检测研究院,广东深圳518131;深圳市计量质量检测研究院,广东深圳518131;深圳市计量质量检测研究院,广东深圳518131;深圳市计量质量检测研究院,广东深圳518131【正文语种】中文【中图分类】TS207.3【相关文献】1.基于近红外光谱及组合间隔偏最小二乘法的天南星中水分及总黄酮含量测定研究[J], 王维皓;张永欣;冯伟红;杨立新2.近红外光谱结合偏最小二乘法快速测定奥硝唑片的含量 [J], 王小亮;张秉华;衷红梅;席志芳;杜亚俊3.近红外光谱技术结合偏最小二乘法快速测定砂仁中乙酸龙脑酯的含量 [J], 樊明月;白雁;雷敬卫;谢彩侠;郝敏4.近红外光谱-偏最小二乘法快速测定八角茴香中莽草酸含量 [J], 范铭然;孟庆繁;王迪;王天然;杨光;滕利荣;林凤5.近红外光谱结合偏最小二乘法快速检测山苍子精油中柠檬醛的含量 [J], 陈梓云;黄晓霞;姚婉清;彭梦侠因版权原因，仅展示原文概要，查看原文内容请购买。
基于主成分回归分析和偏最小二乘回归法的樱桃糖度检测的研
究
原帅;张娟;刘美娟;张骏
【期刊名称】《分析科学学报》
【年(卷),期】2016(32)4
【摘要】选用烟台大樱桃为研究对象,采用便携式光谱仪对樱桃糖度进行检测,利用极差标准归一化方法和小波滤波,对其可见-近红外光谱数据进行预处理,分别运用主成分回归分析（PCR）法和偏最小二乘回归（PLSR）法建立了樱桃糖度定量分析模型,并对两种模型进行了比较。
实验结果表明：在600～1 100nm波段范围内对樱桃糖度进行检测是可行的,并且PLSR模型的性能优于PCR模型。
【总页数】4页(P553-556)
【关键词】主成分回归;偏最小二乘回归;可见-近红外光谱;便携式;樱桃糖度
【作者】原帅;张娟;刘美娟;张骏
【作者单位】烟台大学文经学院信息工程系;烟台汽车工程职业学院电子系;烟台大学光电信息学院
【正文语种】中文
【中图分类】O657.3
【相关文献】
1.基于主成分回归法的稻飞虱百穴虫量冠层光谱检测 [J], 王新忠;李大鹏
2.基于CWT和GRNN的可见-近红外漫反射光谱检测樱桃糖度的研究 [J], 郭卫东;倪开诚;孙旭东;张长江;陈文荣
3.基于光声光谱联合主成分回归法的血糖浓度无损检测研究 [J], 任重;刘国栋;黄振;熊志华
4.基于主成分回归法的稻飞虱百穴虫量冠层光谱检测 [J], 王新忠;李大鹏;
5.基于小波变换-遗传算法-偏最小二乘的草莓糖度检测研究 [J], 张娟;原帅;张骏因版权原因，仅展示原文概要，查看原文内容请购买。
基于GA-LSSVM的苹果糖度近红外光谱检测
刘燕德;周延睿
【期刊名称】《西北农林科技大学学报（自然科学版）》
【年(卷),期】2013(041)007
【摘要】[目的]结合遗传算法和最小二乘支持向量机(GA-LSSVM),优化苹果糖度近红外光谱检测的数学模型,提高模型的检测精度和稳定性.[方法]在GA-LSSVM模型建立过程中,采用遗传算法自动获取最小二乘支持向量机的最优参数.[结果]相比于偏最小二乘法(PLS)、传统最小二乘支持向量机(LSSVM)和遗传偏最小二乘法(GA-PLS)数学模型,GA-LSSVM法建立的模型预测效果最优,模型的相关系数为0.94,预测均方根误差为0.32°Brix.[结论]GA和LSSVM相结合的优化方法在提高苹果糖度近红外光谱检测精度和稳定性方面是可行的.
