近红外光谱结合偏最小二乘法用于纯茶油中掺杂菜籽油和大豆油的定量分析

采用偏最小二乘法（PLS）建立了油茶籽油中掺杂菜籽油和大豆油的近红外光谱定量检测模型。配制不同比例（0～100%）的油茶籽油和菜籽油、油茶籽油和大豆油混合样品共256个,采集样品在10000～4000cm-1范围内的近红外透反射光谱,模型采用交互验证和外部检验来考察所建立模型的可靠性,不需进行任何光谱预处理,所建立的PLS模型相关系数为0.9997,训练集的交叉验证均方根误差（RMSECV）为0.504,预测集的预测均方根误差（RMSEP）为0.66。应用建立的模型对未知样品进行预测,并对预测值和真实值进行比较,在掺杂油含量为2.5%～100%之间范围内准确可靠,研究结果表明,采用近红外光谱技术可以实现纯茶油中菜籽油和大豆油掺杂量检测。      

近红外光谱结合偏最小二乘法快速测定糖果中水分含量

采用近红外光谱(NIR)结合偏最小二乘法(PLS)建立了一种糖果中水分含量快速准确的测定方法。在12500~3600 cm^-1光谱范围内采集116批糖果的近红外漫反射光谱,并用减压干燥失重法测定其水分含量。通过比较不同参数对建模的影响,发现用多元散射校正法进行预处理,在11682.2~9826.1、8939.0~6267.9、5378.8~4487.8 cm^-1光谱范围内,主成分数为15时,应用PLS方法建立的糖果水分的定量分析模型效果最佳。所建立模型的相关系数为0.9716,校正均方根误差和验证均方根误差分别为0.97%和1.03%。该方法结果准确可靠、操作简便,可用于糖果中水分含量的快速检测。     

长波二阶导数近红外光谱-偏最小二乘法测定白酒中乙醇含量

根据近红外光谱的振动吸收强度与有机分子官能团含量的线性关系,用偏最小二乘法对白酒的近红外光谱和其中的乙醇浓度建立相关模型。为了优化模型,我们对白酒的近红外光谱进行一阶导数处理,选择最佳的波长范围和最适的因子数。然后用所建的模型对预测集和白酒样品进行预测,所得结果令人满意。有望成为白酒快捷而准确的检测方法。     

利用近红外光谱和偏最小二乘回归法预测脂肪酸组成

采集了30种植物油样品在10000~55 00 cm-1范围内的近红外透射光谱,将所有样品作为校正集,随机抽取10种样品作为预测集,以气相色谱方法测得植物油中主要成分油酸、亚油酸、棕榈酸、硬脂酸的含量为参考值,应用偏最小二乘回归法建立了基于近红外光谱的测定植物油主要成分含量的校正模型。四种成分校正模型的交叉验证误差均方根为0.281 1%~1.496 4%,预测误差均方根为1.080 8%~18.063 0%,校正集的预测值与实测值的相关系数均大于0.99,预测集中除了棕榈酸的预测值与实测值的相关系数为0.817 9,其余均大于0.9。     

短波近红外光谱-偏最小二乘法测定白酒中乙醇含量

应用近红外光谱技术结合偏最小二乘法（NIRS-PLS）建立白酒中乙醇含量定量分析数学模型。所建校正模型相关系数（Corr.Coeff.）达到0.99986,校正集均方根误差（RMSEC）为0.00225,预测均方根误差（RMSEP）为0.00137,模型通过交互验证检验,得出PLS因子数为4时预测残差平方和（PRESS）和交互验证均方根误差（RMSECV）最小。用所建模型测定样品与气相色谱分析结果相对误差不大于0.81%。实验结果表明该方法准确性、稳定性好、精密度高。      

近红外光谱结合偏最小二乘法快速检测米糠油过氧化值和酸价

研究旨在建立近红外光谱法快速测定米糠油中过氧化值和酸价的方法。以化学滴定法测定米糠油中过氧化值和酸价为参比方法,采用近红外分析技术结合偏最小二乘法,建立了米糠油中过氧化值和酸价的近红外定量分析模型。过氧化值和酸价定量分析模型的决定系数分别为99.11%和99.72%,预测标准差分别为0.436 7%和0.044 78%,交叉验证标准差分别为0.452 2%和0.046 69%。利用78个验证集样品对定标模型进行外部独立验证,过氧化值及酸价的绝对误差分别在–0.78%～0.82%和–0.142%～0.139%之间,相对误差分别在–13.21%～14.44%和–14.85%～12.46%之间。表明所建立的定量分析模型及方法可对米糠油中过氧化值和酸价进行简便、快速测定。     

