近红外光谱结合反向区间偏最小二乘法检测药用辅料糊精

利用近红外光谱结合化学计量学方法快速检测了药用辅料糊精含量。首先,用近红外光谱仪采集主药与糊精共存样本的近红外光谱数据;然后,采用反向区间偏最小二乘法(Backward Interval Partial Least Squares,Bi PLS)优选光谱特征区间;最后,采用偏最小二乘法(PLS)对优选出来的区间建立药用辅料糊精近红外光谱模型。采用Bi PLS将全光谱均匀划分35个子区间,选择16个子区间[1,7,10,12,18,20,21,23~25,28~33]时,建立的模型预测效果最佳,其交叉验证均方根误差和预测均方根误差分别为1.501和2.437,校正集和验证集相关系数分别为0.9968和0.9958。因此,利用近红外光谱技术快速检测药用辅料糊精含量是可行的。     

小波变换-偏最小二乘法用于柴油近红外光谱分析

为了提高近红外光谱分析精度和速度,需要分别对近红外光谱扣除背景、降低噪音和优选变量等预处理,其过程稍嫌烦琐,本文提出用小波变换-偏最小二乘法(PLS)。该方法利用小波变换提取光谱变量,利用PLS将光谱变量和柴油性质进行关联,建立模型。利用该方法能够分析柴油的诸多性质,分析精度与传统处理方法(微分-PLS)基本一致。该方法具有预处理简单、优选参数少、建模变量少等特点,能够大大简化建模过程、提高建模和分析速度。     

夏枯草中迷迭香酸近红外光谱定量分析模型的建立

目的:建立近红外漫反射光谱法快速测定夏枯草中迷迭香酸的含量方法。方法:采用高效液相色谱法测定不同产地的170批次夏枯草中迷迭香酸的含量,同时采集近红外漫反射光谱,对原始光谱进行多元散射校正(MSC)、一阶导数(First derivative)和S-G(Savitzky-Golay filter)平滑等光谱预处理方法,采用偏最小二乘法(PLS)建立近红外定量分析模型,实现夏枯草中指标性成分迷迭香酸含量的快速测定。结果:所建立的迷迭香酸近红外定量分析模型,模型R~2为0.9768,RMSEC和RMSEP分别为0.0387和0.0441,表明所建近红外模型预测准确度高。交叉验证均方差RMSECV为0.0706,表明所建模型稳健性好。结论:本研究所建迷迭香酸近红外定量分析模型具有很好的预测准确度和稳健性,为市场上夏枯草质量的快速评价提供新的方法。     

近红外光谱信号的优化处理

用实验室常规方法测定竹材样品的木质素含量,漫反射方式采集样品的近红外光谱信号,偏最小二乘法(PLS)和完全交互验证方式以建立毛竹木质素含量的定量分析模型。研究主成分数、建模谱区、求导和平滑预处理技术对定量分析模型的影响。结果表明,预处理技术压缩和恢复的近红外光谱信号效果良好,提高了模型的预测能力,优化近红外定量分析模型有重要参考价值。     

基于近红外光谱的水蜜桃采摘期的鉴别方法

提出了一种利用近红外漫反射光谱技术结合光纤传感技术建立水蜜桃采摘期的鉴别方法.从无锡阳山镇的某大棚采摘了距最佳采摘期天数为3,2,1以及处于最佳采摘期的水蜜桃各48个,用近红外光谱仪对样品进行了光谱采集.对原始光谱进行平滑、一阶微分和多元散射校正预处理,采用主成分分析(PCA)结合偏最小二乘(PLS)法建立了水蜜桃采摘期的鉴别模型.研究显示:一阶微分和平滑组合预处理后的鉴别模型效果最好,校正集模型和预测集模型的决定系数分别为0.9279和0.9138;模型的内部交叉验证均方差(RMSECV)和预测均方根偏差(RMSEP)分别为0.3003和0.3349;水蜜桃样品校正集和预测集的鉴别正确率分别为95.13%和93.75%.结果表明:利用近红外漫反射光谱技术对水蜜桃采摘期的鉴别具有很好的应用前景.     

