BP 神经网络在生物表面光谱识别中的应用(硕士论文)200429

参考文献---------------------------------------------------------------------61 发表论文情况---------------------------------------------------------------66 致谢---------------------------------------------------------------------------67 摘要 Abstract
第四章
生物表面光谱测试系统的设计------------------------------32
§4.1 生物表面光谱测试系统的结构---------------------------------------32 §4.2 光谱测试系统的技术参数------------------------------------------- -36 §4.3 光纤传输衰减的校正 -------------------------------------------------37
§1.1 §1.2
§1.3 BP 神经网络在光谱识别中应用概述-------------------------------4
第二章
生物表面光谱表征方法-----------------------------------------5
生物表面辐射度特性的表征------------------------------------------5 生物表面色度表征的基本理论---------------------------------------7
第五章
生物表面光谱测试结果及分析------------------------------46
§5.1 测试系统技术指标的验证---------------------------------------------46 §5.2 生物表面光谱及色度的测量------------------------------------------47
进行定性和定量的分析，但当物质成分较多结构相对复杂的情况下，由于光 谱的严重重合（特别是大分子有机物在近红外区域附近的光谱尤为明显）或 光谱信号较弱而噪音信号较强致使利用直接比对法分析光谱将变的异常困 难。分析这类光谱的主要方法是通过对样品光谱和其质量参数（例如浓度、 压强等）进行关联，建立校正模型，然后通过校正模型预测样品的组成和性 质。物质的光谱中包含了组成成分和结构的信息，而质量参数也与其组成和 结构有关，因此物质的光谱和其质量参数存在着内在的联系。通过数学方法 对两者进行关联表达两者之间的内在关系即建立校正模型。这样只要测量未 知样品的光谱根据校正模型和标准样品光谱就可以预测样品的质量参数。常 用的建模方法是多元校正方法包括：多元线性回归（ Multivariate Linear Regression ,MLR） 、主成分分析（Principle Component Analysis ,PCA） ，主成 分回归（Principle Component Regression ,PCR） 、偏最小二乘法（Partial Least Squire ,PLS） 、 拓扑学方法和人工神经网络 （Artificial Neural Networks， ANN） 等方法。MLR、PCR 和 PLS 方法主要用于样品的质量参数与变量间呈线性 关系的关联；拓扑学方法和 ANN 方法常用于非线性关系的关联[2，3，4]。 MLR 方法计算简单，物理意义明确，易于理解，但对参加关联的变量数 目有限制。由于仅使用几个波长下的光谱数据，这样常常会丢失许多光谱信 息，导致关联出现较大偏差。为了提高 MLR 的准确性，可以采用傅立叶变 换和基因算法等方法。PLS 是光谱分析中使用最多和效果最好的一种方法， 它结合了因子分析和回归分析算法。一张光谱（特别是近红外光谱）通常包 括几百到几千个波长下的吸收或透射数据，它们既包含了待分析组分的信息 又有干扰组分或其它因素（如仪器和环境等）的信息。PLS 通过因子分析将 光谱压缩为较低维空间数据（方法是将光谱数据向协方差最大方向投影）并 将原光谱分解为多种主成分光谱。不同光谱主成分分别代表不同组分和因素 对光谱的贡献，通过对主成分的合理选取，去掉代表干扰组分和干扰因素主
§2.1 §2.2
第三章
BP 神经网络原理-----------------------------------------------20
§3.1 人工神经元概述---------------------------------------------------------20 §3.2 人工神经网络结构------------------------------------------------------22 §3.3 多层前馈神经网络与误差逆向传播（BP）算法-----------------25
