基于SiPLS- CARS 算法的百香果糖度无损检测

为建立一种无损快速检测百香果糖度的技术,以百香果为研究对象,利用近红外光谱技术,并结合联合区间偏最小二乘算法和竞争适应重加权采样算法对近红外光谱进行特征波长筛选,采用偏最小二乘法和支持向量机方法建立百香果糖度预测模型。结果表明：采用多元线性回归方法建立的模型优于多元非线性回归方法建立的模型,联合区间偏最小二乘算法和竞争适应重加权采样算法筛选出的特征波长点数为67 个,占全光谱的2.90%,预测模型的相关系数R2c 为0.972 7,校正集预测均方根误差（root mean square error of calibration,RMSEC）值为0.333 8,验证集的相关系数R2p 为0.967 2,验证集预测均方根误差（root mean square error of prediction,RMSEP）值为0.366 0,模型相对分析误差（relative prediction deviation,RPD）为4.506 6。研究结果能够实现百香果糖度的无损快速检测,并且可以将百香果糖度无损检测便携检设备中的模型进行简化。     

基于光谱预处理结合遗传算法优化波长的面粉水分快速检测

基于光谱预处理及遗传算法(genetic algorithm,GA)法优化波长,再结合偏最小二乘(partial least squares,PLS)法建立面粉中水分的定量分析模型,对比在不同预处理方法下相关系数R~2、校正标准差(root mean square error of calibration,RMSEC)、预测标准偏差(root mean square error of prediction,RMSEP)3个指标,随机选择130份样本建立预处理+GA+PLS定量分析模型,实验结果为R~2从0.955 2提高到0.977 7、RMSEC从0.375 8降低到0.245 3、RMSEP从0.268降低到0.264。结果表明基于光谱预处理结合GA优化波长来定量分析面粉中水分含量是可行的,且准确性和误差度皆优于无优化模型。     

基于模拟退火算法优化波长的面粉品质检测

模拟退火算法（simulated annealing algorithm,SAA）是一种随机搜索、全局优化算法,为提高近红外光谱检测面粉品质模型的准确度与稳健性,实验提出基于SAA优化波长,再结合偏最小二乘（partial least squares,PLS）法建模预测的定量模型,并对SAA中冷却进度表参数设置进行对比分析。实验依据面粉中灰分含量梯度,随机选取126 份样本的近红外光谱建立SAA-PLS模型。结果发现,SAA从2 074 个波数优选出70 个波数,结合PLS建立的定量模型相关系数为0.976 0,交互验证均方根误差（root mean square error of cross validation,RMSECV）为0.022,预测均方根误差（root mean square error of prediction,RMSEP）为0.030 1,全谱建立的PLS模型相关系数为0.778 5,RMSECV为0.066 6,RMSEP为0.076 8。结果表明,基于SAA优化特征谱区,建立灰分定量模型是可行的,且准确度与稳健性明显优于全谱定量分析模型。     

拉曼光谱技术快速检测专用煎炸油极性组分

为能够快速、无损检测专用煎炸油的极性组分含量,采集不同煎炸时间下煎炸油样本的拉曼光谱图。为建立稳定性高、误差小、精度高的模型,研究不同预处理方法对模型效果的影响,建立相应的偏最小二乘回归模型以选择最优的光谱预处理方法。结果表明：标准正态变换处理后的偏最小二乘模型最优,预测均方根误差（root mean square error of prediction,RMSEP）为1.18,决定系数R2为0.940?4。其次,将标准正态变换处理后的光谱数据分别建立误差反向传播（error back propagation,BP）算法和径向基函数算法神经网络模型,通过比较稳定性以及误差大小,得出采集到的拉曼光谱经过标准正态变换处理后采用BP神经网络建立的模型效果最好,RMSEP为0.032?6,R2为0.972。该方法可以用作专用煎炸油极性组分的快速分析。     

基于高光谱成像技术无损检测芒果轻微损伤

目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像, 并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较, 选择光谱预处理方法。使用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)分别对预处理后的光谱提取特征波长, 并分别建立了多元线型回归(multiple linear regression, MLR)模型和偏最小二乘回归(partial least squares regression, PLSR)模型。结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别, CARS-MLR模型识别效果最好, 其校正集相关系数为0.881, 预测集相关系数为0.821, 校正集均方根误差(calibration set root mean square error, RMSEC)为0.146, 预测集均方根误差(prediction set root mean square error, RMSEP)为0.236, 准确率为97.14%。结论 利用高光谱成像技术可以实现对芒果表面轻微损伤进行有效鉴别。     

基于光谱预处理结合遗传算法优化波长的面粉水分快速检测

正基于光谱预处理及遗传算法(genetic algorithm,GA)法优化波长,再结合偏最小二乘(partial least squares,PLS)法建立面粉中水分的定量分析模型,对比在不同预处理方法下相关系数R2、校正标准差(root mean square error of calibration,RMSEC)、预测标准偏差(root meansquare error of prediction,RMSEP)3个指标,随机选择130份样本建立预处理+GA+PLS定量分析模     