【总页数】6页(P229-234)
【作者】刘燕德;周延睿
【作者单位】华东交通大学机电工程学院,江西南昌 330013;华东交通大学机电工程学院,江西南昌 330013
【正文语种】中文
【中图分类】S661.1;O657.33
【相关文献】
1.近红外光谱相似性评估结合局部回归方法无损检测苹果糖度 [J], 夏阿林;周新奇;叶华俊;张学锋;陈英斌
2.苹果酒发酵过程中糖度近红外光谱检测模型的建立 [J], 彭帮柱;岳田利;袁亚宏;高振鹏
3.基于混合线性分析的苹果糖度近红外光谱检测 [J], 张海东;赵杰文;刘木华
4.不同品种苹果糖度近红外光谱在线检测通用模型研究 [J], 刘燕德; 徐海; 孙旭东; 姜小刚; 饶宇; 张雨
5.不同产地苹果糖度可见近红外光谱在线检测 [J], 刘燕德;徐海;孙旭东;姜小刚;饶宇;徐佳;王军政
因版权原因，仅展示原文概要，查看原文内容请购买。
基于siPLS的猕猴桃糖度近红外光谱检测蔡健荣;汤明杰;吕强;赵杰文;陈全胜【期刊名称】《食品科学》【年(卷),期】2009(030)004【摘要】为了探寻一种快速无损检测猕猴桃糖度的方法,利用小波滤噪法对猕猴桃1000～2500nm近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型.结果表明,采用联合区间偏最小二乘法将光谱划分为16个子区间,利用其中的第9、11、13号3个子区间联合建立的糖度模型效果最佳,其校正集相关系数和均方根误差分别为0.9414和0.3788.预测集相关系数和均方根误差分别为0.9295和0.3904,主因子数为7个.研究表明,用小波滤噪和联合区间偏最小二乘法所建立的猕猴桃糖度模型不但减少建模运算时间,剔除噪声过大的谱区,而且预测能力和精度均有所提高.【总页数】4页(P250-253)【作者】蔡健荣;汤明杰;吕强;赵杰文;陈全胜【作者单位】江苏大学食品与生物工程学院,江苏,镇江,212013;江苏大学食品与生物工程学院,江苏,镇江,212013;江苏大学食品与生物工程学院,江苏,镇江,212013;江苏大学食品与生物工程学院,江苏,镇江,212013;江苏大学食品与生物工程学院,江苏,镇江,212013【正文语种】中文【中图分类】S663.4【相关文献】1.猕猴桃糖度傅里叶变换近红外光谱无损检测 [J], 陈香维;杨公明2.基于近红外光谱的红提维生素C含量、糖度及总酸含量无损检测方法 [J], 高升;王巧华;李庆旭;施行3.基于可见近红外光谱的不同建模方法对河套蜜瓜糖度检测精度的影响 [J], 张德虎4.基于近红外光谱技术的水蜜桃糖度检测模型性能研究 [J], 郭甜甜;刘苗苗;罗越;张文莉;娄淑聍;孙一叶5.基于SPXY-WT-CARS算法的草莓糖度近红外光谱检测研究 [J], 张娟因版权原因，仅展示原文概要，查看原文内容请购买。
基于随机森林算法以及可见–近红外光谱的苹果糖度无损检测蒋雨鹏;任玉;蔡红星;周建伟;王康华;孙哲
【期刊名称】《传感器技术与应用》
【年(卷),期】2022(10)2
【摘要】本文基于可见–近红外光谱分析技术结合随机森林算法实现不同产地的苹果糖度无损检测。
研究通过漫反射采集系统收集三种不同产地苹果的光谱数据后经多种预处理办法比较,采用标准正态变换分别结合偏最小二乘、随机森林算法建立苹果糖度检测通用模型。
结果显示该模型预测集相关系数(Rp2)和预测均方根误差(RMSEP)分别为0.89和0.44,相比偏最小二乘法检测模型相关系数(Rp2)和预测均方根误差(RMSEP)的0.85和0.47,均有提高。
研究扩大了单一品种模型的预测范围,结合随机森林算法有效地提升模型的预测稳健性,对进一步实现水果品质无损检测具有良好的潜在意义。
【总页数】10页(P128-137)
【作者】蒋雨鹏;任玉;蔡红星;周建伟;王康华;孙哲
【作者单位】长春理工大学吉林省光谱探测科学与技术高校重点实验室长春
【正文语种】中文
【中图分类】TP3
【相关文献】
1.近红外光谱相似性评估结合局部回归方法无损检测苹果糖度
2.基于红外光谱的苹果糖度无损检测系统
3.利用近红外漫反射光谱技术进行苹果糖度无损检测的研究
4.