移动窗口偏最小二乘法优选猪油丙二醛近红外光谱波段

移动窗口偏最小二乘法(moving window PLS,MWPLS)是1种波长区间优选方法,主要用于选择与待测组分相关的高信息量的光谱区间。将该方法应用于猪油中丙二醛(malondialdehyde,MDA)含量的近红外定量分析模型的构建中,优选波长区间。通过改变MWPLS的窗口宽度,原始光谱以及经S-G卷积求导(一阶和二阶)预处理的近红外光谱,优选出多个与猪油中丙二醛含量相关的区域。评价及验证结果显示,原始光谱不经校正处理,移动窗口宽度为160个波长点时,优选到的光谱区域(7 305.4 cm-1~6 078.8 cm-1)所构建的定量分析模型最佳,其主因子数(Rank)、决定系数(R2)、交互验证的校正标准偏差(RMSECV)、预测标准偏差[RMSEP(mg/100g)]、Bias和交互检验相对标准偏差(RPD)分别为5,0.9944,0.0596%,0.0545,-0.0181和14.4。这说明用MWPLS可以筛选猪油中丙二醛的近红外光谱信息区间,提高定量分析模型的预测能力,并降低数据的处理量(数据点由1 154个减少为162个)。     

局部偏最小二乘法结合可见-近红外光谱预测猪肉挥发性盐基氮

以两个批次的猪肉为实验样品,开展局部偏最小二乘法结合双波段可见-近红外光谱预测挥发性盐基氮的研究,以改善模型预测不同批次样品时效果不佳的问题。提出基于距离、信息测度和投影的相似性度量方法,通过对欧式距离和光谱信息散度-光谱角（spectral information divergence-spectral angle,SID-SAM）进行加权求和,构建评价不同样品相似性的相似度函数,定义相似度因子（SM）,通过最小化代价函数确定建立局部模型的邻域窗口。以第1批样品为建模基础集,通过对欧式距离和SID-SAM的权重及SM进行参数寻优,针对第2批次中每个样品建立局部偏最小二乘模型。结果显示,与利用第1批样品建立的模型直接预测第2批样品的结果相比,预测效果有明显提高,相关系数R从0.845 6上升至0.948 1,预测误差从4.581 0 mg/100 g下降至2.650 8 mg/100 g。这表明利用提出的相似度函数和相似度因子,可根据待测样品的光谱特征,实时动态选择相似的局部空间,建立的局部偏最小二乘模型能有效提高对外部验证样品的预测能力。     

长波近红外光谱-偏最小二乘法快速分析白酒中乙醇含量

研究近红外光谱结合偏最小二乘法(NIRS-PLS)快速测定白酒中的乙醇含量的可行性,应用NIRS-PLS所建的模型相关系数达到0.99991,校正均方根误差(RMSEC)为0.00181,通过交互验证得出交互验证均方根误差(RMSECV)为0.00296,预测参差平方和(PRESS)为0.00016.用模型对预测集和白酒样品进行预测,预测均方根误差(RMSEP)为0.00258,结果表明NIRS-PLS可用于白酒生产中的在线质量监控和白酒市场的快速质量检测.     

近红外光谱技术鉴别核桃油中掺入菜籽油、大豆油及玉米油的研究

采用近红外光谱技术与偏最小二乘法(PLS)相结合的方式对核桃油中菜籽油、大豆油的现象进行定量分析。结果显示,当核桃油中菜籽油时,采用最小-最大归一化进行光谱预处理,菜籽油定量模型校正相关系数RC及校正标准误差RMSEC和交叉验证模型的相关系数RCV和交叉均方根RMSECV分别为99.97%,0.532%和99.96%,0.562%;当核桃油中大豆油时,采用一阶导数+矢量归一化进行光谱预处理,大豆油定量模型RC及RMSEC和RCV及RMSECV分别为99.99%,0.336%和99.99%,0.352%;当核桃油中2种油(菜籽油和大豆油)时,采用二阶导数进行光谱预处理,菜籽油定量模型的RC及RMSEC和RCV和RMSECV为99.99%,0.220%和99.98%,0.313%,大豆油定量模型的RC及RMSEC和RCV和RMSECV为99.99%,0.210%和99.97%,0.386%;当核桃油中菜籽油、大豆油和玉米油时,分别以菜籽油、大豆油和玉米油为研究对象,同时分别用一阶导数+多元散射校正、二阶导数、一阶导数方法进行光谱预处理,可以得到菜籽油定量模型的RC及RMSEC和RCV和RMSECV为99.93%,0.347%和99.90%,0.401%,大豆油定量模型的RC及RMSEC和RCV和RMSECV为99.87%,0.524%和99.80%,0.615%,玉米油定量模型的RC及RMSEC和RCV和RMSECV为99.94%,0.371%和99.89%,0.451%。经过重复性试验和外部试验验证可知,近红外光谱分析技术可以快速准确地检测核桃油中掺入1种油、2种油和3种油的含量。     

