基于近紅外光譜和共軛梯度神經(jīng)網(wǎng)絡(luò)的板栗褐變檢測(cè)

潘磊慶，鄭 劍，史嬌智，袁 建，屠 康，*

(1.南京農(nóng)業(yè)大學(xué)食品科技學(xué)院，江蘇南京210095;2.浙江農(nóng)林大學(xué)農(nóng)業(yè)與食品科學(xué)學(xué)院，浙江臨安311300;3.南京財(cái)經(jīng)大學(xué)食品科學(xué)與工程學(xué)院，江蘇南京210046)

板栗(Chinese chestnut)，又名栗，營(yíng)養(yǎng)豐富，是良好的營(yíng)養(yǎng)保健品。我國(guó)是世界最大的板栗生產(chǎn)國(guó)，板栗品質(zhì)優(yōu)良，口感香甜，去衣方便，易于加工，在國(guó)際市場(chǎng)享有盛譽(yù)［1］。但是，在貯藏和加工過程中，板栗易發(fā)生褐變，使板栗的口感和營(yíng)養(yǎng)下降［2］。目前，對(duì)于加工中褐變板栗的剔除主要采取肉眼觀察、人工揀出的方法。由于板栗形狀不規(guī)則，成品復(fù)雜，導(dǎo)致人工方法檢測(cè)效率較低，檢測(cè)結(jié)果差異較大。近年來，利用近紅外光譜(NIR)分析技術(shù)快速、簡(jiǎn)便和無損地對(duì)農(nóng)產(chǎn)品進(jìn)行品質(zhì)分析，已廣泛成功應(yīng)用于各個(gè)領(lǐng)域，如芒果甜度［3］、玉米粒損傷［4］和芝麻油摻偽等［5］。目前也有一些利用近紅外光譜對(duì)板栗含水率、蟲害和霉變無損檢測(cè)的研究，但不涉及板栗褐變檢測(cè)。周竹等［6］利用近紅外光譜結(jié)合神經(jīng)網(wǎng)絡(luò)檢測(cè)霉變板栗，準(zhǔn)確率達(dá)94.47%。劉潔等［7］采用近紅外光譜技術(shù)檢測(cè)板栗的含水率，對(duì)帶殼板栗預(yù)測(cè)相關(guān)系數(shù)為0.847，栗仁為0.765。展慧等［8］用近紅外光譜和機(jī)器視覺融合檢測(cè)板栗缺陷，準(zhǔn)確率達(dá)到90%。主成分分析(Principal component analysis，PCA)和BP神經(jīng)網(wǎng)絡(luò)(Back propagation neural network)是較為常用的統(tǒng)計(jì)和分析方法。PCA能夠在保留主要光譜信息的前提下選擇較少的新變量來代替較多的舊變量，能夠成功解決由于譜帶的重疊而無法分析的困難［9－10］。BP神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)輸入與輸出之間的高度非線性映射，從微觀結(jié)構(gòu)與功能上對(duì)人腦神經(jīng)系統(tǒng)的模擬而建立起來的一類模型，具有非線性、學(xué)習(xí)能力和自適應(yīng)型，是模擬人的智能的一條重要途徑［10］，已成功用于農(nóng)產(chǎn)品的品質(zhì)檢測(cè)和分級(jí)［11－14］。本實(shí)驗(yàn)主要利用近紅外光譜技術(shù)檢測(cè)板栗褐變，對(duì)原始光譜進(jìn)行預(yù)處理后采用主成分分析提取特征光譜信息，結(jié)合神經(jīng)網(wǎng)絡(luò)對(duì)帶殼和去殼板栗褐變進(jìn)行檢測(cè)分級(jí)，為了提高分級(jí)準(zhǔn)確率，研究基于共軛梯度調(diào)整算法(Scaled conjugate gradient)的BP神經(jīng)網(wǎng)絡(luò)的分級(jí)效果，以期為板栗加工和貯藏中褐變的自動(dòng)化分級(jí)提供技術(shù)支持。

