食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)中的數(shù)據(jù)處理和分析方法

內(nèi)容概要

《食品、農(nóng)產(chǎn)品檢測(cè)中的數(shù)據(jù)處理和分析方法》是一部系統(tǒng)介紹和歸納食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)數(shù)據(jù)處理和分析的科研論著，基于對(duì)所獲數(shù)據(jù)進(jìn)行處理和分析，從而建立有效的識(shí)別模型。各章節(jié)介紹了各種數(shù)據(jù)處理和分析方法的基本原理，并通過(guò)大量的實(shí)例闡述這些方法如何應(yīng)用于食品、農(nóng)產(chǎn)品的品質(zhì)檢測(cè)和分析。《食品、農(nóng)產(chǎn)品檢測(cè)中的數(shù)據(jù)處理和分析方法》精華部分大多來(lái)自作者在食品、農(nóng)產(chǎn)品檢測(cè)方面多年研究成果的積累，并結(jié)合國(guó)內(nèi)外食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)中數(shù)據(jù)處理和分析的最新方法，為相關(guān)領(lǐng)域科研人員接觸數(shù)據(jù)處理和分析方法的最新動(dòng)態(tài)提供幫助，具有鮮明的特征和實(shí)用性。
《食品、農(nóng)產(chǎn)品檢測(cè)中的數(shù)據(jù)處理和分析方法》可供從事食品工程、食品分析、農(nóng)業(yè)工程方面的教學(xué)及科研工作者參考。

作者簡(jiǎn)介

無(wú)

