基于机器学习的无损检测研究

基于机器学习的无损检测研究

论文摘要

近、中红外检测技术是通过对被测物体进行透射或者漫反射,获取到其光谱信息,由光谱信息可反应出被测物体的内部品质。对光谱信息进行预处理是基于机器学习的光谱分析的前提和基础,其作用是剔除无关或冗余的特征和突出被测物体与其理化性质相关的吸收峰。基于机器学习对农产品的吸光度进行学习,是实现无损检测的一种重要手段。通过SNV和PCA相结合对光谱特征进行处理可以有效减少后续对光谱建模的复杂度并且可以降低预测其理化性质的误差。由于实际采集光谱时受环境因素影响致使采用线性模型对光谱特征学习有较大的误差,所以将Xgboost算法引入到近红外无损检测技术中,可有效改善线性模型的预测结果。最终,对比所提方法与PLSR方法在不同预处理方式下对水果品质的预测效果。在196个苹果样本上进行了实验,证明了所提方法的有效性和高效性。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  •   1.1 论文背景及研究意义
  •   1.2 近红外光谱分析技术的研究现状
  •   1.3 本论文研究的意义
  •   1.4 本项目的主要研究内容
  • 第二章 近红外光谱采集原理及系统介绍
  •   2.1 近红外检测技术相关理论
  •     2.1.1 近红外无损检测原理
  •     2.1.2 近红外光谱在线检测系统
  •   2.2 本章总结
  • 第三章 不同预处理方式下的建模效果研究
  •   3.1 原始光谱预处理方法
  •     3.1.1 均值中心化
  •     3.1.2 平滑
  •     3.1.3 多元散射校正
  •     3.1.4 标准正态变量变换
  •   3.2 PLSR建模效果对比分析
  •     3.2.1 PLSR基本原理
  •   3.3 本章总结
  • 第四章 近红外光谱的特征降维分析
  •   4.1 近红外光谱特征波段选择的必要性
  •   4.2 降维方法介绍与对比分析
  •     4.2.1 特征抽取方法介绍及实验对比
  •     4.2.2 特征选择方法对比分析
  •     4.2.3 特征选择实验结果与评价
  •   4.3 本章小结
  • 第五章 综合实验及结果评价
  •   5.1 Xgboost算法介绍
  •   5.2 对样本的无损检测实验
  •     5.2.1 原始数据的获取和整理
  •     5.2.2 模型度量标准
  •     5.2.3 Lasso 选择实验
  •     5.2.4 建模算法执行效率实验
  •     5.2.5 Xgboost 算法参数选择实验
  •     5.2.6 建模效果分析
  •   5.3 本章小结
  • 第六章 总结与展望
  •   6.1 工作总结
  •   6.2 工作展望
  • 参考文献
  • 在学期间的研究成果
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 王润泽

    导师: 李彩虹

    关键词: 近红外光谱分析,预处理,特征选择,机器学习

    来源: 兰州大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 物理学,无线电电子学,自动化技术

    单位: 兰州大学

    分类号: TP181;O434.3

    总页数: 60

    文件大小: 3697K

    下载量: 343

    相关论文文献

    • [1].一个轻量级分布式机器学习系统的设计与实现[J]. 计算机工程 2020(01)
    • [2].百度研究院发布2020年十大科技趋势预测[J]. 中国经济周刊 2020(01)
    • [3].浅谈中高年级本科生机器学习知识传授与科研素养培育的三大主线[J]. 教育教学论坛 2020(10)
    • [4].自动化机器学习中的超参调优方法[J]. 中国科学:数学 2020(05)
    • [5].机器学习系统毒化攻击综述[J]. 通信技术 2020(03)
    • [6].机器学习在地球物理测井中的应用进展[J]. 测井技术 2020(02)
    • [7].基于自动机器学习的云平台动态资源调度研究[J]. 科技视界 2020(13)
    • [8].非经典条件下的机器学习方法专题前言[J]. 软件学报 2020(04)
    • [9].“机器学习+量子计算”未来可期[J]. 张江科技评论 2020(03)
    • [10].机器学习在粒子加速器的应用(英文)[J]. 数据与计算发展前沿 2019(06)
    • [11].机器学习如何改变教育[J]. 计算机与网络 2020(12)
    • [12].机器学习诞生新型“研究员”[J]. 机床与液压 2020(14)
    • [13].机器学习如何推动5G网络[J]. 计算机与网络 2020(13)
    • [14].一种机器学习与相变之间的新型映射(英文)[J]. 中国科学技术大学学报 2020(01)
    • [15].机器学习预测金融市场走势[J]. 数据分析与知识发现 2020(08)
    • [16].魏德米勒自动化机器学习解决方案[J]. 石油化工自动化 2020(05)
    • [17].面向数据科学研究生的机器学习课程教学研究[J]. 计算机教育 2020(11)
    • [18].基于机器学习的智慧农业决策系统设计与实现[J]. 信息与电脑(理论版) 2018(24)
    • [19].分布式机器学习平台与算法综述[J]. 计算机科学 2019(03)
    • [20].机器学习在反洗钱领域的应用与发展[J]. 清华金融评论 2019(04)
    • [21].机器学习让计算机更智能[J]. 计算机与网络 2019(14)
    • [22].机器学习在经济学中的应用[J]. 纳税 2019(24)
    • [23].机器学习在网络空间安全研究中的应用分析[J]. 电脑知识与技术 2019(24)
    • [24].基于机器学习的城市生成方法研究[J]. 智能建筑与智慧城市 2019(11)
    • [25].降低机器学习门槛的六大工具[J]. 电脑知识与技术(经验技巧) 2019(10)
    • [26].机器学习在企业级场景中的实践与探讨[J]. 中国建设信息化 2018(03)
    • [27].机器学习——我们该如何与机器竞争[J]. 数字通信世界 2018(01)
    • [28].机器学习的能力范围及其对劳动力的影响[J]. 世界科学 2018(04)
    • [29].机器学习即服务[J]. 网络安全和信息化 2017(10)
    • [30].机器学习作用于信息安全的五大顶级案例[J]. 网络安全和信息化 2018(01)

    标签:;  ;  ;  ;  

    基于机器学习的无损检测研究
    下载Doc文档

    猜你喜欢