近红外光谱分析中人工神经网络法的应用

近红外光谱分析中人工神经网络法的应用

左平^1,2, 马驷良¹, 马捷³

1. 吉林大学数学研究所, 长春 130012； 2. 空军航空大学数学系, 长春 130022； 3. 吉林大学软件学院, 长春 130012

收稿日期:2005-02-23 修回日期:1900-01-01 出版日期:2006-01-26 发布日期:2006-01-26
通讯作者: 马驷良

Application of Neural Network in the Analysis of Nearinfrared Spectra

ZUO Ping^1,2, MA Si-liang¹, MA Jie³

1. Institute of Mathematics, Jilin University, Changchun 130012, China; 2. Department of Mathematics, PLA Air Force Aerotechnical University, Changchun 130022；3. College of Software, Jilin University, Changchun 130012, China

Received:2005-02-23 Revised:1900-01-01 Online:2006-01-26 Published:2006-01-26
Contact: MA Si-liang

摘要/Abstract

摘要： 设计了实用的人工神经网络模型进行定标并预测. 用误差反向传播算法, 构造了三层的神经网络结构, 用于解决光谱分析中谱峰重叠严重、噪声较大等问题. 在定标样本数量较大的情况下, 应用人工神经网络方法对玉米的蛋白质含量和近红外吸收光谱进行了分析和讨论. 实验结果表明, 人工神经网络方法优于线形回归法和偏最小二乘方法.

关键词: 光谱分析, 定标并预测, 人工神经网络法

Abstract: A practical manual neural network model was designed to make the location of target and predication. We used error backward direction propagation calculation method and established three-layer neural network to solve the problems of serious overlap of spectral peaks and big noise in the spectrum analysis. When the quantity of samples to be located is significant, We employed manual neural network method to analyze and discuss the corn’s protein content and nearinfrared spectrum. By analyzing the experimental result it is concluded that manual neural network method is superior to linear regression method and partial leastsquares method.

Key words: spectrum analysis, location and predication, manual neural network method

中图分类号:

TP183

左平, 马驷良, 马捷. 近红外光谱分析中人工神经网络法的应用[J]. J4, 2006, 44(01): 57-60.

ZUO Ping, MA Si-liang, MA Jie. Application of Neural Network in the Analysis of Nearinfrared Spectra[J]. J4, 2006, 44(01): 57-60.

[1]	陶玉杰, 李艳红, 孙刚. 基于Bernstein多项式构造前向神经网络的遗传算法[J]. 吉林大学学报(理学版), 2021, 59(2): 233-240.
[2]	陈雪, 王贵君. 基于三角模糊化的Mamdani模糊系统输出算法[J]. 吉林大学学报(理学版), 2020, 58(5): 1181-1188.
[3]	卢爱平, 李建平, 李盼池, 范友贵. 基于量子自组织网络的水淹层识别方法[J]. 吉林大学学报(理学版), 2020, 58(4): 944-952.
[4]	倪红梅, 刘永建, 李盼池. 基于自适应动态重组和极值扰动的人工蜂群算法[J]. 吉林大学学报(理学版), 2019, 57(3): 607-612.
[5]	李建平, 宫耀华, 赵思远, 卢爱平, 李盼池. 粒子群优化算法的改进及数值仿真[J]. 吉林大学学报(理学版), 2017, 55(02): 322-332.
[6]	孙丹, 万里明, 孙延风, 梁艳春. 一种改进的RBF神经网络混合学习算法[J]. J4, 2010, 48(05): 817-822.
[7]	王彦全, 赵衍辉, 杨晓翠, 王海洋, 王江, 魏熙乐. 神经网络广义Backstepping预测控制[J]. J4, 2010, 48(05): 828-834.
[8]	于连江, 吴春国, 郭立强, 梁艳春, 杨锌朔. 易物模型及其求解算法[J]. J4, 2010, 07(4): 653-657.
[9]	周柚, 张琛, 吴春国, 时小虎, 梁艳春. 微阵列癌症数据误标记样本和异常样本识别的广义CL-stability算法[J]. J4, 2008, 46(03): 509-511.
[10]	殷树友, 黄岚. 带混合学习算法的多阶段神经模糊系统模型[J]. J4, 2008, 46(01): 89-95.
[11]	王秀梅, 王岩, 王淑琴, 杜伟, 孙仿逊, 周柚, 时小虎. 操纵子预测的生物信息学方法[J]. J4, 2006, 44(06): 153-156.
[12]	杨晓伟,, 邵壮丰梁艳春,, 吴春国,. 基于局部密度比的模糊隶属度设置算法[J]. J4, 2006, 44(06): 41-44.
[13]	徐秀娟, 贾立峰, 周春光, 王喆, 徐笑昂. 商业销售中的利润挖掘及商品选择算法[J]. J4, 2006, 44(02): 201-206.
[14]	王喆, 周春光, 周东滨, 管恩政. 双层结构的流数据聚类算法[J]. J4, 2005, 43(03): 303-307.
[15]	王喆, 王斌, 周春光, 徐振龙. 基于冲突指导的神经网络预测方法[J]. J4, 2004, 42(01): 88-93.