書(shū)籍目錄

序前言第一章 緒論第一節(jié) 食品、農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)技術(shù)及其特點(diǎn)第二節(jié) 食品、農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)中的數(shù)據(jù)處理與分析一、數(shù)據(jù)前處理二、變量篩選三、特征提取四、定性識(shí)別五、定量分析第三節(jié) 數(shù)據(jù)處理和分析在食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)中的應(yīng)用趨勢(shì)一、多學(xué)科知識(shí)交叉二、計(jì)算機(jī)和數(shù)據(jù)處理軟件作用凸顯主要參考文獻(xiàn)第二章 數(shù)據(jù)前處理第一節(jié) 標(biāo)準(zhǔn)化處理一、均值中心化二、極小/極大歸一化三、標(biāo)準(zhǔn)正態(tài)變量變換四、數(shù)據(jù)標(biāo)準(zhǔn)化處理中的應(yīng)用實(shí)例第二節(jié) 數(shù)據(jù)平滑與去噪一、數(shù)據(jù)平滑二、求導(dǎo)去噪三、自適應(yīng)濾波四、小波分析五、數(shù)據(jù)平滑、去噪應(yīng)用實(shí)例第三節(jié) 其他數(shù)據(jù)前處理方法一、凈分析物預(yù)處理法二、正交信號(hào)校正法主要參考文獻(xiàn)第三章 變量篩選第一節(jié) 區(qū)間篩選法一、區(qū)間偏最小二乘二、前向區(qū)間偏最小二乘三、后向區(qū)間偏最小二乘四、聯(lián)合區(qū)間偏最小二乘五、變量區(qū)間篩選法應(yīng)用實(shí)例第二節(jié) 遺傳算法一、遺傳算法基本原理二、遺傳偏最小二乘算法三、遺傳算法在變量篩選中的應(yīng)用實(shí)例第三節(jié) 模擬退火法一、模擬退火法基本原理二、模擬退火法實(shí)現(xiàn)過(guò)程三、模擬退火法在變量篩選中的應(yīng)用實(shí)例第四節(jié) 其他變量篩選方法一、連續(xù)投影算法二、無(wú)信息變量消除法主要參考文獻(xiàn)第四章 特征提取第一節(jié) 常規(guī)特征提取方法一、數(shù)據(jù)處理中的常規(guī)特征提取二、應(yīng)用實(shí)例第二節(jié) 主成分分析一、二維空間主成分分析二、多維空間主成分分析三、主成分分析在數(shù)據(jù)特征提取中的應(yīng)用實(shí)例第三節(jié) 獨(dú)立分量分析一、獨(dú)立分量分析算法原理二、獨(dú)立分量分析在數(shù)據(jù)特征提取中的應(yīng)用實(shí)例主要參考文獻(xiàn)第五章 定性識(shí)別第一節(jié) 聚類(lèi)分析一、聚類(lèi)分析方法原理二、聚類(lèi)分析在數(shù)據(jù)分析中的應(yīng)用實(shí)例第二節(jié) 線性判別分析一、歐氏距離線性判別二、馬氏距離線性判別三、Fischer線性判別四、線性判別在數(shù)據(jù)分析中的應(yīng)用實(shí)例第三節(jié) K最近鄰法一、K最近鄰法算法原理二、K最近鄰法在數(shù)據(jù)分析中的應(yīng)用實(shí)例第四節(jié) 人工神經(jīng)網(wǎng)絡(luò)一、人工神經(jīng)網(wǎng)絡(luò)概述二、BP神經(jīng)網(wǎng)絡(luò)三、RBF神經(jīng)網(wǎng)絡(luò)四、遺傳神經(jīng)網(wǎng)絡(luò)五、人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用實(shí)例第五節(jié) 支持向量機(jī)一、支持向量機(jī)的原理二、支持向量機(jī)的構(gòu)造三、支持向量機(jī)識(shí)別的應(yīng)用實(shí)例第六節(jié) 一類(lèi)分類(lèi)器一、常用一類(lèi)分類(lèi)器二、一類(lèi)支持向量機(jī)三、支持向量數(shù)據(jù)描述四、一類(lèi)分類(lèi)器在數(shù)據(jù)分析中的應(yīng)用實(shí)例主要參考文獻(xiàn)第六章 定量分析第一節(jié) 回歸分析一、一元線性回歸二、多元線性回歸三、主成分回歸四、回歸在數(shù)據(jù)分析中的應(yīng)用實(shí)例第二節(jié) 偏最小二乘法一、偏最小二乘法原理二、模型的評(píng)價(jià)指標(biāo)三、偏最小二乘在數(shù)據(jù)分析中的應(yīng)用實(shí)例第三節(jié) 神經(jīng)網(wǎng)絡(luò)回歸一、BP算法神經(jīng)網(wǎng)絡(luò)回歸分析二、前饋神經(jīng)網(wǎng)絡(luò)模型模糊感知器回歸分析三、神經(jīng)網(wǎng)絡(luò)回歸在數(shù)據(jù)分析中的應(yīng)用實(shí)例第四節(jié) 支持向量機(jī)回歸一、支持向量機(jī)回歸原理二、最小二乘支持向量機(jī)三、最小二乘支持向量機(jī)在數(shù)據(jù)分析中的應(yīng)用實(shí)例主要參考文獻(xiàn)第七章 數(shù)據(jù)處理和分析中幾種常用軟件簡(jiǎn)介第一節(jié) Excel一、Excel軟件在數(shù)據(jù)處理和分析中的應(yīng)用簡(jiǎn)介二、Excel軟件處理數(shù)據(jù)實(shí)例第二節(jié) SPSS一、SPSS數(shù)據(jù)文件的建立與操作二、SPSS軟件處理數(shù)據(jù)實(shí)例第三節(jié) MATLAB一、MATLAB 7.x的運(yùn)行環(huán)境二、MATLAB軟件處理數(shù)據(jù)實(shí)例主要參考文獻(xiàn)附錄A 食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)數(shù)據(jù)處理和分析相關(guān)期刊簡(jiǎn)介附錄B 數(shù)據(jù)處理與分析算法及源代碼下載相關(guān)網(wǎng)站簡(jiǎn)介