基于近红外光谱的红提维生素C含量、糖度及总酸含量无损检测方法5.基于可见/近红外透射光谱技术的红提糖度和含水率无损检测
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进遗传算法的最小二乘法的应用
菅倩;乔冠峰
【期刊名称】《机械管理开发》
【年(卷),期】2011(000)005
【摘要】为了克服基本遗传算法参数较多时编码表示冗长、烦杂以及实数编码等寻优效果的不足,提出了一种改进编码的遗传算法——矩阵编码遗传算法.它是在遗传算法大的框架不变的情况下仅改变其编码,即遗传编码改变的同时,相应的遗传操作,包括交叉、变异等都要随之变化.除此之外,适应度函数和计算也要变化.最小二乘法是系统辨识常用方法之一,将改进的遗传算法与最小二乘方法相结合来解决系统辨识的问题,给辨识问题的解决提供了新方法和新思路,同时也丰富了遗传算法的实际应用意义.MATLAB仿真实验结果表明,该算法可以解决系统辨识问题.
【总页数】3页(P207-208,212)
【作者】菅倩;乔冠峰
【作者单位】太原科技大学后勤管理处,山西太原030024;太原名仕达煤炭设计有限公司,山西太原030000;西建筑职业技术学院;山西太原030000
【正文语种】中文
【中图分类】TP29
【相关文献】
1.基于最小二乘法的灰色 GM（1，1）改进模型在非煤矿山事故预测中的应用 [J], 李明洋;姜福川
2.改进遗传算法及最小二乘法在计算机数学建模中的应用 [J], 孙庆锋;方来祥;戴柯寒;
3.基于规划理论的最小二乘法改进及其在Markov跳变系统参数估计中的应用 [J], 李颖;林洪生;刘严
4.改进Diebold & Li两步法的Nelson-Siegel模型——基于遗传算法与最小二乘法交叉运用 [J], 李国徽;谢贵知
5.计算机数学建模中改进遗传算法与最小二乘法应用 [J], 余航
因版权原因，仅展示原文概要，查看原文内容请购买。
收稿日期:2018-11-16 修回日期:2019-03-26基金项目:山东省高等学校科技计划(N o .J 17K B 131) *通讯作者:原帅,男,硕士,副教授,研究方向:光信号获取与处理㊂E -m a i l :yu a n s h u a i 1981@126.c o m 第36卷第1期V o l .36 N o .1分析科学学报J O U R N A LO FA N A L Y T I C A LS C I E N C E 2020年2月F e b .2020D O I :10.13526/j .i s s n .1006-6144.2020.01.020基于小波变换-遗传算法-偏最小二乘的草莓糖度检测研究张 娟1,原 帅*2,张 骏3(1.烟台汽车工程职业学院电子工程系,山东烟台265500;2.烟台大学文经学院,山东烟台264005;3.烟台大学光电信息科学技术学院,山东烟台264005)摘 要:采用近红外漫反射光谱分析技术,对草莓糖度进行了无损检测研究㊂利用便携式近红外光谱仪采集草莓样品在600~1100n m 波段内的漫反射光谱数据㊂首先利用小波变换(WT )多分辨率方法对光谱数据进行去噪预处理,然后利用遗传算法(G A )优选特征波长,最后运用偏最小二乘法(P L S )建立草莓糖度的WT -G A -P L S 校正模型㊂该模型校正集的相关系数R C 为0.9395,校正集的均方根误差R M S E C 为0.1615,预测集的相关系数R P 为0.9652,预测集的均方根误差E M S E P 为0.5042㊂与全光谱模型(F S -P L S )和小波变换模型(WT -P L S )相比,该模型预测能力更强,稳健性更优㊂关键词:近红外光谱;小波变换;遗传算法;偏最小二乘回归;草莓;糖度中图分类号:O 657.3 文献标识码:A 文章编号:1006-6144(2020)01-111-05草莓口感酸甜,营养丰富,是一种人们普遍喜爱的水果㊂草莓糖度是决定口感和营养的重要因素㊂传统的水果糖度检测的方法多采用理化分析法,检测时间长㊁步骤繁琐㊁成本高㊂随着近红外光谱测量技术和近红外光谱仪器的快速发展,近红外光谱技术现已广泛应用于无损检测领域[1]㊂新型便携式近红外光谱仪具有体积小㊁低功耗㊁高性能㊁高稳定性等优点,适合现场检测和在线分析,越来越广泛应用于水果生产中的管理监测㊁产后加工和质量评判中[2,3]㊂基于便携式-近红外光谱测量分析技术可实现水果内部品质的简单㊁快速㊁无损检测,具有成本低㊁重现性好㊁分析效率高等优势[4]㊂近年来,国内外利用近红外光谱技术对草莓糖度的检测和分析进行了大量的研究工作,其中光谱数据预处理和预测模型的建立方法是研究热点㊂金同铭等[5]采用一阶导数逐步回归的方法获取定量分析定标方程,对草莓的糖度㊁酸度等多指标进行分析;牛晓颖等[6]采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机和反向传播人工神经网络的输入变量,建立了草莓糖度的近红外定量模型;I T O [7]将草莓原始近红外光谱数据进行二阶导数处理,利用多元线性回归法建立预测模型㊂为了获得精确度更好㊁预测能力更高的红外光谱模型,本研究采用小波变换(WT )去噪预处理,以遗传算法(G A )并结合偏最小二乘法(P L S)实现波长优化选择,建立草莓糖度的近红外光谱模型,并进行分析和验证㊂1 实验部分实验所用的样品为市场购买的草莓,共选择了果形均匀的55个样本㊂将40个样本分为校正集,15个样本为预测集㊂为减小环境温度和湿度对草莓样品光谱测量的影响,将样品放置在环境温度为25ħ,相对湿度为65%的实验室中5h 后测量㊂1.1 实验仪器及测量条件草莓近红外光谱数据的采集使用A v a n t e s 公司的A v a S pe c -2048T E C 便携式光纤光谱仪,使用与仪器111第1期张娟等:基于小波变换-遗传算法-偏最小二乘的草莓糖度检测研究第36卷配套的A v a S o f t7.0软件㊂数据采集时光谱仪探头距离草莓样品正上方高度为5m m㊂光谱检测系统的参数设置为:测量波段范围为600~1100n m,积分时间5m s,光谱采样间隔0.28n m,光谱平滑阶数为3阶㊂为减小实验测量误差,每一样品的不同位置进行3次光谱测量,取其平均值,得到的光谱数据以e x c e l 形式导出㊂1.2糖度测定将采集完红外光谱的草莓样品榨汁,使用手持W Z113折射仪测量其糖度值㊂表1为校正集和预测集样本的糖度测量值㊂表1校正集和预测集样本糖度测量值T a b l e1T h em e a s u r e r e s u l t s o f c a l i b r a t i o na n d p r e d i c t i o n s a m p l e sM e a s u r e i t e m S a m p l en u m b e r M a xv a l u e M i nv a l u e M e a nv a l u e S t a n d a r dd e v i a t i o nC a l i b r a t i o n s e t4011.16.98.21.02P r e d i c t i o n s e t1510.97.08.41.011.3校正模型采用具有较强抗干扰能力的偏最小二乘法(P L S)[8]建立校正模型,对草莓糖度进行定量分析和预测㊂选择校正集相关系数R C㊁预测集相关系数R P㊁校正集均方根误差R M S E C和预测集均方根误差E M S E P 作为模型的评价指标[9]㊂2光谱数据预处理2.1数据规范化[10]对每一条光谱数据运用极差标准归一化公式进行计算变换㊂̇x i j=x i j-m i n x i jm a x x i j-m i n x i j(1)其中,i=1,2 n,n为校正集样品数;j=1,2 m,m为波长点数㊂采用极差标准归一化处理后的光谱数据在(0,1)之间,分布更均衡[11]㊂目的是一方面降低同一草莓样品多次测量之间的差别,减小因草莓大小差异引起的光散射和微小光程差变化带来的影响,为后续分析提供可靠的数据源;另一方面,消除冗余信息,加快模型收敛速度,提高模型的稳健性和预测能力㊂2.2小波去噪由于受到各种因素的影响,检测获得的近红外光谱信号夹杂噪声干扰㊂利用小波变换多分辨率方法[12],对近红外光谱信号进行不同分辨尺度的变换分解㊂通过调节尺度因子,将原始信号c0(n)(n=1,2, ,N)分解成某尺度的锐化信号(d1(n),d2(n), ,d1(n))和平滑信号(c1(n),c2(n), ,c1(n))[11]㊂最大限度的去除掉高频噪声元素,提取各尺度下的有效细节信息特征,然后再进行小波系数反变换,重构得到需要的光谱㊂本实验采用D a u b e c h i e s5滤波器5尺度分解,对草莓近红外光谱信号进行分解㊁重构[13],实现滤波预处理㊂2.3波长选择利用具有自适应的全局㊁快速搜索的遗传算法(G A)[12]与最小二乘法(P L S)有机结合[14],对草莓光谱进行波长优化选择㊂遗传算法是模拟生物进化机制随机优化的算法,应用于波长选择的实现主要包括染色体参数编码㊁群体初始化㊁适应度函数设计㊁遗传操作设计和评价六个基本步骤[15]㊂G A-P L S波长优选的思路是通过交互验证法评价模型的预测能力来选择适应度函数[16]㊂实现方法是以所选特征波长变量建立偏最小二乘回归校正模型,得到交互验证均方根误差R M S E C V最小作为遗传算法的适应度函数,通过遗传算法的选择㊁交换和突变等算子的操作,不断的遗传迭代,剔除不相关或非线性变量,选取最优的有效特征波长[17]㊂在保证精度的前提下,简化校正模型,提高校正模型的预测能力和稳健性[18]㊂R M S E C V=(y i-y'i)n(2)其中,y i表示校正集中样品含量的真实值,y'i表示模型的预测值,n表示对应校正集的样本数目㊂211第1期分析科学学报第36卷3 结果与分析3.1 数据预处理与分析图1为随机抽取的一个草莓样品的原始近红外光谱图㊂在600~1100n m 整个光谱区都有较高的信噪比,影响校正模型的精确性和稳定性㊂故首先对光谱数据进行极差归一化处理,为后期光谱预处理提供可靠数据源㊂然后利用D a u b e