基于近红外光谱技术的茶籽油掺伪定性鉴别和定量分析

茶籽油是我国特有的高级食用油。近年来茶籽油掺伪现象层出不穷，本研究利用傅里叶近红外(FT-NIR)光谱与化学计量学相结合，获得一种快速对不同掺假类型（低芥酸菜籽油、大豆油、二元混合油）和不同掺假度（0%-100%）的茶籽油进行定性和定量检测的方法。基于近红外差异光谱进行判别分析（discriminant analysis，DA），DA成功识别了不同掺假度的二元与三元混合茶籽油。通过对手动与自动筛选的不同波段结合不同预处理方法建立偏最小二乘法（Partial least squares，PLS）定量分析模型，最佳模型对掺假水平具有良好的预测性能，决定系数(R2)均大于0.91。校正均方根误差(RMSEC)和预测均方根误差(RMSEP)均接近于0。通过交叉验证，最佳模型的交叉验证相关系数均大于0.98，交叉验证均方根误差均小于0.05，表明筛选的最佳模型均具有良好的稳定性。通过外部验证，最佳模型对不同掺假类型的中、高掺假度（≥10%）的样品识别率高达100%。研究表明，利用近红外光谱技术结合化学计量学能够实现茶籽油掺假的快速、无损鉴定。     

山茶油多元掺假近红外模型的建立与研究

目的建立基于近红外光谱结合偏最小二乘法的山茶油、花生油和玉米油多元掺假模型。方法通过对比不同建模光谱波段、预处理方法对模型进行优化研究,确定最优的山茶油、花生油和玉米油多元掺假模型。结果所建模型性能指数均大于0.99,校正集和预测集的均方差在0.6以内。经未知掺假样品的外部验证,预测值与实测值之间有较好的相关性,二元掺假模型预测值的相对误差在1%以内,三元掺假在6%以内,验证结果良好。结论近红外光谱结合偏最小二乘法的检测技术快速、有效、环保,可用于定量检测山茶油的掺假。     

近红外光谱法检测奶粉掺假

目的建立近红外光谱法结合Adulterant Screen算法快速鉴别奶粉中大豆蛋白和尿素掺假的方法。方法采用近红外光谱仪获得奶粉未知样的光谱曲线,再用Adulterant Screen算法以及全数据库奶粉分类模型和既定类型的掺假物模型对曲线主要成分和掺假成分进行分析。结果该方法对一定浓度大豆蛋白和尿素掺假奶粉样可以实现掺假鉴别,大豆蛋白和尿素掺假奶粉样的掺假判别限分别为0.3 g/100g和0.2 g/100g,掺假物正确识别限分别为0.5 g/100g和0.8 g/100g。结论利用近红外光谱法结合Adulterant Screen算法可以快速鉴别奶粉中大豆蛋白和尿素的掺假。     

茶油品质鉴别的透射和透反射模式分析比较

采用近红外光谱透射模式与透反射模式结合化学计量学方法对茶油进行品质鉴别。对收集的139个样品,分别用透射和透反射模式扫描,采用全光谱10 000～4 000cm-1波段,对光谱不做任何预处理,采用判别分析(discriminant a-nalysis,DA)建立油茶籽油(包括原茶油)和其它油的分类模型,真假茶油分类模型及原茶油和精炼茶油分类模型。透反射和透射模式都能够得到满意的结果,两种光谱采集方法的分类准确率均达到92%以上,透反射采集模式要优于透射采集模式。结果表明,近红外光谱可作为一种简单、快速、无损、可靠的方法用于鉴别茶油品质。     

基于近红外光谱技术的赣南茶油掺假快速鉴别北大核心CSCD

为了探索基于近红外光谱技术快速无损鉴别掺假油茶籽油的可行性,以赣南茶油为研究对象,通过掺入不同植物油如玉米油、花生油、菜籽油、葵花籽油和大豆油等制备掺假油茶籽油,应用近红外光谱技术采集其光谱特征信息,对比不同预处理方法和主成分数,并结合线性和非线性建模方法建立油茶籽油掺假鉴别模型,以识别准确率(纯油茶籽油样品和掺假油茶籽油样品被正确判别的比例)、灵敏度(纯油茶籽油样品被正确判别为纯油茶籽油的比例)、特异性(掺假油茶籽油样品被正确判别为掺假油茶籽油的比例)作为模型的评价指标,优选出最佳模型。结果表明:二阶微分联合线性判别分析(SD-LDA)模型为最优线性模型,标准正态变量变换联合人工神经网络(SNV-ANN)模型为最优非线性模型,两个模型的识别准确率、灵敏度、特异性分别为97.58%、100%、97.33%和98.99%、100%、98.88%。SNV-ANN模型鉴别效果优于SD-LDA模型,说明非线性模型更适于油茶籽油掺假判别,该模型能更准确地鉴别油茶籽油是否掺假。     

