隨著生活水平的提高,消費(fèi)者在選購(gòu)水果時(shí)也提出了更高的要求,從最初力求外部品質(zhì)(大小、色澤、形狀),到更注重內(nèi)部營(yíng)養(yǎng)(如糖分、酸度、維生素含量等)。近紅外光譜檢測(cè)技術(shù)具有無(wú)損、快速、準(zhǔn)確等優(yōu)點(diǎn),廣泛用于水果內(nèi)部品質(zhì)無(wú)損檢測(cè)中。由于不同種類水果內(nèi)部物理化學(xué)性質(zhì)差異較大,產(chǎn)生的光譜響應(yīng)也不同。因此,通常需要對(duì)每個(gè)品種的水果單獨(dú)建模,這樣對(duì)模型的維護(hù)和優(yōu)化費(fèi)時(shí)費(fèi)力。本論文基于機(jī)器學(xué)習(xí)算法對(duì)多種類水果光譜數(shù)據(jù)進(jìn)行挖掘,研究其通用模型的建模方法,以提高水果檢測(cè)精度。本文以兩種四類水果(蘋(píng)果和梨)的糖分為研究對(duì)象,利用近紅外漫反射光譜學(xué),結(jié)合機(jī)器學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、建模、波長(zhǎng)優(yōu)選等分析。對(duì)比多種光譜預(yù)處理方法,并通過(guò)非線性模型隨機(jī)森林建模,驗(yàn)證了四類水果通用模型檢測(cè)糖分的可行性。通過(guò)波長(zhǎng)和波段優(yōu)選簡(jiǎn)化模型,提高預(yù)測(cè)精度;利用基于數(shù)字光處理(Digital Light Procession,DLP)分光技術(shù)的微型化光譜模塊進(jìn)行光譜測(cè)量,驗(yàn)證通用模型和波長(zhǎng)優(yōu)選方法在分光模塊上的可行性。主要研究?jī)?nèi)容和結(jié)論如下:首先,對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理方法的研究。通過(guò)平滑去噪、基線校正、求導(dǎo)、多元散射校正等方法對(duì)近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理,與原始光譜建立的模型進(jìn)行比較,優(yōu)選最佳預(yù)處理方法。分析表明,對(duì)單一品種水果進(jìn)行預(yù)處理效果提升不明顯,且多元散射效果稍好。其次,對(duì)多種類水果通用模型的研究。使用隨機(jī)森林對(duì)多種類水果光譜建模,通過(guò)與偏最小二乘、多元線性回歸模型效果進(jìn)行對(duì)比,預(yù)測(cè)R_p~2由0.731提高到0.888,RMSEP由1.148下降到0.334,大大提高了模型的預(yù)測(cè)效果。證明使用該方法對(duì)多種類水果糖分通用模型研究的可行性。然后,對(duì)特征波長(zhǎng)優(yōu)選方法的研究。使用二進(jìn)制粒子群算法和遺傳算法分別結(jié)合偏最小二乘進(jìn)行光譜波長(zhǎng)優(yōu)選。BPSO-PLS不僅波數(shù)由1557減少到817,減少了運(yùn)算量,而且模型的R_p~2由0.731提高0.828,RMSCP由1.149降低到0.742,提高了預(yù)測(cè)精度。GA-PLS從1557個(gè)波數(shù)中優(yōu)選出7個(gè)波段,共210個(gè)波數(shù),大大減少了計(jì)算量,模型效果和全波數(shù)型相差不大。證明了波長(zhǎng)優(yōu)選不僅能減少噪聲,降低運(yùn)算量,而且提高了模型預(yù)測(cè)精度。最后,利用基于數(shù)字光處理(Digital Light Procession,DLP)分光技術(shù)的微型化光譜模塊實(shí)現(xiàn)水果糖分的便攜式快速測(cè)定。使用該模塊測(cè)量水果的漫反射光譜,通過(guò)隨機(jī)森林和二進(jìn)制粒子群結(jié)合偏最小二乘分別進(jìn)行模型分析,驗(yàn)證了多種類水果糖分通用模型建模方法和波數(shù)優(yōu)選方法的可行性。
【學(xué)位單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：S66;TP181
【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究的背景及意義
        1.1.1 我國(guó)水果產(chǎn)業(yè)發(fā)展現(xiàn)狀
        1.1.2 水果品質(zhì)檢測(cè)的必要性
    1.2 近紅外光譜技術(shù)
