应用近红外漫反射光谱快速测定土壤锌含量

采用近红外漫反射光谱和偏最小二乘法(PLS)建立了土壤锌快速分析的定量模型,并进行了波段优选。首先,基于单波长模型预测效果将全体样品划分为定标集和预测集;然后,采用多元散射校正(MSC)和Savitzky-Golay(SG)平滑方法对光谱进行预处理。选取全谱400~2500nm,400~1100nm,1100~1900nm,1900~2500nm,580~900nm等5个波段,每个波段分别采用原谱、一阶导数谱、二阶导数谱,共建立了15个定标模型。同时调整SG平滑点数和PLS因子数,每个模型分别进行PLS数值实验,按照预测效果进行优选。结果显示,采用1900~2500nm波段一阶导数谱的模型效果最好,预测相关系数(RP)、RMSEP、RRMSEP分别为0.806,31.0mg/kg和19.96%。这些结果表明,1900~2500nm波段可以代替全谱波段得到更好的预测效果,可为设计专用土壤近红外光谱仪提供依据。     

血糖浓度的短波近红外定量分析

采用间隔偏最小二乘法(IPLS)和移动窗口偏最小二乘方法(MWPLS),在640～1 100nm范围内建立血糖短波近红外的优化模型。使用马氏距离对人血清样品中的奇异样品进行筛选,将检测光谱分别等分为2～15份进行IPLS分析,对比建立预测模型。设窗宽为151nm,成分数范围(1～20),全谱进行MWPLS,对预测模型进行优化。结果显示,依据马氏距离采用最小半球体积法能有效筛选所采集光谱中的奇异光谱,IPLS可以有效地找到葡萄糖分子官能团对应的近红外特征谱段,MWPLS能够找到适合建模的精确起止波长点,通过偏最小二乘法建立血糖浓度的预测模型,相关系数R=0.982 2,预测均方差RMSEP=0.163 5 mmol/L,偏差Bias=-0.087 3mmol/L。     

小型近红外玉米蛋白质成分分析 仪器设计的波段选择

采用傅里叶变换近红外漫反射光谱技术和偏最小二乘法(PLS)建立了玉米蛋白质含量的定标模型。按照预测效果优选光谱波段,为设计小型近红外玉米蛋白质成分分析仪器提供依据。采用多元散射校正方法对光谱进行预处理,然后利用Savitzky-Golay平滑法对原谱、一阶导数谱和二阶导数谱进行平滑处理。选取全谱、合频、一倍频、二倍频和蛋白质基团等5个波段,每个波段分别采用原光谱、一阶导数谱、二阶导数谱,共建立15个定标模型。同时调整Savitzky-Golay平滑点数和PLS因子数,通过多次PLS数值实验比较,按照预测效果确定每个模型的最优平滑点数、因子数,再从中选优。结果表明,采用一阶导数谱的一倍频波段(7 000~5 500 cm^－1)的定标效果最好,模型的预测相关系数、预测均方根偏差、相对预测均方根偏差分别为0.945,0.357,3.340%。一倍频波段可以代替全谱波段并得到更好的定标效果。     

近红外光谱法预测烟叶评吸质量

应用Bruker Matrix I近红外光谱仪,扫描了176个烟叶样品,扫描波数4000～9000cm~(-1),分辨率8cm~(-1),扫描次数64,数据经一阶偏导9点平滑处理后,以Unscrambler软件建立近红外光谱对评吸得分的模型,以150个样品为校正集合,26个样品为预测集,偏最小二乘法建立的回归模型相关系数(correlation)0.99372,校正标准差(SEC)0.21135,斜率(slope)0.987603,模型拟合较好。利用建立的模型预测26个样品的评吸收得分,结果表明,最大预测绝对偏差1.86,最小绝对偏差0.01,平均绝对预测偏差1.09分,所建模型有实际意义。     

变量优选在纺织品棉含量近红外分析中的应用

为实现用较少的变量建立适当的模型,以准确预测未知棉涤样品的棉含量,用NIRFlex N-500近红外光谱仪采集297个棉涤样品的光谱,用蒙特卡罗无信息变量消除法(MC-UVE)对变量进行筛选,偏最小二乘法(PLS)建立棉含量的定标模型,根据各个模型所用的样品数、交叉验证均方根误差(RMSECV)、预测集均方根误差(RMSEP)和预测相关系数(r)评价定标模型的精度和稳定性。结果表明:通过上述数据预处理方法进行变量筛选后,用PLS建立的校正模型不仅使数据的运算量大幅度降低,还能很好地预测未知样品的棉含量,使得基于近红外光谱的棉涤样品中棉含量的定量分析方法进一步简化。     

