近红外光谱结合偏最小二乘法用于纯茶油中掺杂菜籽油和大豆油的定量分析

采用偏最小二乘法(PLS)建立了油茶籽油中掺杂菜籽油和大豆油的近红外光谱定量检测模型。配制不同比例(0～100%)的油茶籽油和菜籽油、油茶籽油和大豆油混合样品共256个,采集样品在10000～4000cm-1范围内的近红外透反射光谱,模型采用交互验证和外部检验来考察所建立模型的可靠性,不需进行任何光谱预处理,所建立的PLS模型相关系数为0.9997,训练集的交叉验证均方根误差(RMSECV)为0.504,预测集的预测均方根误差(RMSEP)为0.66。应用建立的模型对未知样品进行预测,并对预测值和真实值进行比较,在掺杂油含量为2.5%～100%之间范围内准确可靠,研究结果表明,采用近红外光谱技术可以实现纯茶油中菜籽油和大豆油掺杂量检测。     

蚁群和遗传算法优化花茶花青素近红外光谱预测模型的比较

以建立花茶花青素含量的最优近红外光谱模型为目标,对比研究了蚁群算法(Ant ColonyOptimization,ACO)和遗传算法(Genetic Algorithm,GA)优化近红外光谱谱区的效果。ACO-i PLS将全光谱划分为12个子区间时,优选出第1、9、10共3个子区间,所建的校正集和预测集相关系数分别为0.901 3和0.864 2;交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.160 0 mg/g和0.202 0 mg/g;GA-i PLS将全光谱划分为15个子区间时,优选出第1、5共2个子区间,所建模型的校正集和预测集相关系数分别为0.906 3和0.879 3,交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.156 0 mg/g和0.206 0 mg/g。研究结果表明:ACO-i PLS和GA-i PLS均可以有效选择近红外光谱特征波长,其中GA-i PLS模型的精度更高。     

基于支持向量机的食醋总酸近红外光谱建模

为了得到稳定可靠的食醋总酸光谱模型,以不同产地、不同种类的95个食醋样品为研究对象,应用基于统计学原理的最小二乘支持向量机(LS-SVM)对食醋总酸含量进行光谱分析.对预处理后的光谱进行主成分分析(PCA),以主成分信号作为输入变量建立食醋总酸含量的近红外光谱模型,并与偏最小二乘法(PLS)和向后区间偏最小二乘法(biPLS)模型进行比较.结果表明,LS-SVM模型中的校正集中的相关系数(rc)和交互验证均方根误差(RMSECV)分别达到0.9614和0.2192,预测集相关系数(rp)和预测均方根误差(RMSEP)分别达到和0.919和0.3226,均优于PLS和biPLS模型.研究表明,近红外光谱与食醋总酸含量呈非线性关系,采用LS-SVM建立的模型预测性能更好,精度更高.     

短波近红外光谱-偏最小二乘法测定白酒中乙醇含量

应用近红外光谱技术结合偏最小二乘法(NIRS-PLS)建立白酒中乙醇含量定量分析数学模型。所建校正模型相关系数(Corr.Coeff.)达到0.99986,校正集均方根误差(RMSEC)为0.00225,预测均方根误差(RMSEP)为0.00137,模型通过交互验证检验,得出PLS因子数为4时预测残差平方和(PRESS)和交互验证均方根误差(RMSECV)最小。用所建模型测定样品与气相色谱分析结果相对误差不大于0.81%。实验结果表明该方法准确性、稳定性好、精密度高。     

近红外光谱技术应用于云芝蛋白含量的定量分析

应用近红外光谱结合偏最小二乘法(PLS)建立测定真菌云芝中蛋白含量定量分析模型.所建立的模型经过i选择最有效的光谱预处理方法,光谱区域和最适主因子数使模型最优化.实验结果表明:采用傅里叶变换在1330 nm～725 nm光谱区域,主因子数为6,建立的模型最优.模型校正集的交互验证均方根误差(RMSECV)为0.010,交互验证所得校正集样品中的蛋白含量的预测值与真实值间相关系数(Rv)为0.968;应用此模型对预测集样品中的蛋白质含量进行预测,得到预测均方根误差(RMSEP)为0.009,预测集的相关系数(Rp)为0.990.     

