直接正交校正用于牛奶成分近红外光谱分析

介绍采用近红外光谱分析方法快速检测牛奶主要成分含量的测量原理,探讨研究直接正交(DO)校正的基本方法.利用牛奶成分近红外光谱测量系统分别采集牛奶样品和葡萄糖白蛋白两成分溶液样品的近红外光谱,采用DO法进行光谱数据预处理,并采用偏最小二乘(PLS)法分别建立其相应的数学模型.实验及数据处理结果表明:经DO法预处理后,滤除了原始光谱中的部分噪声信息,但保留了原始光谱中的主要信息.PLS校正模型采纳的最佳因子数随着DO因子的依次滤除相应减少.牛奶中脂肪和蛋白质校正模型在原始光谱分别被滤除3和4个主成分时达到性能最佳,校正标准偏差SEC分别为0.3204和0.2727,预测标准偏差SEP为0.7316和0.4460,两成分溶液样品中白蛋白和葡萄糖校正模型在原始光谱被滤除1个因子时达到性能最佳.校正标准偏差SEC分别为0.2513和0.2780,预测标准偏差SEP为0.5169和0.7870,单位(g/dL),与DO法预处理之前的PLS模型相比,预测标准偏差相应降低,采纳的主成分数减少,模型得到简化.     

采用近红外光谱技术检测牛奶中脂肪、蛋白质及乳糖含量

利用近红外(NIR)漫反射光谱(1100～1700nm)快速测量牛奶中脂肪、蛋白质和乳糖的含量。采用偏最小二乘方(PLS)回归．建立了测量光谱与牛奶主要成分浓度之间的校正模型,并对其预测重复性进行了研究;进而探讨了非线性校正方法径向基函数网络(RBFN)的可行性,并与PLS线性校正模型进行了对比;探讨了如何提高PLS校正模型预测精度的相关问题。     

基于直方图分层映射的近红外光谱预处理算法北大核心CSCD

为解决近红外光谱快速检测乳品成分及含量时光谱数据的预处理问题,提出一种基于直方图分层映射技术的近红外光谱主成分得分重置(SR)预处理方法。以葡萄糖氯化钠水溶液三组分样品中的葡萄糖含量、鲜牛奶样品中的乳糖含量为定量检测目标,进行散射光谱主成分得分累计贡献率的分层分段规定化映射预处理,利用偏最小二乘(PLS)回归分析建模手段,对相应近红外光谱中的糖含量信息进行测试及分析。结果表明,经过SR预处理后,牛奶中乳糖含量PLS模型的校正集样品交互验证预测偏差降低23.9%,实际预测偏差降低27.8%;验证集实际预测偏差降低16.7%。该SR光谱预处理方法兼顾光谱、参考值及组分相关性等多尺度信息,以实现光谱信息增强去噪,能避免有用信息误删,防止不充分拟合及过拟合。     

基于近红外透射光谱的牛奶中脂肪和蛋白质含量检测

基于近红外光谱检测牛奶中蛋白质和脂肪含量是当前的一个研究热门,主要可以利用近红外反射光谱,近红外漫反射光谱和近红外透射光谱的光谱信息来分析牛奶的主成分含量。本文是利用近红外透射光谱原始数据,通过数学方法转换,从吸光值、吸光比和吸收度三种形式,采用偏最小二乘法(PLS)回归,分别建立了其与牛奶主成分浓度之间的校正模型。对比三种形式所建立的数学模型的优劣,探讨了如何提高PLS校正模型预测精度的相关问题。     

基于近红外光谱的花椒麻味物质快速检测方法

针对传统方法测定花椒麻味物质含量耗时、费工的缺点,提出了应用近红外光谱分析技术,快速检测花椒麻味物质含量的新方法.对于141份粉碎到40目的花椒粉末样品,首先使用基于主成分得分与遗传算法的近红外光谱建模样品选择方法(PCA-SSGA)进行样品选择,优选出80份样品.然后应用偏最小二乘法(PLS),将其中60份样品的近红外光谱建立校正模型,并对其余20份样品组成的预测集进行预测.结果显示,测定系数(R220)为0.9004,预测标准差(RMSEP20)为0.8130,预测相对标准差(RSD20)为6.07%,预测相对分析误差(RPD20)为3.1670.说明模型对预测集样品具有一定的预测能力,基于近红外光谱技术快速检测花椒麻味物质是可行的.     

