蚁群-遗传算法优化近红外光谱检测花茶花青素含量的研究

目的本研究基于蚁群-遗传区间偏最小二乘(ACO-GA-iPLS)近红外谱区筛选方法预测花茶花青素含量。方法首先对花茶近红外光谱进行预处理;然后用ACO-iPLS优选出特征子区间;最后对所选的特征子区间,用GA-iPLS进一步细化花青素的特征子区间,并建立花青素的预测模型。结果优选出3个特征子区间(第1、9、10子区间),所建模型对应的交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.1460mg/g和0.1840 mg/g,校正集和预测集相关系数分别为0.9187和0.8856。结论ACO-GA-iPLS可以有效选择近红外光谱特征波长,简化模型,提高模型精度。     

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。     

基于可见-近红外光谱技术对市售紫薯粉的品质评价

目的建立可见-近红外光谱法结合偏最小二乘回归法对市售紫薯粉的品质进行评价。方法以市售紫薯粉为研究对象,对其原始光谱进行S-G 9点卷积平滑(savitzky-golay smoothing,S-G)、标准正态变量变换(standard normal variable transform,SNV)预处理,建立碘蓝值、花青素以及水分含量的偏最小二乘模型。结果花青素模型校正集和预测集的相关系数分别为0.9750和0.9461,均方根误差分别为0.1052 mg/g和0.1918 mg/g;碘蓝值模型校正集和预测集的相关系数分别为0.9687和0.9673,均方根误差分别为7.0256和7.1848;水分含量校正集和预测集的相关系数分别为0.9397和0.9219,均方根误差分别为0.5589%和0.5965%。结论基于可见-近红外光谱技术可以实现对市售紫薯粉的花青素、碘蓝值以及水分含量的快速无损检测,对市售紫薯粉的品质评价提供理论参考。     

基于微型近红外光谱仪的油菜籽含油率模型参数优化研究

为实现油菜籽含油率快速无损检测,采用微型近红外光谱仪,结合竞争性自适应重加权(CARS)、遗传算法(GA)、连续投影算法(SPA)、无信息变量消除法(UVE)、向后区间偏最小二乘法(BIPLS)、联合区间偏最小二乘法(SIPLS)等方法优选油菜籽含油率近红外光谱特征波长,建立偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)定量分析模型,同时对LS-SVM模型参数进行优化。研究表明,对PLSR模型,BIPLS+GA优选的26个特征波长建模效果最好,其预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.9330和0.0075,对LS-SVM模型,SIPLS+GA优选的13个特征波长建模效果最好,预测相关系数(Rp)和预测均方根误差(RMSEP)分别0.9192和0.0055。证明了波长优选和参数优化可有效简化油菜籽含油率近红外光谱定量分析模型,提高模型预测精度和稳定性,为进一步拓展微型近红外光谱仪的应用提供技术参考。     

食用油油酸的近红外特征谱区挑选

为提高食用油油酸的近红外定量分析模型的预测性能,采用4种波长变量优选方法:移动窗口偏最小二乘算法(MWPLS)、间隔偏最小二乘法(i PLS)、向后间隔偏最小二乘法(Bi PLS)、组合间隔偏最小二乘算法(Si PLS),优选食用油油酸近红外光谱特征区间,建立57份食用油样本的油酸定量分析模型。试验结果表明,相较于全谱建模,4种变量优选方法都能在有效地减少建模所用的变量数的同时提高模型性能,其中采用Si PLS优选变量所建的油酸定量模型的预测性能最优,决定系数R2为0.995 0,交叉校验均方根误差(RMSECV)为1.037 2,预测均方根误差(RMSEP)为0.924 6。     

