【摘要】：近紅外光譜技術(shù)快速不斷的發(fā)展得力于化學(xué)計(jì)量方法的應(yīng)用。隨著光譜數(shù)據(jù)的復(fù)雜度增加,模型適應(yīng)能力較弱,傳統(tǒng)方法所建模型不足以滿足需要,近紅外光譜技術(shù)面臨著巨大的挑戰(zhàn),而使用化學(xué)計(jì)量學(xué)方法建立穩(wěn)健、可靠的模型是解決問題的關(guān)鍵。本文提出了隨機(jī)隱匿深度信念網(wǎng)絡(luò)(DBN)的近紅外光譜分析算法,并將其用于棉滌混紡成分含量的分析和砂梨成熟的鑒別分析,主要的研究?jī)?nèi)容和結(jié)論有:(1)在樣品優(yōu)化選擇中,針對(duì)各方面主客觀因素導(dǎo)致建模數(shù)據(jù)中存在異常光譜數(shù)據(jù),采用馬氏距離法,將異常樣品剔除。在光譜預(yù)處理中,針對(duì)原始光譜數(shù)據(jù)較為復(fù)雜且摻雜各種無關(guān)信息的情況,對(duì)比了SG平滑、MSC、SNV等預(yù)處理方法對(duì)建模分析的影響,最終采用小波變換對(duì)原始光譜進(jìn)行特征提取,通過小波重構(gòu)信號(hào)的均方根誤差來選取小波函數(shù)及分解層數(shù),從而提取光譜的特征數(shù)據(jù),去除噪聲,凸顯真實(shí)光譜信息。(2)在建模分析中,針對(duì)模型適應(yīng)能力不強(qiáng)等問題,提出了一種基于隨機(jī)隱匿DBN的近紅外分析方法。將隨機(jī)隱匿算法應(yīng)用于深度信念網(wǎng)絡(luò)的參數(shù)調(diào)節(jié)階段,對(duì)樣品進(jìn)行降采樣,使得其部分網(wǎng)絡(luò)權(quán)值不更新,能夠有效改善過擬合現(xiàn)象,提高建模速度,得到更穩(wěn)定的模型,有利于實(shí)際生產(chǎn)、生活中模型的傳遞與共享。(3)將隨機(jī)隱匿DBN方法應(yīng)用于定量分析和定性分析。建立隨機(jī)隱匿DBN棉滌混紡近紅外定量分析模型。其棉、滌綸含量的預(yù)測(cè)相關(guān)系數(shù)分別為0.9941和0.9965,預(yù)測(cè)標(biāo)準(zhǔn)差分別為0.0253和0.0535,與傳統(tǒng)建模方法(人工神經(jīng)網(wǎng)絡(luò)、偏最小二乘法)以及標(biāo)準(zhǔn)深度信念網(wǎng)絡(luò)所建模型的效果進(jìn)行比較,結(jié)果證明隨機(jī)隱匿DBN模型建模結(jié)果有顯著提高。建立了隨機(jī)隱匿DBN的砂梨成熟度判別模型,比較了不同預(yù)處理方法(SG平滑、MSC、SNV、WT)對(duì)砂梨成熟度判別結(jié)果的影響,結(jié)果表明選擇小波變換進(jìn)行處理,所建模型效果最優(yōu),其判別準(zhǔn)確率為95.8%。同樣,隨機(jī)隱匿DBN模型與其他三種(PLSDA、標(biāo)準(zhǔn)DBN、自編碼網(wǎng)絡(luò))建模方法進(jìn)行了比較,結(jié)果表明,隨機(jī)隱匿DBN模型明顯優(yōu)于其他三種模型,可以應(yīng)用于近紅外光譜的定性分析。(4)開發(fā)了基于隨機(jī)隱匿DBN的NIR分析軟件。該軟件包括近紅外光譜定量分析和定性分析兩部分,并分別采用棉滌混紡和砂梨樣品對(duì)軟件功能進(jìn)行測(cè)試,實(shí)現(xiàn)了對(duì)未知樣品的預(yù)測(cè)輸出,其結(jié)果準(zhǔn)確可靠,操作簡(jiǎn)單,具有實(shí)用價(jià)值。
【圖文】：

紅外光譜技術(shù)原理源發(fā)出的近紅外光照射到樣品時(shí)，樣品中的紅外活性分子鍵用，使得樣品分子對(duì)近紅外光吸收，，近紅外光譜吸收主要是縮、彎曲等狀態(tài)發(fā)生改變使得不同能級(jí)間躍遷產(chǎn)生的[45]。能基頻躍遷、倍頻躍遷以及合頻躍遷，近紅外光譜記錄的是分合頻信息，主要來源于含氫基團(tuán) X-H 鍵(X=C, N, S, O, P 等)的，其反應(yīng)了樣品分子的結(jié)構(gòu)、組成等信息，所以近紅外光譜的是含氫基團(tuán)倍頻和合頻的吸收，可以實(shí)現(xiàn)含氫有機(jī)物的檢，在近紅外光的吸收強(qiáng)度以及吸收波段不同，在近紅外光譜收峰位置及強(qiáng)度[46,47]。根據(jù)每種成分的特定吸收特征光譜與在聯(lián)系，并結(jié)合化學(xué)計(jì)量學(xué)方法可以確定定量或定性的關(guān)系為：將樣品成分光譜與標(biāo)準(zhǔn)測(cè)得成分信息建立數(shù)學(xué)分析模型品的光譜信息，通過數(shù)學(xué)模型便可得到未知樣品的性質(zhì)參數(shù)的過程示意圖如圖 1.1 所示。