章節(jié)摘錄

第一章　緒論第一節(jié)　食品、農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)技術(shù)及其特點(diǎn)食品、農(nóng)產(chǎn)品的品質(zhì)檢測(cè)是指運(yùn)用數(shù)學(xué)、物理、化學(xué)、生物等學(xué)科的基本理論及各種科學(xué)技術(shù)， 對(duì)檢測(cè)對(duì)象包括生產(chǎn)原料、輔助材料、半成品、成品、副產(chǎn)品等的狀態(tài)和主要成分含量及微生物狀況進(jìn)行分析檢測(cè)。 在對(duì)食品、農(nóng)產(chǎn)品品質(zhì)進(jìn)行檢測(cè)時(shí)， 因檢測(cè)目的不同， 且檢測(cè)對(duì)象的性質(zhì)和狀態(tài)差異較大， 所選擇的檢測(cè)方法也各不相同。無(wú)損檢測(cè)又稱為非破壞檢測(cè)， 是近年發(fā)展起來(lái)的一種新技術(shù)， 是指在不破壞樣品的情況下對(duì)其進(jìn)行品質(zhì)評(píng)價(jià)的方法。 食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)技術(shù)涉及光學(xué)、力學(xué)、電學(xué)、磁學(xué)等學(xué)科， 范圍廣泛， 其基礎(chǔ)更是涉及材料科學(xué)、計(jì)算機(jī)技術(shù)、生物技術(shù)、信息技術(shù)等諸多領(lǐng)域， 其中以光學(xué)檢測(cè)發(fā)展最快。近年來(lái)， 隨著科學(xué)技術(shù)的發(fā)展， 無(wú)損檢測(cè)技術(shù)也得到長(zhǎng)足發(fā)展， 目前已呈現(xiàn)出兩個(gè)重要的發(fā)展趨勢(shì)。 其中一個(gè)重要發(fā)展趨勢(shì)即無(wú)損檢測(cè)技術(shù)與傳感器技術(shù)、納米技術(shù)及計(jì)算機(jī)技術(shù)結(jié)合得越來(lái)越緊密， 使無(wú)損檢測(cè)分析儀器不但具有越來(lái)越強(qiáng)大的\智能“， 而且正沿著落地式|臺(tái)式|移動(dòng)式|便攜式|手持式|芯片實(shí)驗(yàn)室的方向發(fā)展， 越來(lái)越小型化、微型化、智能化； 檢測(cè)分析儀器和專(zhuān)用計(jì)算機(jī)的界限在今后也將變得越來(lái)越模糊， 許多檢測(cè)分析儀器實(shí)際上是具有某種檢測(cè)分析功能的計(jì)算機(jī)。目前， 食品、農(nóng)產(chǎn)品檢測(cè)系統(tǒng)多數(shù)仍處于智能化的低級(jí)階段， 系統(tǒng)只能把計(jì)算機(jī)技術(shù)與傳統(tǒng)的食品、農(nóng)產(chǎn)品檢測(cè)分析結(jié)合起來(lái)， 僅能適應(yīng)被測(cè)參數(shù)的變化、自動(dòng)補(bǔ)償、自動(dòng)選擇量程等。 因此， 將無(wú)損檢測(cè)技術(shù)與傳感器技術(shù)、納米技術(shù)及計(jì)算機(jī)技術(shù)等多學(xué)科交叉結(jié)合， 開(kāi)發(fā)出能識(shí)別與解釋各種光學(xué)、力學(xué)譜圖的食品、農(nóng)產(chǎn)品\智能化” 檢測(cè)系統(tǒng)， 成為當(dāng)前食品、農(nóng)產(chǎn)品檢測(cè)智能化研究的熱點(diǎn)。無(wú)損檢測(cè)技術(shù)發(fā)展的另一個(gè)重要趨勢(shì)， 是數(shù)據(jù)處理與分析方法在檢測(cè)中顯示出越來(lái)越重要的作用。 科學(xué)技術(shù)的發(fā)展對(duì)現(xiàn)代食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)技術(shù)提出了更高的要求， 人們不僅要求及時(shí)、精確、可靠地獲得有關(guān)待測(cè)樣品品質(zhì)的數(shù)據(jù)， 而且要求全面快速地分析。 無(wú)損檢測(cè)技術(shù)不僅要解決有關(guān)測(cè)量數(shù)據(jù)的獲取問(wèn)題， 更需要解決從大量數(shù)據(jù)中提取有用信息的問(wèn)題并建立相應(yīng)的模型。 尤其是近年來(lái)在食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)技術(shù)中所采用儀器的精密度越來(lái)越高， 所獲取的數(shù)據(jù)量也越來(lái)越大。在一些實(shí)驗(yàn)中， 一個(gè)樣品測(cè)試一次即可獲取幾千甚至數(shù)十萬(wàn)個(gè)數(shù)據(jù)， 對(duì)數(shù)據(jù)信號(hào)的前處理、數(shù)據(jù)的精簡(jiǎn)、數(shù)據(jù)變量的篩選、特征信息的提取以及識(shí)別模型的建立成為無(wú)損檢測(cè)技術(shù)研究的熱門(mén)課題， 模糊數(shù)學(xué)、統(tǒng)計(jì)學(xué)、信號(hào)處理、化學(xué)計(jì)量學(xué)及模式識(shí)別方法等數(shù)學(xué)方法也越來(lái)越多地應(yīng)用于無(wú)損檢測(cè)數(shù)據(jù)處理中。