食用油油酸的近红外特征谱区优选

为提高食用油油酸的近红外定量分析模型的预测性能,采用4种波长变量优选方法:移动窗口偏最小二乘算法(MWPLS)、间隔偏最小二乘法(i PLS)、向后间隔偏最小二乘法(Bi PLS)、组合间隔偏最小二乘算法(Si PLS),优选食用油油酸近红外光谱特征区间,建立57份食用油样本的油酸定量分析模型。试验结果表明,相较于全谱建模,4种变量优选方法都能在有效地减少建模所用的变量数的同时提高模型性能,其中采用Si PLS优选变量所建的油酸定量模型的预测性能最优,决定系数R2为0.995 0,交叉校验均方根误差(RMSECV)为1.037 2,预测均方根误差(RMSEP)为0.924 6。     

近红外光谱结合不同偏最小二乘法快速检测镇江香醋的浑浊度

利用近红外光谱(4000cm-1～10000cm-1)结合化学计量学方法快速检测了镇江香醋中的浑浊度。首先,用近红外光谱仪采集香醋样本的近红外光谱数据以及用离心法测定样本的浑浊度值;然后,采用间隔偏最小二乘法(iPLS)、反向区间偏最小二乘法(biPLS)、联合间隔偏最小二乘算法(siPLS)优选光谱特征区间;最后,采用全光谱(4000cm-1～10000cm-1)偏最小二乘法(PLS)对优选出来的区间建立香醋浑浊度近红外光谱模型。结果表明,采用siPLS将全光谱均匀划分30个子区间,选择4个子区间[4 10 18 27]联合时,建立的模型预测效果最佳,其RMSECV和RMSEP分别为0.173和0.208,校正集和预测集相关系数分别为0.9337和0.9004。因此,利用近红外光谱技术快速检测香醋中的浑浊度是可行的。     

模拟退火算法用于食醋总酸含量近红外光谱模型的波数点优选

为优选食醋总酸对应的特征波长并提高模型的预测精度,采用模拟退火算法优化窗口宽度和特征波数点,并结合偏最小二乘法建立食醋总酸光谱模型。在全国范围内收集90个不同品牌的食醋样本,用近红外光谱仪采集近红外光谱数据(波数4000～10000cm-1)和常规理化分析方法检测总酸含量。采用模拟退火算法共优选出17个总酸特征波数点,结合样本总酸含量建立偏最小二乘光谱模型,模型对应的预测集相关系数为0.9210,优于全光谱偏最小二乘法和区间偏最小二乘法对应的预测效果。结果表明,近红外光谱技术结合模拟退火算法能够快速预测食醋中总酸含量。     

用遗传算法提取南疆红枣总糖的近红外光谱特征波长

本研究尝试利用近红外光谱技术测量红枣的总糖含量,针对采用偏最小二乘(PLS)法建立近红外光谱预测模型时波长筛选问题,提出用联合区间偏最小二乘法(si PLS)与遗传算法(GA)相结合的方法遗传联合区间偏最小二乘法(GA-si PLS)来提取近红外光谱特征区域和特征波长,提高模型预测精度的方法。结果表明:将全谱等分成20个子区间,用联合区间偏最小二乘法优选出4个特征子区间,在这4个子区间的基础上再用遗传偏最小二乘法继续筛选出12个特征波长。用12个特征波长建立的偏最小二成模型精度要好于全谱建立的模型,其主因子数减少了4个,预测集标准偏差(RMSECP)减少了25%,预测相关系数(RP)提高了5%。该方法选取的波长变量建立的校正模型,不仅使模型简洁、优化,而且增强了模型的预测能力。     

近红外光谱结合膜富集技术测定大米中毒死蜱农药残留

本文以纤维滤膜富集大米中的微量农药残留,提高近红外光谱技术的检测限。向阴性大米样本中喷洒不同浓度毒死蜱标准溶液,制备含农药残留大米样品,以乙腈为溶剂提取大米中的毒死蜱农药,用氮吹仪将提取液浓缩后,使用滤纸富集提取液中的农药,真空冷冻干燥,采集滤纸的近红外漫反射光谱。运用特征波长筛选方法优选特征变量,建立大米中毒死蜱农药残留的近红外光谱分析模型。结果表明,利用联合区间偏最小二乘法方法从全光谱区优选出子区间[3 4 5 10],进一步用遗传算法从子区间中优选80个变量时,所建模型性能最好。在0.46~11.20 mg/kg浓度范围内,模型对预测集样本的相关系数为0.9798,预测均方根误差为0.604 mg/kg,将该模型预测4个未知农药含量的大米样本,其预测值与实际测量值具有较好的一致性。研究表明该方法能较好地快速检测大米中微量农药残留。     

