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。     

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。     

烟草中淀粉近红外光谱变量的筛选及校正模型的建立

为提高校正模型的预测精度,以烟草中淀粉近红外光谱(NIR)校正模型为研究对象,分别利用全光谱波段(FS)、方差光谱(VS)筛选光谱变量和遗传算法(GA)筛选光谱波长,结合偏最小二乘法建立校正模型(FS+PLS、VS+PLS和GA+PLS),并对100个初烤烟叶样品进行了预测。结果显示:①FS+PLS(变量数1557个)、VS+PLS(变量数781个)和GA+PLS(变量数72个)3种校正模型的决定系数R_c2、交互验证均方根误差(RMSECV)分别为0.9764、0.433,0.9871、0.332和0.9885、0.314。②与FS+PLS和VS+PLS模型相比,GA+PLS模型的光谱变量数分别减少为FS和VS变量数的4.62%和9.22%,主因子数由15降至12,R_c2明显提高,RMSECV显著降低。③FS+PLS、VS+PLS和GA+PLS模型对100个初烤烟叶样品的预测结果显示,R_p2、预测均方根误差(RMSEP)分别为0.9652、0.780,0.9843、0.501和0.9853、0.496,预测值与其对应的化学检测值之间通过配对T检验,显著性Sig.值、T值和平均相对误差(%)分别为0.271、1.107、17.48%,0.973、0.034、13.13%和0.722、0.357、13.12%,3种方法所建立校正模型的预测值与检测值之间均无显著性差异,模型预测精度(RSD)分别为10.34%、6.98%和4.76%。基于逐步优化光谱信息法建立的GA+PLS校正模型的预测精度优于FS+PLS和VS+PLS模型,该方法对于提高复杂化学体系模型的精度有参考意义。      

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。     

光谱预处理结合模拟退火算法的小麦粉面筋含量检测

为得到可靠的小麦粉中面筋含量定量分析模型,基于光谱预处理及模拟退火算法（simulated annealing algorithm,SAA）对近红外光谱（near infrared spectroscopy,NIR）进行优化处理。偏最小二乘（partial least squares,PLS）回归用于建立预测模型,以决定系数R2、校正均方根误差（root mean square error of calibration,RMSEC）、预测均方根误差（root mean square error of prediction,RMSEP）为指标,对比在不同光谱预处理条件下建立的回归模型与光谱预处理结合模拟退火算法优化处理条件下的回归模型。结果表明光谱预处理结合SAA-PLS模型能够有效提高模型的稳定性和预测能力,将R2从0.763?7提高到0.949?1、RMSEC从1.371?2降低到0.589?8、RMSEP从1.450?2降低到0.534?1。结果说明,光谱预处理结合模拟退火算法对光谱进行优化处理是可行的,模型预测能力和稳定性均优于未处理模型和仅进行光谱预处理的模型。     

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。     

近红外光谱法结合化学计量学测定油茶籽油中脂肪酸组成

选择97个标称纯油茶籽油样品经过皂化、甲酯化后,先经气相色谱分析得到脂肪酸组成相对含量,然后利用透反射模式采集所有样品的近红外光谱,采用偏最小二乘法(partial least squares analysis,PLS)建立油茶籽油的饱和脂肪酸(C16:0+C18:0)、油酸(C18:1)和亚油酸(C18:2)相对含量的校正模型,并将模型用于预测,并对光谱预处理方法进行优化。结果表明:C16:0+C18:0、C18:1和C18:2的交叉验证均方根误差(root mean square error in cross-vali-dation of prediction,REMSECV)分别为0.143、0.448、0.392,预测均方根误差值(root-mean-square error value,RMSEP)分别为0.180、0.598和0.269,上述3种成分预测集相关系数(Rp2)依次分别为0.996、0.999和0.999。近红外光谱法可作为一种快速、无损和准确的方法用于测定油茶籽油的脂肪酸组成,从而鉴别纯油茶籽油的真伪。     

