近红外光谱分析烟叶中的多酚类物质

多酚类物质是烟叶香气产生的重要前体物质。采用近红外光谱结合偏最小二乘算法建立了烟叶中总多酚含量的回归模型。采用建立的模型对检验集进行预测,预测集决定系数R2为0.8671,模型误差SEP为1.4287。结果表明近红外光谱分析技术可以成功应用于烟叶中总多酚含量的检测。此外,为消除烟叶近红外光谱中无效波长变量,采用无消息变量消除算法对所建近红外模型进行优化。结果表明采用该算法后,剩余变量数得到减少,模型维数显著降低,预测性能有所提高。     

近红外光谱在烟草相似性分析中的应用

为研究近红外光谱分析技术在烟草质量相似性评价中的可行性,以云南省曲靖市烟区130个烟叶样品为研究对象,对其近红外光谱进行一阶导数与处理后,通过Matlab分析软件采用主成分分析法对上述烟叶样品进行相似性聚类分析并与烟草常规化学成分系统聚类分析结果进行对比。实验结果表明:近红外光谱分析法可以用于烟草质量相似性分析,且与化学成分分析所得结果基本一致。     

多元散射校正对近红外光谱分析定标模型的影响

采用近红外漫反射光谱分析技术,用傅里叶变换型光谱仪对50个烟叶样品采集吸收光谱,采用常用的多元散射校正(MSC)对光谱预处理,通过主成分分析、相关谱等方法比较分析了预处理对光谱分析的影响,用偏最小二乘(PLS)回归法建立近红外光谱与总糖含量的定标模型,用Leave-One-Out的交叉检验(Cross-Validation)检验定标模型,结果PLS因子数由MSC校正前的5降为校正后的3,RMSECV值仅由0.884 1%降为0.85%。实验证明:对光谱进行MSC预处理能有效减少模型的最佳因子数,简化数学模型,使模型更稳定,更便于传递,但并不能显著减小最优定标模型的预测标准差,即不能显著提高模型的预测能力。     

近红外光谱快速分析法在坤宝丸检测中的应用

目的:采用近红外光谱法对坤宝丸药粉中芍药苷含量进行快速测定。方法:以HPLC分析值作为参照,采用近红外漫反射光谱技术采集坤宝丸药粉的近红外光谱,结合偏最小二乘法建立芍药苷含量的快速测定方法,并对未知样品进行含量预测。结果:建立芍药苷校正模型R,RMSEC(%)、RMSEP(%)分别为0.96,2.708,0.44。对预测集样品预测平均相对偏差为4.2%。结论:该方法简便、快速、无损,可用于坤宝丸的快速定量分析。     

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。     

人工神经网络-近红外光谱法测定桉树中综纤维素的含量

采用近红外光谱技术结合广义回归神经网络(GRNN)建立测定桉树中综纤维素的定量分析模型。以72个桉树样品作为实验材料,对光谱数据进行平滑、求导、压缩以及归一化,用桉树的近红外光谱数据建立广义回归神经网络模型.预测模型的预测均方根误差为0.0198。结果表明,该方法测量比较准确,可以用于桉树中综纤维素含量的预测。     

FT-NIR光谱法测定烟叶中钙、镁元素

采用傅立叶变换近红外光谱仪对220个烟叶样品进行光谱采集,用偏最小二乘法建立钙元素和镁元素的校正模型,并通过剔除异常值优化模型。模型经过优化后的结果:钙元素近红外模型的R2值、SEE值、SEP值和RPD值分别为98.39%、0.11、0.15和5.7,模型因子数为14;镁元素近红外模型的R2值、SEE值、SEP值和RPD值分别为89.39%、0.04、0.06和2.2,模型因子数为14。用F检验和t检验说明近红外模型的预测值和化学值之间没有明显差异。结果表明,近红外光谱法可用于烟叶中的钙、镁元素的同时快速定量测定。     

近红外光谱分析技术在煤品质快速分析中的应用

煤品质快速分析对于企业在煤收购、使用、加工等环节都具有重要的指导意义,本文提出利用近红外光谱分析技术对煤品质进行快速分析的方法;通过实验采集了110份煤粉样品的近红外漫反射谱图,选取了其中80份样品作为建模校正集,另外30份样品作为预测验证集;分别建立挥发分、弹筒热值、高位热值、低位发热量的定标模型,其中交互验证预测相关系数(RCV)均优于0.85;外部验证预测相关系数(RP)均优于0.95。研究结果表明:利用近红外光谱分析技术对煤品质进行快速分析具有可行性。     

