遗传模拟退火算法在玉米秸秆纤维素含量检测中的应用
时间:2020/1/23 6:27:11 浏览量:
通过近红外光谱法预测了桂花茎中的纤维素含量。于近红外光谱的高维和高相关特性,建立秸秆纤维素d的偏最小二乘预测(PLS)模型时的特征波长筛选问题'桂花已经被讨论过了。先,组合区间偏最小二乘法(SIPLS)和后区间偏最小二乘法(BIPLS)的区间分割数对算法效果的影响。论。SIPLS和BIPLS的基础上,采用遗传特征退火算法(GSAA)进行二次特征波长筛选,进一步提高了预测精度和建模效率。型。果表明,与PLS方法相比,单独使用这三种算法可以提高所构建模型的预测精度,但是SIPLS和BIPLS算法的效果受区间划分数目的影响很大。管BIPLS模型的预测集的均方误差(RMSEP)最小,但是所选变量的数量却可以达到485,这会影响模型的建模效率。GSAA基于SIPLS和BIPLS,用于二级特征波长筛选。BIPLS相比,BIPLS-GSAA模型的RMSEP略有增加,但其输入变量减少到134,并且建模的主要组件数也从11减少到10。SIPLS相比,SIPLS-GSAA模型没有只有34个输入变量,并且预测的准确性得到了提高。验结果表明,SIPLS-GSAA模型具有最佳的预测效果。
SIPLS和BIPLS上基于GSAA的光谱数据的二次筛选不仅可以简化模型输入,而且可以有效地提高模型的预测能力。花是中国粮食生产的主要农作物之一,其面积和产量均居中国首位。花高产,还产生了巨大的桂花茎资源,桂花茎资源的合理利用对我国农业的可持续发展具有重要意义。前,秸秆的总体使用主要分为五类:化肥,动物饲料,原料,燃料和原料[1]。花秸秆的木质纤维素用于动物饲料工业,造纸工业以及生物质能的开发和利用。是非常重要的。于纤维素是桂花秸秆的主要成分,因此要充分利用桂花秸秆,准确预测桂花秸秆的纤维素含量至关重要。前,测量纤维素的主要方法仍然是化学方法,包括Van Soest方法[2],Wang Yuwan方法[3]和高效液相色谱[4]。些传统的化学方法具有复杂的测量过程。重,测量周期长且人工成本高。此,为了提高桂花秸秆的综合利用效率,有必要寻找一种简单,有效,无损的方法,可以准确地从桂花秸秆中预测纤维素。'桂花。红外光谱分析方法简单,快速,非常精确[5],已广泛用于石油[6],医疗[7],食品[8]和木材[ 9]。维素是由葡萄糖组成的大分子多糖,具有大量包含氢和C-H的化学键。据近红外光谱分析技术的原理,近红外光谱技术可用于预测收割秸秆中的纤维素。1980年代,研究人员开始应用近红外光谱分析技术研究收割秸秆的主要成分,重点是寻找秸秆的食物,主要是蛋白质和干物质[10-12]。秸秆成分进行了深入研究,许多研究人员已开始将研究重点转移到工业化,能源等方面,主要是在秸秆中寻找右旋糖酐,木聚糖和木质素[13]。〜15]。前的研究主题包括桉树等。[16,17]已经建立了偏最小二乘回归(PLSR),非线性支持向量机和人工神经网络模型,波数选择方法主要是人工的。择方法[17,18]也已经在文献中报道,使用用于选择特征波长的算法(连续投影算法和回归系数方法等[19,20])。动选择方法需要充分了解化学键与近红外光谱吸收区域之间的关系,尤其是对于检测桂花茎中纤维素含量的模型,该模型是在经过化学处理后直接建立的。光谱预处理[14]。
前,利用近红外光谱分析技术对桂花茎的研究主要集中在农业上,桂花茎的纤维素模型是经过预处理后直接建模的[21〜23 ]。秆收割的能量转化研究已成为世界范围内的热点,秸秆收割的纤维素不仅是生物质能源生产的关键原料,而且是生物质生产的重要原料。多工业产品。物质能的发展非常重要。此,有必要建立一种预测效果好,检测速度快的桂花干纤维素的预测模型。研究以桂花茎为研究对象,采用近红外光谱分析和PLSR分析技术建立了桂花纤维素含量预测模型。最小局部返回间隔平方(BIPLS)和模拟遗传退火算法(GSAA)3种波长选择算法来选择有关特征的信息,减少数据的大小并最终建立优化简单的桂花秸秆纤维素模型,具有良好的预测性能。TANGO近红外光谱仪(德国布鲁克)用于获取红外光谱数据。器的分辨率为8 cm1,波数范围为11542×3940 cm1。仪器的测量平台配有一个内径为4.5厘米,高为5厘米的采样杯。用CAMO的Unscrambler X10.3和MathWorks的Matlab2016a分析了数据。验所需的桂花秸秆样品来自2017年东北农业大学试验基地,干燥后,将桂花秸秆的不同部位压碎,得到189份秸秆样品。