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。     

基于可见-近红外光谱法无损检测赣南脐橙中总酸含量

目的 基于可见-近红外光谱法建立一种无损测定赣南脐橙总酸含量的技术。方法 利用设计的可见-近红外光谱检测系统检测168个赣南脐橙总酸含量。以给定赣南脐橙的126个样品作为校正集, 42个未知样品作为预测集。本研究以去除首尾处噪声后的400~880 nm范围的光谱波段, 共481个波长点进行研究分析。结合SG (Savitzky-Golay)平滑法、多元散射校正法、变量标准化法、基线校正法4种预处理方法处理原始光谱数据, 通过PLSR数学模型确定最佳预处理模型; 再利用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)、随机蛙跳算法(random frog, RF)、遗传算法(genetic algorithm, GA)、连续投影算法(successive projections algorithm, SPA)和主成分分析法(principal component analysis, PCA) 5种算法对预处理后的数据提取特征变量, 降低维度, 随后分别建立基于特征变量的总酸偏最小二乘回归(partial least squares regression, PLSR)、主成分回归(principal component regression, PCR)、最小二乘支持向量机(least square support vector machine, LS-SVM)及多元线性回归(multiple linear regression, MLR)预测模型。结果 通过PLSR数学模型确定SG平滑预处理模型效果为最佳, 基于SG+GA+LS-SVM模型对总酸含量预测效果最佳, 预测集均方根误差(root mean square error of prediction, RMSEP)值为0.016, 预测集决定系数(prediction set coefficient of determination, )值为0.9834, 相对分析误差(residual predictive deviation, RPD)值为7.76。结论 基于可见-近红外光谱法实现赣南脐橙中总酸含量的无损检测是可行的, 结合SG+GA+LS-SVM预测模型可以实现赣南脐橙总酸含量的定量检测, 可用于评价赣南脐橙总酸含量。     

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 根据光谱-理化值共生距离分类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。采用卷积(Savitzy-Golay,S-G)平滑+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BP神经网络算法对模型进行优化。结果 BP神经网络算法建立的模型校正集决定系数为0.9032,校正集均方根误差(root means quare error of calibration,RMSEC)为0.1264,预测集决定系数为0.8569,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0625。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...     

同步荧光光谱法测定橙汁中原果汁的含量

利用同步荧光光谱法对橙汁中原果汁含量进行定量分析。对样本的同步荧光光谱数据进行预处理然后选择不同的光谱波段结合偏最小二乘(partial least squares,PLS)法建立原果汁含量预测模型,并对预测集样本进行预测来验证模型的准确性以及此法的可行性。结果显示:平滑处理结合一阶导数处理后的光谱数据更加适用于模型建立;使用全波段光谱建立的模型性能优于区间波段所建立模型。最终得到的最优模型对预测集进行预测时所得预测均方根误差(Root mean square error of prediction,RMSEP)为0.035832,决定系数(coefficient of determination,R2)为0.972570。由此可以说明同步荧光光谱法结合PLS可实现原果汁含量的定量分析。     

在线近红外光谱在保健酒酒精度检测上的应用

采用短波近红外光谱仪器在线检测保健酒调配液生产线上产品的酒精度。通过使用一阶倒数(First derivative,FD)和平滑处理(Norris derivative filter,ND),对近红外图谱进行预处理,使用偏最小二乘法(Partial least square,PLS)建立了酒精度检测近红外模型。模型的校正集均方根误差(Root mean square error of calibration,RMSEC)为0.737,交互验证相关系数为0.9189;预测集均方根误差(Root mean square error of prediction,RMSEP)为0.788,交互验证相关系数为0.9425。实验数据显示,近红外计算酒精度数值与标准法测量数值相对偏差主要集中在±2%之间,该方法可以满足生产过程中在线检测酒精度的要求。     