1 材料與方法

1.1 材料與儀器

本實(shí)驗(yàn)的板栗 浙江省麗水市云和縣，品種“毛板紅”，共763枚，分別用于帶殼和去殼板栗的褐變分析。要求板栗新鮮，形態(tài)完整、品質(zhì)完好、無腐爛變質(zhì)、潔凈、無異味、無蟲害、無異常外來水分。所用板栗單顆質(zhì)量為9.8～12.6g，果徑尺寸為長(zhǎng)2.62～3.24cm，寬2.08～2.51cm，厚1.44～2.20cm。

采用加拿大ABB公司的近紅外儀器MB3600獲取板栗近紅外光譜，光譜的掃描范圍為12000～4000cm－1，平均分辨率為 16cm－1，掃描次數(shù) 64，共采集519個(gè)點(diǎn)。掃描板栗平面和背面各1次，2次光譜平均作為板栗的近紅外光譜。

1.2 樣品處理

褐變的板栗通過熱水浴處理不同時(shí)間得到。根據(jù)褐變程度自定義為4個(gè)等級(jí)，無褐變?yōu)?級(jí)，褐變面積在0～25%為1級(jí)，褐變面積在25%～50%為2級(jí)，褐變面積在50%以上為3級(jí)。帶殼板栗熱水浴處理后先進(jìn)行光譜檢測(cè)，后剝殼確定板栗褐變等級(jí);去殼板栗則先剝殼后進(jìn)行熱水浴處理，確定褐變等級(jí)，接著進(jìn)行光譜檢測(cè)。不同褐變等級(jí)板栗如圖1所示。為了降低長(zhǎng)時(shí)間放置對(duì)板栗褐變的影響，處理后的板栗放入碎冰中貯藏，以便進(jìn)行后續(xù)檢測(cè)。共得到去殼板栗400枚，其中，0級(jí)、1級(jí)、2級(jí)、3級(jí)褐變分別91、110、99、100 個(gè);帶殼板栗 363 個(gè)，其中，0級(jí)、1 級(jí)、2 級(jí)、3 級(jí)褐變分別83、89、81、110 個(gè)。

圖1 板栗褐變等級(jí)Fig.1 Chinese chestnut browning grade

1.3 數(shù)據(jù)分析與處理

光譜數(shù)據(jù)以ASCLL碼形式導(dǎo)出進(jìn)行處理。利用EXCEL2010進(jìn)行簡(jiǎn)單的數(shù)據(jù)處理，The Unscrambler V9.7軟件進(jìn)行光譜預(yù)處理，SPSS18.0進(jìn)行主成分分析和神經(jīng)網(wǎng)絡(luò)模型構(gòu)建。

經(jīng)典的基于梯度下降算法的BP神經(jīng)網(wǎng)路實(shí)質(zhì)上是無約束的最速下降法，存在一些缺陷，如網(wǎng)絡(luò)的泛化不理想，容易陷入局部極小和收斂速度緩慢等［15］。而在經(jīng)典BP算法基礎(chǔ)上改進(jìn)而來的共軛梯度算法在收斂速度上有大幅度的提高，同時(shí)網(wǎng)絡(luò)的準(zhǔn)確率高，推廣能力強(qiáng)。共軛梯度法的計(jì)算步驟和最速下降梯度法差別不大，主要差別在于搜索方向不同，即每一步的方向不是梯度的負(fù)方向，而是一種共軛的方向。由原來的負(fù)梯度方向加上一個(gè)修正項(xiàng)得到共軛方向，也就是使得最速下降法具有共軛性，從而提高算法的有效性和可靠性。共軛梯度法應(yīng)用于神經(jīng)網(wǎng)絡(luò)中的目的是求誤差函數(shù)E(w)的最小值，算法主要是利用共軛梯度方向來修正權(quán)值，使權(quán)值的確定更為快速［16－17］。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種具有單隱層的3層前饋網(wǎng)絡(luò)，由輸入層、隱層和輸出層組成，能以任意精度逼近任意連續(xù)函數(shù)，其算法原理在一定程度上也克服了BP網(wǎng)絡(luò)學(xué)習(xí)速度較慢、需要調(diào)節(jié)的參數(shù)多等缺點(diǎn)，是一種較理想的非線性計(jì)算工具［18－19］。

