支持向量回归算法在NIR光谱法预测烟草淀粉中的应用

为考察支持向量机回归(SVR)在烟草近红外光谱(NIRS)分析中应用的可行性,采用偏最小二乘回归(PLS)、多元线性回归(MLR)、误差反向传播人工神经网络(BP-ANN)和SVR对187份烟草样品的NIR漫反射光谱及其淀粉含量的化学测定数据进行处理,建立了烟草中淀粉含量NIRS定标模型,并采用留一法交叉验证(LOOCV)和独立样本集对模型进行了内部和外部验证.结果表明,SVR模型的预测能力比BP-ANN、PLS和MLR模型略好.因此,可将SVR引入到烟草淀粉含量的NIR分析中.     

利用近红外光谱和偏最小二乘回归法预测脂肪酸组成

采集了30种植物油样品在10000~55 00 cm-1范围内的近红外透射光谱,将所有样品作为校正集,随机抽取10种样品作为预测集,以气相色谱方法测得植物油中主要成分油酸、亚油酸、棕榈酸、硬脂酸的含量为参考值,应用偏最小二乘回归法建立了基于近红外光谱的测定植物油主要成分含量的校正模型。四种成分校正模型的交叉验证误差均方根为0.281 1%~1.496 4%,预测误差均方根为1.080 8%~18.063 0%,校正集的预测值与实测值的相关系数均大于0.99,预测集中除了棕榈酸的预测值与实测值的相关系数为0.817 9,其余均大于0.9。     

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.     

小波变换和偏最小二乘法在烟草常规成分预测中的应用

为了实现烟草样品的快速近红外光谱 (NIR)分析 ,将小波变换 (WT)用于烟草样品NIR的数据压缩 ,并结合偏最小二乘法 (PLS)对压缩后的数据进行建模。与直接采用PLS相比 ,WT PLS可有效地压缩原始谱图的数据 ,消除谱图中噪声和背景的干扰 ,降低所建模型的随机性 ,从而大大提高了运算速度 ,并获得了更高的预测精度。     

声光可调-NIR法预测烟草中的总烟碱、总糖、还原糖和总氮

采用声光可调(AOTF)-近红外光谱(NIR)仪和Unscrambler化学计量学光谱分析软件,通过旋转扫描的方式测定了534个不同年份、不同地区、不同等级国产烤烟烟叶样品的NIR,采用PLS1建立了测定烟草中总烟碱、总糖、还原糖和总氮的校正模型,并用这些模型对41个未知烤烟烟叶样品进行了预测。结果表明:总烟碱、总糖、还原糖和总氮含量的NIR预测模型的决定系数R2分别为0.9869、0.9851、0.9733和0.9721,预测的平均相对偏差分别为4.21%、2.23%、2.91%和3.60%。AOTF-NIR技术适用于烟草中总烟碱、总糖、还原糖和总氮含量的快速分析。     

鲜枣可溶性固形物最小二乘支持向量机动态检测研究

用可见/近红外光谱动态检测鲜枣的可溶性固形物含量。试验时样品以0.1m/s的速度运动,采集其可见/近红外漫反射光谱(350～2500nm)。用平均平滑法对120个赞皇枣样品、118个郎枣样品的光谱进行消噪处理,采用连续投影算法提取其特征波长,并建立相应的最小二乘支持向量机预测模型SPA/LS-SVM;同时将赞皇枣在500～1100nm范围的可见/短波近红外平滑光谱数据,郎枣在700～1500nm范围的平滑光谱数据用最小二乘支持向量机建立Smooth/LS-SVM预测模型,并对各自预测集样品(30个)的可溶性固形物含量进行预测和对比分析。结果表明:SPA/LS-SVM模型预测相关系数(赞皇枣0.833,郎枣0.847)与Smooth/LS-SVM模型预测相关系数(赞皇枣0.848,郎枣0.857)相差不大,且前者更精简,预测速度快,预测时间短,可以作为鲜枣可溶性固形物含量的一种动态检测方法,但模型的精度和稳定性需进一步提高。     