牛奶成分近红外光谱数据的预处理研究

本文介绍了预处理方法在近红外光谱数据处理中的应用,并以牛奶为例探讨了具体的预处理参数．牛奶中脂肪和蛋白质含量的预测偏差为0．1g/dl～0．3g/dl,测量值与浓度参考值有良好的相关性．结果表明,数据预处理方法在模型优化中具有重要作用,对牛奶模型的建立有重要的参考价值。     

利用可见/近红外光谱测定小麦叶面积指数的改进研究

改进了小麦叶面积指数的可见/近红外光谱测定模型。以不同方法实现了小麦冠层反射光谱的预处理,并采用偏最小二乘回归算法（PLS）建立小麦叶面积指数估测模型对其进行比较分析,发现小波除噪结合一阶导数能最有效地消除原始光谱的噪声与背景信息,此时PLS模型校正集与预测集R2分别为0.849与0.835。为进一步优化模型,对经一阶导数结合小波除噪后的光谱采用主成分分析法（PCA）降维,以前4个主成分（含原始光谱84.867%特征信息）为输入变量,采用小二乘支撑向量机回归算法（LS-SVR）建立了小麦叶面积指数估测模型,其校正集与预测集R2分别达0.905与0.883,具有比PLS算法更高的精度。结果表明:以小波除噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型精度是可行的,且LS-SVR是建模的优选方法。     

BP神经网络结合变量选择方法在牛奶蛋白质含量检测中的应用北大核心CSCD

牛奶中的蛋白质含量会影响牛奶的品质,利用高光谱图像的光谱特征信息研究对牛奶蛋白质含量预测的可行性。本文提出一种基于竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)结合多层前馈神经网络(back propagation, BP)的预测建模方法,实验以含有不同浓度蛋白质的牛奶为对象,利用可见光/近红外高光谱成像系统共采集到5种牛奶共计250组高光谱数据,通过实验对比选择采用标准化方法对获取到的吸收光谱预处理,然后采用CARS结合SPA筛选特征波长,得到18个特征波长,建立CARS-SPA-BP模型,经过试验,CARS-SPA-BP模型的训练集决定系数和测试集决定系数R;和R;分别达到0.971和0.968,训练集均方根误差(root mean square error of calibration,RMSEC)和测试集均方根误差(root mean square error of prediction,RMSEP)达到了0.033和0.034。研究发现,采用CARS结合SPA筛选的牛奶特征波长建立的多层前馈神经网络模型,其模型预测结果与全波长建模相比并没有明显降低,因此将CARS结合SPA用于波长筛选并且结合BP神经网络基本可以完成对牛奶蛋白质含量的预测。为验证CARS-SPA-BP模型的预测能力,在相同数据环境下,使用较为传统的偏最小二乘回归(partial least squares regression, PLSR)进行建模,实验结果表明,CARS-SPA-BP相较于PLSR,R;和RMSEP均有明显提升。研究表明,CARS-SPA-BP可充分利用牛奶光谱特征信息实现较高精度的牛奶蛋白质含量检测。     

基于iPLS和SiPLS算法的人体血清胆红素含量的可见-近红外光谱建模

为了建立血清胆红素(BR,bilirubin)样品总胆红素 (TBIL) 、直接胆红素(DBIL)和间接胆红素(IBIL)近红外(NIR)光谱分析最优模型,利 用可见-NIR透射光谱技术与间隔偏最小二乘法(iPLS)及协合区间偏最小二乘法(SiPLS)算法 相结合对建模区域进行优 选,实现血清光谱特征波段选择,建立光谱与血清BR成分之间的定量预测模型,以均方根误 差(RMSE)作为模型 评价标准。结果表明:SiPLS模型效果更佳,TBIL、DBIL和IBIL的最优 建模波长范围分别为400~536nm、1366~1502 nm和2324~2460nm,400~502nm、608~710nm和1644~1746nm,400~502nm和1746~1848nm; 3种BR最优预测模型的RMSE分别为0.598、0.207和0.386μm ol/L; 波段优选对提高预测结果的准确性有重要的意义;采用SiPLS建立TBIL、DBIL和IBIL定量分 析模 型,不仅可以提高模型的预测精度,而且克服了iPLS单一区间建模的缺点,优选出的特征谱 区还可为设计小型专用光谱分析仪器提供依据。     

