【摘要】：近紅外光譜技術(shù)作為一種光譜測量技術(shù),其特點是分析簡單、速度快并且可以在線進行,常用于食品、工藝中間體和最終產(chǎn)品的成分與功能分析,已成為食品質(zhì)量和安全分析的有力技術(shù)。在林特產(chǎn)品深加工與食品質(zhì)量安全需求日益提高的今天,堅果的無損檢測預(yù)測成為眾多研究者關(guān)注的熱點問題。新采摘的松子含有大量水分,在儲存過程中極易霉菌、酵母菌的影響導致氧化變質(zhì)。但霉變松子存在經(jīng)過炒制,化學試劑浸泡等操作處理后,難以與正常松子區(qū)分開的問題。針對這一問題,本文運用近紅外光譜技術(shù)甄別霉變松子并對松子進行正常、霉變分類建模研究。首先,采用傅里葉轉(zhuǎn)換紅外光譜技術(shù)進行松子近紅外數(shù)據(jù)的采集,并運用SNV、Norris-Williams求導與小波變換方法對采集到的近紅外光譜數(shù)據(jù)進行預(yù)處理,達到光譜聚合、波長曲線平滑的結(jié)果。近紅外漫反射光譜存在精度差、誤差大的問題,為此研究漫反射光譜指標的改進,以提高漫反射光譜數(shù)據(jù)指標與樣品化學成分之間的相關(guān)性。在此基礎(chǔ)上,運用李群測地線度量方法對局部線性嵌入、等度量映射方法進行改進,并借助隨機森林與提升樹模型進行數(shù)據(jù)特征降維研究,并使用主成分分析降維同改進后的降維方法進行比較驗證。研究結(jié)果表明:改進后的降維方法更適應(yīng)于新的近紅外光譜漫反射評價指標。最后,結(jié)合李群測地線度量方法和高斯過程進行松子分類建模研究。對七種不同核函數(shù)分別建立對應(yīng)的核函數(shù)-高斯過程分類模型并對比選擇。將概率校準技術(shù)引入對所建改進高斯模型的精度校正中。改進高斯模型的精度進行校正。根據(jù)建模實驗可知使用周期-徑向基組合核函數(shù)作為改進高斯過程的核函數(shù)能夠獲得最好分類效果,使用改進局部線性嵌入對松子數(shù)據(jù)進行降維后使用周期-徑向基組合核函數(shù)-高斯過程建模的模型精確度為0.888;使用概率校準后的模型精確度為0.864;使用改進等度量映射對松子數(shù)據(jù)進行降維后使用周期-徑向基組合核函數(shù)-高斯過程建模的模型精確度為0.849;使用概率校準后的模型精確度為0.958。依模型分類數(shù)據(jù)分析可知:使用改進漫反射評價指標能夠提升最終分類模型精度;周期-徑向基組合核函數(shù)兼具周期核函數(shù)與徑向基核函數(shù)的優(yōu)點,為霉變松子建模的最佳選擇;概率校準并不能保證模型分類效果變得更高,但改進等度量映射降維的松子使用概率校準方法獲得了松子霉變分類效果更好的模型。
【圖文】：

（ｃ）邋ｉｓｏｍａｐ降維后瑞士卷數(shù)據(jù)集逡逑圖２－１等度量映射對瑞士卷數(shù)據(jù)集進行非線性降維逡逑圖２－１為“瑞士卷”數(shù)據(jù)集，說明了等度量映射如何利用測地路徑來減少非線性維逡逑數(shù)。（Ａ）對于非線性流形上的兩個任意點，它們在高維輸入空間中的歐幾里德距離可能逡逑無法準確反映它們的內(nèi)在相似性。（Ｂ）在等度量映射的第一步中構(gòu)建的鄰域圖Ｇ能夠在逡逑第二步中有效地計算到真正的測地路徑的近似，并以這個近似作為最短路徑Ｇ。（Ｃ）在逡逑步驟３中由等度量映射恢復的二維嵌入，其最好地保留鄰域圖中的最短路徑距離，嵌入逡逑中的直線現(xiàn)在表示比相應(yīng)圖形路徑更簡單和更清晰的表示真實測地路徑近似。逡逑完整的等度量映射算法有三個步驟。第一步根據(jù)輸入空間義中點對之間的距離確定逡逑哪些點是流形Ｍ的近鄰。兩個簡單的方法是將每個點連接到某個固定半徑內(nèi)的所有逡逑點，或連接到其所有尺個最近鄰居。這些鄰域關(guān)系表示為數(shù)據(jù)點上的加權(quán)圖，其中相鄰逡逑點之間的權(quán)重為Ａ／，ｙ）。逡逑在第二步中，等度量映射通過計算圖Ｇ中的最短路徑距離來估計流形Ｍ上逡逑所有點對之間的測地距離外，ｙ＿）［４９￣５Ｑ】�？刹捎茫模椋辏耄螅簦颍崴惴ɑ颍疲欤铮渌惴▉碛嬎阕疃搪峰义蠌�。逡逑最后一步將經(jīng)典ＭＤＳ應(yīng)用于圖Ｇ中的距離矩陣ｃ／Ｇ（／

