为了实现沙棘汁品牌的快速无损鉴别,提出了采用可见近红外光谱分析技术(NIR)鉴别沙棘汁品牌的方法。采用FieldSpec3光谱仪对三种沙棘汁进行光谱分析,各获取40个样本数据。采用平均平滑法和多元散射校正(MSC)方法对样本数据进行预处理,再用主成分法(PCA)对光谱数据进行聚类分析并获得各主成分数据。将120个沙棘汁样本随机分成90个建模样本和30个预测样本,把基于累计可信度选择的建模样本的8个主成分(PCs)数据作为BP网络的输入变量,沙棘汁品牌作为输出变量,建立三层反向传播(BP)神经网络鉴别模型,并对30个预测样本进行预测。结果表明,在阈值设定为±0.1的情况下,该模型对预测集样本品牌鉴别准确率达到了100%。所以应用近红外光谱技术结合主成分分析和BP神经网络算法识别沙棘汁品牌是一种有效的方法。

提出了一种基于模拟退火(SA)算法和最小二乘法支持向量机(LS-SVM)选择可见-近红外光谱特征波长的新方法(SA-LS-SVM)。该方法用LS-SVM作为识别器, 用识别率作为SA的目标函数, 提取合适的特征波长数以及对应的特征波长。3种不同品牌的润滑油可见-近红外光谱的特征波长分别用SA-LS-SVM, 主成分回归分析(PCA)和偏最小二乘法(PLS)进行处理, 提取特征波长或主成分, 然后结合反向传播人工神经网络(BP-ANN)对各种处理方法进行识别预测。结果发现, SA-LS-SVM只需从751个数据光谱中提取4个特征波长, 就可以使三种品牌润滑油的识别率达到了100%, 而其他所有的方法发现预测率都达不到100%, 由此验证了SA-LS-SVM的优越性。实验结果表明, SA-LS-SVM不仅能有效地减少建模的变量数, 而且可以提高预测精度。

内有参考文献、matlab编程代码、解释说明 利用近红外光谱技术对某海产品的水分含量进行无损检测。通过420～1023nm近红外光谱采集了266个海产品样本的光谱信息。分别采用多元散射校正(MSC)、标准正态变量交换(SNV)、归一化(Normalize)、数据中心化(Mean centering)、标准化(Autoscales)、移动窗口平滑、Savitzky-Golay卷积平滑法、一阶导数(FD)、二阶导数(SD)等方法对光谱进行预处理，并采用PCA主成分分析 (principal component analysis)结合马氏距离法对近红外校正样品集中的异常样品进行剔除。剔除样本后使用偏最小二乘法(PLS)建立模型对样本进行定量分析。比较各种光谱预处理的方法以及剔除异常值的权重阈值的选取，获取最佳PLS模型便可对待测样本进行水分预测。