苹果酸度可见-近红外无损测定模型设计与优化北大核心CSCD

针对苹果酸度可见-近红外无损测定,设计了一套优化的偏最小二乘(PLS)定量预测模型。首先,采用Savitzky-Golay平滑结合小波变换对光谱数据进行预处理,再通过连续投影法(SPA)生成建模集,同时通过竞争自适应重加权采样法(CARS)和SPA生成建模备选集。随后从建模备选集中以优胜劣汰的方式逐次追加波长变量至建模集,并根据建模集构建预测模型,直至决定系数的变化趋于稳定。实验结果表明:利用优化的PLS模型进行苹果酸度预测时,其决定系数与相对分析误差分别达到0.9776与6.6812,且选取的波长变量数由129项降至36项,明显优于SPA和CARS法。本方法在保证模型精度的同时降低了其复杂程度,为苹果酸度在线无损测定模型的建立提供了重要参考。     

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.     

基于iPLS原理最优化信息区间的桃糖度组合权重PLS模型研究

采用反向区间偏最小二乘法和组合区间偏最小二乘法优化桃糖度可见/近红外光谱的信息区间组合,在选择的信息区间的基础上建立了一种线性组合权重PLS模型.对近红外光谱进行二阶导数处理、卷积平滑校正后,发现在区间分割数为15时筛选结果最优,BiPLS所选择的信息区间为742~770nm和 862~920nm,SiPLS所选择的信息区间为742~770nm、832~860nm和892~920nm.直接组合信息区间BiPLS和SiPLS模型的RMSEP值分别为0.386和0.308,线性组合权重PLS模型的RMSEP值分别为0.351和0.364.结果说明在近红外定量分析中线性组合权重模型的建立克服了复杂样品各信息区间对PLS建模贡献率不一样的问题.     

Orthogonal polynomials for power amplifier modeling and predistorter design

The polynomial model is commonly used in power amplifier (PA) modeling and predistorter design. However, the conventional polynomial model exhibits numerical instabilities when higher order terms are included. In this paper, we introduce a novel set of orthogonal polynomials, which can be used for PA as well as predistorter modeling. Theoretically, the conventional and orthogonal polynomial models are "equivalent" and, thus, should behave similarly. In practice, however, the two approaches can perform quite differently in the presence of finite precision processing. Simulation results show that the orthogonal polynomials can alleviate the numerical instability problem associated with the conventional polynomials and generally yield better PA modeling accuracy as well as predistortion linearization performance.     

功率放大器及预失真器模型的设计

传统多项式常用在功率放大器模型和预失真器模型的设计里。然而,随着多项式阶数逐次增加时,传统多项式模型表现出数据的不稳定性。详细介绍了一种用于功率放大器以及预失真器模型的正交多项式。从理论上讲,传统多项式与正交多项式模型是等效的,但实践表明,在有限精度范围内,这两种方法对数据进行了不同的处理。MATLAB仿真结果表明,正交多项式可以减轻数值不稳定的问题,建立高精度的功率放大器和预失真器模型,进而改善系统的线性化指标。     

基于BP神经网络对汽油辛烷值损失预测模型的构建

汽油燃烧尾气中含有的硫、烯烃等混合物对环境造成了极大的污染,但企业脱硫降烯的过程也会降低代表企业利润的辛烷值含量。通过数据关联或机理建模,可以刻画化工过程与辛烷值含量的关系,为解决传统的数据关联模型中变量相对较少、机理建模对原料的分析要求高、对过程优化的响应不及时等问题,本文利用Matlab软件,基于粒子群优化算法,通过BP神经网络模型对工厂生产过程中收集的数据进行数据挖掘,建立了辛烷值损失预测模型。最后选择了225个数据样本进行了辛烷值损失预测模型的训练,100个样本用于对辛烷值损失模型进行验证。所构建的模型对目标值的预测具有高度拟合性,较好地解决了相关问题。     

