白砂糖色值近红外光谱分析的波段选择

采用近红外漫反射光谱技术和偏最小二乘法(PLS)建立白砂糖色值的定量分析模型.用多元散射校正方法对光谱进行预处理,再用Savitzky-Golay平滑化方法对原谱、一阶导数谱和二阶导数谱进行处理.选取5个波段,每个波段分别采用原光谱、一阶导数谱、二阶导数谱.同时调整Savitzky-Golay平滑点数和PLS因子数,通过多次PLS数值实验比较,按照预测效果确定每个模型的最优平滑点数、因子数,再从中选优.结果表明,采用780～1100nm-阶导数谱的定标效果最好,模型的预测均方根偏差、相对预测均方根偏差分别为11.2,8.91%.780～1100nm可以代替近红外全谱波段(780～2500nm)得到好的定量分析效果,为设计小型专用近红外分析仪器提供依据.     

血糖近红外定量分析方法研究

为解决传统有创检测血糖的问题,文中对近红外光谱无创血糖检测技术进行了研究。使用ABB公司的TALYS ASP531近红外光谱仪测得葡萄糖溶液的光谱,建模波段选取5 500~6 500 cm ^-1,使用偏最小二乘法建立光谱数据与对应浓度之间的校正模型。实验结果表明,校正模型的决定系数达到了0.983 99,校正均方根偏差为1.023 26 mmol·L ^-1,误差分布为-1.3~1.7 mmol·L ^-1,证明了近红外无创检测人体血糖浓度的可行性,为近红外血糖检测的研究提供了可靠的依据。     

梨表面色泽的可见/近红外漫反射光谱无损检测研究

应用可见/近红外漫反射光谱对梨表面色泽进行无损检测研究.在350～1800nm光谱区间,结合梨的原始吸收光谱和标准化光谱,采用多元线性回归(MLR)、主成分回归(PCR)和偏最小二乘回归(PLSR)三种数学校正算法进行了定量对比分析.原始吸收光谱应用偏最小二乘回归建立的定标模型对24个未知样品的预测结果是:L*、a*、b*预测均方差分别为1.4251,0.4569和0.9497;相对预测偏差分别为3.7404%,3.3571%和2.5877%.实验结果表明:可见/近红外光谱技术对梨表面色泽的无损检测具有可行性.     

基于可见/近红外光谱技术的黄瓜叶片SPAD值检测

为了快速准确检测黄瓜叶片的SPAD值,采用可见/近红外光谱技术并结合化学计量学方法建立了黄瓜叶片SPAD值校正模型.并用不同建模方法对全波段光谱进行建模,结果表明用最小二乘支持向量机(LSSVM)建模得到的预测效果最好,其相关系数r和预测均方根误差RMSEP分别为0.9583和0.9732.通过分析黄瓜叶片的光谱反射率与SPAD值的相关系数和PLS建模回归系数,得到了531~581nm和696~716nm 2个特征波段以及556nm、581nm、698nm和715nm 4个特征波长,应用LSSVM分别对特征波段和特征波长建模.分析表明,采用特征波段建模,其预测相关系数r和预测均方根误差分别为0.9338和1.1370,与全波段建模结果相近,而采用特征波长建模效果稍差.特征波段建模大大减少了建模中的运算量,提高了建模速度,便于相应检测仪器的开发,所以,采用光谱特征波段建模对黄瓜叶片SPAD值的检测更为有效.     

基于GA-BP神经网络的茶叶蔗糖量检测模型研究

采用近红外光谱技术结合反向传播人工神经网络算法建立了茶叶中蔗糖含量的检测模型,并通过引入遗传算法改进了模型预测质量.预测模型采用120个茶叶掺蔗糖样品的傅里叶变换漫反射光谱数据建立.对另外42个样品的预测结果表明,基于传统的反向传播人工神经网络算法模型的相关系数为0.738 0,预测均方根误差为3.075 4,正确识别率为83.3％;增加遗传算法后相关系数提高到0.941 9,预测均方根误差为1.3176,正确率为88.1％,训练误差减小一个量级以上.实验结果表明,反向传播人工神经网络模型可用来检测茶叶中的蔗糖含量,同时,引入遗传算法优化了神经网络的初始权值和阈值,使预测误差更小.     