2 結(jié)果與分析

2.1 板栗樣本的近紅外吸收光譜

去殼和帶殼共8個(gè)典型的板栗近紅外吸收光譜曲線如圖2所示。可以看出帶殼板栗和去殼板栗的近紅外光譜形狀較相似，在 4520、5400、7452cm－1附近有較強(qiáng)的吸收峰，但是吸收強(qiáng)度差異明顯，去殼板栗對(duì)近紅外光譜的吸收遠(yuǎn)比帶殼板栗小的多，這可能是帶殼板栗表面粗糙不平造成的。而且不同等級(jí)的板栗光譜有差異，0級(jí)和3級(jí)差異較大，1級(jí)和2級(jí)差異較小，這也為板栗褐變的檢測(cè)和分級(jí)奠定了基礎(chǔ)。為了排除各種干擾因素對(duì)光譜的干擾，充分從光譜中提取有效特征信息，光譜的預(yù)處理是必要的。預(yù)實(shí)驗(yàn)確定板栗的原始光譜采用Savitzky－Golay平滑和標(biāo)準(zhǔn)正態(tài)變量變換(SNV)方法對(duì)板栗光譜進(jìn)行預(yù)處理，SNV可以減少表面散射特性和光程變化對(duì)光譜產(chǎn)生的影響，Savitky－Golay平滑用于濾除高頻噪聲。

圖2 不同等級(jí)板栗的典型近紅外吸收光譜Fig.2 Typical near infrared spectra of Chestnut at different grade with shell and without shell

2.2 光譜的主成分提取

所有波段從12000～4000cm－1共有519個(gè)點(diǎn)，若采用全光譜計(jì)算時(shí)，輸入量太多，計(jì)算量大，而且有些波段樣品的光譜信息很弱，光譜之間存在較強(qiáng)的線性關(guān)系。對(duì)原光譜矩陣進(jìn)行降維的一種有效的方法是使用主成分分析的得分(Scores)矩陣代替原光譜矩陣，把原變量空間變換成新的主成分空間，PCA主成分是數(shù)據(jù)在方差變化最大的方向的投影［20］。所以在主成分分析的基礎(chǔ)上，選取包含主要原始的主要光譜信息的主成分得分作為神經(jīng)網(wǎng)絡(luò)的輸入變量。采用SPSS軟件進(jìn)行主成分分析，分別設(shè)定不同的特征值確定所用主成分的數(shù)目及累計(jì)貢獻(xiàn)率。主成分貢獻(xiàn)率表示該主成分反映原始指標(biāo)的信息量，累積貢獻(xiàn)率表示相應(yīng)幾個(gè)主成分累積反映原始指標(biāo)變量的信息總量。取特征值分別大于1、0.1、0.01，獲得不同數(shù)目的主成分得分作為神經(jīng)網(wǎng)絡(luò)的輸入變量。特征值不同，主成分的貢獻(xiàn)率不同，為了考察不同的主成分?jǐn)?shù)目對(duì)于神經(jīng)網(wǎng)絡(luò)模型的精度，分別取特征值大于1、0.1、0.01的主成分。對(duì)去殼板栗，主成分?jǐn)?shù)目分別為 5、8、14，主成分累積貢獻(xiàn)率為99.76%、99.94%、99.99%;對(duì)帶殼板栗，主成分?jǐn)?shù)目分別為 5、10、17，主成分累積貢獻(xiàn)率為 99.60%、99.94%、99.99%。

