基于OSC／PLS的茶叶中EGCG含量的近红外光谱法测定

采用正交信号校正法(OSC)对茶叶的近红外光谱进行预处理,并结合偏最小二乘法(PLS)建立表没食子儿茶素没食子酸酯(epigallocatechin gallate,EGCG)含量的预测模型.PLS校正模型采纳的最佳因子数会随着OSC因子的增加而逐渐减少以达到简化模型的效果.试验以预测残差平方和(PRESS)来评价模型的整体性能,当滤除前6个OSC因子时为最佳,此时校正模型采纳的PLS因子数为5,校正肘的相关系数r2和校正标准偏差SEC分别为0.955 90和0.38279,预测时的相关系数,和预测标准偏差SEP分别为0.936 61和0.444 13.研究结果表明,应用近红外光谱法结合0SC/PLS可以快速准确地测定茶叶中EGCG的含量.     

正交信号校正方法在啤酒酒精度近红外光谱分析中的应用

以啤酒酒精度的快速测定为研究对象,对原始光谱分别进行一阶导数、二阶导数、正交信号校正(OSC)等预处理方法后,用偏最小二乘法(PLS)建立了啤酒酒精度校正模型,然后用所建模型对预测集进行预测.结果表明,使用OSC预处理方法后,PLS主成分数为2,验证集预测均方差和平均相对误差分别为0.095%和1.002%,效果最佳.在建立定量校正模型前,对光谱进行OSC预处理方法滤除了与浓度阵无关的光谱信号,减少了建立模型所用的主因子数,进一步提高了校正模型的预测能力和稳健性.     

用混合线性分析法建立苹果糖度近红外光谱预测模型

用混合线性分析法的一种变形算法建立了苹果糖度近红外光谱预测模型，并与偏最小二乘模型进行比较。结果表明：虽然最佳的混合线性分析法模型（18个主因子）比最佳偏最小二乘模型（11个主因子）复杂．但其精度却明显优于偏最小二乘模型：利用梗正集的28个苹果样本建立的糖度混合线性分析法校正模型，其相关系数r^2和标准偏差SEC分别为0．92509和0．40618；该校正模型经预测集的11个样本验证，相关系数r^2和标准偏差SEP分别达到0.87611和0．48480。混合线性分析法建立的糖度模型对苹果光谱的校正标准偏差SEC和预测标准偏差SEP分别比PLS法的SEC（0．41473）和SEP（0．50473）减小了2％和3．9％。结果表明：在诸如苹果糖度这一类农产品品质综合指标（非纯组分含量指标）的光谱检测中，应用混合线性分析法进行定量分析是完全可行的。并且其结果可与偏最小二乘法（PLS）的结果相媲美。     

基于OSC-PLS可见光谱法检测白砂糖色值、混浊度及不溶于水杂质

提出了一种基于可见光谱(VIS)结合偏最小二乘算法(PLS)快速检测白砂糖色值、混浊度及不溶于水杂质的方法。该方法检测时无需调整pH=7,无需滤膜过滤处理,具有操作简单、分析快速的特点。为了提高检测精度,消除光谱中的噪声干扰,采用了一阶导数(FD)和正交信号校正(OSC)对原始光谱进行预处理。研究发现,选取350~360 nm及460~800 nm的特征波段,基于OSC光谱建立的关于白砂糖色值、混浊度及不溶于水杂质的多变量偏最小二乘回归模型(PLS2)具有很好的预测效果,对校正集和预测集样本的预测结果均令人满意,相关性系数都在0.96以上,相对均方根偏差都在10%以内。     

基于高光谱技术的羊肉含水率无损检测

利用高光谱成像系统(1000~2500 nm)对羊肉含水率进行无损检测研究。对108个羊肉样本进行光谱信息采集,通过标准正态变换法、归一化法、去趋势校正法、S-G卷积平滑法、导数法、多元散射校正法对原始光谱进行预处理,对全波段下的原始光谱和预处理后的光谱建立偏最小二乘回归(PLSR)模型,优选出的最佳预处理算法为去趋势校正法。原始数据经去趋势校正法预处理后,采用相关系数法选取特征波长,建立特征波长下羊肉含水率的 PLSR模型和逐步多元线性回归(SMLR)模型。结果表明,SMLR模型对含水率预测效果最好,校正集相关系数R_c为0.8597,标准误差SEC为0.0521;预测集相关系数R_p为0.8654,标准误差SEP为0.0387。研究表明,利用高光谱成像技术检测羊肉含水率是可行的。     