c h i e s 5滤波器多尺度小波分析,对原始光谱进行各个尺度下的分解重构㊂图2是草莓光谱小波分解第5阶信号㊂可以看出,变换后的光谱很好的消除了高频噪声,光谱轮廓清晰平滑,在700㊁760n m 附近特征峰明显㊂图1 草莓的原始近红外光谱F i g .1 O r i g i n a l n e a r i n f r a r e d s p e c t r u mo f s t r a w b e r r y 图2 小波分解第5阶信号F i g .2 T h e f i f t ho r d e r s i gn a l o fw a v e l e t t r a n s f o r m 3.2 遗传算法波长优选采用V i s u a l C ++编写遗传算法程序㊂便携式光谱仪测量波长范围600~1100n m ,共有2001个波长数据㊂以草莓近红外光谱全部2001个波点数作为选择对象,考虑其有效特征波长的个数,经过多次实验验证,确定遗传算法的控制参数:群体初始化为80,选择算子为转轮法,交叉概率p c 为0.5,变异概率p m 为0.01,选取遗传迭代次数为100㊂迭代终止,选取累计贡献率高于50%的201个波点数建立草莓糖度校正模型㊂3.3 草莓糖度校正模型建立及预测分别利用偏最小二乘法建立草莓糖度原始光谱全光谱模型(F S -P L S )㊁小波变换全光谱模型(WT -P L S )和小波变换与遗传算法波长选择模型(WT -G A -P L S ),通过M a t l a b 编程实现㊂表2列出了三种校正模型的预测结果㊂由表2可见,F S -P L S 模型预测精度最低,WT -G A -P L S 模型精度明显优于F S -P L S 和WT -P L S ㊂由于全光谱数据比较复杂,含有冗余信息和噪声,因此F S -P L S 模型误差较大,预测能力较低㊂利用小波滤波去除了其他干扰信息,采用遗传算法选用包含重要信息的特征波长建立WT -G A -P L S 模型,明显提高了模型的精确度和预测能力㊂表2 草莓糖度的不同偏最小二乘校正模型结果T a b l e 2 P L S c a l i b r a t i o nm o d e l s f o r p r e d i c t i o no f d i f f e r e n tm e t h o d s M o d e l i n g mo d e l V a r i a b l e R C (C o r r e l a t i o n c o e f f i c i e n t o f c a l i b r a t i o n s e t )R M S E C (C o r r e l a t i o n r o o tm e a n s q u a r e e r r o r )R P (C o r r e l a t i o n c o e f f i c i e n t o f p r e d i c t i o n s e t )R M S E P (P r e d i c t i o n r o o tm e a n s q u a r e e r r o r )F S -P L S 20010.90620.72360.88650.7854WT -P L S 200120.92990.54150.95320.6088WT -G A -P L S2010.93950.16150.96520.5042图3是WT -G A -P L S 模型40个校正集样本的预测值与实测值的散点图㊂从图中可以看出各点均匀的散布在回归线两侧,预测值与实测值有很好的相关性㊂该模型校正集的相关系数R C 为0.9395,校正集均方根误差R M S E C 为0.1615,具有较高的精度㊂图4是15个预测集样本的预测值与实测值的散点图㊂预测值与实测值同样有很好的相关性㊂模型预测集相关系数R P 为0.9652,预测集均方根误差E M S E P 为0.5042㊂表明校正模型具有较好的稳定性和可靠性㊂WT -G A -P L S 模型采用的波点数由2001减少到201个,在保证精度㊁稳定度的前提下简化了建模变量,可见遗传算法是一种有效的近红外光谱特征波长选择方法㊂311第1期张娟等:基于小波变换-遗传算法-偏最小二乘的草莓糖度检测研究第36卷图3校正集糖度预测值与实测值的散点图F i g.3P r e d i c t i v ea n da c t u a lv a l u eo fc a l i b r a t i o ns e t s u g a r d e g r ee 图4预测集糖度的预测值与实测值散点图F i g.4P r e d i c t i v ea n da c t u a lv a l u eo f p r e d i c t i o ns e t s u g a r d e g r e e4结论采用小波滤波㊁遗传算法和偏最小二乘回归法三者有机结合,建立了草莓糖度的近红外光谱的小波变换-遗传算法-偏最小二乘(WT-G A-P L S)校正模型㊂该模型校正集的相关系数R C为0.9395,校正集均方根误差R M S E C为0.1615,预测集的相关系数R P为0.9652,预测集均方根误差E M S E P为0.5042,模型具有良好的稳定性㊁可靠性和预测性能㊂研究表明,利用便携式光谱仪检测草莓糖度,不仅满足品质的检测需求,还为长期监控果实动态变化,实现果园生产中的管理提供了可能性㊂参考文献:[1] Y USH,L I UJ.J o u r n a l o fA n h u i I n s t i t u t e o fE d u c a t i o n(于绍慧,刘晶.