学位论文 > 优秀研究生学位论文题录展示

混纺面料成分的傅立叶近红外光谱检测研究

作　者: 颜丽
导　师: 刘莉
学　校: 武汉纺织大学
专　业: 物理电子学
关键词: 近红外光谱纤维含量小波变换主成分分析(PCA) 多元线性回归模型(MLR) 主成分回归模型(PCR) BP神经网络模型(PCA-BP、WT-ca3-BP、WT-ca4-BP、WT-ca5-BP)
分类号: TS107
类　型: 硕士论文
年　份: 2010年
下　载: 91次
引　用: 0次
阅　读: 论文下载

内容摘要

近红外光谱技术以其分析速度快、效果好、成本低、无污染等优点,在许多领域被广泛应用。本工作利用近红外光谱结合化学计量学方法,对混纺面料成分的检测进行了深入研究,在棉涤和棉毛样品的制备、近红外光谱数据的采集、数据的整理、预处理及各种模型的建立、模型的升级等方面做了大量工作,最终达到了预期的目的,取得了比较满意的效果。(1)详细介绍了近红外光谱分析的基础理论,研究了近红外光谱检测方法、分析流程、光谱数据的预处理技术和定量分析方法;(2)设计了混纺面料傅立叶近红外光谱检测的实验方案,进行了从样品制备、光谱数据采集,到数据预处理和校正模型建立整个实验过程的研究,初步确定实验具体实施的各个环节;(3)根据设计的实验方案,制备棉涤和棉毛两种纤维样品,将每种样品分为校正集(41个)、验证集(10个)和预测集(5个)三类,并采集近红外光谱数据,为后面数据的预处理、模型的建立做好准备;(4)根据近红外光谱的数据预处理技术,将采集到的光谱数据根据其自身的特点进行数据整理,选择分析的光谱区域,采用小波变换的方法对分析谱区的光谱数据进行消噪和压缩处理,利用主成分分析方法降低数据维数,并优化所得数据,预处理的结果大大减少了数据量和改善了数据质量;(5)建立线性和非线性模型。依次建立的模型有:多元线性回归模型(MLR)、主成分回归模型(PCR)、主成分分析和BP神经网络相结合的模型(PCA-BP)、小波变换和神经网络相结合的模型(WT-ca3-BP、WT-ca4-BP、WT-ca5-BP),其中前2种归为线性模型,后4种归为非线性模型。同时建立模型的评价体系(绝对误差AE、绝对平均误差MAE、标准差RMSE)为分析和评价校正模型提供理论支持。(6)比较所建模型,分析得出:线性模型原理简单,有助于理解近红外分析的基本原理;非线性模型的预测精度明显优于线性模型,并且灵活度高,尤其是小波变换和神经网络相结合的模型WT-ca3-BP(41-17-2)预测精度最高,棉涤的MAE在1.8%以内、RMSE在2.4%以内,棉毛的MAE在2%以内、RMSE在2.5%以内,此模型最适合用来对未知样品进行预测。在不改变WT-ca3-BP模型结构的情况下,将41个校正集和10个验证集样品合并作为新模型的校正集,将模型进行升级,升级模型预测精度更高,效果更加理想。最后利用升级模型对5个未知样品进行预测;(7)分析误差产生的来源,确立混纺面料成分的傅立叶近红外检测体系。

全文目录

摘要  4-5
ABSTRACT  5-9
1 绪论  9-13
  1.1 课题研究的背景  9-10
  1.2 近红外光谱研究的相关领域  10-12
  1.3 课题研究的内容  12-13
2 近红外光谱分析的理论基础  13-18
  2.1 近红外光谱分析的基础理论  13-15
    2.1.1 近红外定量分析原理  14
    2.1.2 朗伯-比尔定律  14-15
    2.1.3 光谱和浓度数据的数学描述  15
  2.2 近红外光谱检测方法  15-16
  2.3 近红外光谱分析流程  16-17
  2.4 本章小结  17-18
3 近红外光谱分析技术  18-27
  3.1 近红外光谱预处理方法  18-21
    3.1.1 小波消噪和压缩技术  18-20
    3.1.2 主成分分析法  20
    3.1.3 光谱数据的优化  20-21
  3.2 数学校正模型的建立  21-25
    3.2.1 多元线性回归模型（MLR）  21
    3.2.2 主成分回归模型（PCR）  21-22
    3.2.3 BP 神经网络（BP）  22-25
  3.3 模型的评价体系  25-26
  3.4 本章小结  26-27
4 实验研究与光谱数据预处理  27-40
  4.1 实验方案  27
  4.2 样品的制备  27-30
  4.3 近红外光谱数据的采集  30-33
    4.3.1 近红外光谱仪工作原理  30-31
    4.3.2 实验仪器  31
    4.3.3 实验仪器参数设置和环境  31-32
    4.3.4 实验方法与过程  32-33
  4.4 近红外光谱原始数据的整理  33-35
  4.5 光谱数据的预处理  35-38
    4.5.1 光谱分析波段的优选  35
    4.5.2 小波消噪和压缩  35-37
    4.5.3 主成分分析  37-38
    4.5.4 数据质量的改善  38
  4.6 本章小结  38-40
5 样品成分的定量分析  40-64
  5.1 棉涤样品分析结果  40-51
    5.1.1 多元线性回归模型（MLR）  40-41
    5.1.2 主成分回归模型（PCR）  41-42
    5.1.3 主成分分析和BP 神经网络相结合的模型（PCA-BP）  42-43
    5.1.4 小波变换和BP 神经网络相结合的模型（WT-BP）  43-51
  5.2 棉毛样品分析结果  51-57
    5.2.1 多元线性回归模型（MLR）  51-52
    5.2.2 主成分回归模型（PCR）  52-53
    5.2.3 主成分分析和BP 神经网络相结合的模型（PCA-BP）  53-54
    5.2.4 小波变换和BP 神经网络相结合的模型（WT-BP）  54-57
  5.3 预测集样品的预测  57-61
    5.3.1 校正模型之间的比较  57-58
    5.3.2 未知样品（预测集）的预测  58-61
  5.4 讨论  61-62
    5.4.1 误差来源分析  61-62
    5.4.2 检测体系的确立  62
  5.5 本章小结  62-64
6 结论与展望  64-66
  6.1 主要工作与创新  64
  6.2 建议  64-65
  6.3 展望  65-66
致谢  66-67
参考文献  67-70
附录  70-85

混纺面料成分的傅立叶近红外光谱检测研究

内容摘要

全文目录

相似论文