第二節(jié)　食品、農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)中的數(shù)據(jù)處理與分析隨著儀器精密度不斷提高， 食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)儀器所獲得的數(shù)據(jù)量不斷增大， 如何運(yùn)用恰當(dāng)?shù)臄?shù)據(jù)處理方法， 在龐大的數(shù)據(jù)量中挖掘出能準(zhǔn)確描述檢測(cè)對(duì)象的有用信息， 建立魯棒性強(qiáng)的數(shù)學(xué)模型， 已成為無(wú)損檢測(cè)研究的熱門(mén)課題。 在數(shù)據(jù)的處理與分析中， 數(shù)據(jù)的前處理、變量篩選、特征提取、定性識(shí)別模型和定量分析模型的建立是其重要組成部分。一、數(shù)據(jù)前處理在食品、農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)中， 檢測(cè)器所獲取的數(shù)據(jù)信號(hào)除含樣品待測(cè)成分信息外， 還包括各種儀器噪聲， 如高頻隨機(jī)噪聲、基線漂移、雜散信號(hào)、樣品背景等。因此， 在數(shù)據(jù)分析前， 首先應(yīng)針對(duì)特定的信號(hào)測(cè)量和樣品體系進(jìn)行合理的處理， 減弱甚至消除各種非目標(biāo)因素對(duì)檢測(cè)信號(hào)信息的影響， 為建立穩(wěn)定、可靠的數(shù)學(xué)模型奠定基礎(chǔ)。 常用的數(shù)據(jù)前處理方法有數(shù)據(jù)標(biāo)準(zhǔn)化處理（均值中心化、歸一化、標(biāo)準(zhǔn)正態(tài)變量變換等）、高頻噪聲濾除（卷積平滑、傅里葉變換、小波變換等）、信號(hào)的微分求導(dǎo)和基線校正等。 數(shù)據(jù)標(biāo)準(zhǔn)化處理是將原始數(shù)據(jù)矩陣中各元素減去該列元素均值后， 再除以所在列元素的方差。 其特點(diǎn)是數(shù)據(jù)矩陣的一列元素權(quán)重相同， 均值都為0， 方差和標(biāo)準(zhǔn)化都為1。 卷積平滑法是基于最小二乘法原理， 保留分析信號(hào)中的有用信息， 消除隨機(jī)噪聲， 但是過(guò)度的平滑將會(huì)造成檢測(cè)信號(hào)中部分有用信息的丟失。 基線校正主要是扣除儀器背景或漂移對(duì)信號(hào)的影響， 可以采取偏置扣減、微分求導(dǎo)處理和基線傾斜等方法。 采用微分求導(dǎo)可以較好地凈化譜圖信息， 在降低噪聲的同時(shí)也可放大檢測(cè)信號(hào)， 但需注意的是， 微分求導(dǎo)窗口數(shù)據(jù)點(diǎn)的大小對(duì)結(jié)果有一定影響， 因此在微分求導(dǎo)的時(shí)候需對(duì)窗口大小做出合理的選擇。二、變量篩選變量篩選（也稱為變量選擇或特征選擇） 是指從原始變量中挑選出一些有代表性的特征變量， 代替原始變量進(jìn)行數(shù)據(jù)分析和處理。 在食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)實(shí)驗(yàn)中， 檢測(cè)儀器每次可獲取大量的數(shù)據(jù)， 但對(duì)應(yīng)著不同原始變量的數(shù)據(jù)對(duì)待測(cè)樣品品質(zhì)信息的貢獻(xiàn)率不盡相同， 有些變量反映的信息量較為豐富， 有些變量反映的信息量較少， 甚至與待測(cè)樣品基本無(wú)關(guān)。 如果將檢測(cè)器所獲取的數(shù)據(jù)都用于建模， 則建模計(jì)算過(guò)程將極為煩瑣， 計(jì)算量很大， 建立的模型也較為復(fù)雜， 魯棒性差。 研究表明， 通過(guò)特定的變量篩選方法對(duì)自變量進(jìn)行優(yōu)選， 不僅可簡(jiǎn)化模型， 更重要的是可剔除不相關(guān)或非線性變量， 得到預(yù)測(cè)能力強(qiáng)、穩(wěn)健性好的訓(xùn)練模型。 常用的變量篩選方法有窮盡搜索法、區(qū)間（如前向區(qū)間、后向區(qū)間、聯(lián)合區(qū)間） 篩選法和以某種算法（如模擬退火、遺傳算法、無(wú)變量信息消除） 為指導(dǎo)思想的隨機(jī)性質(zhì)搜索方法。窮盡搜索法從原始數(shù)據(jù)集合中將所有可能組合都搜索一遍， 這種方法一定能得到一個(gè)最優(yōu)子集， 但這一般很少用， 因?yàn)橛伤鼛?lái)的計(jì)算量可能讓人難以承受。 區(qū)間篩選法即將原始數(shù)據(jù)的變量分為若干個(gè)區(qū)間， 對(duì)每個(gè)區(qū)間或某幾個(gè)區(qū)間的變量建立相應(yīng)的模型， 選取最優(yōu)區(qū)間。 