合肥师范学院学报),2018,35(3):1.[2] L I U Y D,Z H O U Y R.J o u r n a l o fC h i n e s eA g r i c u l t u r a lM e c h a n i z a t i o n(刘燕德,周延睿.中国农机化学学报),2013,34(4):204.[3] Y U A NS,Z HA N GJ,L I U M J,e t a l.J o u r n a l o fA n a l y t i c a lS c i e n c e(原帅,张娟,刘美娟等.分析科学学报),2016,32(4):553.[4] Z HA O Y R,Y U K Q,L I UZP,e t a l.J o u r n a l o f S h a n x iA g r i c u l t u r a l S c i e n c e s(赵艳茹,余克强,刘志鹏等.山西农业科学),2012,40(6):698.[5]J I N T M,C U IH C.A c t aA g r i c u l t u r a eB o r e a l i-S i n i c a(金同铭,崔洪昌.华北农学报),1994,9(2):120.[6] N I U X Y,Z HA OZL,Z HA N GX Y.J o u r n a l o fA g r i c u l t u r a lM e c h a n i z a t i o nR e s e a r c h(牛晓颖,赵志磊,张晓瑜.农机化研究),2013,35(5):204.[7]I T O H.A c t aH o r t i c u l t u r a e,2002,567(2),751.[8] A n n aP e i r s,J e r o e nT i r r y,B e r tV e r l i n d e n.P o s t h a r v e s tB i o l o g y a n dT e c h n o l o g y,2000,28(2),269.[9] Y A N Y L,C H E N B,Z HU DZ.P r i n c i p l e,T e c h n o l o g y a n d A p p l i c a t i o no fN e a r I n f r a r e dS p e c t r o s c o p y.B e i j i n g:C h i n aL i g h t I n d u s t r y P r e s s(严衍禄,陈斌,朱大洲.近红外光谱分析的原理技术与应用.北京:中国轻工业出版社),2013: 165.[10]C H E N R,Z HA N GJ,L IXL.S p e c t r o s c o p y a n dS p e c t r a lA n a l y s i s(陈蕊,张骏,李晓龙.光谱学与光谱分析),2012,32(5):1230.[11]Z H E N G T T.E x t r a c t i o na n dC l a s s i f i c a t i o no fP e a n u tS e e d sb y V i s i b l e-N e a r I n f r a r e dS p e c t r o s c o p y,Y a nT a i:Y a n t a iU n i v e r s i t y(郑田田.花生种子可见-近红外光谱的特征提取与分类识别.烟台:烟台大学),2013:12.[12]F A NSX,HU A N G W Q,L I JB,e t a l.S p e c t r o s c o p y a n dS p e c t r a lA n a l y s i s(樊书祥,黄文倩,李江波等.光谱学与光谱分析),2014,34(8):2089.[13]X U CF,L IG K.P r a c t i c a lW a v e l e tM e t h o d.W u h a n:H u a z h o n g U n i v e r s i t y o f S c i e n c e&T e c h n o l o g y P r e s s(徐长发,李国宽.实用小波方法.武汉:华中科技大学出版社),2001:290.[14]S p i e g e l m a nC H,M e x h a n eMJ,G o e t zMJ.A n a l y t i c a l c h e m i s t r y,1998,70(1),35.