近紅外光譜預(yù)處理及信息提取技術(shù)的研究.pdf

1、論文主要研究近紅外光譜預(yù)處理和信息提取技術(shù)。使用了聚類分析的方法實(shí)現(xiàn)了樣品的科學(xué)分類；采用和小波閾值法去除了光譜的高頻噪聲；從頻率和譜形兩個(gè)角度，提出了3種近紅外光譜信息提取方法，建立了光譜特征向量，有效地表征了光譜信息并大量地縮減了數(shù)據(jù)量。 為了使定標(biāo)集和預(yù)測集選擇具有代表性，并在理論上確定模型的適用范圍，使用多元統(tǒng)計(jì)學(xué)中的聚類方法對26個(gè)果汁樣品進(jìn)行分析，確定了模型的適用范圍，并從各類中抽取部分樣品作為預(yù)測集（7個(gè)），剩余部

2、分作為訓(xùn)練集（19個(gè)）用來建立模型，做到了樣品歸類的科學(xué)性和代表性。 對于近紅外光譜中的高頻噪音，引進(jìn)“小波閾值法”對光譜進(jìn)行去噪處理，提出了處理流程并研究了各個(gè)參數(shù)的設(shè)定。光譜經(jīng)去噪處理后噪音峰—峰值顯著減小，處理造成的能量損失不超過0．1％，整體處理效果良好。 基于頻率特性進(jìn)行的光譜信息提取研究，根據(jù)近紅外光譜信息主要集中在低頻部分的特點(diǎn)，提出兩種提取方案：多尺度分解+主成分分析法和小波包分解+能量值。多尺度分解+主

3、成分分析法，先對去噪光譜進(jìn)行db3，3尺度分解，保留低頻尺度的199個(gè)系數(shù)，再利用主成分分析消除了系數(shù)間的線性相關(guān)，用5個(gè)主成分特征向量表征光譜，并在此基礎(chǔ)上建立了回歸模型（全回歸模型相關(guān)系數(shù)為0．953，預(yù)測平均相對誤差11．55％；逐步向前回歸模型相關(guān)系數(shù)為0．949，預(yù)測平均相對誤差4．14％），從而證實(shí)該方法是可行的；小波包分解+能量值分析法是對近紅外光譜進(jìn)行5層分解，計(jì)算各子空間中的能量分布，研究發(fā)現(xiàn)前4個(gè)子空間集中了大部分能

4、量（占總能量的99．99％），因此采用前4個(gè)子空間能量值作為光譜的特征向量。由于小波包子空間能量值是對整體信息的表征，不適合建立針對某種成分的定量模型，利用該特征向量建模效果不夠理想。但在驗(yàn)證試驗(yàn)中，小波包能量特征向量成功地區(qū)分出：淀粉、味精和鹽，證實(shí)了該特征向量表征的整體信息適合于定性分析?；谧V形特性的光譜信息提取研究，根據(jù)光譜信息主要是通過波峰和波谷來體現(xiàn)，提出了用模極大提取峰變信息的思想，采用二次樣條小波ψ=—θ'，對光譜進(jìn)行分

5、辨率為21～28的二進(jìn)小波分解，提取樣品近紅外光譜的模極大值點(diǎn)。在23分辨率下得到最優(yōu)模型，相關(guān)系數(shù)達(dá)到0．998，平均預(yù)測相對誤差1．85％，誤差標(biāo)準(zhǔn)差0．4423。通過與未經(jīng)處理光譜所建立模型的對比，模型的精度和穩(wěn)定性都有較大幅度的提高，相關(guān)系數(shù)提高0．018，平均預(yù)測相對誤差下降5．34％，誤差標(biāo)準(zhǔn)差下降1．4653（原模型相關(guān)系數(shù)為0．980，平均預(yù)測相對誤差7．19％，誤差標(biāo)準(zhǔn)差1．9076）。 論文還從信息量損失和建