基于GC-MS结合偏最小二乘判别分析的薰衣草精油指纹图谱研究

建立气相色谱-质谱联用(GC-MS)技术测定薰衣草精油的方法,分析了新疆法国蓝和C-197(2)2个不同品种的21批薰衣草精油样品,并基于该方法建立了薰衣草精油的指纹图谱。以GC-MS结合保留指数对复杂未知物进行定性分析,共确定了26个共有峰。采用偏最小二乘判别分析(PLS-DA)对训练集样本进行模式识别,根据模型的变量权重系数(VIP)筛选出了对品种的分类具有较大贡献的潜在标志物。并通过PLS-DA模型对7个未知样品进行预测,2个品种的薰衣草精油的均方根预测偏差(RMSPE)均为0.1323,模型对验证集中薰衣草样本的判别准确率为100%。结果表明:该方法精密度好,简单快速,为新疆薰衣草精油的品种鉴定与质量评估提供了可靠的依据。     

基于支持向量机的食醋总酸近红外光谱建模

为了得到稳定可靠的食醋总酸光谱模型,以不同产地、不同种类的95个食醋样品为研究对象,应用基于统计学原理的最小二乘支持向量机(LS-SVM)对食醋总酸含量进行光谱分析.对预处理后的光谱进行主成分分析(PCA),以主成分信号作为输入变量建立食醋总酸含量的近红外光谱模型,并与偏最小二乘法(PLS)和向后区间偏最小二乘法(biPLS)模型进行比较.结果表明,LS-SVM模型中的校正集中的相关系数(rc)和交互验证均方根误差(RMSECV)分别达到0.9614和0.2192,预测集相关系数(rp)和预测均方根误差(RMSEP)分别达到和0.919和0.3226,均优于PLS和biPLS模型.研究表明,近红外光谱与食醋总酸含量呈非线性关系,采用LS-SVM建立的模型预测性能更好,精度更高.     

基于近红外漫反射光谱的云芝提取物品级分类研究

为探索快速无损分析云芝提取物品级的方法,采集不同产地云芝提取物的近红外漫反射光谱,通过主成分分析(PCA)对样本原始光谱数据进行降维、压缩,并分别结合偏最小二乘判别法(PLS-DA)和反向传输人工神经网络(BP-ANN)建立识别模型。结果表明:采用主成分分析结合偏最小二乘判别法,建模集和验证集的识别正确率分别为100%和84%;采用主成分分析结合反向传输人工神经网络模型,其建模集和验证集的识别正确率均为100%。由此可见,主成分分析结合反向传输人工神经网络模型可以更好地实现对不同品级的云芝提取物进行分类识别。     

基于异常样品剔除的酒醅近红外定量分析模型的精度提升

目的 利用异常识别算法识别出原数据集中存在的奇异点,以建立预测精度更高的酒醅定量分析模型。方法 采用集群分析思维,利用马氏距离、主成分马氏距离、蒙特卡罗交叉验证法对108个样本进行异常样品识别及剔除,以光谱-理化值共生距离算法进行样品集的划分,划分比例为3:1。结果 酒醅水分近红外定量分析模型经马氏距离处理后预测精度达到最高,预测相关系数上升了0.43%,预测均方根误差下降了6.94%;酒醅酸度近红外定量分析模型经马氏距离处理后预测精度达到最高,预测相关系数上升了0.02%,预测均方根误差下降了0.20%;酒醅还原糖近红外定量分析模型经蒙特卡罗处理后,预测相关系数上升了8.74%,预测均方根误差下降了42.14%;酒醅淀粉近红外定量分析模型经蒙特卡罗处理后预测精度达到最高,预测相关系数上升了2.81%,预测均方根误差下降了57.80%。结论 经过验证,剔除异常样品可建立出预测精度更高的酒醅定量分析模型。     

近红外光谱技术结合神经网络检测苹果咀嚼性

以不同储藏期的135个苹果样品为研究对象,对其近红外光谱数据进行预处理并通过主成分分析法提取光谱特征,采用人工神经网络技术建立苹果咀嚼性的近红外光谱检测模型。结果表明,对苹果光谱咀嚼性的最佳光谱预处理方法是加权多元散射处理(WMSC)的光谱散射处理方法和"2441"的数学处理方法,通过主成分分析法提取3个主成分作为原始信息的特征变量,建立苹果咀嚼性检测的人工网络模型结构为3—16—1,模型对验证集预测的决定系数为0.992 4,均方根误差为0.000 108 2。近红外光谱技术能对苹果咀嚼性进行快速、无损预测。     

