NIRS结合PLS快速分析银黄颗粒中有效成分含量

研究旨在探讨利用银黄颗粒样品的近红外漫反射光谱(NIRS)信息,建立黄芩苷和绿原酸含量的校正模型,为银黄颗粒质量的快速评价提供1种新方法.以HPLC分析值为参照,采用近红外漫反射光谱技术采集100批银黄颗粒样品的近红外漫反射光谱,结合偏最小二乘法(PLS)建立了黄芩苷和绿原酸含量的校正模型.黄芩苷和绿原酸含量的校正模型相关系数(R2)分别为0.998和0.995,校正均方差(RMSEC)为0.578和0.123,内部交叉验证均方差(RMSECV)为2.356和0.412;经外部验证,预测相关系数(r)分别为0.995和0.984,预测均方差为(RMSEP)0.597和0.166.结果表明,该方法准确、简便、无污染,可实现大批量银黄颗粒样品的快速分析.     

光谱预处理和波长选择对混胺燃料各指标近外光谱定量分析结果的影响比较

对混胺燃料近红外光谱进行光谱预处理和波长选择,采用偏最小二乘法建立各分析指标的定量校正模型,利用校正集标准偏差(SEC)和预测集标准偏差(SEP)比较光谱预处理和波段选择对各项指标分析模型的影响。平滑处理对各项指标的影响不大,一般采用5点平滑。由于混胺颜色的影响,二阶微分比一阶微分预处理光谱的效果要好。波段选择对各分析指标的影响差别较大,应综合考虑各组成含氢基团的贡献和其它成分共线性的影响,选择合适的波长范围。提出了建立高精度、高稳健性分析模型应注意的问题。     

夏枯草中迷迭香酸近红外光谱定量分析模型的建立

目的:建立近红外漫反射光谱法快速测定夏枯草中迷迭香酸的含量方法。方法:采用高效液相色谱法测定不同产地的170批次夏枯草中迷迭香酸的含量,同时采集近红外漫反射光谱,对原始光谱进行多元散射校正(MSC)、一阶导数(First derivative)和S-G(Savitzky-Golay filter)平滑等光谱预处理方法,采用偏最小二乘法(PLS)建立近红外定量分析模型,实现夏枯草中指标性成分迷迭香酸含量的快速测定。结果:所建立的迷迭香酸近红外定量分析模型,模型R~2为0.9768,RMSEC和RMSEP分别为0.0387和0.0441,表明所建近红外模型预测准确度高。交叉验证均方差RMSECV为0.0706,表明所建模型稳健性好。结论:本研究所建迷迭香酸近红外定量分析模型具有很好的预测准确度和稳健性,为市场上夏枯草质量的快速评价提供新的方法。     

近红外光谱法测定黄芩提取物中黄芩苷含量

应用近红外光谱技术探讨了黄芩提取物中黄芩苷含量的快速检测新方法.共收集12个不同厂家的100批黄芩提取物样品,利用Nicolet 6700型傅立叶变换近红外光谱仪采集样品近红外漫反射光谱,通过HPLC法测定黄芩苷含量值,结合偏最小二乘法(PLS)建立黄芩苷含量的近红外定量校正模型,并通过筛选合适的光谱预处理方法、建模区间和主成分数获得最优模型.所建最优校正模型的相关系数(R2)、校正均方差(RMSEC)和内部交叉验证均方差(RMSECV)分别为0.995、0.440和2.259;经外部验证,模型的预测相关系数(r2)、预测均方差(RMSEP)和平均回收率分别为0.988、0.486和100.190%.结果表明,该方法可用于不同厂家黄芩提取物中黄芩苷含量的直接测定,操作简便,无污染,结果准确可靠,可实现大批量样品的快速分析.     

近红外光谱技术快速测定当归中藁本内酯含量

基于近红外光谱技术,运用偏最小二乘回归(PLSR)方法实现当归中藁本内酯含量的快速、无损检测.采用高效液相色谱(HPLC)法测定当归中藁本内酯含量,一阶导数结合正交信号校正对原始光谱进行预处理,建立当归近红外光谱和藁本内酯含量之间的最小二乘回归定量分析模型.结果表明:模型在校正集上的均方根误差(RMSEE)、交叉验证均方根误差(RMSECV)和决定系数R2分别为0.199 9,0.3489和0.9932,在预测集上的预测均方根误差(RMSEP)和决定系数R2分别为0.23和0.9941.方法具有简单、快速、不破坏样品等特点,可用于当归中藁本内酯含量的快速检测.     