相比窮盡搜索， 區(qū)間篩選大大減少了工作量， 但同樣會(huì)存在所選取區(qū)間的變量間對(duì)待測(cè)樣品信息貢獻(xiàn)率不同的問(wèn)題。 以模擬退火算法為代表的隨機(jī)性質(zhì)搜索方法可選擇與檢測(cè)對(duì)象品質(zhì)相關(guān)的信息， 但該方法在搜索特征變量時(shí)搜索的范圍太廣， 帶有一定的盲目性， 易陷入局部最優(yōu)。 因此， 將區(qū)間篩選法和隨機(jī)搜索方法結(jié)合， 可減少搜索的盲目性， 提高變量篩選效率。三、特征提取特征提取是指通過(guò)映射（或變換） 的方法對(duì)原始數(shù)據(jù)進(jìn)行重組， 以期用較少的特征值描述原始數(shù)據(jù)中所包含的大部分信息。 由于對(duì)所處理的信息了解不深刻， 且還有許多因素之間的關(guān)系及相關(guān)程度亦不能肯定， 人們往往先根據(jù)化學(xué)（或物理）的選擇標(biāo)準(zhǔn)， 盡可能地把一切相關(guān)、又容易獲取的特征變量都提取出來(lái)， 然后借助于數(shù)學(xué)方法， 篩選出對(duì)模型的建立起較大作用的特征變量。 在實(shí)際計(jì)算中， 一些不相關(guān)的特征變量會(huì)降低模型的魯棒性， 因此研究人員總是力圖拋棄那些對(duì)建模作用不大的特征變量， 在保證模型精度的前提下， 使特征變量數(shù)減到最少。 常用的特征提取方法有直接從原始數(shù)據(jù)中提取一些特征參數(shù)（如均值、標(biāo)準(zhǔn)差、最大值、極差等） 法， 從原始數(shù)據(jù)中提取的特征參數(shù)比較直觀、簡(jiǎn)便， 但所反映的信息較為粗糙；還有以某種算法（如主成分分析法、獨(dú)立分量分析法等） 為依據(jù)， 從原始數(shù)據(jù)中提取一些特征變量。 主成分分析是把多個(gè)指標(biāo)化為幾個(gè)綜合指標(biāo)的一種統(tǒng)計(jì)方法， 它沿著協(xié)方差最大方向由多維數(shù)據(jù)空間向低維數(shù)據(jù)空間投影， 各主成分向量之間相互正交。 通過(guò)選擇合理的主成分既可以達(dá)到降維的目的， 又不會(huì)過(guò)多地丟失原始數(shù)據(jù)信息， 同時(shí)可以減少原始數(shù)據(jù)中的冗余信息。 主成分分析可保證分解出的分量互相正交； 獨(dú)立分量分析利用信號(hào)的高階統(tǒng)計(jì)量， 要求分解出的各分量盡可能獨(dú)立， 在信號(hào)的特征提取中則表現(xiàn)出更大的優(yōu)勢(shì)。四、定性識(shí)別定性識(shí)別（也稱為模式識(shí)別） 是指對(duì)表征事物或現(xiàn)象的各種形式（如數(shù)值、文字和邏輯關(guān)系等） 的信息進(jìn)行處理和分析， 以便對(duì)事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類(lèi)和解釋的過(guò)程。 按照識(shí)別時(shí)是否需要具有識(shí)別樣本的先驗(yàn)知識(shí)， 模式識(shí)別方法可分為\監(jiān)督學(xué)習(xí)分類(lèi)“ 和\非監(jiān)督學(xué)習(xí)分類(lèi)”。 在模式識(shí)別的特征空間里， 如果所分類(lèi)的情況是已知的， 在此基礎(chǔ)上， 可以選擇一個(gè)合適的距離尺度， 以得到有關(guān)這些類(lèi)的分布形狀以及典型模式的信息， 這種方法稱為\監(jiān)督學(xué)習(xí)分類(lèi)“。 常見(jiàn)的模式識(shí)別方法多為\監(jiān)督學(xué)習(xí)分類(lèi)” 方法， 如線性判別分析、人工神經(jīng)網(wǎng)絡(luò)、偏最小二乘分類(lèi)、支持向量機(jī)等。 在模式識(shí)別中， 也會(huì)遇到不能事先獲取任何關(guān)于樣本的先驗(yàn)知識(shí)（很多時(shí)候需要在無(wú)監(jiān)督情形下將很多東西分類(lèi)） 的情況。 因此， 分類(lèi)系統(tǒng)必須先通過(guò)一種有效的方法去發(fā)現(xiàn)樣本的內(nèi)在相似性， 然后指導(dǎo)同類(lèi)檢測(cè)對(duì)象的分類(lèi)，這種方法稱為\非監(jiān)督學(xué)習(xí)分類(lèi)“。 最常見(jiàn)的非監(jiān)督學(xué)習(xí)分類(lèi)法為聚類(lèi)分析法， 包括\樹(shù)聚類(lèi)” 和\K 均值聚類(lèi)“ 等。 此外， 按照使用的分類(lèi)函數(shù)， 模式識(shí)別方法可分為線性和非線性判別分析方法。 線性判別分析方法有歐氏距離、馬氏距離、費(fèi)歇爾投影法和K 最近鄰法等； 非線性判別分析方法有人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和支持向量數(shù)據(jù)描述等。五、定量分析定量分析是指分析一個(gè)被研究對(duì)象所包含成分的數(shù)量關(guān)系或所具備性質(zhì)間的數(shù)量關(guān)系； 也可以對(duì)幾個(gè)對(duì)象的某些性質(zhì)、特征、相互關(guān)系從數(shù)量上進(jìn)行分析比較，研究的結(jié)果也用\數(shù)量” 加以描述。 