[15]C HU Y XL,Y U A N H F,L U W Z.P r o g r e s s i nC h e m i s t r y(褚小立,袁洪福,陆婉珍.化学进展),2004,16(4):528.[16]WA N GJH,HA N D H.S p e c t r o s c o p y a n dS p e c t r a lA n a l y s i s(王加华,韩东海.光谱学与光谱分析),2008,28(10):2308.411第1期分析科学学报第36卷[17]J I ALJ,Z HA N G HJ,WA N GJ,e t a l.F o o da n dF e r m e n t a t i o n I n d u s t r i e s(贾柳君,张海红,王健等.食品与发酵工业),2017,43(2):191.[18]B I EJX,Z HA O YF.C o m p u t e r&D i g i t a l E n g i n e e r i n g(别军象,赵宇峰.计算机与数字工程),2014,42(16):6.D e t e c t i o no f S u g a rD e g r e e i nS t r a w b e r r yB a s e d o n W a v e l e t T r a n s f o r m-G e n e t i cA l g o r i t h m-P a r t i a l L e a s t S q u a r e sZ H A N GJ u a n1,Y U A NS h u a i*2,Z H A N GJ u n3(1.E l e c t r o n i cD e p a r t m e n t,A u t o m o t i v e E n g i n e e r i n g V o c a t i o n a lC o l l e g e,Y a n t a i265500;2.I n f o r m a t i o nE n g i n e e r i n g D e p a r t m e n t,W e n j i n g C o l l e g e o f Y a n t a iU n i v e r s i t y,Y a n t a i264005;3.I n s t i t u t e o f O p t o-E l e c t r o n i c I n f o r m a t i o n,Y a n t a iU n i v e r s i t y,Y a n t a i264005)A b s t r a c t:N e a r i n f r a r e d(N I R)d i f f u s er e f l e c t a n c es p e c t r o s c o p y w a su s e dt os t u d y t h en o n-d e s t r u c t i v e d e t e c t i o no f s t r a w b e r r y s u g a r c o n t e n t.F i r s t l y,t h ed i f f u s e r e f l e c t a n c e s p e c t r ao f s t r a w b e r r y s a m p l e s i n 600-1100n mb a n dw e r e c o l l e c t e db yp o r t a b l en e a r i n f r a r e d s p e c t r o m e t e r.T h ew a v e l e t t r a n s f o r m(WT) m u l t i-r e s o l u t i o na n a l y s i sm e t h o d w a su s e dt od e n o i s et h eo r i g i n a l s p e c t r a ld a t a,a n dt h es p e c t r a ld a t a w i t h o b v i o u s c h a r a c t e r i s t i c p e a k s a n d c l e a r c o n t o u r w e r e o b t a i n e d.T h e g e n e t i c a l g o r i t h m(G A) a l g o r i t h m w a s u s e d t oo p t i m i z e t h e s e l e c t i o no f2001w a v e l e n g t h p o i n t s i n600-1100n mb a n d,a n d201 w a v e l e n g t h p o i n t sw i t h a c u m u l a t i v e c o n t r i b u t i o n o fm o r e t h a