近红外分析技术快速检测白酒基酒中的总酯含量

采用近红外光谱分析技术,对基酒总酯进行无损检测研究。利用近红外光谱仪采集基酒样品在4000～10000 cm~(-1)波段内的光谱数据,首先对光谱数据进行一阶导数预处理,然后采用Si-PLS组合间隔偏最小二乘法优选特征波长,最后运用PLS偏最小二乘法建立基酒总酯模型。该模型校正集的决定系数R_C~2为0.95,校正集的均方根误差RMSEC为0.17;预测集的决定系数R_P~2为0.93、预测集的均方根误差RMSEP为0.19。与全波段光谱模型相比,该模型预测能力更强,稳定性更优。     

近红外光谱法测定面粉的水分、脂肪、碳水化合物和蛋白质含量

应用近红外光谱技术结合不同的定量分析方法建立面粉4种组分的快速定量模型。国标法测定68种面粉样品的水分、脂肪、碳水化合物和蛋白质的含量,并采集其近红外漫反射光谱图。选取58个校正集和10个验证集样品,通过马氏距离法剔除异常样品后,对比17种光谱预处理方式所建立的基于全光谱的偏最小二乘法(partial least squares,PLS)定量模型效果,在最佳预处理方法的基础上,采用向后区间偏最小二乘法(Backward interval PLS,BiPLS)筛选特征光谱,进一步得到最佳定量模型。结果表明,所建立的模型校正集相关系数Rcv均大于0.9650,内部交叉验证均方根误差均小于0.328;验证集相关系数均大于0.9926,预测均方根误差均低于0.383。因此,模型具有较好的准确性和稳定性,能应用于面粉的多指标快速检测。     

一种基于近红外光谱快速鉴别染色橙的新方法

本文应用近红外光谱仪(NIRS)测定染色橙样品的光谱数据,采用多种方式对光谱数据进行预处理,用主成分分析法(PCA)对不同染色橙样品进行聚类分析并获得染色橙的近红外光谱数据的主成分,在此基础上建立了偏最小二乘(PLS)回归模型,并根据均方根校准误差(RMSEC)和相关系数(R2)对模型性能进行评价。结果表明,主成分分析可以快速鉴别染色橙样品,模型识别率达到94%。将主成分分析(PCA)与偏最小二乘(PLS)相结合建立的回归模型,均方根校准误差(RMSEC)为0.26,决定系数R2为0.96,模型效果较好。表明利用近红外光谱鉴别染色橙是可行的,这为染色橙的鉴别提供了一种快速无损的新方法。     

虾样品不同采集状态对近红外光谱PLS模型的影响

研究了不同采集状态的虾样品对近红外光谱PLS模型的影响。利用DA7200近红外光谱仪,采集南美白对虾完整虾和虾糜的近红外光谱曲线。采用Unscrambler10.3软件选择最佳光谱预处理方法和最优波段,建立了完整虾和虾糜与挥发性盐基氮(TVB-N)值、菌落总数(TBC)值关联的偏最小二乘(PLS)模型,并对模型进行评价和验证。结果表明:定标集虾糜模型中的校正相关系数rc,校正决定系数Rc2,交叉验证相关系数rv,交叉验证决定系数Rv2,均高于完整虾模型;校正均方根误差RMSEC,校正标准误差SEC,交叉验证均方根误差RMSECV,交叉验证标准误差SECV均低于完整虾模型。验证模型中虾糜预测模型中相关系数r均大于完整虾预测模型,预测均方根误差RMSEP,预测标准误差SEP均低于完整虾预测模型,且虾糜预测模型对TVB-N、TBC值预测值更为准确,表明以虾糜作为近红外光谱采集状态优于完整虾。     

基于近红外漫反射光谱技术的小麦蛋白质含量检测

收集来自国内3个主要小麦生产省份的小麦样品共73份,应用近红外光谱漫反射技术结合化学计量学方法建立小麦蛋白质含量的近红外光谱定量模型,并对模型的稳定性和可靠性进行评价。结果表明,光谱预处理的最佳条件为:Savitzky-Golay平滑+一阶导数处理,使用偏最小二乘法(Partial least square,PLS)建立模型,校正集(Rc)和预测集相关系数(Rp)为0.936和0.925,校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别为0.23和0.28,表明模型准确可靠,可应用于小麦蛋白质含量的快速无损检测。     