应用近红外光谱技术预测面粉中偶氮甲酰胺含量

偶氮甲酰胺作为增筋剂被广泛使用于面粉中,但一些研究表明该物质有一定的毒性,不适合添加到面粉中。本研究根据面粉中偶氮甲酰胺含量的不同,采用径向基函数(RBF)神经网络结合近红外光谱(NIRS)技术建立不同的定量分析模型。研究通过逐步稀释法制备了101个不同ADC含量的面粉样品,并用近红外光谱仪采集这些样本的光谱,得到范围为850-1050nm的光谱数据。在光谱数据处理的过程中,相关系数法被用来提取特征波段,马氏距离法被用来识别异常光谱。当对所有浓度的偶氮甲酰胺样品建立模型时,模型的预测结果:相关系数(R)、预测均方根误差(RMSEP)和相对分析误差(RPD)分别达到0.97828、18.2887和4.7621,这表明模型在整体上具有很好的拟合度和预测能力,但是通过分析预测结果发现模型对低浓度样本的预测较差。针对此问题,利用低浓度样品进行二次建模,模型对低浓度样本预测结果:R、RMSEP和RPD可达到0.99492、2.0286和9.4631,结果表明模型对低浓度样本的预测精度有了显著的提高。     

宽波段近红外多通道光谱仪器的研制

多通道近红外光谱技术用以对近红外光谱进行快速测试,但探测器的性能限制了测试的光谱范围.本篇论述了采用两波段双光谱仪器技术,即将700～1700nm波段分为700～1100nm与1050～1700nm两个波段的方法,实现宽波段的近红外多通道光谱测试的仪器设计.同时也对食醋、酱油、牛奶等进行了吸收光谱测试.     

西洋参原材料近红外光谱精选研究

为确保药物成品质量的稳定均一,作为原材料的西洋参应保证纯正。采用近红外积分球漫反射光谱,首先对西洋参、人参原样光谱运用移动窗口偏最小二乘法(moving window partial least-squares regression,MWPLS)选择特征波段,建立最小二乘支持向量机(least-squares support vector machine,LS-SVM)种类鉴别模型挑选出西洋参样品,判别正确率为100%。然后将样品粉碎,人参以5%、10%、15%、20%掺入西洋参粉末,为增加样品代表性借助线性加和模拟光谱手段于4 000～7 000 cm-1建立主成分判别分析(principal component analysis discriminant analysis,PCA-DA)掺杂判别模型,预测判别正确率由97.2%上升至100%,区分出少量人参掺杂的西洋参样品,最终精选出西洋参原材料纯品。     

近红外高光谱成像技术快速鉴别国产咖啡豆品种

结合近红外高光谱成像技术和不同的判别分析模型对4种国产咖啡豆品种进行了快速无损判别。通过高光谱成像仪提取874~1 734nm波段内的光谱数据,去除首尾噪声波段后,分别基于925~1 680nm波段的全谱波段和通过连续投影算法(SPA)选择的特征波长,建立了偏最小二乘判别分析(PLS-DA)、随机森林(RF)、K最邻近算法(KNN)、支持向量机(SVM)模型和极限学习机(ELM)5种判别分析模型。基于上述判别模型对咖啡豆品种进行鉴别;然后通过准确率、命中率和否定率3个参数对鉴别结果进行了评价。实验显示,基于全谱和特征波段建立的模型均取得了较好的判别效果,其中ELM模型效果均为最优,每个品种建模集和预测集的准确率、命中率和否定率均在93.5%以上。研究结果表明,基于近红外高光谱成像技术结合模型判别分析方法可以实现对国产咖啡豆品种的识别,特征波长的选择减少了变量数,但判别效果与全谱相当。     

近红外光谱法快速检测丹参药材中水分含量

目的:应用近红外光谱技术建立快速测定丹参药材中水分含量的方法。方法:利用烘干法测定样品中水分的含量,运用偏最小二乘法(PLS)建立其含量与NIR光谱之间的多元校正模型,对未知样品进行含量预测。结果 :建立的水分校正模型决定系数(R2)、交互验证均方根偏差(RMSEC)、预测均方根偏差(RMSEP)分别为0.98823、0.0213、0.0287。结论 :此方法具有快速简便、准确无损的特点,可以应用于丹参中水分含量的快速检测。     

基于近红外波长组合快速检测油页岩含油率

为实现油页岩含油率的快速单点测量,研究了基于近红外波长组合的油页岩含油率快速检测方法。以高岭土与机油混合的模拟样品为研究对象,利用便携式近红外光谱分析技术,研究了近红外波长组合选择方法。该方法采用自制的便携式光谱仪获得全光谱反射率数据,结合微分和多元散射校正数据处理及相关系数法进行波长初步筛选,将组合生成算法与留一交互校验多元线性回归(MLR)建模相结合,确定最佳波长组合,并用MLR建模对单点测量获得的最佳波长组合光谱数据进行了实验验证。结果表明:最佳波长组合为1 644,1 720,2 210,2 260nm,30个建模样品的校正集和预测集的决定系数为0.995 4和0.997 7,11个验证样品的验证集的决定系数为0.990 1。该方法为研制基于单点测量的油页岩含油率快速检测光谱仪提供了基础。     