鲜枣糖度无损检测研究

实验的主要目的是探讨利用近红外光谱技术对鲜枣糖度指标进行无损检测的可行性。在485.32~993.61nm光谱范围内建立数学模型分析光谱与鲜枣糖度之间的联系。在所研究范围内,首先进行光谱预处理,以提高模型的分析精度。然后,分别选用偏最小二乘法(PLS)和主成分回归分析法(PCR)的化学计量学方法建立鲜枣校正模型。结果表明:PLS建模效果优于PCR。同时研究不同建模主成分因子对建模结果的影响,找出PLS建模的最佳主成分因子。实验结果表明,当主成分因子选择为5时建模效果最佳。     

利用傅立叶变换简化苹果糖度的预测模型的研究

本文通过离散傅立叶变化,将苹果光谱信号转换为一系列的傅立叶系数。实验表明运用较少的傅立叶系数(15个)建立苹果糖度的PLS和PCR模型的效果与原始光谱(88个变量)建立的PLS模型的效果基本一致。这可以表明选择前若干个傅立叶系数建模,可以包含原光谱图的绝大部分信息。这样既可以较好的压缩图谱,减少计算量,同时也可以达到定量分析的要求。     

脐橙总糖近红外光谱模型传递研究

为实现近红外光谱模型在同类光谱仪器间的共享,以脐橙总糖为例,在主仪器上建立最优的偏最小二乘(PLS)近红外光谱模型,采用斜率截距(Slope/Bias)校正法和直接校正(DS)算法把主仪器上建立的模型传递到从仪器上,并探讨标准化样品个数对模型传递效果的影响。研究表明：在主仪器建立的模型经DS算法传递后,从仪器预测集的预测标准差(RMSEP)为0.448%,经Slope/Bias校正法传递后的预测标准差(RMSEP)为0.756%,DS算法更优于Slope/Bias校正法,利用直接校正法实现脐橙总糖傅里叶近红外光谱模型传递是可行的。     

基于近红外漫反射技术的大米脂肪含量的研究

利用大米脂肪含量化学分析值及其近红外漫反射光谱建立分析大米中脂肪含量的数学模型.运用OPUS5.0定量分析软件优化,采用偏最小二乘法(PLS)算法,得到最佳光谱预处理方法为乘法散射校正法(MSC),选取11 998.9～4 246.5cm-1为最佳谱区,最佳主成分维数为8.由此参数进行内部交叉检验,建立校正模型,交叉验证决定系数(R2)为0.998 1,交叉验证误差(RMSECV)为0.0191;外部验证决定系数(R2)为0.988 9,预测误差(RMSEP)为0.024 1,证明了利用近红外光谱技术测定稻米脂肪含量的可行性.     

基于MATLAB软件的苹果内部品质系统化无损检测

研究将近红外设备与MATLAB软件链接,实现苹果糖度及可滴定酸度的近红外光谱扫描、数据处理、模型建立、含量预测及模型评价等在线无损检测水果内部品质的一体化。以市售陕西红富士苹果为材料,通过近红外文件格式转换、近红外光谱预处理、偏最小二乘法(PLS)回归分析、预测模型的建立、结果预测及模型精度检验等工作编写和调试基于MATLAB语言的模块化程序,经主程序调用建立苹果糖度及可滴定酸度的定量预测模型。结果表明:本实验所建预测模型糖度及可滴定酸度预测值和真实值之间的相关系数R分别为0.9528,0.8786;标准校正误差(SEC)分别为0.4788,0.0215;标准预测误差(SEP)分别为0.3170,0.0128;标准偏差(SD)分别为1.4111,0.0390,模型具有较高的预测精度。因此,将近红外设备与MATLAB软件链接,实现苹果糖度及可滴定酸度在线无损检测的一体化具有可行性且模型检测精度较高,对开发水果内部品质评价及在线分级软件具有重要意义。     

