食品行業
本文以臍橙為實驗對象，對采集得到的高光譜數據行進預處理和降維處理，提取出它們的特征波長。以降維過的高光譜數據建立數學模型來實現對樣品農藥殘留濃度的判別，分析不同模型的性能好壞。
選取噠螨靈農藥為實驗對象，將選取好的80個臍橙樣品洗凈，放置通風處等其干燥完畢。然后隨機將其分成4組，每種濃度每組各20個(1:400、1:800、1:1500以及不含農藥)。同樣的我們確定臍橙的感興趣區域，得到感興趣區域內的平均光譜作為原始光譜數據，如圖所示。
提取每類樣品的感興趣光譜圖，可以得到四類樣品20組原始光譜圖，下圖為其中一組濃度為1:400的原始光譜。將得到的全部四組樣品各20條原始光譜圖。利用標準正態變換(SNV)后得到4類樣品各20條原始光譜取平均得到的平均光譜曲線如圖所示。
從圖中可以看出不同濃度農藥殘留的臍橙光譜反射率曲線具有明顯差異，不同濃度農藥以及蒸餾水組的光譜平均反射率在400-1000nm的范圍類曲線走勢基本一致，并且部分波段下反射率差異較大，部分波段下曲線會重疊，無法識別出光譜反射率區別。可以看出在670nm和980nm處光譜有一個反射率波谷，而在700nm有一個較小的反射率波峰。在400-650nm反射率曲線基本重疊，在900-1000nm處蒸餾水和嘧霉胺組反射率曲線基本重疊，而在650-890nm處各組反射率曲線有明顯差別。
通過主成分分析算法對預處理后的原始光譜數據進行特征提取，得到主成分圖像和各個主成分的累積貢獻率。一般而言，PC-1具有最多的原始圖像信息，且前幾個主成分基本包含99%的光譜信息，如表所示前四個主成分貢獻率就可以達到99.87%。
用ENVI軟件對實驗樣品進行PCA圖像提取，每個主成分圖像理論上都是由原始數據中每個波長下的灰度圖像數字矩陣經過線性運算而形成，通過ENVI軟件計算可以得到每個不同主成分的光譜數據，包括每個主成分的協方差、相關系數以及特征向量。一般情況下，PC-1包括的原始信息最多，前4個主成分圖像如圖所示。
通過提取PC-2和PC-3圖像中所有波段的特征向量，我們可以繪制出高光譜主成分圖像PC-2和PC-3的權重系數圖如圖4.5。就權重曲線而言。我們認為波峰和波谷處對應的波長就是特征波長，具有最佳信息量。可以看出PC-2的特征波長為500nm,680nm,980nm;PC-3選取的特征波長為500nm,580nm,850nm,930nm。選取500nm,580nm,680,850nm,930nm,980nm為特征波長。
本文對四組表面噴灑有不同濃度嘧霉胺農藥的臍橙樣品進行光譜提取和預處理，選用主成分分析法(PCA)和連續投影法(SPA)進行高光譜全波段下的降維以提取特征波長，然后就提取的特征波長分別建立支持向量機(SVM)、BP神經網絡和極限學習機(ELM)分類模型，分析不同降維方法和不同分類模型結合的實驗數據結果，選出判別臍橙表面不同濃度的最優模型。
