应用有效波长进行奶茶品种鉴别的研究

基于最小二乘支持向量机建模方法,提出应用奶茶在可见/近红外光谱谱区的有效波长进行其品种鉴别的新方法.用225个样本建模,75个样本进行预测.通过对光谱数据进行偏最小二乘法分析,根据载荷图和回归系数图选择鉴别奶茶品种的有效波长（EW）,并建立EW与最小二乘支持向量机（LS SVM）相结合的EW LS SVM模型,同时与应用主成分（PC）和小波变换（WT）建立的PC LS SVM和WT LS SVM模型进行判别准确率的比较.结果表明,应用EW、PC和WT建立的模型对建模样本的判别准确率均为100%,对预测集样本判别准确率分别为98.7%、98.7%和100%,获得了理想的鉴别效果.研究表明,应用可见/近红外光谱谱区的有效波长进行奶茶品种鉴别是可行的,且EW LS SVM模型能获得满意的鉴别精度.     

结合PLS-DA与SVM的近红外光谱软测量方法

为了提高近红外光谱分析精度,提出结合偏最小二乘判别分析（PLS-DA）与支持向量机（SVM）的软测量方法（PLS-DA-SVM）.该方法利用一组由不同类别组成的训练样本,引入二叉树进行多重分类,节点分类器由PLS-DA方法建立;利用偏最小二乘支持向量机（PLS-SVM）建立每类样本的定量模型.预测时,用PLS-DA分类树对待测样本进行分类,选择相应的PLS-SVM模型进行定量分析.实验利用PLS-DA-SVM方法和近红外光谱数据建立汽油的研究法辛烷值软测量模型,针对2个批次共计57个成品汽油样本进行蒙特卡洛交叉检验.结果表明,对汽油牌号进行识别,平均分类错误率为0.07%,低于其他常用分类方法;对研究法辛烷值进行预测,均方误差达到0.243,复相关系数达到0.991,较PLS、LS-SVM等方法有显著提高.     

近红外光谱结合SVM识别4种茶叶

用近红外光谱仪对绿茶毛峰、粗信阳毛尖、铁观音、峨眉雪芽等4种茶叶,120个样品进行扫描,获得近红外光谱数据.先随机选取2/3样品数据为模型集,其余为验证集,用支持向量机(SVM)将模型集构建模型,经验证集验证,最终获得了97.5%的识别率.又用主成分分析(PCA)的方法对数据降维,用前两个主成分画出4种茶叶分类图,并与SVM结果比较,表明SVM的方法更佳.     

近红外漫反射聚类法无损快速测定淀粉品质

提出一种基于近红外光谱技术和聚类分析法对不同种类的淀粉进行无损快速鉴别的方法,研究了近红外光谱结合聚类分析法快速鉴别淀粉种类的可行性.采集样品在12 500~4 000cm-1范围内的近红外漫反射光谱,利用光谱模式识别法中的聚类分析法对图谱进行定性分类鉴别.光谱经一阶导数预处理后,采用聚类分析法可准确无误地将样品分为2类,分类准确率达到100%.同时采用预测集的样品验证所建模型的准确性,经实验得出预测准确率也是100%.实验结果表明,近红外漫反射光谱结合聚类分析法可以为快速无损鉴别淀粉种类提供一种准确可靠的方法.     

近红外光谱技术在食用油种类鉴别及脂肪酸含量检测中的应用

应用近红外光谱分析技术分别建立了快速鉴别食用植物油种类的定性分析模型以及测定食用植物油主要脂肪酸含量的定量分析模型.实验根据19份食用植物油样品的近红外光谱,结合系统聚类方法建立了纯橄榄-芝麻-花生油定性识别模型,识别率和预测率可达100%.根据59个食用植物油样品的近红外光谱,结合模型优化方法建立了食用植物油中棕榈酸、硬脂酸、油酸3种主要脂肪酸含量的近红外定量分析模型,且模型指标较好.实验表明近红外光谱分析技术在食用植物油品质快速检测领域有很好的应用前景.     

采用近红外光谱技术定性鉴别混合浆料中PVA的研究

利用近红外光谱法建立一种定性分析PVA存在的方法.将不同PVA含量的混合浆料样品与纯变性淀粉浆料样品进行近红外全波普段的光谱扫描,通过一阶导数法+中心化的方法进行光谱预处理,建立PVA的PLS近红外定性分析数学模型.所建模型的阈值为0.20,建模集的样品识别准确率可达到100%,检验集的样品识别率、误判率分别为96.67%、3.33%.实验结果表明:应用近红外光谱技术建立PVA定性分析模型的方法是可行的.     

基于近红外光谱的纯花生油掺伪快速鉴别方法研究

针对目前国内缺乏快速鉴别花生油掺伪鉴别技术的现状,提出基于近红外光谱的纯花生油掺伪快速鉴别方法.实验分别配制了掺入大豆油、菜籽油、棕榈油和调和油的4类掺伪花生油样品共40个,纯花生油样品5个,采集样品近红外全谱,通过支持向量机技术建立纯花生油掺伪鉴别模型.结果表明,选取径向基函数为支持向量机核函数,通过网格搜索和k折校验法确定核参数γ为1,惩罚参数c为1 024,建立纯花生油掺伪鉴别模型的识别率和预测率均达到100%,基于近红外光谱的花生油掺伪快速检测技术具有较好的可行性和实用性.     

免疫算法在近红外光谱奇异样本识别中的应用

为了提高近红外光谱数据建模后的准确性,文中提出基于免疫算法的近红外光谱奇异样本的识别方法.通过免疫算法与遗传算法对同一近红外光谱数据集分别进行奇异样本识别并比较,删除奇异样本后,免疫算法较遗传算法分别将水分、脂肪、蛋白质的PLS模型的预测误差平方和分别降低了25.8%、32.1%、21.7%.实验表明,免疫算法适用于近红外光谱奇异样本的识别,提高了模型预测精准度和稳健性.     

近红外光谱法主成分分析6种植物油脂的研究

采用近红外光谱技术,结合主成分分析方法,研究区分6种植物油脂的测定方法.用不同品种和不同产地的油料制备植物油,其中32种大豆、34种花生、28种菜籽和12种棉籽,采集不同厂家生产的20种棕榈油和12种米糠油样品.测定6种植物油脂138个样品的近红外透射光谱.以植物油脂的光谱信息作变量,应用NIRCa15.2软件进行光谱预处理及主成分分析,随机取2/3的样品作定标集,1/3作验证集,选取负荷量差别较大的7个主成分进行得分比较.结果显示,138个样品被识别为相互独立的6组,分类精度100%,验证准确率100%.     

基于近红外光谱技术测定小麦籽粒淀粉含量

采用化学方法测定78个小麦样品中的淀粉含量,运用近红外光谱仪采集小麦样品近红外光谱.用光学处理和数学处理等手段对模型的影响进行了探讨.结果显示,反相离散多元校正(Inverse MSC)与二阶导数结合对光谱数据进行预处理后,运用偏最小二乘法(PLS)所建分析模型的预测效果最优,其相关系数为0.951 7.以17个验证集样品进行外部检验,得小麦籽粒中淀粉含量的模型预测值与化学值之间的相关系数为0.978 6.