学位论文 > 优秀研究生学位论文题录展示
基于近红外光谱技术的苜蓿(Madicago sativa)秋眠性预测研究
作 者: 王红柳
导 师: 卢欣石
学 校: 北京林业大学
专 业: 草业科学
关键词: 苜蓿秋眠性 近红外光谱 主成分分析(PCA) 支持向量机(SVM)
分类号: S541.9
类 型: 硕士论文
年 份: 2011年
下 载: 21次
引 用: 0次
阅 读: 论文下载
内容摘要
本文以美国苜蓿秋眠性标准对照品种为材料实验,采用4个刈割处理,对北京地区苜蓿秋眠性评定的最佳时期进行了研究。结果表明,在4个刈割处理中,2009年10月10日刈割的样品,经LSD显著性检验可知,25天后不同秋眠等级的苜蓿品种间的再生高度表现出了显著的差异性。秋眠性等级为1的Maverick,生长速率显著下降,刈割后的再生高度为2.4cm,在一个量级之内(h<5cm),因此,2009年,北京地区秋眠性的最佳评定时间可以定为10月10日。取最佳评定时期刈割的苜蓿样品进行烘干、粉碎等预处理,应用傅立叶近红外光谱仪采集其近红外光谱,在此基础上进行了苜蓿秋眠性测定的研究。结论如下:主成分分析(PCA)结合BP神经网络法建立苜蓿秋眠性预测模型,当光谱范围选择7000~8000cm-1,4000~7000cm-1时,PCA-BP预测模型的准确率达87.27%,效果最佳,所建立的模型具有预测苜蓿秋眠性的潜力;主成分分析(PCA)结合LVQ神经网络法对全光谱建立苜蓿秋眠性预测模型,PCA-LVQ预测模型准确率为90.90%,效果较好,可见,LVQ神经网络法用于建立苜蓿秋眠性的预测模型具有一定的应用效果;采用主成分分析(PCA)结合支持向量机法(SVM)对全光谱建立苜蓿秋眠性预测模型,当c=0.3392,g=32时,模型预测准确率可达98.182%。因此,主成分分析(PCA)结合支持向量机法(SVM)所建立的模型可以作为一种初步判断苜蓿秋眠性的手段之一。该研究利用近红外光谱技术对苜蓿秋眠性进行了预测,在国内尚属首次,填补了国内空白。同时,该研究结果为苜蓿秋眠性的测定及其在生产和科研中的应用提供了更为快速、准确、便捷的新方法。
|
全文目录
摘要 3-4 ABSTRACT 4-9 1 引言 9-20 1.1 研究的目的和意义 9-10 1.2 苜蓿秋眠性国内外研究进展 10-11 1.3 苜蓿秋眠性测定方法概述 11 1.3.1 再生高度法 11 1.3.2 子叶节长法 11 1.3.3 近红外光谱法 11 1.4 近红外光谱技术在农业上的应用 11-15 1.4.1 近红外光谱技术在作物品质分析方面的应用 11-12 1.4.2 近红外光谱技术在测定和分析饲草的常规营养成分上的应用 12-13 1.4.3 近红外光谱技术在作物品种资源鉴定和育种中的应用 13-14 1.4.4 近红外光谱技术在分析牧草组成上的应用 14 1.4.5 近红外光谱技术在植物病虫害抗性方面的应用 14 1.4.6 近红外光谱技术在土壤分析上的应用 14-15 1.4.7 近红外光谱技术在检测食草动物对牧草反应方面的应用 15 1.5 近红外光谱技术概述 15-16 1.5.1 近红外光谱技术的主要特点 15 1.5.2 近红外光谱定量判别分析 15-16 1.5.3 近红外光谱定性判别分析 16 1.6 主要研究内容及技术路线 16-20 1.6.1 主要研究内容 17-18 1.6.2 技术路线 18-20 2 北京地区苜蓿秋眠性最佳评定时期的确定 20-25 2.1 研究区概况 20 2.2 实验设计与方法 20-21 2.2.1 实验材料 20 2.2.2 小区设计 20 2.2.3 实验方法 20-21 2.3 数据分析方法 21 2.4 结果与分析 21-24 2.5 小结 24-25 3 苜蓿样品的收集与近红外光谱采集 25-29 3.1 前言 25 3.2 苜蓿样品的收集 25 3.2.1 样本数量的确定 25 3.2.2 样品采集时间的确定 25 3.2.3 样品的前处理 25 3.3 苜蓿粉末样品的近红外光谱采集 25-28 3.3.1 近红外漫反射原理 26 3.3.2 光谱采集仪器 26-27 3.3.3 光谱的采集 27-28 3.4 小结 28-29 4 基于近红外光谱技术的苜蓿秋眠性预测模型的建立 