本文转载自
桂花树价格 http://m.guihua99.net/m/
SIPLS和BIPLS上基于GSAA的光谱数据的二次筛选不仅可以简化模型输入,而且可以有效地提高模型的预测能力。花是中国粮食生产的主要农作物之一,其面积和产量均居中国首位。花高产,还产生了巨大的桂花茎资源,桂花茎资源的合理利用对我国农业的可持续发展具有重要意义。前,秸秆的总体使用主要分为五类:化肥,动物饲料,原料,燃料和原料[1]。花秸秆的木质纤维素用于动物饲料工业,造纸工业以及生物质能的开发和利用。是非常重要的。于纤维素是桂花秸秆的主要成分,因此要充分利用桂花秸秆,准确预测桂花秸秆的纤维素含量至关重要。前,测量纤维素的主要方法仍然是化学方法,包括Van Soest方法[2],Wang Yuwan方法[3]和高效液相色谱[4]。些传统的化学方法具有复杂的测量过程。重,测量周期长且人工成本高。此,为了提高桂花秸秆的综合利用效率,有必要寻找一种简单,有效,无损的方法,可以准确地从桂花秸秆中预测纤维素。'桂花。红外光谱分析方法简单,快速,非常精确[5],已广泛用于石油[6],医疗[7],食品[8]和木材[ 9]。维素是由葡萄糖组成的大分子多糖,具有大量包含氢和C-H的化学键。据近红外光谱分析技术的原理,近红外光谱技术可用于预测收割秸秆中的纤维素。1980年代,研究人员开始应用近红外光谱分析技术研究收割秸秆的主要成分,重点是寻找秸秆的食物,主要是蛋白质和干物质[10-12]。秸秆成分进行了深入研究,许多研究人员已开始将研究重点转移到工业化,能源等方面,主要是在秸秆中寻找右旋糖酐,木聚糖和木质素[13]。〜15]。前的研究主题包括桉树等。[16,17]已经建立了偏最小二乘回归(PLSR),非线性支持向量机和人工神经网络模型,波数选择方法主要是人工的。择方法[17,18]也已经在文献中报道,使用用于选择特征波长的算法(连续投影算法和回归系数方法等[19,20])。动选择方法需要充分了解化学键与近红外光谱吸收区域之间的关系,尤其是对于检测桂花茎中纤维素含量的模型,该模型是在经过化学处理后直接建立的。光谱预处理[14]。
前,利用近红外光谱分析技术对桂花茎的研究主要集中在农业上,桂花茎的纤维素模型是经过预处理后直接建模的[21〜23 ]。秆收割的能量转化研究已成为世界范围内的热点,秸秆收割的纤维素不仅是生物质能源生产的关键原料,而且是生物质生产的重要原料。多工业产品。物质能的发展非常重要。此,有必要建立一种预测效果好,检测速度快的桂花干纤维素的预测模型。研究以桂花茎为研究对象,采用近红外光谱分析和PLSR分析技术建立了桂花纤维素含量预测模型。最小局部返回间隔平方(BIPLS)和模拟遗传退火算法(GSAA)3种波长选择算法来选择有关特征的信息,减少数据的大小并最终建立优化简单的桂花秸秆纤维素模型,具有良好的预测性能。TANGO近红外光谱仪(德国布鲁克)用于获取红外光谱数据。器的分辨率为8 cm1,波数范围为11542×3940 cm1。仪器的测量平台配有一个内径为4.5厘米,高为5厘米的采样杯。用CAMO的Unscrambler X10.3和MathWorks的Matlab2016a分析了数据。验所需的桂花秸秆样品来自2017年东北农业大学试验基地,干燥后,将桂花秸秆的不同部位压碎,得到189份秸秆样品。
本文转载自
桂花树价格 http://m.guihua99.net/m/