中國(guó)計(jì)量大學(xué)碩士學(xué)位論文光譜的預(yù)處理，定量或定性分析模型的建立，用預(yù)測(cè)集樣品數(shù)據(jù)對(duì)所行評(píng)價(jià)，輸出模型。未知樣品的預(yù)測(cè)過程可以總結(jié)為：首先獲得未知紅外光譜數(shù)據(jù)，然后將未知樣品的光譜數(shù)據(jù)導(dǎo)入模型，最后由模型輸品的理化分析值或性質(zhì)。其中，NIR 分析流程如圖 1.2 所示。其中定量析的多個(gè)過程需要借助化學(xué)計(jì)量學(xué)方法來實(shí)現(xiàn)。
【學(xué)位授予單位】：中國(guó)計(jì)量大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：O657.33;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許小霞;戴朝洲;譚崇桂;;近紅外光譜分析技術(shù)在飼料行業(yè)的應(yīng)用[J];飼料廣角;2016年18期

2 張銀橋;趙博;王輝;毛文華;張小超;;農(nóng)產(chǎn)品近紅外光譜分析系統(tǒng)綜述[J];農(nóng)機(jī)化研究;2010年05期

3 劉潔;;探討近紅外光譜分析在食品檢測(cè)中的應(yīng)用[J];現(xiàn)代食品;2018年19期

4 宋相中;唐果;張錄達(dá);熊艷梅;閔順耕;;近紅外光譜分析中的變量選擇算法研究進(jìn)展[J];光譜學(xué)與光譜分析;2017年04期

5 高振洪;;近紅外光譜分析儀器的應(yīng)用與發(fā)展[J];科技創(chuàng)新導(dǎo)報(bào);2012年04期

6 孫宏偉;近紅外光譜分析儀器的應(yīng)用與發(fā)展[J];現(xiàn)代儀器;2002年05期

7 嚴(yán)衍祿,趙龍蓮,李軍會(huì),張錄達(dá),閔順耕;現(xiàn)代近紅外光譜分析的信息處理技術(shù)[J];光譜學(xué)與光譜分析;2000年06期

8 史永剛,馮新瀘,李子存,孫萍;近紅外光譜分析中應(yīng)考慮的幾個(gè)問題[J];光譜實(shí)驗(yàn)室;2001年04期

9 葉榕;近紅外光譜分析在制粉、烘焙工業(yè)中的應(yīng)用[J];糧油食品科技;1987年04期

10 齊曉;韓建國(guó);李曼莉;;近紅外光譜分析儀器的發(fā)展概況[J];光譜學(xué)與光譜分析;2007年10期

相關(guān)會(huì)議論文 前10條

1 馬競(jìng)濤;;近紅外光譜分析及應(yīng)用[A];新世紀(jì) 新機(jī)遇 新挑戰(zhàn)——知識(shí)創(chuàng)新和高新技術(shù)產(chǎn)業(yè)發(fā)展（下冊(cè)）[C];2001年

2 田高友;;輕質(zhì)石油燃料質(zhì)量指標(biāo)近紅外光譜分析方法標(biāo)準(zhǔn)研究[A];科學(xué)儀器服務(wù)民生學(xué)術(shù)大會(huì)論文集[C];2011年

3 張世芝;楊林;張明錦;;基于回歸系數(shù)的變量篩選方法用于近紅外光譜分析[A];第十一屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2011年

4 劉本清;;近紅外光譜分析在食品、藥品成分檢測(cè)中的應(yīng)用[A];全面建設(shè)小康社會(huì)：中國(guó)科技工作者的歷史責(zé)任——中國(guó)科協(xié)2003年學(xué)術(shù)年會(huì)論文集（下）[C];2003年

5 劉潔;李小昱;李培武;王為;劉鵬;張榮榮;;基于近紅外光譜分析的數(shù)據(jù)處理方法研究進(jìn)展[A];2007年中國(guó)農(nóng)業(yè)工程學(xué)會(huì)學(xué)術(shù)年會(huì)論文摘要集[C];2007年

6 劉潔;李小昱;李培武;王為;張榮榮;張軍;;數(shù)據(jù)處理方法在近紅外光譜分析中的應(yīng)用進(jìn)展[A];節(jié)能環(huán)保 和諧發(fā)展——2007中國(guó)科協(xié)年會(huì)論文集（三）[C];2007年