定量分析是依據(jù)統(tǒng)計(jì)數(shù)據(jù)， 建立數(shù)學(xué)模型， 并用數(shù)學(xué)模型計(jì)算出分析對(duì)象的各項(xiàng)指標(biāo)及其數(shù)值的一種方法。 相比定性識(shí)別而言，定量分析更加科學(xué)， 需運(yùn)用到更多的數(shù)學(xué)計(jì)算； 定性識(shí)別雖然較為粗糙， 但在數(shù)據(jù)資料不夠充分或分析者數(shù)學(xué)基礎(chǔ)較為薄弱時(shí)比較適用。 這兩種分析方法對(duì)數(shù)學(xué)知識(shí)的要求雖然有高有低， 但并不能就此把定性識(shí)別與定量分析劃分開(kāi)來(lái)。 事實(shí)上，現(xiàn)代定性識(shí)別方法同樣要采用數(shù)學(xué)工具進(jìn)行計(jì)算， 而定量分析則必須建立在定性預(yù)測(cè)基礎(chǔ)上， 二者相輔相成， 定性是定量的依據(jù)， 定量是定性的具體化， 二者結(jié)合起來(lái)靈活運(yùn)用才能取得最佳效果。 線性回歸法（包括一元線性回歸和多元線性回歸） 是最早采用的定量分析法。 由于食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)所獲取的數(shù)據(jù)量比較大， 主成分回歸及在主成分分析基礎(chǔ)上進(jìn)行的偏最小二乘分析法已越來(lái)越多地運(yùn)用在食品、農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)中； 隨著非線性方法研究的不斷拓展， 一些傳統(tǒng)的定性識(shí)別方法經(jīng)過(guò)改造， 也逐步應(yīng)用到定量分析中， 如人工神經(jīng)網(wǎng)絡(luò)回歸和支持向量回歸法。第三節(jié)　數(shù)據(jù)處理和分析在食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)中的應(yīng)用趨勢(shì)一、多學(xué)科知識(shí)交叉在食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)中， 數(shù)據(jù)處理和分析已凸顯出越來(lái)越重要的作用， 其內(nèi)涵和外延也不斷擴(kuò)展， 各門(mén)學(xué)科中與數(shù)據(jù)處理相關(guān)的最新研究成果經(jīng)消化、吸收、更新， 不斷地被應(yīng)用于食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)的數(shù)據(jù)處理和分析中。 在數(shù)學(xué)領(lǐng)域， 應(yīng)用數(shù)學(xué)學(xué)科的最新研究成果（如小波分析、隨機(jī)過(guò)程相關(guān)科研成果） 正越來(lái)越快地被應(yīng)用于數(shù)據(jù)信號(hào)的處理和隨機(jī)信號(hào)的分析中； 在通信領(lǐng)域， 卡爾曼濾波、最小均方自適應(yīng)濾波、高階譜分析等方面的最新研究成果也在最短時(shí)間內(nèi)被應(yīng)用于數(shù)據(jù)信號(hào)的平滑、濾波去噪等信號(hào)前處理和分析中； 在化學(xué)計(jì)量學(xué)領(lǐng)域， 遺傳算法和模擬退火算法等方面的最新研究成果也不斷被應(yīng)用于數(shù)據(jù)矩陣特征提取和變量篩選中； 在模式識(shí)別領(lǐng)域， 各種模式識(shí)別方法的最新成果也被應(yīng)用于數(shù)據(jù)信號(hào)的定性識(shí)別中， 各種軟件也越來(lái)越多地被用到食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)的數(shù)據(jù)處理和分析中去。 各個(gè)學(xué)科間的相互交叉是現(xiàn)代科學(xué)技術(shù)發(fā)展的重要趨勢(shì)， 各個(gè)學(xué)科之間的界限越來(lái)越模糊， 在食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)數(shù)據(jù)處理和分析中表現(xiàn)得尤為明顯。 計(jì)算機(jī)、通信、化學(xué)計(jì)量學(xué)等領(lǐng)域的數(shù)據(jù)處理和分析都是以數(shù)學(xué)為基礎(chǔ)， 有一定的交叉但又明顯帶有各自學(xué)科的特色， 這些學(xué)科的知識(shí)又可以相互交叉應(yīng)用于無(wú)損檢測(cè)中的數(shù)據(jù)處理與分析， 如一批實(shí)驗(yàn)樣品的檢測(cè)數(shù)據(jù)， 其數(shù)據(jù)前處理部分采用的是通信領(lǐng)域的信號(hào)處理， 特征變量提取與篩選則應(yīng)用到化學(xué)計(jì)量學(xué)的知識(shí)， 而數(shù)據(jù)的識(shí)別則需采用模式識(shí)別方法。 