2.3 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建及主成分?jǐn)?shù)目的確定

所有樣品分為3組，分別為訓(xùn)練組70%，測(cè)試組20%和驗(yàn)證組10%，識(shí)別率為網(wǎng)絡(luò)運(yùn)行5次的平均結(jié)果。構(gòu)建的基于共軛梯度調(diào)整算法的BP神經(jīng)網(wǎng)絡(luò)參數(shù)為:隱層激活函數(shù)為Hyperbolic tangent，輸出層函數(shù)為Softmax，誤差函數(shù)為Cross－entroy，目標(biāo)誤差為0.001，初始 λ 值為0.0000005，σ 為0.00005，間隔偏移量為±0.5，隱層數(shù)為1，輸出層數(shù)目為4，分別為0、1、2、3，對(duì)應(yīng)不同的板栗褐變等級(jí)。在模型建立過程中，對(duì)提取的特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，xi為近紅外光譜值，為平均值，σ為標(biāo)準(zhǔn)差，z為標(biāo)準(zhǔn)化后的值。標(biāo)準(zhǔn)化后所有數(shù)據(jù)均值為0，方差為1。去殼組板栗和帶殼組板栗神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間均小于1s，訓(xùn)練集結(jié)果如表1所示。對(duì)去殼組板栗，主成分?jǐn)?shù)目為5時(shí)，網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)為3，0級(jí)和3級(jí)板栗褐變準(zhǔn)確率較高，1級(jí)和2級(jí)準(zhǔn)確率較低，總體準(zhǔn)確率為77.5%。主成分?jǐn)?shù)目為8和14時(shí)，隱層節(jié)點(diǎn)數(shù)為5和7，神經(jīng)網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確率均達(dá)到100%，訓(xùn)練結(jié)果理想。這也反映雖然前5個(gè)主成分的貢獻(xiàn)率很高，但并不能包含所有的重要信息，主成分達(dá)到8時(shí)，多出的0.18%的信息對(duì)去殼板栗褐變等級(jí)識(shí)別仍然重要。對(duì)帶殼組板栗，主成分為5、10、14時(shí)，隱層節(jié)點(diǎn)數(shù)分別為4、5、4，總體的準(zhǔn)確率分別為57.8%、65.3%、62.5%，褐變的訓(xùn)練準(zhǔn)確率普遍較低，這可能主要是板栗外殼嚴(yán)重影響了近紅外光譜與內(nèi)部板栗的相互作用，使得近紅外信號(hào)并不能正確反映出板栗仁的褐變等級(jí)。展慧等利用近紅外檢測(cè)板栗水分的研究結(jié)果也表明近紅外對(duì)去殼板栗水分的檢測(cè)精度高于帶殼板栗［7］。相對(duì)來看，主成分為10時(shí)，帶殼板栗的褐變訓(xùn)練準(zhǔn)確率最高。為了確定最合適的主成分?jǐn)?shù)目因子，需要結(jié)合神經(jīng)網(wǎng)絡(luò)測(cè)試集的準(zhǔn)確率來確定。

表1 不同主成分因子數(shù)的訓(xùn)練集識(shí)別率Table 1 The training recognition rates with different principal component factors

表2為不同主成分?jǐn)?shù)目時(shí)，神經(jīng)網(wǎng)絡(luò)測(cè)試集的準(zhǔn)確率。從表中可以看出，主成分?jǐn)?shù)目為8和14，去殼組板栗褐變測(cè)試準(zhǔn)確率較高，主成分?jǐn)?shù)目為5時(shí)最低，這與神經(jīng)網(wǎng)路訓(xùn)練集準(zhǔn)確率類似，但相比較來看，主成分?jǐn)?shù)目為8時(shí)，板栗褐變總體測(cè)試準(zhǔn)確率較高，而且測(cè)試集的準(zhǔn)確率與訓(xùn)練集相比下降較小，說明構(gòu)建的網(wǎng)絡(luò)穩(wěn)定性較好。主成分?jǐn)?shù)目為14時(shí)，板栗褐變總體測(cè)試準(zhǔn)確率下降稍多，可能原因是較多的主成分作為輸入，給網(wǎng)絡(luò)引入了較多的噪聲。因此，確定去殼組板栗的主成分因子數(shù)為8，最終確定的神經(jīng)網(wǎng)絡(luò)輸入變量為前8個(gè)主成分得分。隨著主成分?jǐn)?shù)目的不同，帶殼組板栗測(cè)試集褐變識(shí)別準(zhǔn)確率變化趨勢(shì)與去殼組板栗相同，但總體準(zhǔn)確率較低。主成分?jǐn)?shù)目為5和17，準(zhǔn)確率較低，主成分?jǐn)?shù)目為10時(shí)，相對(duì)較高。因此，確定構(gòu)建帶殼組板栗褐變識(shí)別的神經(jīng)網(wǎng)絡(luò)輸入變量為前10個(gè)主成分得分。

表2 不同主成分因子數(shù)的測(cè)試集識(shí)別率Table 2 Testing recognition rates of different principal component factors