＼ｍｍ逡逑（ｃ）邋ｉｓｏｍａｐ降維后瑞士卷數(shù)據(jù)集逡逑圖２－１等度量映射對瑞士卷數(shù)據(jù)集進行非線性降維逡逑圖２－１為“瑞士卷”數(shù)據(jù)集，說明了等度量映射如何利用測地路徑來減少非線性維逡逑數(shù)。（Ａ）對于非線性流形上的兩個任意點，它們在高維輸入空間中的歐幾里德距離可能逡逑無法準確反映它們的內(nèi)在相似性。（Ｂ）在等度量映射的第一步中構(gòu)建的鄰域圖Ｇ能夠在逡逑第二步中有效地計算到真正的測地路徑的近似，，并以這個近似作為最短路徑Ｇ。（Ｃ）在逡逑步驟３中由等度量映射恢復的二維嵌入，其最好地保留鄰域圖中的最短路徑距離，嵌入逡逑中的直線現(xiàn)在表示比相應(yīng)圖形路徑更簡單和更清晰的表示真實測地路徑近似。逡逑完整的等度量映射算法有三個步驟。第一步根據(jù)輸入空間義中點對之間的距離確定逡逑哪些點是流形Ｍ的近鄰。兩個簡單的方法是將每個點連接到某個固定半徑內(nèi)的所有逡逑點，或連接到其所有尺個最近鄰居。這些鄰域關(guān)系表示為數(shù)據(jù)點上的加權(quán)圖，其中相鄰逡逑點之間的權(quán)重為Ａ／，ｙ）。逡逑在第二步中，等度量映射通過計算圖Ｇ中的最短路徑距離來估計流形Ｍ上逡逑所有點對之間的測地距離外
【學位授予單位】：東北林業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TS255.6;O433.5

【相似文獻】

相關(guān)期刊論文 前10條

1 鄒鵬;李凡長;尹宏偉;張莉;張召;;基于邊界檢測的多流形學習算法[J];模式識別與人工智能;2016年11期

2 黃永毅;;基于流形學習降維技術(shù)的研究概述[J];中國科技信息;2013年14期

3 孟德宇;徐宗本;戴明偉;;一種新的有監(jiān)督流形學習方法[J];計算機研究與發(fā)展;2007年12期

4 肖揚;宋斌;雷勇;吳祖煌;;基于流形學習的醫(yī)院績效評價方法研究與實踐[J];計算機應(yīng)用與軟件;2011年06期

5 邵超;萬春紅;張嘯劍;;基于隨機游走的流形學習與可視化[J];數(shù)據(jù)采集與處理;2017年03期

6 陳科;王家耀;成毅;謝明霞;;利用流形學習進行空間信息服務(wù)分類[J];武漢大學學報(信息科學版);2013年03期

7 李小麗;薛清福;;幾種流形學習算法的比較研究[J];電腦與信息技術(shù);2009年03期

8 曾憲華;羅四維;;全局保持的流形學習算法對比研究[J];計算機工程與應(yīng)用;2010年15期

9 李建新;;基于增強多流形學習的監(jiān)控視頻追蹤算法[J];西南師范大學學報(自然科學版);2019年01期

10 陳晉音;鄭海斌;保星彤;;基于自適應(yīng)密度聚類非線性流形學習降維方法研究與實現(xiàn)[J];小型微型計算機系統(tǒng);2018年08期