n50%w e r e o b t a i n e d.P a r t i a l l e a s t s q u a r e s r e g r e s s i o n(P L S)w a s u s e d t o e s t a b l i s h t h e WT-G A-P L S c a l i b r a t i o n m o d e l o f s t r a w b e r r y.T h e c o r r e l a t i o nc o e f f i c i e n tR Co f t h e c a l i b r a t i o n s e t i s0.9395,t h eR M S E Co f t h e c a l i b r a t i o n s e t i s0.1615, t h e c o r r e l a t i o n c o e f f i c i e n tR Po f t h e p r e d i c t i o ns e t i s0.9652,a n dt h eE M S E Po f t h e p r e d i c t i o ns e t i s 0.5042.C o m p a r e dw i t h t h e f u l l s p e c t r u m m o d e l(F S-P L S)a n d t h ew a v e l e t t r a n s f o r m m o d e l(WT-P L S), t h em o d e lh a sb e t t e r p r e d i c t i o na b i l i t y a n dr o b u s t n e s s.T h ea p p l i c a t i o no f p o r t a b l es p e c t r a la n a l y s i s t e c h n o l o g yp r o v i d e sat h e o r e t i c a lb a s i s f o r t h en o n-d e s t r u c t i v ed e t e c t i o no fs t r a w b e r r y s u g a rc o n t e n t, a l s o p r o v i d e s a f e a s i b i l i t y f o r l o n g-t e r m m o n i t o r i n g o f f r u i td y n a m i c c h a n g e s,t h e r e a l i z a t i o no f o r c h a r d m a n a g e m e n t a n d p o s t-h a r v e s t d e t e c t i o n.K e y w o r d s:N e a r i n f r a r e d s p e c t r o s c o p y;W a v e l e t t r a n s f o r m;G e n e t i c a l g o r i t h m s;P a r t i a l l e a s t-s q u a r e s r e g r e s s i o n; S t r a w b e r r y;S u g a r d e g r e e511。
增强偏最小二乘回归算法在近红外光谱法啤酒度数软测量建模
中的应用
谭超;吴同
【期刊名称】《理化检验-化学分册》
【年(卷),期】2010(046)008
【摘要】软测量技术广泛应用于工业过程,其核心是建立一个可靠的软测量模型.常规的软测量都是基于建立单个的数学模型,常难达到需要的精确和稳健性.基于机器学习的集成思想,给出了增强偏最小二乘回归(boosting-PLS)算法,并将其用于一个基于近红外光谱法啤酒度数软测量中,试验结果表明:应用boosting-PLS算法所建模型是一种精确、稳健、有应用潜力的软测量方法,特别适合于类似涉及高维光谱数据的软测量.
【总页数】4页(P891-894)
【作者】谭超;吴同
【作者单位】宜宾学院,化学与化工系,宜宾,644007;宜宾学院,计算物理四川省高校重点实验室,宜宾,644007;宜宾学院,化学与化工系,宜宾,644007
【正文语种】中文
【中图分类】TP274
【相关文献】
1.动态偏最小二乘在软测量建模方法中的应用 [J], 高世伟;王忠民;洪梓榕
2.局部偏最小二乘回归建模参数对近红外检测结果的影响研究 [J], 李军会;秦西云;
张文娟;蔡贵民;杨宇虹;赵龙莲;常志强;赵丽丽;张录达
3.基于非线性偏最小二乘回归的软测量建模及应用 [J], 吕游;刘吉臻;杨婷婷
4.基于后向区间选择偏最小二乘算法的软测量建模 [J], 谭超
5.基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模 [J], 袁小锋;葛志强;宋执环
因版权原因，仅展示原文概要，查看原文内容请购买。
