隨著生活水平的提高,消費者在選購水果時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)部營養(yǎng)(如糖分、酸度、維生素含量等)。近紅外光譜檢測技術具有無損、快速、準確等優(yōu)點,廣泛用于水果內(nèi)部品質(zhì)無損檢測中。由于不同種類水果內(nèi)部物理化學性質(zhì)差異較大,產(chǎn)生的光譜響應也不同。因此,通常需要對每個品種的水果單獨建模,這樣對模型的維護和優(yōu)化費時費力。本論文基于機器學習算法對多種類水果光譜數(shù)據(jù)進行挖掘,研究其通用模型的建模方法,以提高水果檢測精度。本文以兩種四類水果(蘋果和梨)的糖分為研究對象,利用近紅外漫反射光譜學,結(jié)合機器學習算法對數(shù)據(jù)進行預處理、建模、波長優(yōu)選等分析。對比多種光譜預處理方法,并通過非線性模型隨機森林建模,驗證了四類水果通用模型檢測糖分的可行性。通過波長和波段優(yōu)選簡化模型,提高預測精度;利用基于數(shù)字光處理(Digital Light Procession,DLP)分光技術的微型化光譜模塊進行光譜測量,驗證通用模型和波長優(yōu)選方法在分光模塊上的可行性。主要研究內(nèi)容和結(jié)論如下:首先,對光譜數(shù)據(jù)進行預處理方法的研究。通過平滑去噪、基線校正、求導、多元散射校正等方法對近紅外光譜數(shù)據(jù)進行預處理,與原始光譜建立的模型進行比較,優(yōu)選最佳預處理方法。分析表明,對單一品種水果進行預處理效果提升不明顯,且多元散射效果稍好。其次,對多種類水果通用模型的研究。使用隨機森林對多種類水果光譜建模,通過與偏最小二乘、多元線性回歸模型效果進行對比,預測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測效果。證明使用該方法對多種類水果糖分通用模型研究的可行性。然后,對特征波長優(yōu)選方法的研究。使用二進制粒子群算法和遺傳算法分別結(jié)合偏最小二乘進行光譜波長優(yōu)選。BPSO-PLS不僅波數(shù)由1557減少到817,減少了運算量,而且模型的R_p~2由0.731提高0.828,RMSCP由1.149降低到0.742,提高了預測精度。GA-PLS從1557個波數(shù)中優(yōu)選出7個波段,共210個波數(shù),大大減少了計算量,模型效果和全波數(shù)型相差不大。證明了波長優(yōu)選不僅能減少噪聲,降低運算量,而且提高了模型預測精度。最后,利用基于數(shù)字光處理(Digital Light Procession,DLP)分光技術的微型化光譜模塊實現(xiàn)水果糖分的便攜式快速測定。使用該模塊測量水果的漫反射光譜,通過隨機森林和二進制粒子群結(jié)合偏最小二乘分別進行模型分析,驗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。
【學位單位】：太原理工大學
【學位級別】：碩士
【學位年份】：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 我國水果產(chǎn)業(yè)發(fā)展現(xiàn)狀
        1.1.2 水果品質(zhì)檢測的必要性
    1.2 近紅外光譜技術
        1.2.1 近紅外光譜應用于水果品質(zhì)檢測國外相關進展
        1.2.2 近紅外光譜應用于水果品質(zhì)檢測國內(nèi)相關進展
    1.3 機器學習應用于近紅外光譜分析的研究現(xiàn)狀
    1.4 本文研究內(nèi)容與安排
第二章 近紅外光譜分析方法
    2.1 近紅外光譜檢測技術理論
        2.1.1 近紅外光譜產(chǎn)生原理
        2.1.2 近紅外漫反射檢測原理
    2.2 水果糖分近紅外光譜預處理方法
        2.2.1 平滑去噪
        2.2.2 基線校正
        2.2.3 求導
        2.2.4 多元散射校正
    2.3 常用近紅外光譜技術定量分析方法
        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 支持向量機回歸
        2.3.5 人工神經(jīng)網(wǎng)絡
    2.4 近紅外糖分樣本集劃分方法
    2.5 模型評價指標
    2.6 本章小結(jié)
第三章 水果糖分近紅外光譜的隨機森林建模方法
    3.1 隨機森林理論
        3.1.1 隨機森林基學習器—決策樹
        3.1.2 隨機森林的構(gòu)建過程
        3.1.3 隨機森林的隨機性分析
        3.1.4 隨機森林的性能指標
    3.2 材料與實驗方法
        3.2.1 樣品選擇與準備
        3.2.2 糖分值與光譜測量
    3.3 預處理方法
    3.4 隨機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變量優(yōu)化方法研究
    4.1 特征波長優(yōu)化的意義
    4.2 特征波長優(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 競爭性自適應重加權算法
    4.3 粒子群算法在水果糖分近紅外檢測波長優(yōu)化中的應用
        4.3.1 二進制粒子群
        4.3.2 粒子群算法波長篩選的過程與結(jié)論
    4.4 遺傳算法在水果糖分近紅外檢測波長優(yōu)化中的應用
        4.4.1 遺傳算法實現(xiàn)過程
        4.4.2 遺傳算法波長篩選的過程與結(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量方法
    5.1 微型分光模塊介紹
        5.1.1 系統(tǒng)總體設計
        5.1.2 光學系統(tǒng)
        5.1.3 電路系統(tǒng)
    5.2 實驗
        5.2.1 樣品準備
        5.2.2 糖分值與光譜測量
    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 主要研究內(nèi)容和結(jié)論
    6.2 本研究主要創(chuàng)新點
    6.3 展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文