苹果中糖酸度的CCD近红外光谱分析

应用自行搭建的CCD近红外光谱系统检测苹果的糖酸度。通过Y型光纤采集120个红富士苹果的漫反射光谱,采用偏最小二乘回归(PLSR)建立苹果糖度、酸度的定量预测模型。针对CCD光谱噪声较大的特点,采用S-G平滑、一阶导数、二阶导数对光谱进行预处理。结果表明,S-G平滑后所建模型的效果最好,糖度、酸度的相关系数(r)分别为0.9240、0.8151,标准校正误差(SEC)分别为0.9254、0.0120,标准预测误差(SEP)分别为0.9407、0.0204。本研究说明应用CCD近红外光谱仪,在630～1030nm波段实现对苹果糖度、酸度的无损检测具有可行性。     

番茄总糖含量的近红外光谱无损检测方法研究

根据偏最小二乘法建立番茄总糖含量的定量分析模型,比较原始光谱和平均光谱以及10 种光谱预处理方法对近红外光谱无损检测番茄总糖含量的影响。结果表明：平均光谱所建立的偏最小二乘法校正模型明显优于原始光谱所建模型,常数偏移消除最适合番茄总糖近红外光谱的预处理,其在11998.9～7497.9cm-1 和4601.3～4256.5cm-1优化光谱区内,所建偏最小二乘法定量分析模型的预测值和实测值的相关系数(R)为0.917,校正标准差(RMSEC)为0.263%,预测标准差(RMSEP)为0.236%。平均光谱和优化的光谱预处理方法可有效提高近红外光谱无损检测番茄总糖含量的准确性。     

基于siPLS的猕猴桃糖度近红外光谱检测

为了探寻一种快速无损检测猕猴桃糖度的方法,利用小波滤噪法对猕猴桃1000～2500nm 近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型。结果表明,采用联合区间偏最小二乘法将光谱划分为16 个子区间,利用其中的第9、11、13 号3 个子区间联合建立的糖度模型效果最佳,其校正集相关系数和均方根误差分别为0.9414 和0.3788。预测集相关系数和均方根误差分别为0.9295 和0.3904,主因子数为7 个。研究表明,用小波滤噪和联合区间偏最小二乘法所建立的猕猴桃糖度模型不但减少建模运算时间,剔除噪声过大的谱区,而且预测能力和精度均有所提高。     

Enhanced NIR Calibration for Wort Fermentability Using Orthogonal Signal Correction

An enhanced method for the calibration of Near Infra Red (NIR) reflectance spectra to wort fermentability is proposed using a signal pre‐processing algorithm called orthogonal signal correction (OSC). Pre‐processing NIR spectra prior to partial least squares Project to Latent Structures (PLS) regression modelling is becoming commonplace in multivariate calibration. A set of twenty wort samples subjected to a replicated 2² factorial design with a centre point and nine production samples were used to construct multivariate prediction models. The experimental design factors were the mash tun saccharification temperature and time used to purposely provide a sample set with significant leverage in the fermentability responses. Calibration PLS models for both wort apparent degree of fermentation (ADF) and final attenuation apparent extract (Final AE) values with and without OSC corrected spectra were compared demonstrating significant improvements in prediction capability with the prior (Q² = 0.90 versus Q² = 0.28). The OSC algorithm removed almost 60% of the variance in the NIR spectra, which was independent or orthogonal to the fermentability measures. By cleaning up the spectra, the standard errors of prediction (SEP) for ADF and Final AE were improved by 50 and 90%, respectively, illustrating not only the enhancement in calibration but also the aptness for process control applications. Various model validation tests, including an external validation example and random response permutation, verify the validity of the models using OSC. Furthermore, interpretation of the important wavelengths related to wort fermentability is provided and demonstrates that some key wavelengths are related to both carbohydrate overtones as well as nitrogen functional groups. The application of OSC prior to developing calibration models with NIR demonstrates promising results for brewers interested in real time control of wort fermentability.     