基于近红外光谱技术与BP-ANN算法的豆粕品质快速检测

应用近红外漫反射光谱技术结合误差反向传递人工神经网络(BP-ANN)算法,建立豆粕品质(包括水分、粗蛋白、残油)的定量分析模型。将豆粕漫反射吸收光谱数据进行SNV、DT、SG求导、SG平滑和均值中心化处理,然后采用偏最小二乘方法(PLS)降维获取主成分,并优化选择合适的隐含层节点数、隐含层和输出层转化函数,建立校正模型,并用验证样品对校正模型进行验证。结果显示,BP-ANN法建立的水分、粗蛋白和残油的预测相关系数(R)分别为0.981、0.988、0.982,预测标准偏差(SEP)分别为0.120、0.216、0.036,均优于PLS建模方法结果,且满足传统分析方法的重复性要求,表明BP-ANN方法可用于生产过程豆粕品质的快速监控。     

应用近红外光谱分析判别芝麻油掺伪的研究

研究了应用近红外光谱分析技术快速、准确判别芝麻油有无掺伪的方法。主要利用近红外光谱和主成分分析结合BP人工神经网络法进行了纯芝麻油、纯大豆油、掺有大豆油的掺伪芝麻油的判别研究。试验结果表明,利用BP人工神经网络法将83个校正集样品的10个主成分数据作为BP网络输入变量,建立的三层BP人工神经网络判别模型对26个测试集样品的判别率为96.15%,表明近红外光谱分析方法对纯芝麻油、纯大豆油、掺伪芝麻油具有很好的判别分类作用,该方法能有效判别芝麻油有无掺伪大豆油。     

近红外技术对不同动物来源肉掺假的检测

采用近红外光谱结合主成分分析法(PCA)、判别分析法,分别建立了牛肉和羊肉中掺杂其它动物肉的定性鉴别模型,根据鉴别准确率评价模型的预测性能。采用近红外光谱结合PCA、偏最小二乘法(PLS),建立了掺假物的定量检测模型,根据模型对预测集样品的预测均方差(RMSEP)以及预测值与实测值间的相关系数(r)验证模型的预测能力。结果,牛肉掺猪肉模型对训练集和预测集的鉴别准确率分别为97.86%和91.23%,羊肉掺猪肉模型对训练集和预测集的鉴别准确率分别为98.28%和92.98%,羊肉掺鸭肉模型对训练集和预测集的鉴别准确率分别为99.59%和93.97%,羊肉掺假模型对训练集和预测集的鉴别准确率分别为97.57%和90.76%。牛肉掺假定量模型对训练集的交互验证均方差(RMSECV)和预测集的RMSEP分别为3.87%和4.13%,r分别为0.9505和0.9134;羊肉掺假定量模型对训练集的RMSECV和预测集的RMSEP分别为4.48%和4.86%,r分别为0.9306和0.9082。表明近红外技术结合一定的化学计量学方法可实现不同动物来源肉掺假的鉴别,且能够对掺假物进行定量检测。      

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。      

基于红外光谱快速鉴别压榨油茶籽油与浸出油茶籽油的研究

为规范油茶籽油市场、维护消费者权益,建立了快速、准确鉴别压榨油茶籽油和浸出油茶籽油的方法。通过傅里叶变换红外光谱仪对大量压榨油茶籽油和浸出油茶籽油样品进行扫描,提取特征波段数据,运用Savitzky-Golay平滑(SG)、多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导数(FD)和二阶导数(SD)方法进行预处理,然后结合偏最小二乘法(PLS)、支持向量机(SVM)和BP人工神经网络(BPANN)建立鉴别模型。结果表明,偏最小二乘法和BP人工神经网络建模时,SG平滑预处理方法最好,得到的SG-PLS和SG-BPANN两模型的验证集相关系数、验证集均方根误差、鉴别准确率分别为0. 767 9和0. 921 2、0. 322 6和0. 205 9、88. 46%和100%;支持向量机建模宜采用SNV预处理,建立的SNV-SVM模型验证集相关系数、验证集均方根误差和鉴别准确率分别为0. 761 4、0. 882 1、88. 46%。因此,红外光谱技术用于鉴别压榨油茶籽油和浸出油茶籽油是可行的。