非稳定近红外光谱信号的去噪研究开题报告

1. 研究目的与意义

为了促进农作物的产量增长，缓解农产品供应压力，农药的使用越来越普遍，其高效地除草杀虫功能在为农户省去大量劳力的同时还显著地提高了农作物的收成与品质。然而，过度的使用农药，不仅无法增产反而使得作物表面残留大量农药，超过食品安全标准，引发各种食品安全问题，为了保障食品安全，农药残留测量起着举足轻重的作用。现有的化学，生物等测量方法虽然测量精度高，但是由于其耗时费力、有损、污染等缺点而难以满足现代农业中快速、无损、批量以及实时监测农药残留的需要。近红外光谱分析以其无损、迅速、无污染等优势而备受关注，与此同时，我们也不能忽视该方法的不足之处，如灵敏度较低，易受到其他因素的干扰等。为了将近红外光谱检测技术更好地应用，如何进一步提高检测精度与稳定性是该方法亟需要解决的关键问题。去噪预处理是光谱分析中非常关键的一个环节，对光谱数据进行去噪预处理可以消除外界因素的干扰，增强光谱的有效信息，为建立高精度的果蔬农药残留化学成分预测模型提供基础。去噪的方法有很多种，而不同的近红外光谱其统计特征也千差万别，因此，选择合适的去噪方法对于光谱数据的预处理至关重要。本课题将对果蔬农药残留近红外光谱进行去噪研究，对于提高光谱后续分析结果的准确性与精度具有重大意义。

2. 国内外研究现状分析

近红外光谱技术在果蔬农药残留检测的广泛应用使得光谱去噪预处理也成为一项重要的课题。在阅读了相关文献后发现目前光谱去噪方法中使用较多的有小波变换及小波包变换去噪、 经验模态分解 （empirical mode decomposition ，emd）及总体平均经验模态分解(ensemble empirical modedecomposition ，eemd）自适应去噪等及其改进方法。随着科学技术地不断提升，不少学者在此基础上开创了许多新方法，将基础方法进行结合或改进，也有甚者引进了其他领域中的数据重构方法并获取了较好的成果。

现实生活中绝大多数信号均是非线性非稳定的，小波变换具有良好的局部分析特性，然而小波方法的基函数，分解层数，阈值等参数不能对所有的真实信号都匹配即不具备自适应性，依赖处理操作人员的经验设定，如果选择的参数不合适将会限制其去噪性能。经验模态分解常被用于分析非稳态和非线性数据处理，是一种自适应性的处理方法，大量研究证明其非常适合解决测量领域中的噪声和频率估计问题，目前使用及其普遍，但由于emd是基于相关模态的局部重建，周期性信号易引起模态混叠、端点效应等问题。

基于这些弊端，单一的小波变换、emd、eemd等方法已无法满足现代生产生活的需求，为了获得更好的处理效果，许多学者开始对这些方法进行改进或组合或引进其他领域的处理方法。如基于二维重组和动态窗格的光谱去噪算法的研究，相比于固定窗格二维小波去噪对不同的环境适应性更强，但窗格的面积需要经验值设置；基于奇异值分解（svd）理论的降噪阶次选取方法对光谱信号去噪，是一种自适应的，数据驱动式信号处理技术，满足现代生产过程中在线监测系统迅速，精确的要求，但其权重系数的依赖性未得到解决；广义s变换虽然操作简单，但分析精度和效率低于小波变换。eemd在一定程度上抑制了emd分解过程中产生的模态混叠问题，但由于加入了高斯白噪声，导致重构信号中存在残留噪声；互补集合经验模态分解(complementary ensemble empirical mode decomposition，ceemd)以加入成对相反的高斯白噪声而减少残留噪声，但过程运算量过大。

3. 研究的基本内容与计划

针对非稳定近红外光谱去噪，出现了如小波变换，经验模态分解等经典方法，且广泛应用于各个领域。但这些方法也存在着一定的不足之处，如基于经验模态分解的去噪处理，它根据信号自身的时间尺度特征对信号进行分解，具有自适应性，但在其分解的过程中存在模态混叠等问题。集合经验模态分解，为原信号添加均匀分布的白噪声，以弥补缺失的尺度可有效解决模态混叠的问题，但新加入的白噪声再信号重构时并没有被完全中和，且添加噪声的幅值等参数需人为设定。对于由白噪声引起的重构误差还需进一步减小，经验参数的自适应性还需进一步提高。

课题安排

2018.12.23-2019.1.13:确定论文方向，查阅相关参考文献，完成论文开题报告。

4. 研究创新点

通过大量的实验与应用，发现小波变换对于非稳定信号具有优良的去噪处理效果，但也存在着一些不足之处。基于已有的研究与方法，为了提高去噪效果，本课题将提出基于盲源信号分离的去噪方法应用于非稳定果蔬农药残留近红外光谱进行去噪研究。