为了提高浅海环境监测的及时性和避免人为主观评价水质的不合理性,引入窄带物联网(Narrow Band Internet of Things, NB-IoT)多节点方式进行浅海环境参数回传,并在远程端使用数据融合技术对其进行融合处理,实现水质等级科学评价。采用...为了提高浅海环境监测的及时性和避免人为主观评价水质的不合理性,引入窄带物联网(Narrow Band Internet of Things, NB-IoT)多节点方式进行浅海环境参数回传,并在远程端使用数据融合技术对其进行融合处理,实现水质等级科学评价。采用两级并联融合方式进行环境参数融合,在融合前使用模糊理论中的相关性函数剔除外界及传感器本身噪声所造成的异常数据;然后使用自适应加权融合算法对其进行第一级融合,最后运用模糊综合评价方法将上一级的融合结果进行决策层融合,实现浅海环境的水质等级评价。经试验验证,使用上述方法能够更加及时、有效地获取水质环境参数且第一级融合相对误差小于6.5%,并能以概率形式直观展现出监测区域的水质等级,提高水质等级评价的准确性与可靠性。展开更多
面粉吸水率是评价面粉质量和预测面制品加工特性的重要品质性状。面粉吸水率的测定主要参照国际或国家标准利用粉质仪进行,其测定方法费时费力。基于此,提出利用可见近红外光谱分析技术结合多元统计分析进行面粉吸水率快速、无损检测。...面粉吸水率是评价面粉质量和预测面制品加工特性的重要品质性状。面粉吸水率的测定主要参照国际或国家标准利用粉质仪进行,其测定方法费时费力。基于此,提出利用可见近红外光谱分析技术结合多元统计分析进行面粉吸水率快速、无损检测。参照国标法测定150份小麦面粉样品的吸水率,面粉吸水率变幅为53.10%~74.50%。利用可见近红外分析仪采集面粉样品的光谱信息,有效光谱范围为570~1100 nm。采用偏最小二乘回归(PLSR)、主成分回归(PCR)和支持向量机回归(SVR)将光谱信息和面粉吸水率进行关联,分别建立面粉吸水率的定量分析预测模型,筛选最优的建模方法。在优选的建模方法的基础上,采用竞争性自适应重加权(CARS)、区间随机蛙跳(iRF)、迭代保留信息变量(IRIV)和连续投影(SPA)算法提取特征波长,筛选最优的特征波长提取算法。基于最优的建模方法和最优的特征波长提取算法提取的特征波长,采用标准化(NL)、一阶求导(1 st Der)、基线校正(BL)、标准正态变换(SNV)和去趋势化(DT)5种光谱预处理方法对特征波长的光谱进行预处理,筛选最优的光谱预处理方法。结果表明,采用NL光谱预处理方法对CARS算法提取的24个特征波长(仅占原始波长的2.26%)的光谱进行预处理后建立的PLSR模型性能最佳,预测集相关系数(R_(p)^(2))、预测集均方根误差(RMSEP)和预测相对分析误差(RPD)分别为0.8894、1.4585和2.6413。采用CARS算法提取的特征波长所建的模型不仅能提高模型的性能,还很大程度提高模型运算效率、降低仪器制造成本和光谱仪微型化的难度,从而为面粉吸水率可见近红外无损、快速检测研究奠定了基础。展开更多
文摘为了提高浅海环境监测的及时性和避免人为主观评价水质的不合理性,引入窄带物联网(Narrow Band Internet of Things, NB-IoT)多节点方式进行浅海环境参数回传,并在远程端使用数据融合技术对其进行融合处理,实现水质等级科学评价。采用两级并联融合方式进行环境参数融合,在融合前使用模糊理论中的相关性函数剔除外界及传感器本身噪声所造成的异常数据;然后使用自适应加权融合算法对其进行第一级融合,最后运用模糊综合评价方法将上一级的融合结果进行决策层融合,实现浅海环境的水质等级评价。经试验验证,使用上述方法能够更加及时、有效地获取水质环境参数且第一级融合相对误差小于6.5%,并能以概率形式直观展现出监测区域的水质等级,提高水质等级评价的准确性与可靠性。
文摘面粉吸水率是评价面粉质量和预测面制品加工特性的重要品质性状。面粉吸水率的测定主要参照国际或国家标准利用粉质仪进行,其测定方法费时费力。基于此,提出利用可见近红外光谱分析技术结合多元统计分析进行面粉吸水率快速、无损检测。参照国标法测定150份小麦面粉样品的吸水率,面粉吸水率变幅为53.10%~74.50%。利用可见近红外分析仪采集面粉样品的光谱信息,有效光谱范围为570~1100 nm。采用偏最小二乘回归(PLSR)、主成分回归(PCR)和支持向量机回归(SVR)将光谱信息和面粉吸水率进行关联,分别建立面粉吸水率的定量分析预测模型,筛选最优的建模方法。在优选的建模方法的基础上,采用竞争性自适应重加权(CARS)、区间随机蛙跳(iRF)、迭代保留信息变量(IRIV)和连续投影(SPA)算法提取特征波长,筛选最优的特征波长提取算法。基于最优的建模方法和最优的特征波长提取算法提取的特征波长,采用标准化(NL)、一阶求导(1 st Der)、基线校正(BL)、标准正态变换(SNV)和去趋势化(DT)5种光谱预处理方法对特征波长的光谱进行预处理,筛选最优的光谱预处理方法。结果表明,采用NL光谱预处理方法对CARS算法提取的24个特征波长(仅占原始波长的2.26%)的光谱进行预处理后建立的PLSR模型性能最佳,预测集相关系数(R_(p)^(2))、预测集均方根误差(RMSEP)和预测相对分析误差(RPD)分别为0.8894、1.4585和2.6413。采用CARS算法提取的特征波长所建的模型不仅能提高模型的性能,还很大程度提高模型运算效率、降低仪器制造成本和光谱仪微型化的难度,从而为面粉吸水率可见近红外无损、快速检测研究奠定了基础。