2.4 神經(jīng)網(wǎng)絡(luò)的驗(yàn)證和比較

為了驗(yàn)證和比較基于共軛梯度調(diào)整算法(Scaled conjugate gradient)的BP神經(jīng)網(wǎng)絡(luò)(Neural network)(SBP)性能，比較了經(jīng)典的基于動(dòng)量梯度下降(Gradient descent with momentum)算法BP神經(jīng)網(wǎng)絡(luò)(GBP)和徑向基函數(shù)(Radial basis function，RBF)神經(jīng)網(wǎng)路驗(yàn)證集的預(yù)測(cè)精度。神經(jīng)網(wǎng)絡(luò)的輸入數(shù)目為前面確定的主成分(PCs)，去殼板栗為前8個(gè)主成分，帶殼板栗為前10個(gè)主成分。隱層數(shù)為1，輸出層數(shù)目為 4，分別為 0、1、2、3，對(duì)應(yīng)不同的板栗褐變等級(jí)。主成分得分在輸入之前進(jìn)行與SBP網(wǎng)絡(luò)一樣的標(biāo)準(zhǔn)化處理。對(duì)于PCA－SBP網(wǎng)絡(luò)，隱層激活函數(shù)為Hyperbolic tangent，輸出層函數(shù)為Softmax，誤差函數(shù)為Cross－entroy，目標(biāo)誤差為 0.001，初始 λ 值為0.0000005，σ 為0.00005，間隔偏移量為 ±0.5。對(duì)于PCA－GBP神經(jīng)網(wǎng)絡(luò)，隱層激活函數(shù)為 Hyperbolic tangent，輸出層函數(shù)為 Softmax，誤差函數(shù)為 Crossentroy，目標(biāo)誤差為0.001，初始學(xué)習(xí)速率為0.4，動(dòng)量因子為0.9，間隔偏移量為±0.5。對(duì)于PCA－RBF網(wǎng)絡(luò)，隱層激活函數(shù)為Sofmax，輸出層函數(shù)為Identity，誤差函數(shù)為Sum of Suqare。

不同網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)和驗(yàn)證集的預(yù)測(cè)精度結(jié)果如表3所示。從表中可以看出，驗(yàn)證集結(jié)果表明提出的板栗褐變等級(jí)預(yù)測(cè)的PCA－SBP神經(jīng)網(wǎng)絡(luò)模型，對(duì)于樣本輸入有很好的預(yù)測(cè)效果，對(duì)去殼組不同的褐變等級(jí)，PCA－SBP模型分級(jí)準(zhǔn)確性達(dá)到100%，比PCA－GBP和 PCA－RBF模型分別高出 7.5%和15.0%。對(duì)帶殼組板栗褐變分級(jí)準(zhǔn)確率也相對(duì)較高，比PCA－GBP和PCA－RBF模型分級(jí)準(zhǔn)確率分別提高8.4%和11.2%。因此，對(duì)板栗褐變近紅外光譜數(shù)據(jù)進(jìn)行主成分分析，然后構(gòu)建基于共軛梯度調(diào)整算法的BP神經(jīng)網(wǎng)絡(luò)分級(jí)準(zhǔn)確率最高，網(wǎng)絡(luò)穩(wěn)定，特別是對(duì)去殼板栗褐變分級(jí)效果最好。

表3 模型驗(yàn)證集結(jié)果比較Table 3 Comparison between different models for the validation set

3 結(jié)論

以帶殼板栗和去殼板栗為研究對(duì)象，采用近紅外吸收光譜檢測(cè)板栗的褐變，對(duì)預(yù)處理后的光譜采用主成分分析，提取光譜的特征信息，結(jié)果表明，對(duì)去殼板栗主成分?jǐn)?shù)目為8和帶殼板栗主成分?jǐn)?shù)目為10，構(gòu)建的基于共軛梯度調(diào)整算法的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集準(zhǔn)確率與預(yù)測(cè)準(zhǔn)確率很接近，而且精度最高，模型穩(wěn)定，檢測(cè)準(zhǔn)確率均優(yōu)于傳統(tǒng)的基于動(dòng)量梯度下降BP神經(jīng)網(wǎng)絡(luò)及RBF神經(jīng)網(wǎng)絡(luò)。與去殼板栗檢測(cè)準(zhǔn)確率相比較，構(gòu)建的近紅外光譜檢測(cè)模型更適用于去殼板栗褐變檢測(cè)，而對(duì)帶殼板栗的褐變檢測(cè)準(zhǔn)確率較低，效果不理想，主要的原因可能是近紅外光不能較好的穿透外殼，充分反映板栗仁的褐變情況，近紅外光譜主要反映了熱水浴對(duì)板栗外殼的影響。進(jìn)一步的研究中，需要結(jié)合其他技術(shù)如X射線成像、核磁共振成像等技術(shù)，進(jìn)行信息融合提高帶殼板栗褐變檢測(cè)的準(zhǔn)確率。

