基于改进近红外漫反射技术与流形学习的东北松子霉变分类研究

发布时间：2020-05-19 09:01

【摘要】：近红外光谱技术作为一种光谱测量技术,其特点是分析简单、速度快并且可以在线进行,常用于食品、工艺中间体和最终产品的成分与功能分析,已成为食品质量和安全分析的有力技术。在林特产品深加工与食品质量安全需求日益提高的今天,坚果的无损检测预测成为众多研究者关注的热点问题。新采摘的松子含有大量水分,在储存过程中极易霉菌、酵母菌的影响导致氧化变质。但霉变松子存在经过炒制,化学试剂浸泡等操作处理后,难以与正常松子区分开的问题。针对这一问题,本文运用近红外光谱技术甄别霉变松子并对松子进行正常、霉变分类建模研究。首先,采用傅里叶转换红外光谱技术进行松子近红外数据的采集,并运用SNV、Norris-Williams求导与小波变换方法对采集到的近红外光谱数据进行预处理,达到光谱聚合、波长曲线平滑的结果。近红外漫反射光谱存在精度差、误差大的问题,为此研究漫反射光谱指标的改进,以提高漫反射光谱数据指标与样品化学成分之间的相关性。在此基础上,运用李群测地线度量方法对局部线性嵌入、等度量映射方法进行改进,并借助随机森林与提升树模型进行数据特征降维研究,并使用主成分分析降维同改进后的降维方法进行比较验证。研究结果表明:改进后的降维方法更适应于新的近红外光谱漫反射评价指标。最后,结合李群测地线度量方法和高斯过程进行松子分类建模研究。对七种不同核函数分别建立对应的核函数-高斯过程分类模型并对比选择。将概率校准技术引入对所建改进高斯模型的精度校正中。改进高斯模型的精度进行校正。根据建模实验可知使用周期-径向基组合核函数作为改进高斯过程的核函数能够获得最好分类效果,使用改进局部线性嵌入对松子数据进行降维后使用周期-径向基组合核函数-高斯过程建模的模型精确度为0.888;使用概率校准后的模型精确度为0.864;使用改进等度量映射对松子数据进行降维后使用周期-径向基组合核函数-高斯过程建模的模型精确度为0.849;使用概率校准后的模型精确度为0.958。依模型分类数据分析可知:使用改进漫反射评价指标能够提升最终分类模型精度;周期-径向基组合核函数兼具周期核函数与径向基核函数的优点,为霉变松子建模的最佳选择;概率校准并不能保证模型分类效果变得更高,但改进等度量映射降维的松子使用概率校准方法获得了松子霉变分类效果更好的模型。
【图文】：

（ｃ）邋ｉｓｏｍａｐ降维后瑞士卷数据集逡逑图２－１等度量映射对瑞士卷数据集进行非线性降维逡逑图２－１为“瑞士卷”数据集，说明了等度量映射如何利用测地路径来减少非线性维逡逑数。（Ａ）对于非线性流形上的两个任意点，它们在高维输入空间中的欧几里德距离可能逡逑无法准确反映它们的内在相似性。（Ｂ）在等度量映射的第一步中构建的邻域图Ｇ能够在逡逑第二步中有效地计算到真正的测地路径的近似，并以这个近似作为最短路径Ｇ。（Ｃ）在逡逑步骤３中由等度量映射恢复的二维嵌入，其最好地保留邻域图中的最短路径距离，嵌入逡逑中的直线现在表示比相应图形路径更简单和更清晰的表示真实测地路径近似。逡逑完整的等度量映射算法有三个步骤。第一步根据输入空间义中点对之间的距离确定逡逑哪些点是流形Ｍ的近邻。两个简单的方法是将每个点连接到某个固定半径内的所有逡逑点，或连接到其所有尺个最近邻居。这些邻域关系表示为数据点上的加权图，其中相邻逡逑点之间的权重为Ａ／，ｙ）。逡逑在第二步中，等度量映射通过计算图Ｇ中的最短路径距离来估计流形Ｍ上逡逑所有点对之间的测地距离外，ｙ＿）［４９￣５Ｑ】。可采用Ｄｉｊｋｓｔｒａ算法或Ｆｌｏｙｄ算法来计算最短路逡逑径。逡逑最后一步将经典ＭＤＳ应用于图Ｇ中的距离矩阵ｃ／Ｇ（／

＼ｍｍ逡逑（ｃ）邋ｉｓｏｍａｐ降维后瑞士卷数据集逡逑图２－１等度量映射对瑞士卷数据集进行非线性降维逡逑图２－１为“瑞士卷”数据集，说明了等度量映射如何利用测地路径来减少非线性维逡逑数。（Ａ）对于非线性流形上的两个任意点，它们在高维输入空间中的欧几里德距离可能逡逑无法准确反映它们的内在相似性。（Ｂ）在等度量映射的第一步中构建的邻域图Ｇ能够在逡逑第二步中有效地计算到真正的测地路径的近似，，并以这个近似作为最短路径Ｇ。（Ｃ）在逡逑步骤３中由等度量映射恢复的二维嵌入，其最好地保留邻域图中的最短路径距离，嵌入逡逑中的直线现在表示比相应图形路径更简单和更清晰的表示真实测地路径近似。逡逑完整的等度量映射算法有三个步骤。第一步根据输入空间义中点对之间的距离确定逡逑哪些点是流形Ｍ的近邻。两个简单的方法是将每个点连接到某个固定半径内的所有逡逑点，或连接到其所有尺个最近邻居。这些邻域关系表示为数据点上的加权图，其中相邻逡逑点之间的权重为Ａ／，ｙ）。逡逑在第二步中，等度量映射通过计算图Ｇ中的最短路径距离来估计流形Ｍ上逡逑所有点对之间的测地距离外
【学位授予单位】：东北林业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TS255.6;O433.5