基于近红外光谱技术的小麦粉灰分含量检测方法研究

采用近红外光谱技术建立小麦粉灰分含量的快速检测方法。使用两种不同的近红外光谱仪器采集小麦粉的近红外光谱数据,以常规分析法的测定值作为建模数据,采用偏最小二乘(PLS)回归分析法建立小麦粉灰分的定量分析模型,比较两种不同的近红外光谱仪器扫描的小麦粉近红外光谱图对模型的影响。结果表明,MicroNIR-1700近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为90.69,均方根误差(RMSECV)为0.031 2,预测集模型的均方根误差(RMSEP)为0.021 7;VERTEX70傅里叶变换近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为89.40,均方根误差(RMSECV)为0.035 0,预测集模型的均方根误差(RMSEP)为0.036 6。两种仪器都能用于小麦粉光谱采集,并进行灰分含量快速检测,MicroNIR-1700在小麦粉灰分检测方面有更好的应用。     

黏氨织物近红外光谱定量分析建模及验证

在傅立叶变换红外光谱仪上采集不同混合比例的黏纤与氨纶样品的近红外光谱图,利用偏最小二乘法(PLS)建立黏氨织物的近红外光谱定量分析模型。选择不同的分辨率、扫描次数、预处理方法和波段对模型进行优化,并用最优模型对7个实际样品进行测试,将测试结果与手工拆分法得到的结果进行比较,并进行验证。结果表明,分辨率为4 cm-1、扫描次数为32次、无任何预处理、波段为4 000～5 000 cm-1时,所建模型的预测能力最好,预测均方根误差(RMSEP)为0.964,经验证该模型具有良好的预测能力,但不适用于印花产品。     

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

基于傅里叶近红外光谱的食用油过氧化值间接检测研究

为了建立食用油过氧化值的快速测定方法,以食用油为材料,基于氢过氧化物与三苯基磷(TPP)快速反应生成三苯基氧磷(TPPO),利用TPP和TPPO在近红外光谱的吸收差异性。在光谱范围为4 650~4 500 cm-1以一阶求导及Norris平滑(NF)后采用PLS建立食用油过氧化值近红外测定模型,通过校正样品及盲样对模型进行验证,并与国标碘量法进行比较分析。结果表明:校正集预测相关系数为0.999 4,校正均方根误差为0.143 9,验证预测相关系数为0.992 6,预测均方根误差为0.555 6,盲样预测相关系数为0.997 1,标准偏差为0.400 1,所建方法与国标法测定过氧化值结果非常接近。表明傅里叶近红外光谱间接测定食用油过氧化值是可行的。     

近红外光谱法快速测定干姜中6-姜酚的含量

目的采用近红外光谱技术建立干姜中6-姜酚的定量模型。方法以超高效液相色谱法(UPLC),分别测定样品中6-姜酚含量,作为参考值,采用漫反射模式采集近红外光谱,结合偏最小二乘法(PLS)建立光谱信息与6-姜酚含量的快速测定方法。结果 6-姜酚校正集的相关系数校正集决定系数(Rc2)为0.9902,校正集均方根误差(RMSEC)为0.0174,预测集均方根误差(RMSEP)为0.0284。结论所建方法简便、快捷、环保、测量数据可靠,可用于大批量干姜样品的快速分析。     

近红外光谱法预测面条中马铃薯泥含量模型的建立和应用

制作了已知含量的马铃薯泥面条170份,采集马铃薯泥面条的近红外吸收光谱,采用偏最小二乘法(PLS)建立并优化马铃薯泥含量预测模型。结果表明:吸收谱图扫描范围为9 403.6～5 446.2cm-1时,选择矢量归一化法预处理光谱,获得的含量预测模型预测能力好,模型的外部验证决定系数为0.956 4、预测均方根误差为3.73%,斜率为1.029,模型的相对分析误差为2.04。采用近红外光谱法建立的预测模型可以较好的预测未知面条样品中马铃薯泥的含量。     