近红外光谱信号的优化处理

用实验室常规方法测定竹材样品的木质素含量,漫反射方式采集样品的近红外光谱信号,偏最小二乘法(PLS)和完全交互验证方式以建立毛竹木质素含量的定量分析模型。研究主成分数、建模谱区、求导和平滑预处理技术对定量分析模型的影响。结果表明,预处理技术压缩和恢复的近红外光谱信号效果良好,提高了模型的预测能力,优化近红外定量分析模型有重要参考价值。     

近红外光谱结合可移动窗口偏最小二乘法对克霉唑粉末药品的定量分析

建立测定克霉唑粉末药品的近红外漫反射光谱结合可移动窗口偏最小二乘法(MW-PLS)多元校正模型。选择有效的光谱预处理方法,并对窗口宽度,窗口移动的位置,以及隐变量数对模型参数进行优化,使用逼近度作为建模参数优化评价指标,最终得到测定克霉唑粉末药品的最佳模型。用该模型进行预测,校正集和验证集的预测值和真实值间的相关系数(Rc)分别为0.9558和0.9645,校正集的均方根误差(RMSEC)为0.0041,验证集均方根误差(RMSEP)为0.0043,表明该模型的稳健性、拟合度和预测能力都令人满意。     

多元散射校正与Savitzky-Golay平滑模式的组合优选应用于土壤有机质的近红外光谱分析

采用近红外(NIR)漫反射光谱,建立土壤有机质的NIR光谱分析的偏最小二乘(PLS)模型,比较和选择多元散射校正(MSC)和Savitzky-Golay(SG)平滑用于改善NIR光谱分析的预测能力。把SG平滑模式由原来的117种扩充为483种,并构建了SG平滑模式与PLS因子数联合优选的化学计量学平台。对于单独(或联合)做MSC、SG平滑预处理以及未做光谱预处理的5种情形,分别建立土壤有机质NIR光谱分析的PLS模型。最优的情形是先后做SG平滑和MSC预处理,其中最优的SG平滑参数为5次多项式、3阶导数、21点平滑,对应的PLS因子数、预测均方根偏差(RMSEP)、预测相关系数(R_p)分别为5,0.246(%),0.883,大幅度优于未做光谱预处理的模型预测效果。从而表明,SG平滑和MSC的组合优选可以显著改善土壤有机质的NIR分析效果。所构建的化学计量学平台和方法框架是改善NIR分析能力的有效途径。     

基于近红外光谱的煤粉样品定量检测研究

针对煤质快速在线检测的需求,采用傅里叶变换近红外光谱结合不同的光谱预处理方法,即平滑处理方法、微分方法、多元散射校正方法、标准归一化处理方法分别建立了煤粉样品的水分、灰分和挥发分的偏最小二乘模型,并对模型的检测结果进行了十字交叉验证。结果表明,基于25点平滑处理方法建立的水分偏最小二乘模型较优,基于标准归一化处理方法建立的灰分偏最小二乘模型最佳,基于5点平滑处理方法建立的挥发分偏最小二乘模型精度最高,验证了应用傅里叶变换近红外光谱技术定量分析煤粉指标的可行性。     

基于NIR的主成分结合支持向量机鉴别蚕茧雌雄的研究

研究应用近红外光谱分析技术鉴别蚕茧雌雄的方法.削茧取蛹,辨别蚕蛹的性别,将雄茧设为1,雌茧定设为0.用自制附件获得蚕茧的近红外漫反射光谱(11 300～3 500)cm-1,其中校正集20枚,预测集19枚.对光谱做软阈值小波消噪、5点一阶微分及正规化处理.提取主成分,计算累积贡献率,给前2个及3个主成分作图.分别取1～10个主成分并结合不同的ε(10-1～10-9)用支持向量机建立预测模型.结果表明,从光谱的前3个主成分图中不能区分蚕茧的雌雄,主成分相对分散.前10个主成分累积贡献率才达85.23%.所建模型的预测正确率随着所取主成分个数增加而升高,随着ε取值的下降而先升后降.当主成分数为6-10、ε为10-5时,预测正确率最高,达94.7%.本研究为利用近红外光谱鉴别蚕茧雌雄提供理论依据.     