基于改进鲁棒多分类SVM的烟叶颜色分级分类方法研究

提出了一种基于改进鲁棒多分类SVM的烟叶颜色等级分类方法,将烟叶图像颜色转为HSV空间。该方法提取烟叶上、中、下三个区域一、二、三阶颜色矩作为分类特征,改进SVM分类器对各色组离群训练样本的约束,减少依赖,提高分类模型对样本分类的精确度。在改善SVM二分类器的基础上采用一对多的多分类策略,实现烟叶颜色6个等级的识别判断。试验结果表明,改进鲁棒性SVM方法下所训练模型对未来烟叶颜色等级的识别率比HL-SVM方法的识别率高6.29%。     

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。     

近红外漫反射光谱法非破坏分析颠茄粉末药品质量

本文应用偏最小二乘法(PLS)同近红外漫反射光谱法结合,对颠茄粉末药品进行无损非破坏定量分析,建立了最佳的数学校正模型。讨论了光谱的预处理方法和主成分数对PLS定量预测能力的影响,并对预测集样品含量进行预测,得到了较为满意的结果。     

短波近红外光谱法非破坏分析双氯酚酸钠粉末药品

本文应用偏最小二乘法（PLS）同近红外漫反射光谱法结合,对双氯酚酸钠粉末药品进行无损非破坏定量分析,建立了最佳的数学校正模型。讨论了光谱的预处理方法和主成分数对PLS定量预测能力的影响,并对预测集样品含量进行预测,得到了较为满意的结果。     

干烟叶的显微近红外图像分析

采集干烟叶的显微近红外图像,并用主成分分析方法和相关光谱成像的方式对其进行图像分解,并且比较2种图像分解方法的特点。结果表明,对干烟叶样品的显微近红外图像采用主成分分析的方法提取其特征向量,并将第二主成分特征向量与淀粉的近红外光谱对比,特征向量与标准物质光谱的相关系数达到0.9779,表明第二主成分的特征向量主要源于淀粉,第二主成分得分值图像主要代表干烟叶中淀粉的分布;干烟叶的淀粉相关光谱成像图和第二主成分得分值图像的分布形状和趋势基本一致。     

基于近红外光谱法快速鉴别转基因油研究

采用近红外光谱法对转基因油/非转基因油的混合溶液进行研究。对采集到的原始光谱分别进行多元散射校正（MSC）、一阶导数（FD）、移动窗口平滑（MWS）、Savitzky-Golay平滑一阶导数（SG1）预处理。研究比较了不同预处理方法对转基因油/非转基因油支持向量机（SVM）建模判别分析的影响,其中MSC预处理后的模型预测效果最好,准确率为91.6%。为了进一步提高模型的精度与稳定性,采用连续投影算法（SPA）对全波长进行特征波长筛选。利用筛选后的15个特征波长输入到SVM中,预测准确率提高到98.3%。实验结果表明,采用近红外光谱法,可以实现对转基因油/非转基因油快速检测,不仅适用于纯转基因油的鉴别,也适用于非转基因油中掺入转基因油的鉴别。     

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。     

电机故障诊断支持向量机

基于数据的机器学习是现代智能技术中的重要方面。统计学习理论(Statistical learnmgtheory SLT)是研究小样本情况下机器学习规律的新理论。支持向量机(Support vector machine SVM)是在这一理论体系基础上发展起来的一种通用学习方法。SLT和SVM正成为继神经网络研究之后新的研究热点。通过对鼠笼式异步电动机转子断条故障进行实验模拟，对实验获取的采样电流信号经FFT分析，构造以低频到高频的频谱特性为分量的学习样本向量，通过支持向量机SVM对故障电流样本的训练，使SVM具有分类功能。最后，采用SVM对电动机各种转子断条故障进行诊断分类，取得较满意的结果，说明支持向量机SVM是进行故障诊断的一种新方法。     

基于DRGAN和支持向量机的合成孔径雷达图像目标识别

为解决SAR图像目标识别中样本缺乏和方位角敏感问题,提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先,采用多尺度分形特征对SAR图像进行增强,经过分割得到目标二值图像,基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码,结合原始图像作为输入,对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计,故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征,利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试,实验结果表明,在带变体的标准操作条件下,能够达到97.97%的分类精度,优于部分基于CNN模型的分类精度,在4种扩展操作条件下的分类精度分别为97.83%,91.77%,97.11%和97.04%,均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下,训练得到的GAN模型作为SAR图像目标旋转估计器,能够使得在不进行复杂样本预处理的前提下,仍然取得较高的SAR图像目标识别精度。