［1］徐同成，王文亮，劉潔，等.板栗制品開發(fā)現(xiàn)狀及發(fā)展趨勢(shì)［J］.中國(guó)食物與營(yíng)養(yǎng)，2011，17(8):17－19.

［2］生吉萍，何樹林，胡小松，等.板栗栗仁褐變及其控制方法研究［J］.食品與機(jī)械，2000，75(1):18－19.

［3］Jha S N，Jaiswal P，Narsaiah K，et al.Non－ destructive prediction of sweetness of intact mango using near infrared spectroscopy［J］.Scientia Horticulturae，2012，138:171－175.

［4］Esteve Agelet L，Ellis D D，Duvick S，et al.Feasibility of near infrared spectroscopy for analyzing corn kernel damage and viability of soybean and corn kernels［J］.Journal of Cereal Science，2012，55(2):160－165.

［5］劉燕德，萬常斕.芝麻油摻偽的近紅外透射光譜檢測(cè)技術(shù)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(7):136－140.

［6］周竹，劉潔，李小昱，等.霉變板栗的近紅外光譜和神經(jīng)網(wǎng)絡(luò)方法判別［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(21):109－112.

［7］劉潔，李小昱，李培武，等.基于近紅外光譜的板栗水分檢測(cè)方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26(2):338－341.

［8］展慧，李小昱，周竹，等.基于近紅外光譜和機(jī)器視覺融合技術(shù)的板栗缺陷檢測(cè)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2011，27(2):345－349.

［9］何勇，李曉麗，邵永妮.基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋果種鑒別方法研究［J］.光譜學(xué)與光譜分析，2006，26(5):850－853.

［10］祝詩(shī)平.基于PCA與GA的近紅外光譜建模樣品選擇方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008，24(9):126－130.

［11］張益波，何歡，孟慶繁，等.近紅外光譜結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)在云芝菌絲體無損分析中的應(yīng)用［J］.光學(xué)學(xué)報(bào)，2010，30(12):3552－3557.

［12］徐麗娜.神經(jīng)網(wǎng)絡(luò)控制［M］.北京:電子工業(yè)出版社，2003

［13］潘磊慶，屠康，蘇子鵬，等.基于計(jì)算機(jī)視覺和神經(jīng)網(wǎng)絡(luò)檢測(cè)雞蛋裂紋的研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2007，23(5):154－158.

［14］Pan Leiqing，Zhan Ge，Tu Kang，et al.Eggshell crack detection based on computer vision and acoustic response by means of back propagation artificial neural network［J］.European Food Research and Technology，2011，233(3):457－463.

［15］Liu Fei，He Yong.Classification of brands of instant noodles using Vis/NIR spectroscopy and chemometrics［J］.Food Research International，2008，41(5):562－567.

［16］胡方明，簡(jiǎn)琴，張秀君.基于BP神經(jīng)網(wǎng)絡(luò)的車型分類器［J］.西安電子科技大學(xué)學(xué)報(bào):自然科學(xué)版，2005，32(3):439－442.

［17］Martin FodsletteMoller.A scaled conjugategradient algorithm for fast supervised learning［J］.Neural networks，1993，6:525－533.

［18］M T Hagan，H B Demuth，M H Beale.Neural Network Design［M］.Boston，USA:PWS Publishing，1996.

［19］陳昌華，譚俊，尹健康，等.基于PCA－RBF神經(jīng)網(wǎng)絡(luò)的煙田土壤水分預(yù)測(cè)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26(8):85－90.

［20］陸婉珍，袁洪福，徐廣通，等.現(xiàn)代近紅外光譜分析技術(shù)(第二版)［M］.北京:中國(guó)石化出版社，2007.