        1.2.1 近紅外光譜應(yīng)用于水果品質(zhì)檢測(cè)國(guó)外相關(guān)進(jìn)展
        1.2.2 近紅外光譜應(yīng)用于水果品質(zhì)檢測(cè)國(guó)內(nèi)相關(guān)進(jìn)展
    1.3 機(jī)器學(xué)習(xí)應(yīng)用于近紅外光譜分析的研究現(xiàn)狀
    1.4 本文研究?jī)?nèi)容與安排
第二章 近紅外光譜分析方法
    2.1 近紅外光譜檢測(cè)技術(shù)理論
        2.1.1 近紅外光譜產(chǎn)生原理
        2.1.2 近紅外漫反射檢測(cè)原理
    2.2 水果糖分近紅外光譜預(yù)處理方法
        2.2.1 平滑去噪
        2.2.2 基線校正
        2.2.3 求導(dǎo)
        2.2.4 多元散射校正
    2.3 常用近紅外光譜技術(shù)定量分析方法
        2.3.1 多元線性回歸
        2.3.2 主成分回歸
        2.3.3 偏最小二乘回歸
        2.3.4 支持向量機(jī)回歸
        2.3.5 人工神經(jīng)網(wǎng)絡(luò)
    2.4 近紅外糖分樣本集劃分方法
    2.5 模型評(píng)價(jià)指標(biāo)
    2.6 本章小結(jié)
第三章 水果糖分近紅外光譜的隨機(jī)森林建模方法
    3.1 隨機(jī)森林理論
        3.1.1 隨機(jī)森林基學(xué)習(xí)器—決策樹(shù)
        3.1.2 隨機(jī)森林的構(gòu)建過(guò)程
        3.1.3 隨機(jī)森林的隨機(jī)性分析
        3.1.4 隨機(jī)森林的性能指標(biāo)
    3.2 材料與實(shí)驗(yàn)方法
        3.2.1 樣品選擇與準(zhǔn)備
        3.2.2 糖分值與光譜測(cè)量
    3.3 預(yù)處理方法
    3.4 隨機(jī)森林用于不同種類水果糖分建模
        3.4.1 PLS和MLR局限
        3.4.2 RF模型建立
        3.4.3 PLS,MLR,RF結(jié)果分析
    3.5 本章小結(jié)
第四章 水果糖分近紅外光譜波長(zhǎng)變量?jī)?yōu)化方法研究
    4.1 特征波長(zhǎng)優(yōu)化的意義
    4.2 特征波長(zhǎng)優(yōu)化算法介紹
        4.2.1 粒子群算法
        4.2.2 蟻群算法
        4.2.3 遺傳算法
        4.2.4 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法
    4.3 粒子群算法在水果糖分近紅外檢測(cè)波長(zhǎng)優(yōu)化中的應(yīng)用
        4.3.1 二進(jìn)制粒子群
        4.3.2 粒子群算法波長(zhǎng)篩選的過(guò)程與結(jié)論
    4.4 遺傳算法在水果糖分近紅外檢測(cè)波長(zhǎng)優(yōu)化中的應(yīng)用
        4.4.1 遺傳算法實(shí)現(xiàn)過(guò)程
        4.4.2 遺傳算法波長(zhǎng)篩選的過(guò)程與結(jié)論
    4.5 本章小結(jié)
第五章 基于微型分光模塊的水果糖分測(cè)量方法
    5.1 微型分光模塊介紹
        5.1.1 系統(tǒng)總體設(shè)計(jì)
        5.1.2 光學(xué)系統(tǒng)
        5.1.3 電路系統(tǒng)
    5.2 實(shí)驗(yàn)
        5.2.1 樣品準(zhǔn)備
        5.2.2 糖分值與光譜測(cè)量
    5.3 數(shù)據(jù)分析
        5.3.1 偏最小二乘建模分析
        5.3.2 隨機(jī)森林建模分析
        5.3.3 粒子群結(jié)合偏最小二乘建模分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 主要研究?jī)?nèi)容和結(jié)論
    6.2 本研究主要?jiǎng)?chuàng)新點(diǎn)
    6.3 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李煒;;機(jī)器學(xué)習(xí)概述[J];科技視界;2017年12期