基于便携式近红外光谱仪的蓝莓热风干燥过程模型的建立

该文利用便携式近红外光谱技术采集蓝莓干燥过程光谱，以“蓝丰”蓝莓为研究对象，构建蓝莓热风干燥过程含水率快速检测模型。通过主成分分析法对蓝莓干燥阶段进行定性监测，分析比较竞争性自适应重加权采样法(competitive adaptive reweighting sampling, CARS)、移动窗口偏最小二乘法(moving window partial least squares, MWPLS)和蒙特卡洛无信息变量消除法算法对蓝莓红外光谱特征变量的选取影响，通过相关系数(R²)和均方根误差(root mean square error, RMSE)等参数对模型进行评价，得到最优蓝莓含水率近红外预测模型。各特征变量选取算法均能在减少参与建模波长变量基础上，提升模型拟合度及预测能力。其中，CARS-PLS建模方法共选取11个特征变量参与建模，其模型校正相关系数为0.951 0,校正均方根误差为0.042 9,预测相关系数为0.946 5,预测均方根误差为0.047 3。最后建立基于CARS特征变量的蓝莓干燥过程含水率PLS模型，能有效对蓝莓干燥过程含水率进行准确、快...     

应用红外光谱结合化学计量学方法检测阿拉伯胶产地和蛋白质含量（英文）

研究利用傅里叶红外光谱结合化学计量学方法来实现对苏丹阿拉伯胶的产地和蛋白质含量的快速无损检测的可行性。采集自6个不同的产地,每个产地12个,总计72个阿拉伯胶样本,作为研究对象,运用线性判别分析(linear discriminant analysis,LDA)和反向区间偏最小二乘(backward interval partial least squares,Bi-PLS)法分别实现对苏丹阿拉伯胶的产地区分和蛋白质含量检测。结果表明,当主成分数为6时,LDA对样本的训练集(48个样本)和预测集(24个样本)的识别率都为100%。Bi-PLS法回归联合20个光谱子区间中的4个子区间得到最佳的蛋白质预测模型,其预测集相关系数为0.937 3,均方根误差为0.173%。因此,利用傅里叶红外光谱结合化学计量学方法可实现对苏丹阿拉伯胶的产地以及蛋白质的含量的快速无损检测。     

高光谱结合优化算法的多品种高粱混合的淀粉含量检测

高粱作为一种酿酒原料,其不同混合比例配比的高粱的淀粉含量会影响白酒的品质和产量。因此,准确高效地检测混合高粱中的淀粉含量对获得优质高产的白酒具有重要意义。本文基于可见光高光谱成像技术研究了混合高粱中的淀粉含量的快速检测方法。采用不同预处理方法对高粱样本的光谱数据进行预处理,并建立偏最小二乘法回归(PLSR)模型来确定最佳预处理方式。使用主成分分析(PCA)、PLSR算法分别提取高粱样本的光谱特征。基于全波长和光谱特征分别建立了预测高粱淀粉含量的遗传算法-BP神经网络(GA-BPNN)和粒子群算法-支持向量机回归(PSO-SVR)模型。对比模型性能发现,采用PCA方法提取的光谱特征建立的GA-BPNN模型最优,其直链淀粉的预测决定系数、预测均方根误差分别为0.992 2、0.041 6,支链淀粉的预测决定系数、预测均方根误差分别为0.933 6,0.151 9。研究结果表明,可见光高光谱成像技术结合优化算法可以快速预测不同混合比例配比下高粱的淀粉含量,为检测高粱的淀粉含量提供了一种新的方法。     

基于特征融合的猪肉新鲜度高光谱图像检测

利用高光谱反射图像技术研究了猪肉新鲜度的无损检测。采集了180个猪肉样本在400~1 000 nm范围内的高光谱反射图像,提取了高光谱图像的光谱均值和熵两类特征;分别利用连续投影算法、主成分分析,以及连续投影算法结合主成分分析3种特征降维方法,提取了反映肉类新鲜度信息的重要特征变量;并建立了这些特征变量与挥发性盐基氮(TVB-N)的最小二乘支持向量机(LSSVM)预测模型;在此基础上提出了猪肉TVB-N含量的可视化检测方法。研究结果表明:相比于单一特征模型,利用光谱均值和熵融合特征的LSSVM模型可显著提高模型的准确度;连续投影算法结合主成分分析的特征降维方法,可显著降低模型的复杂度,提高模型准确度。利用光谱均值和熵两类特征,通过连续投影算法和主成分分析相结合的特征降维方法所建立的LSSVM预测模型,可取得最佳的预测准确度,其预测集的均方根误差RMSEP为1.96,相关系数(RP)为0.948,剩余预测偏差(RPD)为3.12,可满足实际检测需要。建立在此基础上的可视化方法,可直观显示肉类的腐败区域和程度。     