隨著科技的發(fā)展， 各個(gè)學(xué)科之間的交叉將會(huì)越來(lái)越明顯，且各個(gè)學(xué)科中的最新研究成果也將會(huì)越來(lái)越快地被應(yīng)用到食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)數(shù)據(jù)處理與分析中。二、計(jì)算機(jī)和數(shù)據(jù)處理軟件作用凸顯在食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)中， 實(shí)驗(yàn)所獲取的數(shù)據(jù)量越來(lái)越大， 一批實(shí)驗(yàn)結(jié)果獲取到幾十或幾百萬(wàn)個(gè)數(shù)據(jù)量的現(xiàn)象十分常見(jiàn)， 且隨著儀器檢測(cè)精度、速度進(jìn)一步提高，所獲取的數(shù)據(jù)量將會(huì)更龐大。 檢測(cè)儀器獲取的大量（甚至可謂海量） 數(shù)據(jù)必將伴隨著極為煩瑣的數(shù)據(jù)處理過(guò)程， 純粹依賴人工不可能完成如此龐大的數(shù)據(jù)計(jì)算量， 借助計(jì)算機(jī)來(lái)處理數(shù)據(jù)已經(jīng)成為必然趨勢(shì)， 且由于處理數(shù)據(jù)量過(guò)大， 一些簡(jiǎn)易的計(jì)算軟件也難以處理如此龐大的數(shù)據(jù)。 因此， 現(xiàn)代數(shù)據(jù)處理和分析對(duì)計(jì)算機(jī)提出了更高的要求， 即選擇快速、簡(jiǎn)便、適宜的軟件處理數(shù)據(jù)以縮短計(jì)算過(guò)程和時(shí)間， 并保證計(jì)算結(jié)果的準(zhǔn)確性。 目前， 可用于數(shù)據(jù)處理和分析的通用軟件有Excel、SPSS（statisticalproduct and service solutions）、SAS（statistical analysis system）、MATLAB（matrixlaboratory）、VB（visual basic）、VC++（microsoft visual C++） 等， 還有一些專(zhuān)用型的實(shí)驗(yàn)數(shù)據(jù)優(yōu)化、圖形可視化和數(shù)值分析軟件， 如Design-expert、Origin、Probit等。 其中， 最常用的是Excel、SPSS、SAS 和MATLAB。 Excel 以表格的方式輸入與管理數(shù)據(jù)， 能進(jìn)行簡(jiǎn)單的數(shù)據(jù)處理和分析， 如數(shù)據(jù)排序、回歸分析等， 操作比較簡(jiǎn)單、易學(xué)； SPSS 是IBM 公司開(kāi)發(fā)的最早采用圖形菜單驅(qū)動(dòng)界面的統(tǒng)計(jì)軟件， 采用類(lèi)似Excel 表格的方式輸入與管理數(shù)據(jù)， 數(shù)據(jù)接口較為通用， 能方便地從其他數(shù)據(jù)庫(kù)中讀入數(shù)據(jù)， 其統(tǒng)計(jì)過(guò)程包括常用的、較為成熟的統(tǒng)計(jì)過(guò)程， 可以滿足非統(tǒng)計(jì)專(zhuān)業(yè)人士的工作需要； SAS 是由美國(guó)北卡羅來(lái)納州州立大學(xué)開(kāi)發(fā)的統(tǒng)計(jì)軟件， 功能及操作方法與SPSS 基本一致； MATLAB 是矩陣實(shí)驗(yàn)室（matrix laboratory） 的簡(jiǎn)稱，是美國(guó)MathWorks 公司出品的商業(yè)數(shù)學(xué)軟件， 用于算法開(kāi)發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計(jì)算的高級(jí)技術(shù)計(jì)算語(yǔ)言和交互式環(huán)境。 MATLAB 可以進(jìn)行矩陣運(yùn)算、繪制函數(shù)和數(shù)據(jù)、實(shí)現(xiàn)算法、創(chuàng)建用戶界面、連接其他編程語(yǔ)言的程序。 幾乎所有食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)中數(shù)據(jù)處理與分析， 都可以在MATLAB 中實(shí)現(xiàn)。 隨著科學(xué)技術(shù)的發(fā)展， 各種軟件版本也不斷更新， 目前SPSS 和SAS 軟件已更新了十多個(gè)版本， 而MATLAB 軟件更新了二十多個(gè)版本。 在食品、農(nóng)產(chǎn)品數(shù)據(jù)處理量不斷增大且精度要求越來(lái)越高的趨勢(shì)下， 各種軟件將不斷優(yōu)化更新， 而另外一些專(zhuān)用型軟件也將不斷推出。 此外， 對(duì)計(jì)算機(jī)硬件也將提出更高的要求， 或許不遠(yuǎn)的將來(lái)， 處理食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)數(shù)據(jù)的專(zhuān)用型計(jì)算機(jī)也會(huì)誕生。……