蜂蜜中还原糖组分的近红外光谱应用研究

为探索快速测定还原糖含量的方法,提出了用傅立叶变换近红外光谱技术结合偏最小二乘法(PLS)建立近红外光谱与蜂蜜还原糖含量的数学模型并进行预测。通过光谱扫描还原糖含量在61.3%～75.22%范围的蜂蜜样本,选择11992.1～7494.6cm-1波数范围、二阶导数、及10个因子数进行光谱预处理,偏最小二乘法(PLS)交叉验证。结果表明,模型的校正决定系数(Rcal)、校正均方差(RMSEE)、交叉验证决定系数(RCV)、交叉验证均方差(RMSECV)分别为99.71%、0.27%、98.44%、0.45%。用该模型对验证集样本进行预测并统计分析,表明预测值与测定值无显著差异。因此,用该方法快速准确定量分析大批蜂蜜中的还原糖含量具有重要意义。     

灵武长枣蔗糖含量的高光谱无损检测

利用高效液相色谱法检测蔗糖含量,同时运用高光谱成像技术结合化学计量方法建立蔗糖预测模型;通过竞争性自适应加权（competitive adaptive reweighted sampling,CARS）算法、连续投影算法（successive projection algorithm,SPA）和无信息消除变量（uninformative variable elimination,UVE）降维处理,建立特征波段和全波段的主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）和多元线性回归（multivariable linear regression,MLR）模型。结果表明,采用蒙特卡洛方法剔除异常样本后,相关系数由0.611增大到0.846;正交信号校正法预处理效果最佳,RC和RP分别为0.853和0.794;利用SPA、UVE、CARS、CARS＋SPA和CARS＋UVE五种方法提取了5、21、17、10、18 个特征变量,其中CARS-PCR模型最好,校正集、预测集的相关系数为0.861、0.843,校正集、预测集的均方根误差为0.013 mg/g和0.014 mg/g。综上,高光谱成像技术可以实现长枣蔗糖含量的预测,为更深一步探讨枣的内部品质提供参考。     

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

哈姆林甜橙果实内在品质的可见-近红外光谱无损检测法

采用可见- 近红外漫反射光谱技术,结合偏最小二乘法,以不同时间采摘的哈姆林甜橙果实为样品建立其可溶性固形物、含酸量和VC 的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行对比分析。结果表明：原始光谱在400～1000nm 波段的模型预测精度较高。经多元散射校正和5 点移动平均平滑预处理后,果实可溶性固形物含量的PLS 模型最好,校正集样品的相关系数为0.995RMSEC和RMSEP分别为0.026%、0.028%;预测集样品的相关系数为0.992。经多元散射校正和9 点移动平均平滑预处理后,果实含酸量的PLS 模型最好,校正集样品的相关系数为0.997,RMSEC 和RMSEP 分别为0.012%、0.013%;预测集样品的相关系数为0.997。经多元散射校正和9 点移动平均平滑预处理后,果实VC 含量的PLS 模型最好,校正集样品的相关系数为0.998,RMSEC 和RMSEP 分别为0.009%、0.009%;预测集样品的相关系数为0.999。可见由不同时间采摘的果实组成的样品集所建立的数学模型可以提高模型的预测精度,从而提高模型的适用范围。应用可见-近红外漫反射光谱检测哈姆林甜橙果实的内在品质可行。     

贮藏期内富士和粉红女士苹果品质的FT-NIR无损检测

为探索傅里叶近红外光谱快速无损检测贮藏期苹果品质的方法,在苹果贮藏过程中,每隔30d采集富士和粉红女士(各40个)2个苹果品种共计400个样本的近红外图谱(12000～4000cm-1),用OPUS-QUANT软件预处理光谱,用偏最小二乘法建立通用于2个品种的可滴定酸(TA)、pH值和可溶性固形物(SSC)的数学模型。结果表明：富士和粉红女士的光谱经矢量归一化预处理后,在波段7502～4247cm-1内所建立的可滴定酸模型稳定性较好,该模型校正时的相关系数(R2)和评估均方误分别为0.9231和0.0263%,预测时的相关系数R2和内部交叉验证均方根差分别为0.9071和0.0266%;在波段11995～4247cm-1内,光谱经一阶导数预处理后所建立的pH值预测模型稳定性较好,该模型校正时的R2和评估均方误分别为0.9263和0.0700,预测时的R2和内部交叉验证均方根差分别为0.9113和0.0772;近红外光谱经最大-最小归一化预处理后,在波段6102～5446cm-1所建立的SSC模型效果较好,该模型校正时的R2和评估均方误分别为0.9212和0.3570%,预测时的R2和内部交叉验证均方根差分别为0.9130和0.370%。在富士和粉红女士贮藏期品质检测过程中,建立的通用于这2个品种的TA、pH值和SSC检测的数学模型,稳定性较好,能满足品质快速无损检测的要求。