2 宋雯博;;大數(shù)據(jù)下的機(jī)器學(xué)習(xí)的應(yīng)用趨勢(shì)[J];電腦迷;2018年09期

3 朱輝;;機(jī)器學(xué)習(xí)在企業(yè)級(jí)場(chǎng)景中的實(shí)踐與探討[J];中國(guó)建設(shè)信息化;2018年03期

4 彭傳意;;機(jī)器學(xué)習(xí)——我們?cè)撊绾闻c機(jī)器競(jìng)爭(zhēng)[J];數(shù)字通信世界;2018年01期

5 陳軼翔;埃里克·布倫喬爾森;湯姆·米切爾;;機(jī)器學(xué)習(xí)的能力范圍及其對(duì)勞動(dòng)力的影響[J];世界科學(xué);2018年04期

6 趙長(zhǎng)林;;機(jī)器學(xué)習(xí)即服務(wù)[J];網(wǎng)絡(luò)安全和信息化;2017年10期

7 ;機(jī)器學(xué)習(xí)作用于信息安全的五大頂級(jí)案例[J];網(wǎng)絡(luò)安全和信息化;2018年01期

8 吳承楊;;2018年來(lái)說(shuō)說(shuō)機(jī)器學(xué)習(xí)[J];軟件和集成電路;2018年05期

9 徐林;;基于機(jī)器學(xué)習(xí)思想的非線性方程組求解[J];黑龍江工程學(xué)院學(xué)報(bào);2016年06期

10 ;《軟件學(xué)報(bào)》復(fù)雜環(huán)境下的機(jī)器學(xué)習(xí)研究�？魑耐ㄖ猍J];軟件學(xué)報(bào);2017年01期

相關(guān)博士學(xué)位論文 前10條

1 張慶慶;基于機(jī)器學(xué)習(xí)的文本情感分類研究[D];西北工業(yè)大學(xué);2016年

2 魯路;基于機(jī)器學(xué)習(xí)優(yōu)化分子對(duì)接篩選腎衰營(yíng)養(yǎng)膠囊有效成分[D];南方醫(yī)科大學(xué);2017年

3 王泉德;機(jī)器學(xué)習(xí)及其在多Agent對(duì)策學(xué)習(xí)中的應(yīng)用研究[D];武漢大學(xué);2005年

4 翁時(shí)鋒;基于機(jī)器學(xué)習(xí)的幾種醫(yī)學(xué)數(shù)據(jù)處理方法研究[D];清華大學(xué);2005年

5 范玉剛;基于Kernel的機(jī)器學(xué)習(xí)在建模與分類問(wèn)題的應(yīng)用研究[D];浙江大學(xué);2006年

6 蔣剛;核機(jī)器學(xué)習(xí)方法若干問(wèn)題研究[D];西南交通大學(xué);2006年

7 李智;機(jī)器學(xué)習(xí)方法及其在基金項(xiàng)目評(píng)審中的應(yīng)用研究[D];天津大學(xué);2004年

8 張義榮;基于機(jī)器學(xué)習(xí)的入侵檢測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2005年

9 劉章林;基于機(jī)器學(xué)習(xí)的編譯優(yōu)化適應(yīng)性研究[D];中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2006年

10 何清;機(jī)器學(xué)習(xí)與文本挖掘若干算法研究[D];中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2002年

相關(guān)碩士學(xué)位論文 前10條

1 王爽;基于機(jī)器學(xué)習(xí)的花卉識(shí)別算法的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2018年

2 任高山;基于微信公眾平臺(tái)的文本情感分析研究[D];南昌航空大學(xué);2018年

3 劉玲;蛋白質(zhì)—核酸界面丙氨酸突變效應(yīng)數(shù)據(jù)庫(kù)與熱點(diǎn)殘基研究[D];安徽大學(xué);2018年

4 張英凱;基于機(jī)器學(xué)習(xí)的重癥監(jiān)護(hù)病患死亡率預(yù)測(cè)[D];電子科技大學(xué);2018年

5 劉鑫;機(jī)器學(xué)習(xí)研究及其在生存分析中的應(yīng)用[D];電子科技大學(xué);2018年

6 唐林;天數(shù)機(jī)器學(xué)習(xí)一體機(jī)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];南京大學(xué);2018年

7 張磊;基于機(jī)器學(xué)習(xí)的情感分析方法研究[D];電子科技大學(xué);2018年

8 張為金;基于機(jī)器學(xué)習(xí)的電力異常數(shù)據(jù)檢測(cè)[D];電子科技大學(xué);2018年

9 顏歡;基于機(jī)器學(xué)習(xí)的AGV貨物分揀系統(tǒng)研究與設(shè)計(jì)[D];武漢紡織大學(xué);2018年

10 劉嘉鈺;機(jī)器學(xué)習(xí)方法研究滲流和XY模型相變[D];太原理工大學(xué);2018年

本文編號(hào)：2842509