7 王麗麗;莊新港;陳琦;吳雪原;方家熊;;化學(xué)計(jì)量學(xué)方法在近紅外光譜分析中的應(yīng)用研究[A];中國(guó)化學(xué)會(huì)第30屆學(xué)術(shù)年會(huì)摘要集-第二十五分會(huì)：化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)[C];2016年

8 劉振堯;潘濤;陳潔梅;尹浩;謝軍;姚立軍;;人類血紅蛋白可見-近紅外光譜分析的穩(wěn)定模型[A];第十七屆全國(guó)分子光譜學(xué)學(xué)術(shù)會(huì)議論文集[C];2012年

9 杜一平;鄭開逸;;分?jǐn)?shù)階導(dǎo)數(shù)在近紅外光譜分析中的應(yīng)用[A];中國(guó)化學(xué)會(huì)第29屆學(xué)術(shù)年會(huì)摘要集——第19分會(huì)：化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)[C];2014年

10 李艷坤;邵學(xué)廣;蔡文生;;多模型共識(shí)偏最小二乘法用于復(fù)雜樣品的近紅外光譜分析[A];中國(guó)化學(xué)會(huì)第二十五屆學(xué)術(shù)年會(huì)論文摘要集（下冊(cè)）[C];2006年

相關(guān)重要報(bào)紙文章 前3條

1 朱新宇;石科院開發(fā)近紅外光譜分析新技術(shù)[N];中國(guó)石化報(bào);2017年

2 吳玉田殷學(xué)平;中藥質(zhì)量控制又添新武器——小波變換近紅外光譜分析系統(tǒng)[N];中國(guó)醫(yī)藥報(bào);2004年

3 陳越;小企業(yè)也有大發(fā)展[N];中國(guó)信息報(bào);2016年

相關(guān)博士學(xué)位論文 前10條

1 王智宏;野外礦物近紅外光譜分析關(guān)鍵技術(shù)研究[D];吉林大學(xué);2005年

2 于海燕;黃酒品質(zhì)和酒齡的近紅外光譜分析方法研究[D];浙江大學(xué);2007年

3 王立琦;基于近紅外光譜分析的大豆油質(zhì)量檢測(cè)方法研究[D];哈爾濱理工大學(xué);2011年

4 林志丹;基于可見/近紅外光譜分析的化肥土壤成分速測(cè)模型研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

5 雷萌;基于機(jī)器學(xué)習(xí)的煤質(zhì)近紅外光譜分析[D];中國(guó)礦業(yè)大學(xué);2013年

6 寧宇;功能性富集材料用于微量成分的近紅外光譜分析[D];南開大學(xué);2013年

7 吳建國(guó);作物種子品質(zhì)研究中近紅外光譜分析模型的創(chuàng)建和應(yīng)用[D];浙江大學(xué);2004年

8 張仲鵬;基于屬性偏序原理的腦功能近紅外光譜分析方法研究[D];燕山大學(xué);2016年

9 李天華;成熟期番茄品質(zhì)近紅外光譜無損檢測(cè)技術(shù)研究[D];山東農(nóng)業(yè)大學(xué);2015年

10 郝勇;近紅外光譜微量分析方法研究[D];南開大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 李穩(wěn)穩(wěn);基于深度學(xué)習(xí)的近紅外光譜分析[D];中國(guó)計(jì)量大學(xué);2018年

2 王鍵;復(fù)合肥養(yǎng)分可見—近紅外光譜分析及軟件開發(fā)[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

3 劉金金;Tchebichef圖像矩在近紅外光譜分析中的應(yīng)用研究[D];蘭州大學(xué);2018年

4 劉經(jīng)緯;近紅外光譜分析系統(tǒng)及其在食品安全檢測(cè)中的應(yīng)用研究[D];中國(guó)科學(xué)院研究生院(上海技術(shù)物理研究所);2015年

5 范雅婷;毛白楊與相思樹的近紅外光譜分析數(shù)學(xué)模型[D];北京林業(yè)大學(xué);2016年

6 蔡斌;在線型液體近紅外光譜分析平臺(tái)的開發(fā)[D];江蘇大學(xué);2008年

7 李洪廣;基于支持向量機(jī)的異福片近紅外光譜分析[D];長(zhǎng)春理工大學(xué);2008年

8 羅蘭;基于近紅外光譜分析的無創(chuàng)血藥濃度檢測(cè)研究[D];重慶大學(xué);2007年

9 李翠;數(shù)據(jù)挖掘技術(shù)在煤質(zhì)近紅外光譜分析中的應(yīng)用研究[D];中國(guó)礦業(yè)大學(xué);2016年

10 邴姍;多組分有機(jī)混合物及石油產(chǎn)品的近紅外光譜分析方法研究[D];西安石油大學(xué);2016年

本文編號(hào)：2617489