傅里叶变换红外光谱结合化学计量法对香附水分、灰分和浸出物的快速测定

建立基于傅里叶变换红外光谱的香附水分、灰分和浸出物的快速测定模型。运用ANTARIS II FT-NIR Analyzer对60个香附样品进行近红外光谱采集。依照2015版药典中的方法测得60个香附样品的水分、灰分以及浸出物含量数据。运用TQ Analyst软件对所得香附的近红外光谱与试验所得的香附样品的水分、灰分以及浸出物含量数据建立快速测定的模型。所建立的香附水分、灰分、浸出物含量快速测定模型能较准确地对香附水分、灰分、浸出物含量进行识别与验证。其中香附水分含量模型R2为0.902 7,校正集预测均方差（root mean square error of calibration,RMSEC）为0.774,预测集的预测均方差（root mean square error of prediction,RMSEP）为0.521;香附灰分含量模型R2为0.988 4,RMSEC为0.061 9,RMSEP为0.058 5;香附浸出物含量模型R2为0.890 3,RMSEC为1.25,RMSEP为2.33。所建立的模型能够较准确地实现香附水分、灰分、浸出物含量的快速测定。     

基于中红外光谱法检测煎炸油极性组分

目的 利用中红外光谱技术实现对煎炸油极性组分的快速检测。方法 根据SPXY法对煎炸油中红外光谱数据进行样本划分,从而得到校正集和预测集。采用SG+一阶导数预处理手段,利用竞争自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行特征提取,建立煎炸油极性组分含量的偏最小二乘回归(partial least squares regression, PLSR)预测模型,并利用误差反向传播算法(error back proragation, BP)对模型进行优化。结果 BP神经网络法建立的模型校正集决定系数(coefficient of determination, R_²)为0.8073,校正集均方根误差(root mean square error of calibration,RMSEC)为0.0325,预测集R_²为0.7665,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0443。结果表明,经BP神经网络算法优化后,均方根误差明显减小,提高了预测模型的准确性。结论 结合BP神经网络算法的中红外光谱技术是一种检测煎炸油极性组分的有效方法,为食用油油品品质的快速检测提供理论指导和技术支撑。     

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

基于近红外光谱技术快速测定甘薯多糖含量

摘 要：目的 建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法 通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56种作为校正集,11种作为验证集。通过一阶导数、二阶导数、多元散射校正（multiplicative signal correction,MSC）、标准正态变量变换（standard normal variate,SNV）等组合预处理方式对原始光谱进行处理,比较多元线性回归（stepwise multiple linear regression,SMLR）、主成分回归（principal component regression,PCR）和偏最小二乘法（partial least squares,PLS）三种方法建立的模型结果,进一步选择波段确定最佳甘薯多糖含量测定方法。结果 PLS建立的模型整体精确度和稳定性最佳,最优模型的预处理方式为一阶导数处理,该模型的最佳波段为全波段范围,校正集均方根误差（root mean square error of calibration set,RMSEC）为相关系数0.496,校正集相关系数（calibration set correlation coefficient,RC2）为0.9683,验证集均方根误差（root mean square error of prediction set,RMSEP）为0.430,验证集相关系数（prediction set coefficient of determination,RP2）为0.9440,主成分数为8。结论 通过近红外光谱技术结合偏最小二乘法建立甘薯多糖模型可作为甘薯多糖快速测定的可行性方法。     

近红外光谱技术结合波段筛选用于白酒基酒总酯定量分析

采用近红外光谱（NIRS）分析技术对白酒基酒中的总酯含量进行定量分析,通过偏最小二乘法（PLS）法建立分析模型,同时后向间隔偏最小二乘法（BiPLS）对整个谱区进行光谱特征波段筛选。用决定系数（R2）、校正均方根误差（RMSEC）以及预测均方根误差（RMSEP）对模型进行评价。结果表明：特征波段筛选能够对基酒总酯模型起到显著的优化作用,模型的决定系数R2从0.484提升至0.937,RMSEC及RMSEP值分别从0.490、0.476降低至0.172和0.177,在减少模型复杂程度的同时,有效地提高了模型的稳定性与准确度,经过基酒盲样验证,说明波段优化所建立的模型有较为准确的预测结果。     

小种红茶水浸出物近红外定量分析模型的建立

为实现近红外光谱技术在小种红茶中的快速无损检测,对76份有代表性的小种红茶按现行国家标准测定其水浸出物含量,采集样品的近红外光谱,采用OPUS 7.5软件,结合偏最小二乘法(partial least squares,PLS)建立小种红茶水浸出物含量的近红外定量分析模型。结果表明,所建立的水浸出物定量模型决定系数R2为95.73%,校正均方差(root mean square error of calibration,RMSEC)为0.629,验证均方差(root mean square error of prediction,RMSEP)为0.513。所建立的小种红茶水浸出物含量的近红外定量分析模型较为成功,模型预测效果较好,能够对小种红茶中水浸出物的含量进行快速地分析。     

