基于MCCV奇异样本筛选和CARS变量选择的蜂蜜pH值和酸度的近红外光谱检测

采用Norris平滑加一阶微分数据预处理,蒙特卡洛交互验证(MCCV)的奇异样本筛选和CARS(competitive adaptive reweighted sampling)变量选择法,用Kennard-Stone(KS)法划分训练集和预测集,偏最小二乘(PLS)回归近红外光谱建模,对蜂蜜pH值和酸度进行定量分析。pH值和酸度校正模型的交互验证决定系数(Rcv2)、交互验证均方差(RMSECV)、预测集决定系数(Rp2)、预测均方差(RMSEP)分别为0.8516和0.8723、0.1214和2.1734、0.8205和0.8250、0.1196和2.4674。结果表明,该方法适于蜂蜜pH值的测定,而不宜用于测定蜂蜜酸度。     

激光近红外结合SVM的花生油掺伪定性定量分析

利用激光近红外技术结合支持向量机(support vectormachines,SVM)对花生油掺伪进行定性和定量分析。使用激光近红外光谱仪采集188个掺入餐饮废弃油、大豆油、玉米油以及菜籽油的花生油样品光谱图。结果表明,建立的SVC分类模型均能实现100%的预测准确率,但经提取波长后的模型的变量变少,由全波段的451个波长数减少为136个。建立的SVR回归模型也能准确预测花生油中掺伪油的含量,其中非全波段模型参与建模变量变少,由451个降低到66个,预测精度也更高,校正集和测试集相关系数分别达到99.88%、99.90%,均方根误差都低于6.99E-4。由此可知,特征波长提取方法不仅可以减少建模变量,提高建模效率,也能够提高模型的预测能力。结果表明,运用激光近红外结合SVM可以实现花生油掺伪油脂的定性和定量分析。     

鸡腿肌冻干粉蛋氨酸近红外光谱定量预测模型的建立与优化

本文从光谱预处理方法、建模特征光谱筛选、异常样本剔除、建模样本选择四个方面建立和优化鸡腿肌冻干粉蛋氨酸近红外定量预测模型,旨在进一步提高模型的预测精度和模型稳健性。以263个鸡腿肌冻干粉NIRS和蛋氨酸含量为研究对象,分别使用7种不同光谱预处理方法、4种特征光谱筛选方法、2种MCCV异常样本剔除方法,SPXY和常规选择2种建模样本选择方法,应用偏最二小乘法(PLS)、内部交互验证和外部验证建立和优化腿肌冻干粉蛋氨酸近红外定量预测模型。结果表明：在本研究中,最优鸡腿肌冻干粉蛋氨酸NIRS定量预测模型为在1000-2502nm谱段,使用原始光谱,在SNV+gapsegment(1#,15,7)光谱的基础上使用MCCV方法删除54个样本后,采用SPXY方法选取156个校正样本,39个外部验证样本所建模型,其为0.93、SE_CV为0.0609、为0.83、RPD_P为2.42。研究表明,模型预测值与化学检测值有很高的相关度,对腿肌冻干粉蛋氨酸NIRS模型预测精度和稳健性影响最大因素是异常样本剔除方法和建模样本选取方法。     

基于多源光谱特征融合技术的花生油掺伪检测

以拉曼、近红外2种光谱特征融合结合化学计量学方法对花生油掺伪进行了定量分析。分别用激光拉曼、激光近红外光谱仪采集134个掺伪油样本的光谱数据,采用SPXY算法对样本集进行划分。拉曼光谱(Ram)和近红外光谱(near infrared spectroscopy,NIR)数据进行预处理后,采用后向间隔偏最小二乘法(BiPLS)和联合间隔偏最小二乘法(synergy interval partial least squares,Si PLS)分别提取2种光谱的特征波长;将提取的特征波长融合,结合支持向量机回归(SVR)建立数学模型,采用网格搜索算法(CV)对SVR模型的参数组合(C,g)值寻优,建立最优参数模型。研究表明:建立的Ram-NIR-SVR模型能够实现花生油中掺杂油脂含量的快速准确预测,预测集和校正集的相关系数R分别达到0.98和0.99,均方根误差(MSE)低于2.38E-3;对比不同特征波长提取方法,并与单光谱分析技术比较,可以看出,数据融合技术能够增强模型预测能力,减小模型参数,有利于模型的实际应用,体现了2种光谱很好的互补性。表明光谱分析结合数据融合技术对食用油真实性综合鉴别具有重要意义。     

