张小磊
- 作品数:4 被引量:35H指数:3
- 供职机构:江苏大学食品与生物工程学院更多>>
- 发文基金:国家高技术研究发展计划国家自然科学基金博士科研启动基金更多>>
- 相关领域:理学生物学农业科学自动化与计算机技术更多>>
- 傅里叶变换红外光谱技术鉴别冬虫夏草真伪的研究被引量:3
- 2015年
- 研究了傅里叶变换红外光谱技术结合模式识别对冬虫夏草进行真伪鉴别的可行性。收集不同产地的野生冬虫夏草和常见伪品,根据各样品在4 000-450 cm^(-1)范围内的红外光谱,确定冬虫夏草指纹区域所在的位置,讨论不同预处理方法及不同光谱区间对建模结果的影响;同时利用主成分分析将前15个主成分作为输入变量建立冬虫夏草真伪鉴别的模式识别模型。结果表明:冬虫夏草红外光谱指纹区为1 800-800 cm^(-1),最佳预处理方法为多元散射校正;指纹区光谱经多元散射校正预处理和主成分分析降维后,所建立的模式识别模型中支持向量机模型的训练集和交互验证集的识别率均能达到100%。
- 张九凯张小磊曾文波邹小波虞泓陈颖
- 关键词:红外光谱模式识别主成分分析支持向量机
- 基于高光谱图像的黄瓜叶片叶绿素含量分布检测被引量:21
- 2014年
- 植物叶片叶绿素含量及分布是植物营养信息表达的重要指标。为了给大棚黄瓜营养元素的控制提供理论依据,该研究利用高光谱图像建立简单实用的光谱值和叶绿素含量关系的模型,从而实时、无损地检测叶片的叶绿素分布。选取黄瓜叶片的高光谱图像数据块中450-850 nm波段作为研究波段。选取8个具有代表性的植被指数,建立特征波长λ下相应的光谱反射值Rλ与黄瓜叶片叶绿素含量之间的关系模型。结果显示,基于最优指数(R695–705)-1-(R750–800)-1的模型可以很好地预测黄瓜叶片叶绿素的含量,校正集和预测集相关系数r分别为0.8410和0.8286,最小均方根误差RMSE分别为0.2045和0.2190 mg/g。最后根据最优模型预测叶片上任意位置叶绿素的含量,并通过伪彩手段描述叶绿素含量的分布。研究结果表明,利用高光谱图像技术分析黄瓜叶片叶绿素含量及其在叶面上的分布是可行的。另外,该研究确定的最优植被指数所包含的695-705和750-800 nm 2个波段可用于搭建更加简便实用的快速检测叶片叶绿素的便携式多光谱设备。
- 邹小波张小磊石吉勇李志华申婷婷
- 关键词:叶绿素光谱图像植被指数
- 近红外光谱结合蚁群算法检测花茶花青素含量被引量:7
- 2014年
- 花青素是花茶中的主要质量指标,为了快速准确的检测花茶中花青素的含量,提出一种基于蚁群算法(ACO)结合区间偏最小二乘法(iPLS)的近红外光谱检测方法.原始近红外光谱经过预处理采用ACO-iPLS优选花青素含量对应的特征子区间.当全光谱划分为12个子区间时,ACO-iPLS优选出第1,9,10共3个子区间,在此基础上建立的近红外光谱模型最佳.模型对校正集和预测集相关系数分别为0.901 3和0.864 2;交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.160 0 mg·g-1和0.202 0 mg·g-1.研究结果表明:与常规的iPLS相比,ACO-iPLS不但可以有效选择近红外光谱特征谱区,而且建立的模型具有更高的精度和鲁棒性.
- 黄晓玮邹小波赵杰文石吉勇张小磊
- 关键词:花茶花青素近红外光谱法蚁群算法
- 蚁群和遗传算法优化花茶花青素近红外光谱预测模型的比较被引量:4
- 2015年
- 以建立花茶花青素含量的最优近红外光谱模型为目标,对比研究了蚁群算法(Ant ColonyOptimization,ACO)和遗传算法(Genetic Algorithm,GA)优化近红外光谱谱区的效果。ACO-i PLS将全光谱划分为12个子区间时,优选出第1、9、10共3个子区间,所建的校正集和预测集相关系数分别为0.901 3和0.864 2;交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.160 0 mg/g和0.202 0 mg/g;GA-i PLS将全光谱划分为15个子区间时,优选出第1、5共2个子区间,所建模型的校正集和预测集相关系数分别为0.906 3和0.879 3,交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.156 0 mg/g和0.206 0 mg/g。研究结果表明:ACO-i PLS和GA-i PLS均可以有效选择近红外光谱特征波长,其中GA-i PLS模型的精度更高。
- 李艳肖黄晓玮邹小波赵杰文石吉勇张小磊
- 关键词:蚁群算法遗传算法花茶花青素