基于主成分分析和小波神经网络的近红外多组分建模研究论文.docVIP

　　基于主成分分析和小波神经网络的近红外多组分建模研究论文 汤守鹏 姚鑫锋 姚 霞 田永超 曹卫星 朱艳 【摘要】 将小麦叶片原始光谱经过预处理后，采用主成分分析(PCA)对数据进行降维，取前3个主成分输入小波神经网络，建立了基于主成分分析和小波神经网络的近红外多组分预测模型(SEP)分别为0.101%和0.089%，预测相关系数(R)分别为0.980和0.967。另外.freeloid函数)用小波函数Ψ来代替， 图1 小波神经网络结构 Fig.1 Structure of g/kg、速效磷含量40.3 mg/kg、速效钾含量100.3 mg/kg，前茬水稻。供试品种为宁麦9号和豫麦34号，试验设4个施氮水平，分别为0, 90, 180和270 kg N/ha纯氮 (ha为公顷)，两因素随机区组排列，3次重复，每小区面积约为23 m2，基本苗1.5×106 株/ha，行距25 cm。氮肥基追比2∶1∶1，追肥时期为拔节期和孕穗期，各占25%。各处理配施105 kg/ha P2O5和80 kg/ha KCl，全部用作基肥。其它管理措施同高产小麦田。实验2 2007～2008年在南京农业大学江浦试验站(南京市浦口区，118°37′E，32°02′N)进行。土壤有机质含量1.95%，全氮含量0.08%，速效磷含量13.4 mg/kg，速效钾含量48.9 mg/kg，前茬玉米。供试品种为宁麦9号，设4个施氮水平，分别为0, 90, 180和270 kg/ha 纯氮，两因素随机区组排列，3次重复，每小区面积约为16 m2，基本苗1.5×106株/ha，行距25 cm。氮肥基追比1∶1，追肥时期为拔节期，占50%。各处理配施150 kg/ha P2O5和 150 kg/ha K2O，全部用作基肥。其它管理措施同高产小麦田。 3.1.2 光谱采集和化学值测定 光谱采集用Thermo Nicolet 5700 FTIR近红外光谱仪(自带OMNIC 7.2集成软件和内径2.5 cm、高5 cm的专用石英杯)。光谱采集前，先在室温下开机预热约1 h，然后将过筛样品装入石英杯，容量约1/3，用专用砝码压紧，置于样品台上扫描，每次采集前均用镀金内壁作背景。扫描范围10000～4000 cm-1，分辨率4 cm-1，每次光谱采集扫描64次，每份样品重复采集光谱9次，取平均值代表该样品的光谱，以吸光度的格式存储于计算机中。 图2 叶片样品近红外吸光度谱图 Fig.2 Near infrared absorbance spectra of leaf samples所有光谱数据都转化为波长形式，范围为1000～2500 nm，数据点间隔取为1 nm，因而所有的样品光谱就组成了一个144行1501列的矩阵。图2为144份样品的近红外原始光谱图。 样品全氮含量(TNC)采用凯氏微量定氮法测定，可溶性总糖含量(TSSC)采用蒽酮比色法测定17。每份样品每个指标重复测定3次，取平均值作为该样品化学值(各组分含量单位均为%)，样品集的全氮和可溶性总糖含量变化范围分别为0.60%～4.32%和0.50%～4.78%。 3.2 数据处理与分析 运用马氏距离法18剔除奇异样品后，对NIR光谱进行多元散射校正和Norris一阶导数滤波处理，然后采用PCA方法将光谱压缩成若干主成分，最后将降维后的主成分分别作为小波神经网络和BP网络的输入节点，全氮和可溶性总糖两个化学组分作为输出节点，进行网络训练后得到模型，同时利用预处理后的光谱进行PLS建模。本研究中涉及到光谱预处理方法、PCA和神经网络算法均在Matlab 7.0下编程实现。 3.2.1 样品集的划分 为了减少偶然误差、提高模型精度，首先运用马氏距离法18从采集到的144份样品中剔除5份奇异样品，剩下139份样品，再从中随机选择出100份作为校正集，其余39份作为检验集。 3.2.2 光谱预处理 光谱预处理方法的选择关系着模型的预测性能。为了消除光谱散射、平移和偏转，减少环境噪声对光谱的干扰，通过对样品光谱预处理方法的多次选择，发现采用多元散射校正(MSC)19和Norris一阶导数20处理后的光谱建模效果最好，处理结果见图3。因此，在用1000～2500 nm全谱区进行建模前，采用上述方法对光谱进行预处理。 3.2.3 光谱主成分的提取 光谱经过预处理后，用PCA方法提取其主成分，结果如表1所示，前3个主成分累计贡献达99.69%，可代表样品光谱，因而可将前3个主成分(原变量的线性组合)经标准化处理后作为网络的输入节点。由此可以确定，小波神经网络的输入层节点数应为3，依次对应于3个主成分;而输出层节点数是2，对应于全氮和可溶性总糖两个化学组分。为了与PLS方法和传统神经网络进行比较， 图3 经预处