导数同步荧光光谱结合遗传优化算法测定鸭蛋蛋清中庆大霉素含量

为实现鸭蛋蛋清中庆大霉素(GM)残留含量的快速测定与检测模型精度的提高,应用遗传算法(GA)筛选导数同步荧光光谱特征波长,用遗传-支持向量回归(GA-SVR)建立鸭蛋蛋清中GM残留含量的预测模型。首先分析了样本的三维同步荧光光谱和确定了本实验研究的波长差Δλ为120nm;然后利用sym5小波的2层分解对一阶导数同步荧光光谱进行去噪处理,并利用GA筛选出了14个荧光特征波长;最后利用GA优化了SVR的径向基核函数(RBF)参数(c,g,p),进而比较了GA-SVR、PLS和MLR 3种预测模型的预测能力,研究表明,以GA-SVR模型的预测能力最强,其预测集的决定系数(R2)和均方根误差(RMSEP)分别为0.983 0和1.149 4mg/L。实验结果表明,GA能有效筛选出鸭蛋蛋清中GM的荧光特征波长和提高GA-SVR模型预测精度。     

Predicting the Lifespan and Retweet Times of Tweets Based on Multiple Feature Analysis

In social network services, such as Facebook, Google+, Twitter, and certain postings attract more people than others. In this paper, we propose a novel method for predicting the lifespan and retweet times of tweets, the latter being a proxy for measuring the popularity of a tweet. We extract information from retweet graphs, such as posting times; and social, local, and content features, so as to construct prediction knowledge bases. Tweets with a similar topic, retweet pattern, and properties are sequentially extracted from the knowledge base and then used to make a prediction. To evaluate the performance of our model, we collected tweets on Twitter from June 2012 to October 2012. We compared our model with conventional models according to the prediction goal. For the lifespan prediction of a tweet, our model can reduce the time tolerance of a tweet lifespan by about four hours, compared with conventional models. In terms of prediction of the retweet times, our model achieved a significantly outstanding precision of about 50%, which is much higher than two of the conventional models showing a precision of around 30% and 20%, respectively.     

基于iPLS原理最优化信息区间的桃糖度组合权重PLS模型研究

采用反向区间偏最小二乘法和组合区间偏最小二乘法优化桃糖度可见/近红外光谱的信息区间组合,在选择的信息区间基础上提出了建立一种线性组合权重PLS模型的方法。对近红外光谱进行二阶导数处理、卷积平滑校正后,在区间分割数为15时筛选结果最优,BiPLS所选择的信息区间为742~770nm和 862~920nm,SiPLS所选择的信息区间为742~770nm、832~860nm和892~920nm;直接组合信息区间BiPLS和SiPLS模型的RMSEP值分别为0.386和0.308;线性组合权重PLS模型的RMSEP值分别为0.351和0.364。结果说明在近红外定量分析中,建立线性组合权重模型具有克服复杂样品各信息区间对PLS建模贡献率不一样的问题。     

QuEChERS-拉曼光谱法测定黄瓜上的吡虫啉残留量

采用拉曼光谱技术结合QuEChERS（Quick Easy Cheap Effective Rugged and Safe）样本前处理建立了黄瓜上吡虫啉残留量的快速检测方法。以进行了不同前处理步骤（乙腈提取、去水萃取、褪色除杂）的三批黄瓜样本作为实验对象,利用780 nm激光器采集样本的拉曼光谱图,并分别采取偏最小二乘（PLS）和主成分回归（PCR）算法建立了六个黄瓜中吡虫啉含量预测模型。结果表明,仅进行了乙腈（C2H3N）提取一步前处理的样本建模效果最优,校正集及预测集的相关系数均在0.99以上,其中PLS的预测集相对分析误差（RPD）达到5.52,说明模型具有一定的预测精度,此结果可为后续前处理简化研究提供有力依据。