论文分类号：0433.3 密 吉 林 大 学 硕 士 学 位 论 文 作 者 施 伟 杰 级：内部
单
位
代
码：10183
研 究 生 学 号：2200429ຫໍສະໝຸດ 吉硕 士林
学
大
位
学
论 文
BP 神经网络在生物表面光谱识别中的应用
AN APPLICATION OF BP-ANN TO THE SPECTRUM IDENTIFICATION OF THE BIOLOGIC SURFACE
成分，仅选取有用的主成分参与质量参数的回归。PLS 对参加关联的数据可 以随意选取与 MLR 相比更能充分利用光谱信息，得到更好的关联结果。所 不足的是建立模型需要计算的时间较长。 MLR 和 PLS 多用于解决线性校正问题，对于实际样本多质量参数的测 定能够获得满意的结果。但环境和光谱仪等因素对光谱的影响是非线性的， 另外某些质量参数和光谱的关系本身就是非线性的。解决这类问题常采用拓 扑方法和人工神经网络的方法。但拓扑方法必须具备很大的数据库，实际应 用起来很困难。人工神经网络在解决非线性问题和模型抗干扰方面有着不可 比拟的优越性， 其缺点是进行光谱定量分析时人工神经网络的输入不能过多， 但在定性分析中却可以发挥较强的模式识别作用。 §1.2 模式识别的概述 模式识别属于人工智能的范畴，人工智能就是要用机器去完成过去只有 人类才能完成的智能活动[5]。这里的“智能”指的是人类在认识和改造自然 的过程中表现出来的智力活动的能力，例如通过视觉、听觉、触觉等感官接 受图象、文字、声音等各种自然信息去认识外界环境的能力；将感性知识加 工成理性知识的能力；经过教育、训练、学习不断提高认识与改造客观环境 的能力；对外界环境的变化和干扰作出适应性反应的能力等。模式识别就是 要用机器去完成人类智能中通过视觉、听觉、触觉等感官去识别外界环境信 息的那些工作。 “模式” 这个概念的内涵是很丰富的。 我们把凡是人类能用其 感官直接或间接接受的外界信息都成为模式，比如：文字、图片、景物、声 音、语言等等。识别，对于简单的问题可以把它当作是分类；而对于复杂的 问题还需要对区别待识别模式的描述。
预处 理 特征基 元选择 识 别 识别分 类和结
输 入 模 式
图 1—1 模式识别系统框图 Fig.1-1 The pattern classifision system frame 图 1—1 是模式识别系统的简单框图， 它由预处理、 特征或模式基元的抽 取和选择及识别三大部分组成[6]。1、预处理：为了使输入模式满足识别的要 求而进行滤波、坐标变换、图像增强、区域分割、边界检查等数据处理，同 时可以减少外界干扰和噪声的影响。2、特征或基元的选择：经过预处理满足 识别要求的模式要根据识别方法的要求抽取选择特征和基元， 作为识别依据。 3、识别：模式识别主要有两类方法，即决策论方法和结构（语句）方法。决 策论模式识别方法一般称为统计模式识别方法，它是从被研究的模式中选择 能够充分代表它的若干特征 （设有 d 个） ， 每一个模式都由这 d 个特征组成的 d 维向量来代表，于是每一个模式在 d 维空间中占有一定的位置，一个合理 的假设是同类的模式在模式空间的距离很近，不同的模式在特征空间中的距 离较远。如果用某种方法分割特征空间使同一类模式大体都在特征空间同一 区域内，对待分类的模式就可根据它在特征空间的区域来判断其模式类型。 结构方法立足于分析模式的结构信息。在这种方法中，把模式的分层结构类 比于句子的结构，这样就可以利用形式语言学的理论来分析模式。 近年来在模式识别中出现了应用模糊数学和人工神经网络的方法，取得 了较好的效果。对于某些复杂的模式识别问题采用了人工智能的一些方法， 尤其是与专家系统相结合，研究出新的“基于知识”的模式识别方法。 §1.3 BP 神经网络在光谱识别中应用概述 从上节模式的定义可知物质的光谱是在模式范畴之内的。而最近人工神 经网络在模式识别中的成功应用， 为将神经网络应用于光谱识别提供了可能。 目前在国内外已经有学者将 BP 神经网络应用于光谱识别和分析领域中，并
第六章 神经网络用于生物表面特性分类的初步研究--------------52
§ 6.1 人 工 神 经 网 络 参 数 调 整 对 生 物 表 面 光 谱 识 别 的 影 响 ----------------------------------------------------------------------------52 § 6.2 BP 人 工 神 经 网 络 对 生 物 表 面 光 谱 特 性 的 分 类 结 果 ----------------------------------------------------------------------------55 §6.3 利用隶属度表示分类结果的初步研究------------------------------59
关键词：人工神经网络、生物表面、光纤、光谱衰减、傅立叶变换、 隶属度表示法
目
录
提要
第一章
绪论-----------------------------------------------------------------1