白檀果实含油率及其油脂脂肪酸含量测定的近红外光谱模型构建

为快速、无损检测白檀果实的含油率及其油脂各脂肪酸含量,采用DA 7200型近红外分析仪采集115份白檀果实的光谱数据。采用标准正态变量转换法(SNV)、乘积分散校正法(MSC)、卷积平滑法(SG)、一阶导数(FDE)、二阶导数(SDE)以及多种方式相结合对原始光谱进行预处理,对比不同预处理方法的效果,选择最佳预处理方法,在此基础上,结合偏最小二乘法(PLS)和主成分回归分析(PCR)建立含油率及各脂肪酸含量的预测模型,比较不同模型的交互验证决定系数(RCV)和交互验证标准偏差(RMSECV),确定最佳模型,同时结合化学法的测定结果进行模型外部验证。结果表明：白檀果实含油率、棕榈酸含量、油酸含量的最佳建模方法为PLS与SG+FDE预处理,硬脂酸含量为PLS与SNV+SDE预处理,亚油酸含量为PLS与MSC+SDE预处理,亚麻酸含量为PLS与FDE预处理;模型校验结果表明,近红外光谱法可以用于白檀果实含油率和各脂肪酸含量的测定,其含油率和亚麻酸、亚油酸、硬脂酸、棕榈酸、油酸含量的定标外部验证系数分别为0.960 2、0.727 8、0.909 1、0.709 8、0.903 7和0.912...     

莲子含水率近红外光谱检测模型构建

含水率是衡量莲子品质的关键指标之一。为实现莲子烘干过程中其含水率的快速无损检测,利用便携式近红外光谱仪采集武夷山和广昌两个莲子品种在4个不同干燥时间的光谱数据,结合偏最小二乘（partial least square,PLS）法建立莲子含水率检测模型。结果表明,两个品种莲子数据混合后,基于原始光谱建立的PLS模型预测决定系数 RP2为 0.928 3,预测均方根误差（root mean square error of prediction,RMSEP）为 0.112 5,剩余预测偏差（residual predictive deviation,RPD）为 3.734 3。进一步比较卷积平滑（savitzky golay,SG）、标准正态变量变换（standard normal variate transformation,SNV）、多元散射校正（multiplicative scatter correction,MSC）和归一化4种不同光谱数据处理方法对PLS模型预测性能的影响。MSC预处理后的光谱建立PLS模型预测性能最好,RP2为0.945 3,RMSEP为0.108 3,RPD为4.275 0。研究表明,利用便携式近红外光谱仪采集莲子光谱反射率结合化学计量学方法可实现莲子含水率的快速无损检测。     

基于可见-近红外光谱的生鲜紫薯食味品质快速无损检测

目的建立可见-近红外光谱法快速无损检测生鲜紫薯的熟化黏度和甜度,并对其食味品质进行评价。方法以生鲜紫薯为研究对象,用竞争性自适应加权算法(competitive adaptibe reweighted sampling,CARS)筛选出生鲜紫薯预处理后的光谱数据的特征波长,再用偏最小二乘法(partial least square,regression,PLS)建立了生鲜紫薯熟化峰值扭矩和可溶性糖含量的定量预测模型。另外,选取12个生鲜紫薯根据划分分值区间法对紫薯食味品质进行评价。结果生鲜紫薯峰值扭矩模型预测集的相关系数r为0.9195,均方根误差(root mean square error of prediction,RMSEP)为0.0526 Nm;可溶性糖含量模型的预测集的相关系数r为0.9515,RMSEP为0.3100 mg/g。结论基于可见-近红外光谱技术可以对生鲜紫薯食味品质进行初步快速无损评价,为鲜食性紫薯品质评价提供理论参考。     

高光谱成像及近红外技术在鸡肉品质无损检测中的应用

高光谱成像与近红外光谱(near infrared spectroscopy,NIR)技术是现代食品检测领域的重要手段,本研究对2种技术在鸡肉品质无损检测中的预测精度进行研究。选用62份新鲜程度不同的鸡胸肉,提取其高光谱感兴趣区域(region of interest,ROI)的光谱曲线,并测定样品的挥发性盐基氮(total volatile base nitrogen,TVB-N)含量和菌落总数(total viable count,TVC),利用OPUS 6.0光谱处理软件搜寻最佳的光谱预处理和波段组合,分别建立2个指标的偏最小二乘法(partial least square,PLS)定量分析模型。NIR样本选用30份新鲜程度不同的鸡胸肉,测定其TVB-N含量和TVC,建立PLS的交叉验证模型。结果表明:利用高光谱的ROI平均光谱建立的TVB-N含量与TVC模型的相关系数(R~2)分别为0.965和0.919,均方根误差(root mean square error of cross validation,RMSECV)分别为0.121和0.215;利用NIR建立的TVB-N含量与TVC预测模型的R2分别为0.801和0.780,RMSECV分别为0.232和0.312。由此可见,基于高光谱的ROI区域光谱建立的预测模型在鸡肉品质无损检测中具有比NIR更高的预测精度。     

