论文部分内容阅读
随着时代的快速前进和科技的迅猛进步,计算机技术在其他领域的作用也越来越大。近红外光谱具有分析速度快,对样本无损伤的特点,因此在食品无损检测中得到了广泛的应用。能否建立出稳定的、准确度高的数学模型对整个数据分析的结果至关重要,这就需要使用到计算机技术来解决这一问题。目前研究表明影响最终分析结果的因素有很多,例如仪器的差异,样本的形态,环境因素等。其中预处理手段,特征波长点的选择以及建模算法的选择直接决定了最终的预测分析的结果是否准确。本文针对近红外光谱数据分析的步骤进行了研究,总结了国内外近红外光谱数据分析的研究现状,研究了近红外光谱数据的预处理、特征波长点的筛选,定量模型的建立以及模型的优化。主要研究内容如下:(1)利用一阶导数对原始光谱数据进行预处理,随后使用连续投影算法(SPA)对特征波长点进行筛选,并且设计了具体的应用。(2)通过实验对比分析了多种定量建模方法,实验结果表明支持向量机回归(SVR)对本实验样本表现出较好的预测效果。(3)介绍了支持向量机的参数优化。使用了粒子群算法(PSO)、遗传算法(GA)和网格搜索算法(GS)对支持向量机的惩罚参数C和参数g进行了选择。实验结果表明GS-SVR的优化策略效果更好,并且将其应用于具体的样本中,设计了应用界面。本文针对近红外光谱的小数据样本,研究了一套完整的数据分析流程,包括了使用一阶导数进行预处理,利用SPA对特征波长点进行选取,使用支持向量机回归对数据进行定量建模,最后使用网格搜索算法对模型参数进行优化。整套数据分析流程可以达到较好的预测准确度,具有很好的研究和实际应用价值。