編輯推薦

　　《食品農(nóng)產(chǎn)品檢測(cè)中的數(shù)據(jù)處理和分析方法》該書(shū)圍繞如何對(duì)所獲取的數(shù)據(jù)進(jìn)行處理和分析，從而建立有效的識(shí)別模型展開(kāi)討論，分為數(shù)據(jù)前處理、變量篩選、特征提取、定性識(shí)別模型和定量分析模型等幾部分，是作者在食品、農(nóng)產(chǎn)品檢測(cè)方面多年研究成果的積累，同時(shí)也反映了計(jì)算機(jī)科學(xué)和應(yīng)用數(shù)學(xué)的最新研究成果在食品、農(nóng)產(chǎn)品檢測(cè)方面的應(yīng)用動(dòng)態(tài)，該書(shū)是國(guó)內(nèi)外第一本系統(tǒng)介紹和歸納關(guān)于食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)數(shù)據(jù)處理和分析的科研論著，該書(shū)的出版將對(duì)食品、農(nóng)產(chǎn)品品質(zhì)檢測(cè)技術(shù)的發(fā)展起到促進(jìn)作用，同時(shí)也將為廣大從事該領(lǐng)域研究的科學(xué)工作者、技術(shù)人員和研究生們提供一本內(nèi)容全面、反映數(shù)據(jù)處理和分析方法最新動(dòng)態(tài)的技術(shù)參考書(shū)。

圖書(shū)封面

評(píng)論、評(píng)分、閱讀與下載

---

    食品、農(nóng)產(chǎn)品無(wú)損檢測(cè)中的數(shù)據(jù)處理和分析方法 PDF格式下載

---