基于近红外光谱的茶叶高氯酸盐污染水平研究

目的 建立一种基于近红外光谱（near-infrared spectroscopy,NIR）分析技术快速定量茶叶中高氯酸盐污染水平的预测模型。方法 采集不同产地的91份茶叶干样,通过傅里叶变换近红外光谱扫描获得样品的近红外漫反射光谱,使用液相色谱质谱法测定茶叶样品中的高氯酸盐含量,以参考量限0.75 mg/kg为标准将样品分为两类;利用偏最小二乘判别分析（partial least squares-discriminant analysis, PLS-DA）建模建立高氯酸盐含量范围的预测模型,同时使用一阶导（1st）、连续小波变换（continuous wavelet transform, CWT）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）等光谱预处理和竞争自适应重加权（competitive adaptive reweighted sampling,CARS）采样波长筛选技术对判别模型进行优化,最后通过预测集样品对模型进行验证。结果 使用原始光谱建立的模型能够初步实现对高氯酸盐含量范围的预测,而使用光谱预处理扣除光谱中的背景信息,结合MSC和CARS方法共同处理后,模型的预测正确度显著改善,误判样品下降至3个,预测正确率提高至88.5%。结论 本方法表明近红外光谱技术可以为茶叶中高氯酸盐污染水平分析提供一种新方法,对茶叶产业高质量发展具有重要的实际意义。     

近红外光谱的苹果内部品质在线检测模型优化

利用近红外光谱技术在线检测水果内部品质的关键是获取精度高稳健性好的定量分析模型。研究开发了短波近红外光谱苹果品质在线检测系统,试验时苹果样本传输速度为5个/s,以漫反射方式采集,有效光谱范围为500~1100 nm。经光谱强度标准化校正后,有比较的采用遗传算法、连续投影算法和蚁群优化算法等提取特征变量,分别建立偏最小二乘模型,同时分析了这三种方法提取光谱特征变量的搜索机制。特征变量提取方法建立的预测模型所用变量显著减少,预测效果均优于全光谱模型,且能提高运算速度,增强模型的稳健性;其中又以蚁群优化算法的模型预测能力最佳,预测集相关系数R为0.9358,预测均方根误差RMSEP为0.2619。研究结果表明,近红外光谱结合特征变量提取方法可以建立高效的苹果可溶性固形物含量在线检测模型,在产业化应用方面具有很大潜力。     

近红外结合线性回归算法快速预测小麦籽粒干物质和重量

为了实现小麦品质（干物质、重量）的快速无损检测,对35个小麦品种样品进行了近红外系统扫描,获取光谱信息,并进行高斯滤波平滑（GFS）、归一化（N）和基线校正（BC）预处理。采用偏最小二乘（PLS）算法分别建立光谱信息与干物质和重量参考值之间的定量关系。采用回归系数法（RC）和连续投影算法（SPA）两种方法在900~1700 nm范围内选择最优波长对全波段PLS模型进行优化。基于选择的最优波长,分别建立PLS和MLR预测模型。结果表明,基于RC法从RAW光谱中筛选出的20个最佳波长构建的RC-RAW-PLS模型对干物质有较好的预测性能,r_P为0.93,RMSEP为0.03%。基于SPA法从RAW光谱中选取的12个最优波长建立的SPA-RAW-MLR模型对重量有较好的预测性能,r_P为0.89,RMSEP为0.32 g。综上所述,近红外光谱结合PLS和MLR算法可分别用于小麦籽粒干物质和重量的快速预测。     