基于近红外光谱的酸枣仁不同伪品掺假检测

本文采用近红外光谱技术对酸枣仁及其三种常见伪品理枣仁、枳椇子和兵豆进行定性定量检测研究。分别制备不同伪品掺杂质量分数为1%~90%的单种掺杂物实验样品,以及多种伪品同时掺杂的样品,采集800~2500 nm范围的近红外光谱数据。首先利用主成分分析（principal component analysis,PCA）对酸枣仁及三种伪品进行初步定性鉴别。对于单一掺假物样品,采用五种不同预处理方法对光谱数据进行去噪。利用偏最小二乘回归（partial least squares regression,PLS）方法,建立PLS1模型定量预测掺假物含量,并采用连续投影算法（successive projection algorithm,SPA）挑选最优波长,优化定量模型。结果表明,理枣仁掺假建立的3波长检测模型的预测集决定系数R2_p为0.9659,均方根误差（root mean square error,RMSEP）为6.1910%。枳椇子掺假建立的8波长检测模型的预测集决定系数R2_p为0.9491,均方根误差（RMSEP）为7.6232%。兵豆掺假建立的5波长检测模型的预测集决定系数R2_p为0.9666,均方根误差（RMSEP）为6.1437%。对于多掺杂物样品,建立了PLS2模型同时对不同成分进行定量预测,酸枣仁效果最好,R2_p≥0.7115,枳椇子预测效果最差,R2_p≥0.2007。研究表明,利用近红外光谱技术可以实现酸枣仁不同伪品掺假的快速无损检测。所建方法为后续酸枣仁及其他种子类中药材便携式无损检测仪器的开发提供了理论基础与参考依据,对保证中药材质量安全具有重要社会意义。     

基于近红外光谱的芝麻油酸价含量的预测

采用近红外光谱分析技术对芝麻油的酸价含量进行检测,避免了传统的化学方法缺陷,同时在不破坏样品的前提下极大地提高了检测效率。对39个芝麻油样本的酸价光谱图进行光谱预处理优化,并选择适当的光谱范围,采用偏最小二乘法(PLS)和BP神经网络算法进行了定量分析研究。结果表明,在所选定的样本和光谱范围内,PLS和BP神经网络算法均可以用于芝麻油酸价含量的预测,采用PLS模型的预测均方根误差(RMSEP)为0.058;用BP神经网络预测的RMSEP为0.148 8,偏最小二乘法建模相对于一般的BP网络建模方法更具有较好的建模预测效果。     

近红外光谱法快速测定香菇总糖含量

为弥补国标检测方法测定香菇总糖含量耗时长、步骤繁琐的缺陷,创建近红外（near infrared,NIR）光谱技术在测定香菇总糖含量方面应用,采用NIR分析技术与偏最小二乘算法（partial least square,PLS）建立香菇总糖的NIR分析模型,并对模型进行参数优化。实验共收集了106 批样品,从中随机抽取13 批作为验证集,用于验证该模型的可靠性,剩余的93 批样品为校正集。在校正集中,通过杠杆值法和学生化残差法筛选出65 批能够较理想地代表一般香菇特征的样品,用于确定NIR光谱检测范围、PLS主因子数等参数,基于NIR光谱数据的香菇总糖含量建立定量分析模型。校正集的建模结果表明,使用多元散射校正（multiplicative scatter correction,MSC）及二阶导数（second derivatives,SD）对原始光谱进行预处理,光谱范围为4 000～10 000 cm－1,PLS主因子数为10时,基于NIR的香菇总糖检测模型的建模效果最优,即均方根误差比值满足检验条件,校正集R2（决定系数）最高为0.940 04,校正均方根误差为1.393,预测集均方根误差为1.557,相对分析误差最优为4.08。验证集对模型的检验结果显示,样品的预测值和实测值具有良好的线性关系,且二者没有显著差异（P=0.993）。由此表明,本实验建立的NIR分析模型可用于准确预测香菇样品的总糖含量。     

近红外光谱快速分析成品葡萄酒指标的研究

采用近红外光谱技术结合化学计量学算法,建立了成品葡萄酒(总糖和酒精度)的快速检测方法。通过NCL对近红外光谱图谱进行预处理,使用偏最小二乘法(PLS)建立了总糖和酒精度近红外定量模型。以决定系数(R~2)、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)为模型质量的评价指标。R~2分别为0.9684、0.9146,RMSEC值分别为0.0810、0.2382,RMSEP值分别为0.0877、0.2352。结果表明,建立的模型预测效果较佳,具有较好的稳定性和较高的精密度,能满足成品葡萄酒生产中总糖和酒精度的快速检测需求。