河北省教育厅项目(2010107)
- 作品数：5 被引量：42H指数：3
- 相关作者：牛晓颖邵利敏赵志磊张晓瑜周玉宏更多>>
- 相关机构：河北大学河北农业大学更多>>
- 发文基金：河北省自然科学基金河北省教育厅项目国家自然科学基金更多>>
- 相关领域：理学轻工技术与工程农业科学更多>>
- 近红外光谱技术在黑芝麻糊品牌鉴别中的应用研究
- 2013年
- 本文探索了使用近红外光谱分析技术鉴别黑芝麻糊品牌的可行性。试验共采集了48个不同品牌黑芝麻糊样品的近红外漫反射光谱,波长范围为800～2 500nm。使用Hierarchical聚类、主成分分析、判别分析及判别偏最小二乘等方法分析了黑芝麻糊品牌的分类鉴别结果,各种方法的校正集和预测集均得到了100%的判别正确率。研究结果表明,近红外光谱分析技术可用于黑芝麻糊品牌的鉴别分析,分析过程具有快速、准确等多方面的优点。
- 陈曦牛晓颖邵利敏
- 关键词：黑芝麻糊近红外光谱
- LS-SVM和BP-ANN在草莓糖度NIR检测中的应用被引量：3
- 2013年
- 为了提高草莓糖度近红外光谱定量模型的性能,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,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6 000～9 000 cm-1。结果表明,所建立的最小二乘—支持向量机和反向传播人工神经网络定量模型的校正性能、预测性能和稳定性均优于偏最小二乘定量模型,最优模型为前10个潜在变量得分作为输入变量的最小二乘—支持向量机模型,其校正和预测相关系数分别为0.957和0.951,校正和预测均方根误差分别为0.279%和0.272%,剩余预测偏差为3.23,与以往研究文献相比,获得了较为理想的预测精度和稳定性能。
- 牛晓颖赵志磊张晓瑜
- 关键词：草莓糖度近红外最小二乘支持向量机
- 基于LS-SVM的草莓固酸比和可滴定酸近红外光谱定量模型被引量：20
- 2013年
- 为提高草莓固酸比和可滴定酸近红外光谱定量模型的性能,该文采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机模型的输入变量,建立了两指标的近红外定量模型,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6000～12500cm-1。结果表明,草莓可滴定酸和固酸比偏最小二乘模型校正相关系数、校正和预测均方根误差分别为0.430、0.096%、0.096%及0.688、0.926和1.190,而两指标的前10个潜在变量得分作为输入变量的最小二乘—支持向量机模型各项性能均远优于偏最小二乘模型,其校正和预测相关系数、校正和预测均方根误差以及剩余预测偏差分别为:可滴定酸0.965、0.967、0.028%、0.027%、3.881;固酸比0.980、0.973、0.258、0.373、3.111。研究表明,潜在变量作为最小二乘支持向量机模型的输入变量可在较大程度上改善草莓可滴定酸和固酸比指标近红外定量模型的预测性能和稳定性。
- 牛晓颖周玉宏邵利敏
- 关键词：近红外草莓固酸比可滴定酸
- 支持向量机在李果实坚实度近红外检测中的应用被引量：3
- 2015年
- 为增强模型的适应性，选取了3个不同成熟期（绿熟、半红熟和红熟）的李果实样品建立坚实度指标的近红外检测模型，建模所使用的光谱范围为4000～12492 cm-1。为改善模型性能，比较了最小二乘支持向量机和偏最小二乘法两种建模算法对李果实坚实度指标的建模结果。研究结果表明，所建立的最小二乘-支持向量机模型的预测性能和稳定性均好于偏最小二乘模型，并以前10个潜在变量得分作为输入变量的最小二乘-支持向量机模型为最佳模型，其校正相关系数、校正和预测均方根误差分别为0．989及1．31、1．84kg/cm2，剩余预测偏差为4．79。与以往研究文献相比，获得了较为理想的预测精度和稳定性能。研究结果表明，最小二乘支持向量机算法结合偏最小二乘法提取的潜在变量作为输入变量，可以使李果实坚实度近红外定量模型有较大程度的改善。
- 贡东军牛晓颖王艳伟赵志磊
- 关键词：坚实度近红外最小二乘支持向量机
- 基于BP-ANN的草莓品种近红外光谱无损鉴别方法研究被引量：19
- 2012年
- 研究了使用近红外漫反射光谱对不同品种草莓进行无损鉴别的方法,并分析了各品种草莓品质指标的差异性。在4 545～9 090cm-1光谱范围比较了反向传播人工神经网络、最小二乘支持向量机及判别分析的分类模型性能,发现拓扑结构为12-18-3的反向传播神经网络模型分类结果最优,校正集和预测集分类正确率分别为96.68%和97.14%,"甜宝"(n=99)、"丰香"(n=100)和"明星"(n=117)样品的单独判别正确率分别为94.95%,97%和98.29%。对三个品种样品的可溶性固形物、可滴定酸、pH值及固酸比品质指标进行了单因素方差分析,发现四个指标含量均存在明显差异,分析成分指标数据的主成分得分发现不同品种草莓存在明显的聚类趋势。结果表明,近红外光谱与反向传播人工神经网络结合可有效鉴别不同品种的草莓,且不同品种草莓化学成分含量的差异为近红外光谱分类提供了理化解释。
- 牛晓颖邵利敏赵志磊张晓瑜
- 关键词：草莓近红外光谱单因素方差分析