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。     

Chemometric Models for the Quantitative Descriptive Sensory Properties of Green Tea (<Emphasis Type="Italic">Camellia sinensis</Emphasis> L.) Using Fourier Transform Near Infrared (FT-NIR) Spectroscopy

Multivariable models based on chemometric analyses of the tea infusion sensory data and FT-NIR spectra of 70 “Biluochun” green tea (Camellia sinensis L.) samples were generated aiming to predict the scores of sensory attributes of green tea. Modified BP_AdaBoost algorithm was used to develop the models. The synergy interval partial least square (siPLS) algorithm was applied to select the wavenumbers for the prediction model of sensory properties in order to take only significant spectral intervals into account. Some parameters were optimized by cross-validation in model calibrations. Experimental results showed that the optimal BP_AdaBoost model was achieved with four principal components (PCs), when 184 variables in the combination of four spectral intervals [3 17 19 21] were selected by siPLS. The predicted precision of the best model obtained were as follows: the root mean square error of cross-validation (RMSECV) was 5.0305 and the correlation coefficient (R _c) was 0.8554 in the calibration set; the root mean square error of prediction (RMSEP) was 6.0807, the correlation coefficient (R _p) was 0.7717, and the ratio performance deviation (RPD) was 1.59 in the prediction set. Finally, the BP_AdaBoost model revealed its superior performance when compared with back propagation neural network (BPNN) model. The overall results demonstrate that FT-NIR spectroscopy technique can be successfully used in the evaluation of sensory quality of green tea, and BP_AdaBoost algorithm shows its superiority in model calibration.     

Application of Competitive Adaptive Reweighted Sampling Method to Determine Effective Wavelengths for Prediction of Total Acid of Vinegar

In this paper, near-infrared (NIR) spectroscopy coupled with wavelength selection methods was used to predict total acid of vinegar. Three wavelength selection methods including competitive adaptive reweighted sampling (CARS), Monte Carlo uninformative variable elimination (MC-UVE), and moving window partial least squares (MWPLS) were employed to select the key wavelengths. Five wavelengths including 4,348, 4,694, 5,365, 7,104, and 7,236 cm⁻¹ were selected by CARS method. Least squares (LS) regression model was built on the selected wavelengths. Compared to the partial least squares regression models based on full spectrum and wavelengths selected by MC-UVE and MWPLS, the performance of LS model was better, with higher determination coefficient for test (r ²) of 0.997, and lower root mean square error of prediction of 0.13 g/100 ml. Based on the results, it was concluded that NIR spectroscopy combined with CARS methods seem to be a rapid and effective alternative to the classical methods for the prediction of total acid of vinegar.     

基于衰减消去蜻蜓算法的小麦粉蛋白质近红外特征波长优选

为优选小麦粉蛋白质近红外光谱特征波长，结合指数和线性衰减函数对单群蜻蜓算法（single-binary dragonfly algorithm，single-BDA）进行改进并提出一种衰减消去蜻蜓算法（attenuation elimination-BDA，AE-BDA）。分别使用single-BDA和AE-BDA筛选160 个小麦粉样本中蛋白质近红外光谱的波长，并用偏最小二乘回归法建立蛋白质定量分析模型评价波长选择效果。结果表明：与single-BDA相比，AE-BDA所选波长数量少、稳定性强，建立的模型预测效果最佳，模型最佳的预测决定系数为0.972 7，预测标准偏差为0.281 1。8 次AE-BDA实验挑选出特征波长的平均数量为15.8 个，占原始波长数的12.6%，其中有3 个波长每次均被选中。经近红外光谱解析，各入选的波长均包含在小麦粉蛋白质及背景组分的主要吸收谱带范围内。AE-BDA能够以较高的计算效率从小麦粉近红外光谱中筛选出较少的特征波长建立蛋白质分析模型，提高了模型的预测精度和稳定性，可为近红外分析建模提供一种更加简便有效的波长优选方法。