鲜猪肉水分近红外光谱在线检测方法研究

本研究目的在于应用近红外光谱技术对冷鲜猪肉深层水分含量进行在线检测方法研究。根据稳态空间分辨光谱技术设计了具有多个检测器的传感器,以750nm、805nm、850nm和970nm的LED作为光源,检测器距离为30-48mm之间,用于检测肉块样品一定深度和范围内的水分含量,从而为无损、快速地给出鲜猪肉水分含量提供一种可靠方法。实验中针对猪背最长肌进行检测,获得184个样品,其水分含量在71%-78%之间,采用多元校正预测模型计算肉块水分含量。所建模型相关系数（r）为0.783,呈显著相关,建模集标准残差（RMSEP）为0.988,验证集标准残差（RMSEP）为1.037。由此得出结论,在短波近红外范围内,利用稳态空间分辨光谱技术能够对猪肉水分含量进行在线检测。     

基于自适应动态无偏最小二乘支持向量机的刀具磨损预测建模

由于训练样本数量有限,滑动时间窗长度以及监测模型不能自适应调整和更新等因素,传统基于机器学习的刀具磨损预测模型存在精度和效率较低等问题,因此提出了一种基于自适应动态无偏最小二乘支持向量机（ADNLSSVM）的刀具磨损预测模型。采用公开数据库中的铣削加工数据集,通过时频域分析和小波包分解等手段从振动信号中提取特征量,并进一步利用相关性分析从中选择有效特征量作为模型输入。试验结果表明该方法所建模型具有较高的建模效率和预测精度。     

土壤有机质近红外光谱分析的波段优选

利用Savitzky-Golay(SG)卷积平滑方法和标准正态变量变换(SNV)对土壤光谱数据进行处理后,通过对波段的优选建立了主成分回归(PCR)模型。结果表明,预测样本的相关系数可达到0.932 2,预测标准差(RMSEP)为0.041 1%。     

计量线5～140nm波段高次谐波分布及其抑制

为了修正和提高计量线覆盖的5~140nm波段光学元件性能的定标和测量精度,根据国家同步辐射实验室光谱辐射标准和计量光束线的高次谐波分布设计了高次谐波的抑制方案。利用3 500,840l/mm金膜自支撑透射光栅和光电二极管探测器研究了计量线在5~140nm波段高次谐波的分布情况,并据此提出了利用Si、Al、Al/Mg/Al滤片以及LiF窗、MgF_2窗在不同波段对高次谐波进行抑制的方法。实验结果显示:在5~15nm波段,无滤片情况下高次谐波含量极低;在15~40nm波段,通过在相应波段添加适当滤片的方式,经探测器量子效率修正后的高次谐波比例可抑制在1.8%以下;在105~140nm、115~140nm波段,运用LiF窗、MgF_2窗滤波可使高次谐波比例基本为零。由此表明,使用滤波片对全波段抑制谐波的方案是有效的。     

基于气相色谱-质谱联用技术的酱香型白酒感官评价方法初探

以酱香型白酒作为研究对象,利用气相色谱-质谱联用技术定性,以乙酸正丁酯为内标,测定了酱香型白酒中54种风味成分。采用偏最小二乘法对54种风味成分含量与评酒师对样品感官评分的数据进行处理,建立感官评分预测模型。所建的模型决定系数达到0.999、交叉检验均方差为0.00896,预测评分与实际感官评分结果基本一致。采用所建立的评分模型对4个未知样品进行预测感官评分,预测的感官评分与实际感官评分均方差为0.74,表明该评分模型具有较好好的预测准确度。     

贝叶斯证据框架下的LS-SVM多工况数控机床热误差建模

最小二乘支持向量机(LS-SVM)模型是表征数控机床热误差特性的有效工具,但该模型中的参数设置直接影响建模的精度。传统的基于交叉验证法或网格法的参数获取方法存在计算量大、精度低的缺点,且同一组模型常数往往不能准确表征机床多种工况条件下所产生的热误差。为解决这一问题,提出了一种基于贝叶斯证据框架理论的LS-SVM多工况参数优化方法。通过测量不同工况下数控机床温度值与主轴热变形量,采用贝叶斯证据框架的3个推断对LS-SVM模型进行训练并对参数进行辨识和优化,推导出了不同工况所对应的最优模型和参数。热误差建模实验验证了该参数优化方法的有效性,结果显示,经优化的模型具有泛化能力强、预测精度高、计算速度快的特点,能够较准确地描述多种典型工况条件下的实际热误差特性。     

A novel optimal support vector machine ensemble model for NOX emissions prediction of a diesel engine

A novel ensemble method based on principal component analysis (PCA), genetic algorithm (GA) and support vector machine (SVM) implemented in MATLAB® is presented for establishing the NO_X emissions prediction model for a diesel engine for both steady and transient operating states. The different stages of data preprocessing, modeling, optimization and prediction were discussed in detail. Normalization and PCA were used to reduce differences and redundancy of the datasets respectively. Subsequently, the SVM model was trained with 1/3 of the equi-spaced data samples (a simple DoE) selected after preprocessing. A grid search and GA were then applied as the combination strategy with the fitness function being the cross-validated root mean square error (RMSE) for optimizing the model parameters to improve the prediction accuracy. The optimal model was finally tested using the rest 2/3 data samples. Compared with other three methods, the proposed model exhibited superior accuracy both on training and testing datasets.