手机知网 App
24小时专家级知识服务
打 开
手机知网|搜索

基于PCA-MBP神经网络的NIR定量分析方法及其应用

祝诗平;王一鸣;张小超

  中国加入WTO后,利用近红外光谱分析(Near Infrared Spectroscopy Analysis,简称NIR)技术进行快速、准确的农产品品质检测技术与方法研究非常迫切。近红外光谱分析,可以对各种样品,包括从气体到液体,从匀浆到粉末,从固体材料到生物组织等,提供非破坏的、快速、精确的定性、定量分析。利用化学计量学方法,建立近红外光谱的校正模型,通常可以分为线性校正模型和非线性校正模型两类,主要的线性校正模型是偏最小二乘法(Partial Least Square,PLS),非线性校正算法主要有人工神经网络方法(Artificial Neural Network,ANN)。在近红外光谱中,光谱参数与样品组分含量化学标准值之间具有一定的非线性,使用ANN建立NIR非线性校正模型,在一定条件下可以得到更小的校正误差和预测误差。MBP(Matrix Back Propagation)神经网络是一种基于矩阵的反向传播的快速算法。直接把光谱矩阵作为MBP神经网络的输入将使MBP的规模太大(输入层神经元太多),使用了主成分分析(Principal Component Analysis,PCA)降维的方法可以大大减少输入层神经元数目,进而使需求的训练样品数量不至于太多。本文使用主成分分析进行降维,使用MBP神经网络进行非线性建模,给出了PCA-MBP-NIR定量分析分析方法建模和预测的步骤与原理,并在Visual C++环境中开发了PCA-MBP-NIR定量分析模型软件。使用该软件对50个小麦样品的水分百分含量进行了实例分析,从小麦样品中随机抽出40个样品作为校正集,余下的10个作为预测集。对校正集40个小麦样品的光谱矩阵首先进行主成分分解,取主成分累积贡献率Q_f=0.99,可以用一个4维的主成分空间表示1011维的原光谱波长区间;然后将主成分得分矩阵作为输入,标准化浓度矩阵作为输出,构造MBP网络,结构为4-4-1,建立最终PCA-MBP-NIR定量分析模型。使用该模型对校正集40个样品和余下的未参与建模的预测集10个样品的水分含量分别进行预测,预测值与标准值的相关系数R分别为0.9995和0.9943,预测误差标准差(均方差)分别为0.1469和0.1692。实例表明,使用PCA-MBP-NIR定量分析方法可以建立精确的近红外光谱定量分析模型,可以为农产品等品质检测近红外光谱建模和预测提供很好的技术支持,具有重要的应用价值。……