饲料蛋白固态发酵过程参数的FT-NIR快速检测

为实现对整个固态发酵过程状态信息变量的在线监测,研究提出基于近红外光谱分析技术的饲料蛋白固态发酵过程参数快速检测新方法。利用近红外光谱采集装置获取固态发酵物样本的近红外光谱,引入不同的光谱预处理方法校正原始近红外光谱数据,采用PLS建立固态发酵过程参数pH和湿度的定量分析模型。在模型校正过程中,通过交互验证法优选光谱预处理方法和建模所需的主因子数。试验结果显示,pH和湿度的PLS模型在预测集中的相关系数R_p分别为0.9838和0.8707,RMSEP分别为0.0696和0.0152。研究结果表明,利用近红外光谱分析技术快速监测固态发酵过程参数是可行的。     

近红外光谱过程分析与控制技术融合及展望

以近红外（NIR）光谱为代表的新型过程分析技术（PAT）近年来在流程行业得到越来越多的应用。PAT是以化学计量学为基础,并采用自动化分析仪器的生产过程质量分析新方法,与传统化验分析技术相比,PAT具有测量速度快、准确度高等优点。介绍了NIR光谱的PAT原理,归纳了NIR光谱分析仪器技术特点及应用场合,阐述了NIR光谱预处理、建立校正模型等技术。进一步地,介绍PAT与过程控制技术（PCT）的融合,重点分析了PAT在完善先进控制技术及实时优化中所起的重要作用。最后,对PAT及PCT在流程智能制造领域的融合发展进行了展望。     

NIR和ATR-FTIR光谱技术在萝卜农残检测中的应用

研究了近红外(NIR)光谱技术和衰减全反射傅里叶变换红外(ATR-FTIR)光谱技术在萝卜农药残留检测中的应用。为了从不同角度分析,分别使用偏最小二乘(PLS)法和BP神经网络建立了数学模型。经最小—最大归一化方法优化后的NIR光谱数据的PLS法模型标准差为:RMSEC=0.289,RMSEP=0.335,BP神经网络模型标准差为:RMSEC=0.436,RMSEP=0.610。矢量归一化方法优化后的ATR-FTIR光谱数据的PLS法模型标准差为:RMSEC=0.168,RMSEP=0.127,BP神经网络模型标准差为:RMSEC=0.100,RMSEP=0.106。结果表明:ATR-FTIR的农药残留检测精度高于NIR光谱技术,ATR-FTIR光谱技术在农药残留检测方面有实际应用潜能和优势。     

一种煤炭近红外光谱数据预处理方法研究

针对煤炭原始近红外光谱数据中存在噪声的问题,提出了基于De-SNV与小波阈值去噪组合的煤炭近红外光谱数据预处理方法。采用缺省软阈值法进一步对经过Savitzky-Golay平滑和De-SNV处理的光谱数据去噪,并分别建立了水分、灰分和挥发分的PLS校正模型,通过分析模型的预测性能对该方法的有效性进行评估。实验结果表明,经过该方法预处理的光谱数据所对应的PLS校正模型性能明显优于使用原始光谱数据所建立的PLS校正模型,水分、灰分和挥发分的PLS校正模型的预测均方根误差分别降低至0.007 07,0.040 8,0.008 66,决定系数分别提高至0.858 7,0.743 8,0.778 5。     

土壤全氮含量与碳氮比的高光谱反射估测影响因素研究

基于土壤高光谱反射特征可以实现土壤全氮(TN)含量与碳氮比(C∶N)等土壤属性的快速、无损测定,但其估测模型受土壤颗粒粒径水平与光谱指数(预处理)等因素影响。通过研磨准备2、0.25和0.15 mm共3个水平颗粒粒径的土样,分析了原始(RAW)及多次散射校正MSC(Multiple Scattering Correction)、一阶微分FD(First Derivative)、连续统去除CR(Continuum Removal)等预处理的土壤反射光谱与TN含量、碳氮比变化之间的关系,发现土壤研磨可以提高反射光谱对TN含量变化的响应,而FD、CR与MSC等光谱预处理能够明显缩小不同颗粒粒径水平土样的光谱反射-TN含量、碳氮比相关性差异。结果表明:0.25 mm颗粒粒径土样的FD预处理光谱在2 250 nm和2 280 nm处分别与TN含量、碳氮比变化存在最大相关,但最大相关单波段线性回归模型的TN含量、碳氮比估测精度不如全波段光谱PLSR模型。其中,0.25 mm土样RAW光谱全波段PLSR模型估测TN含量的表现最佳(RPD=3.49,R²=0.92,RMSEP=0.1 g/kg);而碳氮比的估测结果并不十分理想,其最优估测模型(0.25 mm土样FD预处理的全波段PLSR模型)的RPD仅为1.21,可能与土样的碳氮比变化范围较小有关,在以后的研究中可以尝试采集更多的样本数量或土壤类型,使训练样本具有较大的变量范围,以取得较好的估测效果。     

基于正交信号校正的喷气燃料近红外光谱去噪研究

为了提高喷气燃料近红外光谱模型的预测精度和稳健性,结合近红外光谱的特点,将正交信号校正法(OSC)用于喷气燃料近红外光谱的预处理.在正交信号校正过程中,通过K矩阵法建模选择正交信号校正的最佳主成分数.将正交信号校正后的光谱分别与K矩阵法、主成分回归(PCR)和偏最小二乘法(PLS)结合建立校正模型,对喷气燃料的密度和2...     