哈姆林甜橙果实内在品质的可见-近红外光谱无损检测法

采用可见- 近红外漫反射光谱技术,结合偏最小二乘法,以不同时间采摘的哈姆林甜橙果实为样品建立其可溶性固形物、含酸量和VC 的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行对比分析。结果表明：原始光谱在400～1000nm 波段的模型预测精度较高。经多元散射校正和5 点移动平均平滑预处理后,果实可溶性固形物含量的PLS 模型最好,校正集样品的相关系数为0.995RMSEC和RMSEP分别为0.026%、0.028%;预测集样品的相关系数为0.992。经多元散射校正和9 点移动平均平滑预处理后,果实含酸量的PLS 模型最好,校正集样品的相关系数为0.997,RMSEC 和RMSEP 分别为0.012%、0.013%;预测集样品的相关系数为0.997。经多元散射校正和9 点移动平均平滑预处理后,果实VC 含量的PLS 模型最好,校正集样品的相关系数为0.998,RMSEC 和RMSEP 分别为0.009%、0.009%;预测集样品的相关系数为0.999。可见由不同时间采摘的果实组成的样品集所建立的数学模型可以提高模型的预测精度,从而提高模型的适用范围。应用可见-近红外漫反射光谱检测哈姆林甜橙果实的内在品质可行。     

番茄总糖含量的近红外光谱无损检测方法研究

根据偏最小二乘法建立番茄总糖含量的定量分析模型,比较原始光谱和平均光谱以及10 种光谱预处理方法对近红外光谱无损检测番茄总糖含量的影响。结果表明：平均光谱所建立的偏最小二乘法校正模型明显优于原始光谱所建模型,常数偏移消除最适合番茄总糖近红外光谱的预处理,其在11998.9～7497.9cm-1 和4601.3～4256.5cm-1优化光谱区内,所建偏最小二乘法定量分析模型的预测值和实测值的相关系数(R)为0.917,校正标准差(RMSEC)为0.263%,预测标准差(RMSEP)为0.236%。平均光谱和优化的光谱预处理方法可有效提高近红外光谱无损检测番茄总糖含量的准确性。     

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。     

近红外光谱分析技术在泡芙水分测定中的研究

水分含量快速测定是保证泡芙制作品质的重要需求。利用IAS Online-S100型在线近红外光谱分析仪,采集了130个建模集样品和30个验证样品的近红外光谱,结合光谱预处理和偏最小二乘法建立泡芙水分定量分析模型。研究结果表明,采用移动窗口平滑（平滑点数为11）+SNV法进行光谱预处理,主因子数为9的条件下,模型的决定系数R2、校正集均方根误差（RMSEC）、交互验证均方根误差（RMSECV）和预测集均方根误差（RMSEP）分别为0.88、0.49%、0.55%、0.57%。模型的预测误差在±1.3以内,精度满足工厂的使用需求。     

间隔连续投影算法应用于近红外光谱苹果糖度模型的优化

目的采用一种改进的连续投影算法(successive projection algorithm,SPA)筛选光谱区间变量,优化苹果近红外光谱模型。方法试验以半透射方式无损地获取134个苹果的光谱信息,再以标准方法破坏性检测其内部糖度指标,在光谱信息与糖度指标之间构建定量模型。区间连续投影算法(intervals SPA, iSPA)是根据各光谱区间之间的投影关系,选择那些具有共线性小的区间变量来构建偏最小二乘模型(partial least square,PLS)。尝试以全区间光谱划分的间隔数量从5到60,步长为5,以优化共线性小的间隔组合。结果当划分为20个间隔时,构建的PLS模型相比于其他划分间隔时的模型,具有较小的交互验证均方根误差和较少的入选变量,此时对预测集的预测均方根误差为0.521,优于常规连续投影算法线性回归和全区间PLS模型的预测性能。结论区间连续投影算法可用于光谱区间变量的筛选,结合偏最小二乘法可提高模型的预测性能。     

基于近红外光谱定量分析植物水解蛋白掺假牛奶

植物水解蛋白是一种典型的蛋白质含氮掺假物质,被不法商贩作为廉价的蛋白质添加到牛奶中以提高其蛋白质含量。本研究自行配置不同浓度的植物水解蛋白掺假牛奶,应用近红外光谱分析仪漫反射模块直接扫描掺假样品,同时使用透射分析模块扫描三氯乙酸前处理的掺假样品;应用TQ软件分别建模并比较两种方法差异。结果表明:使用一阶导数Norris Derivative滤波预处理,在8000~5000 cm~(-1),主成分数10,使用PCR构建了最优植物水解蛋白漫反射定量分析模型,RMSEC、RMSEP和R分别为0.224、0.214和0.98414,平均回收率为93.2479%。使用一阶导数Norris Derivative滤波预处理,在10000~7000 cm~(-1),主成分数10,使用PCR构建了最优植物水解蛋白透射定量分析模型,RMSEC、RMSEP和R分别为0.175、0.138和0.99036,平均回收率为98.7351%。经过三氯乙酸处理的透射模型更加精确和稳定,可以用于牛奶中植物水解蛋白的检测,可以为牛奶品质控制和快速定量提供参考。