文献类型：期刊文章

作　　者：梁亮[1,2,3] 刘志霄[2] 杨敏华[1] 张佑祥[2] 汪承华[2]

机构地区：[1]中南大学信息物理工程学院,湖南长沙410083 [2]吉首大学生物资源与环境科学学院,湖南吉首416000 [3]中南林业科技大学林业遥感信息工程研究中心,湖南长沙410004

出　　处：《红外与毫米波学报》

基　　金：国家自然科学基金项目(30570279);中南林业科技大学林业遥感信息工程研究中心开放性研究基金项目(RS2008k03);中南大学研究生创新项目(1343-74334000022);中南大学拔尖博士研究生学位论文创新项目(1960-71131100007);优秀博士论文扶持项目资助(2008yb024)

年　　份：2009

卷　　号：28

期　　号：5

起止页码：353-356

语　　种：中文

收录情况：AJ、BDHX、BDHX2008、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、DOAJ、EI(收录号：20094912532361)、IC、INSPEC、JST、RCCSE、SCI(收录号：WOS:000271439300008)、SCI-EXPANDED(收录号：WOS:000271439300008)、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：利用可见/近红外光谱技术对市场上5种稻米进行了鉴别.以ASD FieldSpec3地物光谱仪采集了5种稻米的光谱数据,各获取35个样本,随机分成训练集(150份)和检验集(25份),并分别采取全波段与特征波段(400～500nm、910～1400nm与1940～2300nm)两种方法建立模型进行分析.光谱经S.Golay平滑和标准归一化(SNV)处理后,以主成分分析法(PCA)降维.将降维所得的前9个主成分数据作为BP人工神经网络(BP-ANN)的输入变量,稻米品种作为输出变量,建立3层BP-ANN鉴别模型.利用25个未知样对模型进行检验,结果表明两类模型预测准确率均高达100%,其中特征波段模型比全波段模型具有更高的预测精度,说明利用可见/近红外技术结合PCA-BP神经网络分析法进行稻米品种与真伪的快速、无损鉴别是可行的,且提取特征波段是优化模型的有效方法之一.

关 键 词：可见/近红外光谱  稻米 主成分分析 BP-人工神经网络  鉴别  

分 类 号：S123] S511