基于深度学习的近红外光谱分析

发布时间：2020-04-07 05:09

【摘要】：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。
【图文】：

红外光谱技术原理源发出的近红外光照射到样品时，样品中的红外活性分子键用，使得样品分子对近红外光吸收，，近红外光谱吸收主要是缩、弯曲等状态发生改变使得不同能级间跃迁产生的[45]。能基频跃迁、倍频跃迁以及合频跃迁，近红外光谱记录的是分合频信息，主要来源于含氢基团 X-H 键(X=C, N, S, O, P 等)的，其反应了样品分子的结构、组成等信息，所以近红外光谱的是含氢基团倍频和合频的吸收，可以实现含氢有机物的检，在近红外光的吸收强度以及吸收波段不同，在近红外光谱收峰位置及强度[46,47]。根据每种成分的特定吸收特征光谱与在联系，并结合化学计量学方法可以确定定量或定性的关系为：将样品成分光谱与标准测得成分信息建立数学分析模型品的光谱信息，通过数学模型便可得到未知样品的性质参数的过程示意图如图 1.1 所示。

中国计量大学硕士学位论文光谱的预处理，定量或定性分析模型的建立，用预测集样品数据对所行评价，输出模型。未知样品的预测过程可以总结为：首先获得未知红外光谱数据，然后将未知样品的光谱数据导入模型，最后由模型输品的理化分析值或性质。其中，NIR 分析流程如图 1.2 所示。其中定量析的多个过程需要借助化学计量学方法来实现。
【学位授予单位】：中国计量大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：O657.33;TP18

【相似文献】

相关期刊论文 前10条

1 许小霞;戴朝洲;谭崇桂;;近红外光谱分析技术在饲料行业的应用[J];饲料广角;2016年18期

2 张银桥;赵博;王辉;毛文华;张小超;;农产品近红外光谱分析系统综述[J];农机化研究;2010年05期

3 刘洁;;探讨近红外光谱分析在食品检测中的应用[J];现代食品;2018年19期

4 宋相中;唐果;张录达;熊艳梅;闵顺耕;;近红外光谱分析中的变量选择算法研究进展[J];光谱学与光谱分析;2017年04期

5 高振洪;;近红外光谱分析仪器的应用与发展[J];科技创新导报;2012年04期

6 孙宏伟;近红外光谱分析仪器的应用与发展[J];现代仪器;2002年05期

7 严衍禄,赵龙莲,李军会,张录达,闵顺耕;现代近红外光谱分析的信息处理技术[J];光谱学与光谱分析;2000年06期

8 史永刚,冯新泸,李子存,孙萍;近红外光谱分析中应考虑的几个问题[J];光谱实验室;2001年04期

9 叶榕;近红外光谱分析在制粉、烘焙工业中的应用[J];粮油食品科技;1987年04期

10 齐晓;韩建国;李曼莉;;近红外光谱分析仪器的发展概况[J];光谱学与光谱分析;2007年10期

相关会议论文 前10条

1 马竞涛;;近红外光谱分析及应用[A];新世纪 新机遇 新挑战——知识创新和高新技术产业发展（下册）[C];2001年

2 田高友;;轻质石油燃料质量指标近红外光谱分析方法标准研究[A];科学仪器服务民生学术大会论文集[C];2011年

3 张世芝;杨林;张明锦;;基于回归系数的变量筛选方法用于近红外光谱分析[A];第十一届全国计算（机）化学学术会议论文摘要集[C];2011年

4 刘本清;;近红外光谱分析在食品、药品成分检测中的应用[A];全面建设小康社会：中国科技工作者的历史责任——中国科协2003年学术年会论文集（下）[C];2003年

5 刘洁;李小昱;李培武;王为;刘鹏;张荣荣;;基于近红外光谱分析的数据处理方法研究进展[A];2007年中国农业工程学会学术年会论文摘要集[C];2007年

6 刘洁;李小昱;李培武;王为;张荣荣;张军;;数据处理方法在近红外光谱分析中的应用进展[A];节能环保 和谐发展——2007中国科协年会论文集（三）[C];2007年

7 王丽丽;庄新港;陈琦;吴雪原;方家熊;;化学计量学方法在近红外光谱分析中的应用研究[A];中国化学会第30届学术年会摘要集-第二十五分会：化学信息学与化学计量学[C];2016年

8 刘振尧;潘涛;陈洁梅;尹浩;谢军;姚立军;;人类血红蛋白可见-近红外光谱分析的稳定模型[A];第十七届全国分子光谱学学术会议论文集[C];2012年

9 杜一平;郑开逸;;分数阶导数在近红外光谱分析中的应用[A];中国化学会第29届学术年会摘要集——第19分会：化学信息学与化学计量学[C];2014年

10 李艳坤;邵学广;蔡文生;;多模型共识偏最小二乘法用于复杂样品的近红外光谱分析[A];中国化学会第二十五届学术年会论文摘要集（下册）[C];2006年

相关重要报纸文章 前3条

1 朱新宇;石科院开发近红外光谱分析新技术[N];中国石化报;2017年

2 吴玉田殷学平;中药质量控制又添新武器——小波变换近红外光谱分析系统[N];中国医药报;2004年

3 陈越;小企业也有大发展[N];中国信息报;2016年

相关博士学位论文 前10条

1 王智宏;野外矿物近红外光谱分析关键技术研究[D];吉林大学;2005年

2 于海燕;黄酒品质和酒龄的近红外光谱分析方法研究[D];浙江大学;2007年

3 王立琦;基于近红外光谱分析的大豆油质量检测方法研究[D];哈尔滨理工大学;2011年

4 林志丹;基于可见/近红外光谱分析的化肥土壤成分速测模型研究[D];中国科学技术大学;2016年

5 雷萌;基于机器学习的煤质近红外光谱分析[D];中国矿业大学;2013年

6 宁宇;功能性富集材料用于微量成分的近红外光谱分析[D];南开大学;2013年

7 吴建国;作物种子品质研究中近红外光谱分析模型的创建和应用[D];浙江大学;2004年

8 张仲鹏;基于属性偏序原理的脑功能近红外光谱分析方法研究[D];燕山大学;2016年

9 李天华;成熟期番茄品质近红外光谱无损检测技术研究[D];山东农业大学;2015年

10 郝勇;近红外光谱微量分析方法研究[D];南开大学;2009年

相关硕士学位论文 前10条

1 李稳稳;基于深度学习的近红外光谱分析[D];中国计量大学;2018年

2 王键;复合肥养分可见—近红外光谱分析及软件开发[D];中国科学技术大学;2019年

3 刘金金;Tchebichef图像矩在近红外光谱分析中的应用研究[D];兰州大学;2018年

4 刘经纬;近红外光谱分析系统及其在食品安全检测中的应用研究[D];中国科学院研究生院(上海技术物理研究所);2015年

5 范雅婷;毛白杨与相思树的近红外光谱分析数学模型[D];北京林业大学;2016年

6 蔡斌;在线型液体近红外光谱分析平台的开发[D];江苏大学;2008年

7 李洪广;基于支持向量机的异福片近红外光谱分析[D];长春理工大学;2008年

8 罗兰;基于近红外光谱分析的无创血药浓度检测研究[D];重庆大学;2007年

9 李翠;数据挖掘技术在煤质近红外光谱分析中的应用研究[D];中国矿业大学;2016年

10 邴姗;多组分有机混合物及石油产品的近红外光谱分析方法研究[D];西安石油大学;2016年

本文编号：2617489