甘薯水分和还原糖协同向量NIR快速检测方法

利用近红外光谱技术建立新鲜甘薯水分和还原糖含量的预测模型,实现快速检测与分析,为甘薯品质分析和种质资源筛选提供便捷。选用不同品系甘薯样品146份,109份作为校正样品,37份作为验证样品。运用不同光谱预处理方法、协同区间偏最小二乘最优波长选择法以及主成分回归和偏最小二乘法建立甘薯水分和还原糖模型。结果显示,所建甘薯水分(还原糖)最优模型的决定系数、预测均方根误差和标准差比率分别为0.974(0.885),1.154(0.270)和6.334(3.148)。表明2种模型具有较好的检测性能,近红外光谱模型的预测值与其相应的化学值有较好的相关性,适用于大批量甘薯选育时水分和还原糖含量的快速检测。     

近红外光谱结合模式识别技术快速鉴别煎炸油质量

采用近红外透反射光谱结合模式识别技术建立煎炸油质量的快速鉴别方法。采用国标方法测定79个煎炸油样本的酸价与羰基值,通过羰基价确定样本真实属性。利用Kennard-stone算法选取训练集和预测集。探讨样本NIR光谱预处理方法,以平滑、一阶导数和均值中心化处理的全光谱作为数据输入,采用偏最小二乘识别分析(PLS-DA)方法建立煎炸油质量的定性分类模型,并对模型进行验证。模型训练集与预测集的正确识别率分别达94.5%与100%。比较主成分识别分析(PCA-DA)、K最近邻法(KNN)与分类回归树(CART)3种建模方法。结果表明PLS-DA预测能力优于其它方法,NIR光谱结合PLS-DA可作为快速鉴别煎炸油质量的一种新方法。     

基于近红外光谱技术的老陈醋品质分析

为得到稳定、精确的老陈醋品质光谱模型,采用近红外光谱分析技术结合反向传播神经网络(BP-ANN),分别对不同醋龄的两种山西老陈醋中可溶性固形物含量(SSC)及pH值进行定量分析。对经过标准归一化(SNV)与25点平滑相结合处理后的光谱进行主成分分析,根据主成分的累计贡献率选取主成分数作为BP神经网络的输入变量建立模型,并与偏最小二乘法(PLS)模型进行比较。结果表明:BP-ANN建立的老陈醋SSC和pH值定量分析模型最优,其SSC和pH值的模型相关系数(R)分别为0.9999和0.9997,校正集均方根误差(RMSEC)分别为0.0128和0.0045,预测集均方根误差(RMSEP)分别为0.0118和0.0088。采用近红外光谱技术结合反向传播神经网络(BP-ANN)对不同醋龄、不同品牌的老陈醋品质分析建模是可行的。     

显微高光谱技术检测肌细胞中超氧化物歧化酶活力的方法研究

利用可见显微高光谱技术对羊肉肌细胞中的超氧化物歧化酶(Superoxide dismutase,SOD)活力进行检测。通过显微高光谱系统(380~980 nm)采集223个显微图像,根据样本光谱的反射率提取感兴趣区域并结合SOD酶活力建立模型。对原始光谱结合偏最小二乘回归模型,进行样本集划分及多种光谱预处理的模型对比分析,优选出多元散射校正为预处理方法,采用6种方法提取特征波长,并根据特征波长建立偏最小二乘回归、多元线性回归、主成分回归三种模型。结果显示,建立基于竞争性自适应重加权法挑选特征波长的多元线性回归模型最优,预测集的相关系数和均方根误差分别为0.8351和21.3578 U/mg·prot。采用显微高光谱成像技术对肌细胞内超氧化物歧化酶活力的检测是具有可行性的。     

近红外光谱技术检测石榴汁酸度的研究

目的:研究石榴汁酸度的近红外光谱检测技术。方法:实验以不同产地的石榴汁样品为对象,对其近红外光谱数据进行预处理和通过主成分分析法提取光谱特征后,采用遗传算法(GA)对支持向量机(SVM)的三个参数进行优化,建立了石榴汁酸度近红外光谱检测的模型。结果:所建的模型对验证集预测的决定系数为0.9928,均方根误差(RMSE)为0.01359,模型预测性能良好。结论:近红外光谱技术能用于石榴汁酸度的定量检测。     

中红外光谱结合线性判别分析快速鉴别蜂蜜品种

研究以椴树、槐花、葵花、苕子、油菜、枣花6种蜜源蜂蜜样品为研究对象,利用中红外光谱检测器对样品进行光谱扫描,结合线性判别分析方法(Linear discrimination analysis,LDA)建立蜂蜜品种鉴别模型。结果表明,在经过光谱预处理及主成分分析后,用LDA方法建立的蜂蜜品种鉴别模型,对训练集和测试集样品的预测识别准确率分别为97.59%和96.30%。上述参与训练与测试的全部样品作为训练集建立的模型对完全未参与建模的槐花蜜、油菜蜜样品预测其正确判别率分别为80.00%和94.87%。表明该方法在快速、准确鉴别蜂蜜品种具有可行性、实用性。     

