| 【中文题名】 | 基于智能算法的近红外光谱分析与建模 |
| 【英文题名】 | Analysis and Modeling of NIR Spectrum Based on Intelligent Algorithm |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-10-25 |
| 【中关键词】 | 近红外光谱分析技术,小波变换,粗糙集,遗传算法,协同进化,T-S模型 |
| 【英关键词】 | near-infrared spectroscopy analysis technique,wavelet transform,rough set,genetic algorithm,coevolution,T-S model,fuzzy modeling,GA-Fuzzy model, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>自动化系统>数据处理、数据处理系统>采用各种新技术的自动检测系统 |
| 【论文摘要】 | 大米是最主要的粮食作物之一，快速无损的测定大米各组分的含量，在粮食的收购及生产加工中具有十分重要的意义。近红外光谱分析技术具有高效、快速、低成本、无损伤和绿色环保等优点，可以用于现场快速检测和实时在线分析。但是，国外现有近红外光谱分析软件不适用于我国样品，而国内在近红外光谱分析技术方面的研究并不完善。因此本文针对大米光谱数据的数学模型，综合多门学科的知识，对光谱的预处理及数学建模方法等关键技术进行了深入的分析和研究。
本文系统地分析了几种传统的光谱数据预处理方法，指出了这些方法各自的特点及适用范围。并根据小波变换在噪声滤除及数据压缩方面的优势，选取小波变换对光谱数据进行滤噪和初步压缩。针对小波变换无法利用光谱数据与组份含量之间关系来压缩数据的缺点，提出了基于粗糙集的进一步数据约简方法。并对粗糙集的多种约简方法进行了分析和研究，根据本文的实际情况，采用基于化简后的区分矩阵的算法进行编程计算求出约简结果。
文中针对传统光谱分析技术的线性模型本质，采用了非线性的光谱建模方法。首先，利用BP神经网络的非线性函数逼近能力，选用BP网络对光谱数据进行建模，并对BP网络的结构及参数选取进行了... |
| 【论文题纲】 |
|
独创性声明 |
3 |
|
学位论文版权使用授权书 |
3-4 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-8 |
|
第一章 绪论 |
8-12 |
|
1.1 近红外光谱分析技术 |
8-10 |
|
1.1.1 近红外光谱分析技术的原理 |
8-9 |
|
1.1.2 近红外光谱分析技术的特点 |
9 |
|
1.1.3 近红外光谱分析技术的应用领域 |
9 |
|
1.1.4 近红外光谱分析技术尚存在的问题 |
9-10 |
|
1.2 本文研究的目的和意义 |
10-11 |
|
1.3 本文主要工作 |
11-12 |
|
第二章 预备知识 |
12-31 |
|
2.1 粗糙集基本理论介绍 |
12-19 |
|
2.1.1 基本概念 |
12-13 |
|
2.1.2 知识约简 |
13-19 |
|
2.2 遗传算法介绍 |
19-28 |
|
2.2.1 遗传算法的提出与发展 |
19-20 |
|
2.2.2 遗传算法的特点 |
20-21 |
|
2.2.3 遗传算法的实施 |
21-27 |
|
2.2.4 遗传算法的优点 |
27 |
|
2.2.5 遗传算法的缺陷 |
27-28 |
|
2.3 T-S模糊模型介绍 |
28-31 |
|
2.3.1 T-S模型结构 |
28 |
|
2.3.2 T-S模型的辨识 |
28-30 |
|
2.3.3 T-S模型的缺陷 |
30-31 |
|
第三章 光谱数据的预处理 |
31-47 |
|
3.1 经典光谱预处理方法 |
31-32 |
|
3.2 基于小波变换的数据滤噪与压缩 |
32-35 |
|
3.3 基于粗糙集理论的进一步数据预处理 |
35-47 |
|
3.3.1 决策表的建立 |
35-36 |
|
3.3.2 约简方法的分析及选取 |
36-47 |
|
第四章 基于BP神经网络的光谱分析模型 |
47-56 |
|
4.1 传统光谱分析模型 |
47-50 |
|
4.1.1 多元线性回归 |
47-48 |
|
4.1.2 主成分回归(PCR) |
48-49 |
|
4.1.3 偏最小二乘法(PLS) |
49-50 |
|
4.2 BP神经网络模型的建立及分析 |
50-56 |
|
4.2.1 BP网络结构的确定 |
51-52 |
|
4.2.2 BP网络学习算法的确定 |
52-54 |
|
4.2.3 实验结果 |
54-55 |
|
4.2.4 BP网络的主要缺陷 |
55-56 |
|
第五章 基于协同进化的遗传模糊系统 |
56-68 |
|
5.1 模型介绍及一些基本原则 |
56-60 |
|
5.1.1 T-S模型各部分的参数选择 |
57-58 |
|
5.1.2 协同进化算法 |
58-60 |
|
5.2 算法操作 |
60-61 |
|
5.3 模型描述及实现 |
61-68 |
|
5.3.1 模型结构 |
61-64 |
|
5.3.2 适值估计 |
64-65 |
|
5.3.3 程序实现及实验结果 |
65-68 |
|
第六章 结论与展望 |
68-70 |
|
参考文献 |
70-74 |
|
致谢 |
74 |
|
| 【DOI】 | LunWen.ID:2.2008.380550 |