近红外光谱技术快速检测甜叶菊中绿原酸含量

为实现甜叶菊中绿原酸含量的快速检测，该研究利用近红外光谱技术结合偏最小二乘法对甜叶菊绿原酸含量的光谱数据进行了近红外模型分析。结果表明，采用多元散射校正(multiplicative scatter correction, MSC)+Savitzky-Golay卷积平滑预处理算法和无信息变量消除法(uniformative variable elimination, UVE)特征波长选择算法，绿原酸含量近红外模型的性能最好。该模型的交互验证相关系数(correlation coefficient in cross validation,R_CV)和交互验证残差均方根(root mean square error of cross validation, RMSECV)分别为0.945 3和0.263 1;验证集相关系数(correlation coefficient in validation,R_P)和验证集残差均方根(root mean square error of prediction, RMSEP)分别为0.952 1和0.247 2。...     

基于近红外光谱技术的白酒原酒中关键成分的定量分析

采用间隔偏最小二乘法(interval partial least squares,i PLS)、组合间隔偏最小二乘法(synergy interval partial least squares,Si PLS)、遗传偏最小二乘法(genetic algorithms partial least squares,GA-PLS)、竞争性自适应重加权法(competitive adaptive reweighted sampling,CARS)优选波长,并结合偏最小二乘法(partial least squares,PLS)建立白酒原酒中乙酸乙酯和乳酸乙酯定量分析模型。结果表明,上述4种方法都对模型有一定的优化效果,其中遗传算法结合组合间隔偏最小二乘算法(genetic algorithms-synergy interval partial least squares,GA-SiPLS)优选波长的优化效果最为明显,乙酸乙酯和乳酸乙酯的决定系数(R~2)分别达到了0. 989 7和0. 991 0,预测均方根误差(root mean square error of prediction,RMSEP)分别为0. 085 4、0. 143 4,相对分析误差(relation percent deviation,RPD)分别为8. 5和8. 6,提高了模型的稳定性和精准性。说明近红外光谱分析技术对于白酒原酒中乙酸乙酯和乳酸乙酯含量的检测具有科学的指导意义。     

罗汉果籽吸附氟离子效果的不同预测模型研究

目的 建立不同罗汉果籽吸附氟离子预测模型。方法 以吸附量为评价指标,筛选影响吸附效果的因素。在单因素的基础上,通过响应面法(response surface methodology, RSM)优化吸附温度、接触时间、吸附剂投加量、氟离子初始质量浓度和溶液pH。以吸附温度、接触时间、吸附剂投加量、氟离子初始质量浓度和溶液pH作为输入参数构建基于反向传播人工神经网络(back propagation artificial neural network, BP-ANN)的吸附量预测模型。根据模型在预测集上的表现确定具体的输入参数,将优化隐含层神经元数的BP-ANN与其他学习模型[遗传算法(genetic algorithm, GA)]优化的模型对比。结果 通过两种模型的决定系数(coefficient of determination, R²)、平均绝对误差(mean absolute error, MAE)、均方误差(mean square error, MSE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean ab...     

基于PLS和PCR的葡萄酒酒精度近红外光谱研究

运用近红外光谱技术,结合偏最小二乘法(PLS)和主成分回归法(PCR)构建了葡萄酒酒精度的近红外定量模型。分别选用平滑处理+求导和SNV进行预处理,并且对预处理后的图谱进行建模分析。采用PLS构建的模型结果,R2为0.9657,RMSEC为0.0862,RMSEP为0.0892,采用PCR构建的模型结果,R2为0.9594,RMSEC为0.0935,RMSEP为0.0999,分别用PLS和PCR构建的模型进行预测实验,其RMSEP分别为0.9757、0.9037,表明两种算法对葡萄酒酒精度的预测结果较理想,但PLS模型的相对误差整体上较小。结果表明,采用PLS算法建立的模型预测效果良好,具有较高的可靠性和精密性,能满足葡萄酒生产中对酒精度的快速检测需求。