偏最小二乘回归法分析藏鸡胸肉质地特性

为揭示藏鸡肉独特的质地特性,探寻鸡胸肉质地特性与其化学成分和微观结构的关联性,本研究对5 种不同的鸡肉原料（藏鸡、与藏鸡同日龄或体质量接近的雪山草鸡、淘汰蛋鸡（对照）和白羽肉鸡（对照））进行剪切力、质地剖面分析（texture profile analysis,TPA）和应力松弛特性测定,并将上述质地特性分析结果和鸡肉的基本化学指标（水分质量分数、粗脂肪质量分数、粗蛋白质量分数、胶原蛋白质量分数、pH值）、组织学特征（肌纤维直径和密度）进行关联性分析,利用偏最小二乘回归（partial least squares regression,PLSR）法揭示影响鸡肉质地特征的显著因素。结果发现,利用PLSR能够将多个与肌肉质地特性相关的化学指标量化为鸡肉品质综合评价指标,其中剪切力的预测模型更适合预测鸡肉的质地特性。该模型的R2X为0.621,R2Y为0.739,模型拟合效果较好。Q2cum在0.6以上,说明该模型的可预测性能够被接受。载荷图显示剪切力与pH值、总胶原蛋白质量分数和肌纤维直径呈显著正相关（P＜0.05）,而与粗脂肪质量分数、可溶性胶原蛋白质量分数、胶原蛋白溶解性和肌纤维密度呈显著负相关（P＜0.05）。贡献度评价结果显示,胶原蛋白溶解性、肌纤维密度、可溶性胶原蛋白质量分数和肌纤维直径4 个指标均在模型中贡献显著。本研究可为从质地特性角度揭示藏鸡胸肉特有“咀嚼感”提供数据支持,并为丰富肉的力学特性研究提供一定的理论参考。     

基于最小二乘支持向量机的棉针织物活性染料湿蒸染色预测模型

针对棉针织物在用活性染料连续湿蒸染色过程中出现的染色条件对织物色光难以控制和预测,易导致染色织物不符合预期产品要求的问题,选用雷马素金黄RGB对棉针织物进行湿蒸染色,研究了元明粉和纯碱浓度、汽蒸时间对织物表观染色深度(K/S值)的影响,同时基于最小二乘支持向量机(LS-SVM),将这些影响因素作为预测模型的输入变量,织物K/S值作为输出变量,建立了多因素模型并进行预测。结果表明,织物K/S实验值和模型预测值的相关系数高达0.999 6,平均相对误差小于1%,说明该模型具有较高的精度,该建模方法可用于预测织物K/S值,为棉针织物活性染料湿蒸染色工艺的优化提供参考。     

偏最小二乘回归法预测酰胺化低酯果胶性能

利用均匀设计法进行橘皮酰胺化低酯果胶提取的工艺条件试验。考察反应pH、反应时间、反应温度3个因素对酰胺化低酯果胶得率、酰胺化度和酯化度的影响,通过试验数据的偏最小二乘回归分析得到可对酰胺化低酯果胶得率、酰胺化度和酯化度3个指标进行预测的二次多项式数学模型。此数学模型描述各种反应因素与橘皮低酯果胶得率、酰胺化度和酯化度之间的关系,预测得率时有较好的效果,预测酯化度和酰胺化度时存在一定误差。     

基于最小二乘支持向量机的白酒酒醅成分定量分析

利用近红外光谱技术实现对白酒发酵过程中酒醅主要成分的质量控制,并进行模型优化,提高性能。采用偏最小二乘法提取的潜在变量作为最小二乘支持向量机的输入变量,先后建立了白酒酒醅中酒精度、淀粉、水分、酸度的近红外定量模型,并与经无信息变量消除法波段筛选后建立的偏最小二乘模型结果进行比较。结果表明：与偏最小二乘模型相比,4 个指标的最小二乘支持向量机定量模型的相关系数（R2）、预测均方根误差以及相对分析误差3 个评价参数均有更优表现;对未知样品进行预测时,最小二乘支持向量机模型的预测准确度明显高于偏最小二乘模型。说明最小二乘支持向量机模型的准确度、稳定性及预测性能均优于偏最小二乘法模型,为白酒酒醅的品质分析方法研究提供了新的思路。     

粒度对烟末总糖、总氮和烟碱含量 NIR预测值的影响

考察了粒度对烟末总糖、总氮和烟碱含量近红外(NIR)预测值的影响。结果表明,在20~100目范围内,随着粒度的降低,烟末总糖、总氮和烟碱含量的NIR预测值与其化学测定值的相对误差逐渐减小。当烟末粒度≥40目时,其预测误差<5%,RSD<8%。因此,应用近红外光谱分析技术预测烟末样品中总糖、总氮和烟碱含量时,样品粒度在40目以上才能保证预测数据的准确性和精密性。     

基于LS-SVM的黑液波美度软测量

研究了基于最小二乘支持向量机的软测量建模方法,并将其应用于造纸企业碱回收蒸发工段黑液浓度的预测.应用结果表明,该建模方法的可行性和有效性完全能满足工业生产的需要.     

