基于智能算法的近紅外光譜分析與建模.pdf

1、大米是最主要的糧食作物之一，快速無損的測定大米各組分的含量，在糧食的收購及生產加工中具有十分重要的意義。近紅外光譜分析技術具有高效、快速、低成本、無損傷和綠色環(huán)保等優(yōu)點，可以用于現(xiàn)場快速檢測和實時在線分析。但是，國外現(xiàn)有近紅外光譜分析軟件不適用于我國樣品，而國內在近紅外光譜分析技術方面的研究并不完善。因此本文針對大米光譜數(shù)據的數(shù)學模型，綜合多門學科的知識，對光譜的預處理及數(shù)學建模方法等關鍵技術進行了深入的分析和研究。 本文系統(tǒng)地

2、分析了幾種傳統(tǒng)的光譜數(shù)據預處理方法，指出了這些方法各自的特點及適用范圍。并根據小波變換在噪聲濾除及數(shù)據壓縮方面的優(yōu)勢，選取小波變換對光譜數(shù)據進行濾噪和初步壓縮。針對小波變換無法利用光譜數(shù)據與組份含量之間關系來壓縮數(shù)據的缺點，提出了基于粗糙集的進一步數(shù)據約簡方法。并對粗糙集的多種約簡方法進行了分析和研究，根據本文的實際情況，采用基于化簡后的區(qū)分矩陣的算法進行編程計算求出約簡結果。 文中針對傳統(tǒng)光譜分析技術的線性模型本質，采用了非線

3、性的光譜建模方法。首先，利用BP神經網絡的非線性函數(shù)逼近能力，選用BP網絡對光譜數(shù)據進行建模，并對BP網絡的結構及參數(shù)選取進行了分析。針對神經網絡模型可解釋能力差的缺點，又提出了基于遺傳算法的模糊建模技術，利用基于協(xié)同進化的遺傳算法對T-S模型的各部分參數(shù)進行優(yōu)化，得到最優(yōu)的模糊模型。最后利用實驗數(shù)據對兩種方法的性能作了比較，證明遺傳—模糊建模的效果要略優(yōu)于BP神經網絡模型。 本研究為近紅外光譜分析及大米成分定量化提供了切實可行