连续小波变换-支持向量回归用于植物样品多组分分析

采用连续小波变换（CWT）技术对近红外光谱（NIR）数据进行预处理,扣除光谱中的背景与噪音成分,再用支持向量回归（SVR）进行建模,建立了用于复杂植物样品多组分分析的建模方法（CWT-SVR）,并应用于烟草样品中常规成分（总糖、总植物碱和总氮）含量的测定。结果表明,CWT—SVR方法优于基于全谱数据的SVR和偏最小二乘（PLS）法,为近红外光谱定量分析提供了一种新的建模方法。     

Nondestructive prediction model of internal hardness attribute of fig fruit using NIR spectroscopy and RF

Hardness is one of the most important quality characteristics, which has an important influence on the processing and product quality of figs. A rapid non-destructive detection method for the hardness of figs was proposed based on visible/near infrared (VIS/NIR) spectroscopy technology. This study attempts to optimize the construction of a fig hardness model and predict the accuracy of thereof. An NIR spectrometer was used to collect the diffuse reflectance spectrum data in the wavelength range of 950–1700 nm, while the hardness index was measured using texture analyzer. Random forest (RF) and partial least square (PLS) methods were used to model the spectral data and hardness, respectively, and a better algorithm for the model construction was obtained. The RF model performed better in the characteristic band (1150.83–1232.43 nm), with correlation coefficient (R²), root mean square error of calibration (RMSEC), and root mean square error of prediction (RMSEP) of 0.76, 67.61, and 83.94 respectively. The PLS model worked well at the full band (R²?=?0.77, RMSEC?=?59.20, RMSEP?=?91.84). However, the prediction time of the PLS was slightly shorter than that of RF model (0.0004 s?<?0.0098 s). The results show that it is feasible to detect the hardness of figs without destroying them by using VIS/NIR diffuse reflectance spectroscopy combined with sample set partitioning based on joint x–y distances (SPXY), RF, and PLS algorithms. This study provides new technical means for fig products enterprises to determine the hardness of figs in the early stages of production rapidly and evaluate the processing quality of fig products, which has a high practical application potential.

     

苹果近红外光谱的特征提取和分类研究

采用近红外光谱分析法对不同种类的苹果样品进行分类,提出一种基于非相关判别转换的苹果近红外光谱定性分析新方法。实验分别采用主成分分析、Fisher判别分析和非相关判别转换三种方法对苹果光谱数据进行特征提取,并使用K-近邻分类算法建立三种苹果分类识别模型,最后使用"留一"交叉验证法进行模型检验。结果表明,使用非相关判别转换方法建立的模型正确识别率优于使用主成分分析和Fisher判别分析建立的模型。     

多态偏最小二乘法模型

为了更合理的确定偏最小二乘法的主成分数,提出了一种多态偏最小二乘法的建模方式。介绍了建模和预测具体实现过程。给出了预测时样品相似度计算的两种方式:直接距离法和性质得分距离法。以玉米样品近红外光谱数据为例,分别采用多态偏最小二乘法与传统偏最小二乘法建模对蛋白质指标进行了检测。结果表明:多态偏最小二乘法预测结果优于传统偏最小二乘法预测结果,有更强的适应性和兼容性。     

红外光谱结合化学计量学在中药分析中的应用

综述红外光谱技术与化学计量学相结合在中药分析中的应用.报导利用求导法(包括一阶、二阶求导)、数字滤波、数据平滑、矢量归一化、傅立叶变换和卷积运算,以及小波变换等方法处理红外分析信号,可以提高谱图的信噪比、改良分析信号的质量和还原被扭曲的谱图;利用主成分分析法、因子分析法、偏最小二乘法等校正方法处理红外光谱数据,可以迅速而准确地鉴别和分类中药;用SIMCA方法、聚类分析方法和阵列相关系数比对法等化学模式识别红外数据可以判断中药的产地、道地性、采收时间和配方中药的质量等;利用二维相关光谱可以鉴别中药材的真伪和中药材的品种等.     

近红外光谱数据分析方法研究

文中将主成分分析和BP神经网络方法相结合,用于对近红外光谱数据进行预处理和回归分析,较好地解决了近红外分析中的非线性关联问题。实验结果表明,该方法在近红外光谱数据的分析中与传统的化学计量学方法相比有较好的应用效果。     

基于独立成分的局部建模方法及其在近红外光谱分析中的应用研究

建立了一种基于独立成分分析的局部建模新方法,该方法首先将独立成分分析(ICA)用于近红外光谱的特征提取,然后,根据所提取的独立成分选择校正集中与预测样本相邻近的样本构成校正子集,建立局部偏最小二乘(PLS)回归模型并对预测样本进行预测。将所提出的方法应用于烟草样品中尼古丁含量的测定,所得结果优于常用的全局建模方法。