【相似文獻】

相關期刊論文 前10條

1 李煒;;機器學習概述[J];科技視界;2017年12期

2 宋雯博;;大數(shù)據(jù)下的機器學習的應用趨勢[J];電腦迷;2018年09期

3 朱輝;;機器學習在企業(yè)級場景中的實踐與探討[J];中國建設信息化;2018年03期

4 彭傳意;;機器學習——我們該如何與機器競爭[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;;機器學習的能力范圍及其對勞動力的影響[J];世界科學;2018年04期

6 趙長林;;機器學習即服務[J];網(wǎng)絡安全和信息化;2017年10期

7 ;機器學習作用于信息安全的五大頂級案例[J];網(wǎng)絡安全和信息化;2018年01期

8 吳承楊;;2018年來說說機器學習[J];軟件和集成電路;2018年05期

9 徐林;;基于機器學習思想的非線性方程組求解[J];黑龍江工程學院學報;2016年06期

10 ;《軟件學報》復雜環(huán)境下的機器學習研究�？魑耐ㄖ猍J];軟件學報;2017年01期

相關博士學位論文 前10條

1 張慶慶;基于機器學習的文本情感分類研究[D];西北工業(yè)大學;2016年

2 魯路;基于機器學習優(yōu)化分子對接篩選腎衰營養(yǎng)膠囊有效成分[D];南方醫(yī)科大學;2017年

3 王泉德;機器學習及其在多Agent對策學習中的應用研究[D];武漢大學;2005年

4 翁時鋒;基于機器學習的幾種醫(yī)學數(shù)據(jù)處理方法研究[D];清華大學;2005年

5 范玉剛;基于Kernel的機器學習在建模與分類問題的應用研究[D];浙江大學;2006年

6 蔣剛;核機器學習方法若干問題研究[D];西南交通大學;2006年

7 李智;機器學習方法及其在基金項目評審中的應用研究[D];天津大學;2004年

8 張義榮;基于機器學習的入侵檢測技術研究[D];國防科學技術大學;2005年

9 劉章林;基于機器學習的編譯優(yōu)化適應性研究[D];中國科學院研究生院（計算技術研究所）;2006年

10 何清;機器學習與文本挖掘若干算法研究[D];中國科學院研究生院（計算技術研究所）;2002年

相關碩士學位論文 前10條

1 王爽;基于機器學習的花卉識別算法的研究與實現(xiàn)[D];電子科技大學;2018年

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

3 劉玲;蛋白質(zhì)—核酸界面丙氨酸突變效應數(shù)據(jù)庫與熱點殘基研究[D];安徽大學;2018年

4 張英凱;基于機器學習的重癥監(jiān)護病患死亡率預測[D];電子科技大學;2018年

5 劉鑫;機器學習研究及其在生存分析中的應用[D];電子科技大學;2018年

6 唐林;天數(shù)機器學習一體機系統(tǒng)的設計與實現(xiàn)[D];南京大學;2018年

7 張磊;基于機器學習的情感分析方法研究[D];電子科技大學;2018年

8 張為金;基于機器學習的電力異常數(shù)據(jù)檢測[D];電子科技大學;2018年

9 顏歡;基于機器學習的AGV貨物分揀系統(tǒng)研究與設計[D];武漢紡織大學;2018年

10 劉嘉鈺;機器學習方法研究滲流和XY模型相變[D];太原理工大學;2018年

本文編號：2842509