29-51 4.1 实验材料和仪器 29 4.1.1 实验材料 29 4.1.2 建模软件 29 4.1.3 建模集和预测集的选择 29 4.2 预处理方法 29-34 4.2.1 光谱的预处理方法 29-31 4.2.2 光谱范围的选择 31 4.2.3 近红外光谱分析数据的预处理方法 31-34 4.3 基于主成分回归分析的苜蓿秋眠性预测模型的建立 34-36 4.3.1 主成分回归分析方法原理 34-35 4.3.2 建模集和预测集的选择 35 4.3.3 光谱范围的选择 35 4.3.4 结果与分析 35 4.3.5 结果分析 35-36 4.4 基于偏最小二乘法回归分析的苜蓿秋眠性预测模型的建立 36-37 4.4.1 偏最小二乘法回归分析方法原理 36 4.4.2 建模集和预测集的选择 36 4.4.3 光谱范围的选择 36 4.4.4 主成分的选择 36 4.4.5 结果与分析 36-37 4.4.6 结果与分析 37 4.5 基于BP神经网络分析的苜蓿秋眠性预测模型的建立 37-41 4.5.1 BP神经网络方法原理 37-40 4.5.2 建模集和预测集的选择 40 4.5.3 光谱范围的选择 40 4.5.4 主成分的选择 40 4.5.5 结果与分析 40 4.5.6 结果与分析 40-41 4.6 基于LVQ神经网络分析的苜蓿秋眠性预测模型的建立 41-43 4.6.1 LVQ神经网络分析方法简介 41 4.6.2 学习规则 41-42 4.6.3 建模集和预测集的选择 42 4.6.4 光谱范围的选择 42 4.6.5 主成分的选择 42 4.6.6 光谱预处理方法的确定 42 4.6.7 结果与分析 42-43 4.7 基于SVM支持向量机方法的苜蓿秋眠性预测模型的建立 43-49 4.7.1 SVM支持向量机方法和原理 43-47 4.7.2 建模集和预测集的选择 47 4.7.3 光谱范围的选择 47-48 4.7.4 光谱预处理方法的确定 48 4.7.5 模型的建立 48 4.7.6 结果与分析 48-49 4.8 小结 49-51 5 结论与展望 51-53 5.1 测定苜蓿秋眠性 51 5.2 北京地区苜蓿秋眠性最佳评定时期的确定 51 5.3 光谱采集及预处理方法的选择 51 5.4 优选代表苜蓿秋眠性等级的近红外光谱区间及最佳建模方法 51 5.5 本实验创新点 51-52 5.6 今后工作 52-53 参考文献 53-57 个人简介 57-58 导师简介 58-59 致谢 59
|
相似论文
- 葡萄籽原花青素制备工艺及真菌毒素检测,TQ461
- 基于近红外光谱的水稻叶片氮素营养监测研究,S511
- 近红外光谱分析技术在尖椒叶片生长信息获取中的应用,S641.3
- 光周期对不同秋眠类型紫花苜蓿phyA、phyB mRNA和植物激素含量的影响,S541.9
- 黍稷近红外测定方法及其抗氧化品质性状分析,S516
- 基于三波段六光束的反射式近红外水分仪设计,TN214
- 基于近红外光谱分析的轴对称乙烯扩散火焰温度及碳黑浓度检测,TK16
- 仪器间的光谱模型传递及谱图标准化,O657.33
- 基于SVM-RFE的潜在生物标志物选择算法研究,TP311.13
- 基于DSP+FPGA的近红外检测仪关键技术研究,TN791
- 智能化教学中的情感识别方法研究,TP391.41
- 大肠杆菌等致病菌的近红外光谱检测方法研究,R378
- 高速公路交通安全综合评价和瓶颈问题分析,U492.8
- 利用近红外光谱进行羊绒与羊毛的鉴别技术研究,TS131
- 科尔沁牛胴体品质及肉品质预测,TS251.52
- 近红外光谱快速检测牛奶品质的研究,TS251
- 可溶性单壁碳纳米管的制备,TB383.1
- 亚热带主要树种细根归属识别与形态构型特征分析,S718.4
- 基于近红外光谱技术的蔬菜中农药残留量检测方法研究,TP274
- 基于BCI多动作模式的ERD/ERS信号分析及识别方法的研究,TN911.6
- 基于近红外光谱技术的食用油品质快速检测方法研究,TN219
中图分类: > 农业科学 > 农作物 > 饲料作物、牧草 > 多年生豆科牧草 > 其他
© 2012 www.xueweilunwen.com
|