基于红外光谱技术的银耳产地识别研究

采用傅里叶红外光谱数据分析技术结合多元统计分析对银耳产地进行识别研究。采集福建古田、四川通江和河南的41个银耳样品的红外光谱信息,分析银耳的红外光谱特征;运用基线校正、多元散射校正(Multiplicative signal correction,MSC)、一阶导数(First derivative,FD)、二阶导数(Second derivative,SD)、Norris平滑(ND)、Savitzky-Golay平滑(SG)等方法对其进行预处理,选择最佳组合方法预处理后的光谱数据,建立最小偏二乘判别(PLS-DA)模型,并进行验证。结果表明,MSC+SD+SG(13,3)组合方法的预处理光谱效果最佳,与原始光谱相比,样品正确识别率提高了17.41%,达到100%。训练集和预测集的相关系数分别为0.9766、0.9559,校正标准差和预测标准差分别为0.1182、0.1740,模型对训练集和预测集样品的识别率均为100%。因此,红外光谱通过PLS-DA分析可以对不同产地的银耳进行快速、有效、准确的识别。     

利用可见/近红外光谱判别干枣品种

目的利用可见/近红外反射光谱技术快速判别干枣的品种。方法使用光谱仪获取山西永和枣、山西板枣和新疆和田枣3种干枣在345~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1~(st)-D)和二阶导数法(2~(st)-D)对反射光谱进行预处理;对预处理光谱进行主成分分析,全交差验证法确定最佳主成分数量,提取主成分,结合马氏距离法和线性判别法建立品种判别模型,建立模型过程中使用全交叉验证法确定最佳主成分数,将模型应用于干枣的品种判别。结果可见/近红外反射光谱经过MSC处理后提取主成分建立品种预测模型对枣的品种判别结果最好,利用前4个主成分结合马氏距离法建立的判别模型和利用前5个主成分结合线性判别法建立判别模型,对于3个品种的枣的校正和验证判别准确率都达到了100%。结论可见/近红外反射光谱技术可以较好地判别干枣品种,本研究可为可见/近红外光谱技术在于枣品种和产地的快速鉴别和溯源中的应用提供一定的技术基础。     

近红外光谱-人工神经网络的模型优化用于银耳产地识别研究

研究通过近红外光谱技术(NIRS)结合人工神经网络技术(ANN)识别银耳的不同产地。实验以四川省与福建省两个产地共120组银耳样品为研究对象,对其进行近红外光谱测定,计算光谱吸收值的平均偏差与一阶导数进而选取有效数据,结合主成分分析方法将原始数据降维并采用反向人工神经网络技术构建近红外分析模型。结果显示,通过对有效数据主成分分析,前3个主成分的累计方差贡献率达到100%,判断准确率为88.3%;进一步采用人工神经网络优化模型,在输出层为2隐藏层为11时,判断准确率达100%;此时校正集与预测集的均方根误差分别为3.05×10~(-2)与2.90×10~(-2),模型具有良好的泛化能力。因此,结合人工神经网络的近红外光谱检测技术,优化检测模型,能够准确、快速地识别银耳产地,为食品原材料的质量控制及地理标志的建立提供科学依据。     

新疆不同品种薰衣草精油特征香气成分及感官属性分析

通过水蒸汽蒸馏法对新疆五种薰衣草花中精油进行提取,采用气相色谱-质谱联用(GC-MS)技术对薰衣草精油中挥发性成分及特征香气成分进行了分析,并对其香气轮廓进行了感官评定。结果显示,五个品种的薰衣草精油(70-1、74262、杂花、法国兰、白花)中,70-1精油含量最高,为6.88%。经鉴定薰衣草精油中挥发性成分主要为萜烯类、酯类、醛类、酮类和醇类,其中白花精油中挥发性化合物种类最多,含量也最高,五种精油中挥发性物质含量差异最大的为萜烯类,分别为17.15%、12.36%、16.33%、16.16%、20.48%;五种精油中特征香气成分如芳樟醇及乙酸芳樟酯等含量具有较大差异。通过感官分析发现74262精油中花香、酯香气最浓郁,五种精油中花香,酯香、凉气、油蜡气和萜气均有较大差异,其原因主要是由于品种以及所含有的挥发性物质存在差异。     

棉涤氨三组分织物近红外光谱快速定量分析

为实现棉涤氨三组分混纺织物纤维成分含量快速定量分析,采集138个样本的近红外光谱信号,使用模型集群分析方法剔除异常样本,筛选出46个关键波长,利用偏最小二乘法建立了棉涤氨三组分混纺织物纤维成分含量定量分析的预测模型。所建立模型的校正系数为0.96,交互验证均方残差为4.50,预测误差均方根为4.59,可满足定量分析的精度要求。