相關(guān)會議論文 前8條

1 楊劍;李伏欣;王玨;;基于局部切距離的近鄰法[A];2005年中國智能自動化會議論文集[C];2005年

2 周倩;唐建軍;鄭穎;譚兵兵;張洪麟;;基于流形學習的特高頻局放信號特征降維[A];重慶市電機工程學會2010年學術(shù)會議論文集[C];2010年

3 李曉菲;梁循;周小平;;股價時間序列滑動窗口的流形學習實證研究[A];第十八屆中國管理科學學術(shù)年會論文集[C];2016年

4 李勇智;何光明;楊靜宇;;2DUDP:一種新的基于圖像矩陣的特征提取方法[A];第二十七屆中國控制會議論文集[C];2008年

5 李睿凡;朱強生;郭燕慧;劉海濤;;魯棒局部保持投影的表情識別[A];2006年首屆ICT大會信息、知識、智能及其轉(zhuǎn)換理論第一次高峰論壇會議論文集[C];2006年

6 劉曉平;季浩;鄧偉財;;基于流形學習的非線性系統(tǒng)可視化算法[A];全國第21屆計算機技術(shù)與應(yīng)用學術(shù)會議（CACIS·2010）暨全國第2屆安全關(guān)鍵技術(shù)與應(yīng)用學術(shù)會議論文集[C];2010年

7 劉立;余正濤;王蒙;毛存禮;郭劍毅;;結(jié)合詞相關(guān)特征與流行學習的中文問句分類[A];第六屆全國信息檢索學術(shù)會議論文集[C];2010年

8 何慧;陳博;郭軍;;基于流形學習的半監(jiān)督文本情感分類算法[A];第五屆全國信息檢索學術(shù)會議論文集[C];2009年

相關(guān)博士學位論文 前10條

1 劉嫻;廣義圖嵌入流形學習SAR目標識別方法研究[D];電子科技大學;2018年

2 李月仙;基于拉普拉斯特征映射算法的旋轉(zhuǎn)機械故障診斷研究[D];太原理工大學;2016年

3 李俊;基于智能優(yōu)化的特征選擇及分類方法研究[D];武漢大學;2014年

4 劉小明;數(shù)據(jù)降維及分類中的流形學習研究[D];浙江大學;2007年

5 黃啟宏;流形學習方法理論研究及圖像中應(yīng)用[D];電子科技大學;2007年

6 孫明明;流形學習理論與算法研究[D];南京理工大學;2007年

7 陳華杰;非線性流形上多姿態(tài)人臉檢測與識別[D];浙江大學;2006年

8 李春光;流形學習及其在模式識別中的應(yīng)用[D];北京郵電大學;2008年

9 陶曉燕;基于支持向量機和流形學習的分類方法研究[D];西安電子科技大學;2008年

10 羅甫林;高光譜圖像稀疏流形學習方法研究[D];重慶大學;2016年

相關(guān)碩士學位論文 前10條

1 劉洋;流形學習結(jié)合ELM的飛秒激光光斑圖像分類研究[D];華北理工大學;2019年

2 婁雪;基于流形學習的分類算法與應(yīng)用研究[D];遼寧師范大學;2019年

3 王族;基于流形學習的極限學習機及其應(yīng)用研究[D];遼寧師范大學;2019年

4 何陽;極限學習機在分類問題中的應(yīng)用與研究[D];遼寧師范大學;2019年

5 張悅;基于流形學習的降維算法及其在人臉識別中的應(yīng)用[D];遼寧師范大學;2019年

6 唐云霞;基于流形學習的室內(nèi)WLAN半監(jiān)督位置指紋數(shù)據(jù)庫構(gòu)建方法[D];重慶郵電大學;2018年

7 劉佳奇;基于流形學習的分類算法研究[D];遼寧師范大學;2019年

8 蔣大鵬;基于改進近紅外漫反射技術(shù)與流形學習的東北松子霉變分類研究[D];東北林業(yè)大學;2019年

9 李暑升;基于多視圖半監(jiān)督流形學習的左房壁瘤體積直接估算[D];廈門大學;2017年

10 陳昱吉;基于流形學習的故障數(shù)據(jù)集降維與分類方法[D];蘭州理工大學;2019年

本文編號：2670654