近红外光谱法快速测定烟草中的总挥发酸与总挥发碱

应用傅立叶变换近红外光谱法测定730个具有代表性的烟草近红外光谱数据,采用偏最小二乘回归建立了近红外光谱信息与其含量之间的定量校正模型,并对50个验证样品进行预测验证。总挥发碱和总挥发酸的预测标准差(RMSEP)分别为0.020和0.009,验证样品的相对标准偏差各为1.120%和0.919%。     

GC-MS结合PLSR模型用于新疆小白杏杏仁油抗氧化性能的研究

试验采用超临界萃取、机械压榨、索氏提取和超声波辅助提取4种不同方法制备新疆小白杏杏仁油,通过GC-MS对4个不同方法制备的小白杏杏仁油样品中的脂肪酸、植物甾醇及VE等多种生物活性物质组分进行分析鉴定,检测出33种存在明显差异的活性成分(P0.05)。对上述4个样品进行抗氧化试验,结果表明不同方法制备的样品对DPPH自由基、羟基自由基、超氧阴离子自由基及ABTS自由基均存在差异性的清除能力,通过半抑制浓度(IC50)对照分析发现超临界萃取及机械压榨法制备样品对相关自由基的清除能力效果较为显著,同时结合PLSR模型和差值系数分析初步确定对自由基清除的关键物质。     

基于正交信号校正和偏最小二乘(OSC/PLS)的苹果糖度近红外检测

采用正交信号校正法(OSC)对苹果的近红外光谱(1300nm～2100nm)进行预处理，并结合偏最小二乘法(PLS)建立了苹果光谱对糖度的预测模型。应用结果表明，经OSC法预处理后，光谱形状总体上与原始光谱没有差别，但光谱曲线变得更为光滑，排列更为整齐、紧密。这说明正交信号校正法(OSC)滤除了原始光谱中的部分噪声，但又保留了原光谱中的主要信息。苹果光谱对糖度的PLS校正模型采纳的最佳因予数会随着OSC因子的被逐个滤除而逐渐减少，甚至可减少至1(当然模型精度也有变化)。本研究中，校正模型的最佳性能产生于原始光谱被滤除10个OSC因了时，此时其采纳的最佳因了数为2，校正时的相关系数r2和标准偏差SEC分别为0．92644和0．40250，预测时的标准偏差SEP为0．50229。与OSC法处理前的PLS模型相比，其精度虽没有大幅提高，但由于采纳的因子数少，模型变得十分简洁。     

PSO-LSSVM用于近红外光谱预测混合制浆材Klason木质素含量

为优化混合制浆材中Klason木质素含量的近红外分析模型,收集了5种常见制浆材的82个原木样品,将样品粉碎预处理后在便捷式近红外光谱仪上采集其近红外光谱信号,对原始光谱数据进行多元散射校正(MSC)预处理,利用粒子群寻优(PSO)算法对最小二乘支持向量机(LSSVM)算法中的参数进行优化,然后利用最优参数建立混合制浆材Klason木质素的LSSVM定量分析模型。将结果与偏最小二乘(PLS)和主成分降维后的BP神经网络(PCA-BPNN)算法进行比较。结果表明,PCA-BPNN和PSO-LSSVM模型均优于PLS模型,且PSO-LSSVM模型预测结果最优,预测结果的相关系数(Rv)最大为0. 9857;预测标准差(RMSEP)为0. 7498%,比PLS模型和PCA-BPNN模型分别降低了0. 2767%和0. 1455%;相对标准偏差(RPD)最大为5. 6174,比PLS模型和PCA-BPNN模型分别提高了1. 5144和0. 9138;真实值与预测值间的绝对偏差(AD)范围最小,为0. 0065%～1. 8449%。