期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
近红外高光谱成像技术用于转基因大豆快速无损鉴别研究 被引量：16
1
作者 王海龙 杨向东 +4 位作者 张初 郭东全 鲍一丹 何勇 刘飞 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2016年第6期1843-1847,共5页
以近红外高光谱成像技术,结合化学计量学方法,研究了转基因大豆的快速、无损检测方法。实验以3种不同非转基因亲本（HC6,JACK,TL1）及其转基因大豆作为研究对象。采用高光谱成像系统采集874～1 734nm波长范围的256个波段范围的高光谱图... 以近红外高光谱成像技术,结合化学计量学方法,研究了转基因大豆的快速、无损检测方法。实验以3种不同非转基因亲本（HC6,JACK,TL1）及其转基因大豆作为研究对象。采用高光谱成像系统采集874～1 734nm波长范围的256个波段范围的高光谱图像,提取大豆的光谱信息,剔除明显噪声部分后,采用Moving Average（MA）平滑预处理的941～1 646nm范围光谱数据进行分析。采用偏最小二乘判别分析算法（partial least squares-discriminant analysis,PLS-DA）,对3种非转基因亲本大豆建立模型进行判别分析,其相应的建模集和预测集的判别正确率分别为97.50%和100%,100%和100%,96.25%和92.50%,结果表明,高光谱成像技术可用于非转基因大豆的识别。对非转基因亲本及其转基因大豆进行判别分析,基于全谱,3种的建模集和预测集的判别正确率分别为99.17%和99.17%,87.19%和81.25%,99.17%和98.33%;以x-loading weights提取非转基因亲本及其转基因大豆判别分析的特征波长并建立PLS-DA模型,3种的建模集和预测集的判别正确率分别为72.50%和80%,80.63%和79.38%,85%和85%,该结果表明非转基因亲本与转基因品种的判别分析是可行的,特征波长的选择也可用于非转基因亲本与转基因品种的判别分析。研究表明采用近红外高光谱成像技术对非转基因大豆、非转基因亲本及其转基因大豆进行鉴别是可行的,为转基因大豆的快速无损准确鉴别提供了一种新方法。 展开更多
关键词 近红外高光谱成像 转基因大豆 PLS-DA x-loading weights
下载PDF
近红外光谱技术用于豆浆粉品牌与假冒豆浆粉的鉴别 被引量：8
2
作者 张初 刘飞 +1 位作者 孔汶汶 何勇 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2014年第7期1826-1830,共5页
采用近红外光谱分析技术结合化学计量学方法研究对不同品牌的豆浆粉以及假冒的豆浆粉鉴别的可行性。采集不同品牌豆浆粉以及假冒豆浆粉在12500～4000 cm -1范围内光谱，并进行不同的预处理。采用偏最小二乘-判别分析（partial least squ... 采用近红外光谱分析技术结合化学计量学方法研究对不同品牌的豆浆粉以及假冒的豆浆粉鉴别的可行性。采集不同品牌豆浆粉以及假冒豆浆粉在12500～4000 cm -1范围内光谱，并进行不同的预处理。采用偏最小二乘-判别分析（partial least squares-discriminant analysis ，PLS-DA ）对不同预处理的光谱进行建模比较，去趋势算法（De-trending）预处理光谱与多元散射校正（multiplicative scatter correction ，MSC）结合De-trending（MSC＋De-trending）预处理光谱的 PLS-DA模型预测集判别正确率最高，均为100％。采用 x-loading weights方法分别基于De-trending和MSC-De-trending预处理光谱选择了6个和7个特征波数，并以特征波数分别建立了线性判别分析（linear discriminant analysis ，LDA ）和误差反向传播神经网络（back-propagation neural network ，BPNN）的判别分析模型。结果表明，以所选出的不同的特征波数建立的BPNN判别分析模型取得了最佳的判别效果，建模集和预测集的判别正确率均为100％。采用近红外光谱分析技术可以准确的判别豆浆粉品牌以及假冒豆浆粉产品。 展开更多
关键词 近红外光谱 豆浆粉 x-loading weights 误差反向传播神经网络
下载PDF
高光谱成像技术鉴别红景天的品种 被引量：4
3
作者 李涛 钟玉琴 曲明亮 《华西药学杂志》 CAS CSCD 2021年第5期526-530,共5页
目的采用高光谱成像技术结合化学计量学方法建立红景天的分类判别模型。方法首先获取935~1720 nm大花红景天、长鞭红景天和狭叶红景天的高光谱图像信息,然后分别提取红景天感兴趣区域的反射光谱值,在采用标准正态变量变换法(SNV)和多元... 目的采用高光谱成像技术结合化学计量学方法建立红景天的分类判别模型。方法首先获取935~1720 nm大花红景天、长鞭红景天和狭叶红景天的高光谱图像信息,然后分别提取红景天感兴趣区域的反射光谱值,在采用标准正态变量变换法(SNV)和多元散射校正法(MSC)对原始的高光谱数据进行预处理后,分别建立偏最小二乘判别分析模型(PLS-DA),通过对比两种预处理方法对PLS-DA模型判别结果的影响,得到SNV为较优的预处理方法。采用载荷系数法(x-LW)和竞争自适应重加权算法(CARS)提取经SNV预处理后数据的特征波长,并分别建立基于特征波长的线性判别分析(LDA)、PLS-DA和概率神经网络(PNN)分类模型。结果与x-LW特征提取方法比较,CARS算法提取的特征波长建立的LDA、PLS-DA和PNN模型有更好的分类性能;PNN的分类性能优于PLS-DA;SNV-CARS-LDA为区分不同品种红景天的最优判别模型,对训练集和测试集的识别率均为100%。结论高光谱成像技术与化学计量学相结合的方法具有很大的在线检测潜力,可以快速、无损地鉴别红景天品种。 展开更多
关键词 大花红景天 长鞭红景天 狭叶红景天 高光谱成像技术 标准正态变换法 多元散射校正法 载荷系数法 竞争自适应重加权算法 线性判别分析 偏最小二乘判别分析 概率神经网络
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部