近红外光谱法测定黄酒中氨基酸态氮和酒精度的研究

黄酒中氨基酸态氮和酒精度的常规测定方法步骤繁琐,时效性差.在研究黄酒的近红外光谱和化学计量学的基础上,采用偏最小二乘法建立模型,并以该模型对未知黄酒样品的氨基酸态氮和酒精度含量进行预测,验证模型可靠性.氨基酸态氮建模结果:决定系数为95.19%,均方差为0.041;酒精度建模结果:决定系数为96.82%,均方差为0.26.氨基酸态氮外部检验的预测均方差为0.063;酒精度外部检验的预测均方差为0.20.结果表明该方法应用于黄酒品质的检测,操作简便、快速、准确.     

MIV方法在苹果糖度近红外分析中的应用

针对苹果糖度近红外光谱数据的特点,分析了基于BP神经网络和偏最小二乘PLS的苹果糖度定量预测模型建立方法:,将平均影响值方法:(mean impact value)引入到近红外波长选取的过程中来,并与联合区间偏最小二乘法结合,达到波长优选的目的:。首先,利用联合区间偏最小二乘算法,筛选出与苹果的糖度相关度较大的光谱波长数据,再利用PLS-BP方法:建立预测模型。在此模型基础上,使用平均影响值方法:,对参与建模的每个波长数据进行评价,选取影响值最大的一系列波长点,重新建立模型。模型变量数为124,校正均方根误差(RMSEC)为0.1740,验证均方根误差(RMSEP)为0.4565。结果:表明,校正均方根误差,利用平均影响值与联合区间偏最小二乘方法:结合,对光谱数据进行波长的筛选,可以降低模型复杂度,同时提高模型预测精度。     

Nondestructive prediction model of internal hardness attribute of fig fruit using NIR spectroscopy and RF

Hardness is one of the most important quality characteristics, which has an important influence on the processing and product quality of figs. A rapid non-destructive detection method for the hardness of figs was proposed based on visible/near infrared (VIS/NIR) spectroscopy technology. This study attempts to optimize the construction of a fig hardness model and predict the accuracy of thereof. An NIR spectrometer was used to collect the diffuse reflectance spectrum data in the wavelength range of 950–1700 nm, while the hardness index was measured using texture analyzer. Random forest (RF) and partial least square (PLS) methods were used to model the spectral data and hardness, respectively, and a better algorithm for the model construction was obtained. The RF model performed better in the characteristic band (1150.83–1232.43 nm), with correlation coefficient (R²), root mean square error of calibration (RMSEC), and root mean square error of prediction (RMSEP) of 0.76, 67.61, and 83.94 respectively. The PLS model worked well at the full band (R²?=?0.77, RMSEC?=?59.20, RMSEP?=?91.84). However, the prediction time of the PLS was slightly shorter than that of RF model (0.0004 s?<?0.0098 s). The results show that it is feasible to detect the hardness of figs without destroying them by using VIS/NIR diffuse reflectance spectroscopy combined with sample set partitioning based on joint x–y distances (SPXY), RF, and PLS algorithms. This study provides new technical means for fig products enterprises to determine the hardness of figs in the early stages of production rapidly and evaluate the processing quality of fig products, which has a high practical application potential.