【相似文献】

相关期刊论文 前10条

1 邹鹏;李凡长;尹宏伟;张莉;张召;;基于边界检测的多流形学习算法[J];模式识别与人工智能;2016年11期

2 黄永毅;;基于流形学习降维技术的研究概述[J];中国科技信息;2013年14期

3 孟德宇;徐宗本;戴明伟;;一种新的有监督流形学习方法[J];计算机研究与发展;2007年12期

4 肖扬;宋斌;雷勇;吴祖煌;;基于流形学习的医院绩效评价方法研究与实践[J];计算机应用与软件;2011年06期

5 邵超;万春红;张啸剑;;基于随机游走的流形学习与可视化[J];数据采集与处理;2017年03期

6 陈科;王家耀;成毅;谢明霞;;利用流形学习进行空间信息服务分类[J];武汉大学学报(信息科学版);2013年03期

7 李小丽;薛清福;;几种流形学习算法的比较研究[J];电脑与信息技术;2009年03期

8 曾宪华;罗四维;;全局保持的流形学习算法对比研究[J];计算机工程与应用;2010年15期

9 李建新;;基于增强多流形学习的监控视频追踪算法[J];西南师范大学学报(自然科学版);2019年01期

10 陈晋音;郑海斌;保星彤;;基于自适应密度聚类非线性流形学习降维方法研究与实现[J];小型微型计算机系统;2018年08期

相关会议论文 前8条

1 杨剑;李伏欣;王珏;;基于局部切距离的近邻法[A];2005年中国智能自动化会议论文集[C];2005年

2 周倩;唐建军;郑颖;谭兵兵;张洪麟;;基于流形学习的特高频局放信号特征降维[A];重庆市电机工程学会2010年学术会议论文集[C];2010年

3 李晓菲;梁循;周小平;;股价时间序列滑动窗口的流形学习实证研究[A];第十八届中国管理科学学术年会论文集[C];2016年

4 李勇智;何光明;杨静宇;;2DUDP:一种新的基于图像矩阵的特征提取方法[A];第二十七届中国控制会议论文集[C];2008年

5 李睿凡;朱强生;郭燕慧;刘海涛;;鲁棒局部保持投影的表情识别[A];2006年首届ICT大会信息、知识、智能及其转换理论第一次高峰论坛会议论文集[C];2006年

6 刘晓平;季浩;邓伟财;;基于流形学习的非线性系统可视化算法[A];全国第21届计算机技术与应用学术会议（CACIS·2010）暨全国第2届安全关键技术与应用学术会议论文集[C];2010年

7 刘立;余正涛;王蒙;毛存礼;郭剑毅;;结合词相关特征与流行学习的中文问句分类[A];第六届全国信息检索学术会议论文集[C];2010年

8 何慧;陈博;郭军;;基于流形学习的半监督文本情感分类算法[A];第五届全国信息检索学术会议论文集[C];2009年

相关博士学位论文 前10条

1 刘娴;广义图嵌入流形学习SAR目标识别方法研究[D];电子科技大学;2018年

2 李月仙;基于拉普拉斯特征映射算法的旋转机械故障诊断研究[D];太原理工大学;2016年

3 李俊;基于智能优化的特征选择及分类方法研究[D];武汉大学;2014年

4 刘小明;数据降维及分类中的流形学习研究[D];浙江大学;2007年

5 黄启宏;流形学习方法理论研究及图像中应用[D];电子科技大学;2007年

6 孙明明;流形学习理论与算法研究[D];南京理工大学;2007年

7 陈华杰;非线性流形上多姿态人脸检测与识别[D];浙江大学;2006年

8 李春光;流形学习及其在模式识别中的应用[D];北京邮电大学;2008年

9 陶晓燕;基于支持向量机和流形学习的分类方法研究[D];西安电子科技大学;2008年

10 罗甫林;高光谱图像稀疏流形学习方法研究[D];重庆大学;2016年

相关硕士学位论文 前10条

1 刘洋;流形学习结合ELM的飞秒激光光斑图像分类研究[D];华北理工大学;2019年

2 娄雪;基于流形学习的分类算法与应用研究[D];辽宁师范大学;2019年

3 王族;基于流形学习的极限学习机及其应用研究[D];辽宁师范大学;2019年

4 何阳;极限学习机在分类问题中的应用与研究[D];辽宁师范大学;2019年

5 张悦;基于流形学习的降维算法及其在人脸识别中的应用[D];辽宁师范大学;2019年

6 唐云霞;基于流形学习的室内WLAN半监督位置指纹数据库构建方法[D];重庆邮电大学;2018年

7 刘佳奇;基于流形学习的分类算法研究[D];辽宁师范大学;2019年

8 蒋大鹏;基于改进近红外漫反射技术与流形学习的东北松子霉变分类研究[D];东北林业大学;2019年

9 李暑升;基于多视图半监督流形学习的左房壁瘤体积直接估算[D];厦门大学;2017年

10 陈昱吉;基于流形学习的故障数据集降维与分类方法[D];兰州理工大学;2019年

本文编号：2670654