基于SPA和PSO-LSSVM的可见-近红外光谱水质pH值检测

为了提高可见-近红外（Vis-NIR）光谱法检测水质pH值的精度和稳定性，基于连续投影算法（SPA）和粒子群优化-最小二乘支持向量机（PSO-LSSVM）建立了多元校正模型。采集60个不同pH值水溶液样品的Vis-NIR光谱数据，运用Savitzky-Golay卷积平滑和标准正态变量变换对原始光谱数据进行预处理。基于SPA筛选的特征波长和PSO算法自动优化LSSVM的建模参数，建立多元非线性校正模型。结果表明，相比于其他对比模型，SPA-PSO-LSSVM模型具有更高的精度与更优的稳定性，验证集的均方根误差为0.67、决定系数为0.91，剩余预测偏差为3.10。     

近红外光谱结合小波变换-径向基神经网络用于奶粉蛋白质与脂肪含量的测定

应用近红外光谱分析技术结合化学计量学方法,建立了奶粉脂肪和蛋白质含量测定的化学计量学建模新方法.首先采用Kernard-Stone法对校正集样本和预测集样本进行分类,然后利用小波变换滤波技术对样品的近红外光谱进行压缩去噪处理,结合滤波后重构光谱信号建立脂肪和蛋白质的径向基神经网络回归模型,并分别对径向基网络的扩散常数spread值及小波变换中的小波基与压缩尺度三个参数进行了详细的讨论.脂肪模型在小波基为db2及小波尺度为4、spread值为3.5时的预测模型精度最好;蛋白质模型在小波基为db8及小波尺度为4、spread值为6时,预测模型精度最好.所建立的脂肪和蛋白质校正模型的预测集相关系数(Rp)分别为0.990和0.994,预测均方根误差分别为0.007与0.004.预测结果表明,RBF网络结合小波变换进行建模预测,模型简单、稳健且精度较好,该方法适合奶粉脂肪和蛋白质含量的快速、无损测定.     

用最小二乘支持向量机的可见-近红外光谱测定蜂花粉贮存时间

为了探索一种快速有效的蜂花粉新鲜程度检测方法,利用可见近红外光谱技术结合最小二乘支持向量机（LSSVM）对蜂花粉的贮存时间进行了检测.选择常温环境中贮存时间为4~50天（共计47天）的茶花蜂花粉作为研究对象,将全光谱数据作为输入变量建立了LSSVM模型.结果显示,该LSSVM模型预测效果较好,预测相关系数rp达到了0.996,预测标准误差（SEP）和预测均方根误差（RMSEP）的值分别为1.310和1.308,优于偏最小二乘法（PLS）和主成分回归（PCR）的预测结果,说明基于LSSVM的可见近红外光谱技术能够很好地对花粉贮存时间进行检测.同时对不同贮存时间段花粉的预测效果进行了比较,发现该LSSVM模型适用于对第11~50天范围的贮存时间进行检测.     

基于近红外光谱检测不同产地石榴的糖度

基于可见/近红外漫透射光谱技术,探讨了对不同产地石榴的品质进行快速无损检测的可行性。首先,利用能够有效抑制杂散光影响的动态在线检测装置采集石榴的近红外光谱,测试石榴糖度的真值;然后结合主成分分析法对不同产地的石榴进行聚类分析,大致将样品分为两类;最后建立不同产地石榴的偏最小二乘判别分析模型,模型的判别准确率为97%以上。采用多种预处理方法(S-G平滑、归一化、基线校正、MSC等)建立了两类石榴的单一模型,结果表明:基线校正的效果明显优于其他方法,所建立的四川石榴模型的预测集相关系数R_p为0.82,预测集均方根误差(RMSEP)为0.37,建模集相关系数R_c为0.90,建模集均方根误差(RMSEC)为0.31;云南石榴模型的R_p为0.81,RMSEP为0.33,R_c为0.87,RMSEC为0.27。在后期采用未参与建模的样品的分选验证实验中,两个产地石榴的判别率为95%,糖度的分选准确率可达92.5%。结果表明,近红外光谱在石榴产地的判别和糖度的分选上具有重要意义,可为以后的石榴在线分选研究提供依据。     

一种改进的小波基线校正方法的研究

通过对小波变换基线校正中最佳分解尺度方法的研究,提出了一种新的基于小波变换的最佳分解尺度确定方法,不但有效地提高了基线校正效果,而且具有简单、快速的优点.将该方法应用于血糖光谱数据预处理中进行基线校正,取得了较好的效果.通过人体口服葡萄糖耐量试验(OGTT)得到人体无创检测近红外光谱和对应血糖浓度值,然后采用该方法对上述光谱进行基线校正并建立多元回归模型,采用交互验证的方式对模型及基线校正的效果进行了评价.实验结果表明,血糖浓度预测值和参考值间的相关系数为0.75,预测均方根误差(RMSEP)为1.36 mmol/L,与原始光谱预测结果和其他小波分解尺度下的预测结果相比,RMSEP降低了将近39%,相关系数提高了0.64,预测精度得到较大幅度提高.