     

一种煤炭近红外光谱数据预处理方法研究

针对煤炭原始近红外光谱数据中存在噪声的问题,提出了基于De-SNV与小波阈值去噪组合的煤炭近红外光谱数据预处理方法。采用缺省软阈值法进一步对经过Savitzky-Golay平滑和De-SNV处理的光谱数据去噪,并分别建立了水分、灰分和挥发分的PLS校正模型,通过分析模型的预测性能对该方法的有效性进行评估。实验结果表明,经过该方法预处理的光谱数据所对应的PLS校正模型性能明显优于使用原始光谱数据所建立的PLS校正模型,水分、灰分和挥发分的PLS校正模型的预测均方根误差分别降低至0.007 07,0.040 8,0.008 66,决定系数分别提高至0.858 7,0.743 8,0.778 5。     

SIMCA分类法与偏最小二乘法结合近红外光谱检测卷烟的内在品质

针对卷烟内在品质常规化学检测过程烦琐、速度慢的特点,本文探讨了基于化学计量学方法与近红外光谱分析技术结合判别卷烟品质等级和同时检测多个品质指标的快速方法。通过采用SIMCA分类法与偏最小二乘法结合卷烟的傅里叶变换近红外漫反射光谱,建立了3个不同级别卷烟的分类模型,用于甄别卷烟品质真伪,结果准确;同时,又建立了检测卷烟中总氮、总糖、烟碱主要化学成分含量和其主流烟气中焦油、烟碱、一氧化碳释放量等品质指标的校正模型,其相关系数分别为：0．9844、0．9918、0．9968、0．9505、0．8945和0．9625;交互效验均方残差分别为：0．0663、0．6682、0．0607、0．2262、0．0350和0．3685。另取未知样品对模型进一步验证,经配对t-检验表明,在显著性水平大于0．05的条件下,其测定结果与标准方法的测定结果对比,两者均无显著性差异。该法应用于卷烟品质真伪鉴别和品质指标检测,操作简单、快速、准确。     

DBN wavelet transform denoising method in soybean straw composition based on near-infrared rapid detection

In Hei Longjiang Province of China, ten million tons of soybean straws are produced every year, most of which are burned or discarded. The comprehensive utilization rate is less than 5 %. However, as a kind of high-quality raw material resources, the soybean straw is the main material when producing fuel ethanol and biodiesel. The traditional chemical detection technology was always applied to test the quality of straws’ internal components, which needs long time and high cost. Therefore, this research adopted near-infrared spectroscopy technology to establish models to achieve rapid detection of straw’s internal components. One hundred and fifty-two samples of straw were collected within Heilongjiang Province, and the main ingredients, lignin and hemicellulose, were chosen as the research objects. K-stone method is used to divide into calibration and validation sets. The correlation coefficient is adopted to select and validate characteristic bands. After removal of the abnormal sample by concentration of residual method, the emphasis is put on the effect of removal of spectrum noise by applying the wavelet transform. The experimental results are that the model has good stability under the full spectrum band 4000–12,000 cm^?1. After the removal of 3 lignin and 3 hemicellulose samples, respectively, the R ² of calibration set of lignin and hemicellulose models increased significantly, from 0.5836436 and 0.4994598 to 0.6994097 and 0.6943559, respectively. However, after the 5-layer decomposition of DB2 wavelet, the R ² increased to 0.8075574 and 0.8214309 separately. The validation set’s root mean square error prediction (RMSEP) fell from 0.7738772 and 0.3069899 to 0.5979685 and 0.2761462. After the conversion, the relative standard deviations (RSD) are 1.92 and 1.86 %, respectively. Unknown samples can be real-time predicted in short times after building the model, and the prediction process needs only 1960s. The experiments show that it is feasible to employ near-infrared spectroscopy method for rapid detection of straw components, which provides a new method to detect the straw ingredients rapidly in the future.     

基于网格搜索与交叉验证的SVR血压预测

针对现存血压测量方法不规范、波动范围大且预测准确率低下等问题，提出一种基于网格搜索与交叉验证相结合的支持向量回归(K-SVR)的血压预测算法。该算法首先对数据进行清洗,随后利用网格搜索与交叉验证相结合的方法寻找出最优参数对，然后通过分析人体生理指标数据心率、血氧与血压之间的隐含关系来建立相应的血压预测模型，最后将预测得到的结果与另外几种比较经典的机器学习模型得到的结果进行对比，并利用准确率及均方根误差这2种指标进行评估。实验结果表明，该算法对于高压和低压的预测准确率约为71.39%、81.69%，均方根误差值约为0.5349、0.4279，均明显优于传统的机器学习算法。