基于高光谱成像的滩羊肉菌落总数和挥发性盐基氮的无损检测

以宁夏滩羊肉为研究对象,利用400~1000 nm可见近红外高光谱对冷鲜羊肉的菌落总数和挥发性盐基氮含量进行新鲜度的检测研究。采集冷鲜滩羊肉表面光谱图像,提取感兴趣区域获取原始光谱数据。剔除由蒙特卡洛检测法所检测出的异常样本,采用理化值共生距离法(SPXY)划分样本的校正集和预测集。先对原始光谱预处理并建立偏最小二乘回归(PLSR)模型,优选最佳预处理方法;后采用主成分回归法(PCR)和支持向量机回归法(SVR)建立模型,优选最佳建模方法。结果表明:光谱数据经过正交信号校正(OSC)预处理后,建立的菌落总数和TVB-N含量预测模型效果较好,其RC分别为0.9067和0.9147,Rp分别为0.8743和0.8802,均高于其他光谱预处理模型。通过不同建模方法的比较,建模效果较好的是PLSR方法。研究表明:利用可见近红外高光谱技术可以实现对滩羊肉新鲜度的无损检测。     

基于反射光谱的油茶籽油掺伪量快速测定及特征波长特性研究

为了探索紫外-可见-近红外反射光谱测定油茶籽油掺伪量的方法,按照不同掺伪比例制备了244个油茶籽油掺伪大豆油、菜籽油、花生油、玉米油的样本,以自主搭建的实验平台采集所制备样本在200～1 100 nm范围内的反射光谱。将原始光谱进行Savitzky-Golay(SG)-连续小波变换(CWT)预处理后,利用Kennard-Stone(K-S)算法以2∶1的比例将样本划分成校正集和预测集。采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、自主软收缩算法(BOSS)、迭代变量子集优化算法(IVSO)进行特征波长选择,分别建立基于支持向量机(SVM)、极限学习机(ELM)、随机森林(RF)的油茶籽油掺伪量快速预测模型,同时对特征波长的特性进行了研究。结果表明：原始光谱经过SG-CWT(L5)预处理和BOSS特征波长筛选后,建立的基于SVM的油茶籽油掺伪量快速预测模型能够鉴别掺伪量为1%及以上的油茶籽油,该模型在十折交叉验证和网格搜索法下得到最佳惩罚因子(c)和核函数(γ)分别为5.278 0和0.108 8,其预测决定系数(R_P²)、预...     

基于近红外光谱的大鲵肉粉掺伪鉴别及纯度检测

利用近红外光谱技术进行大鲵肉粉的掺伪鉴别及纯度检测。分别采集大鲵纯肉粉、掺入江团鱼肉粉、草鱼肉粉和土豆淀粉的掺伪大鲵肉粉（各40 个样本,4 类共160 个样本）的近红外光谱图。原始光谱经光谱预处理后,利用偏最小二乘-判别分析（partial least square-discriminant analysis,PLS-DA）法分别建立2分类（纯样和掺伪样）和4分类（纯样、掺江团鱼样、掺草鱼样和掺淀粉样）的定性判别模型,利用偏最小二乘回归（partial least squares regression,PLSR）分析法分别建立3 类掺伪大鲵肉粉的纯度定量校正模型。结果表明,PLS-DA定性模型中,经一阶导数＋多元散射校正光谱预处理后,所建2分类和4分类模型性能均为最佳,校正集和预测集的预测准确率均为100%;PLSR定量模型中,大鲵肉粉掺江团鱼肉粉、大鲵肉粉掺草鱼肉粉和大鲵肉粉掺土豆淀粉模型的校正集相关系数（Rc2）分别为0.990 6、0.986 4和0.993 3,校正集的均方根误差分别为1.14%、1.39%和0.88%;测试集的相关系数（Rp2）分别为0.994 4、0.992 4和0.990 8,测试集的均方根误差分别为0.83%、0.89%和1.22%。运用近红外光谱技术结合化学计量学方法能够对大鲵肉粉进行掺伪鉴别及纯度检测。     

玉露香梨可溶性固形物近红外漫透射光谱在线检测

应用近红外漫透射光谱技术探索玉露香梨可溶性固形物在线无损检测的可行性。358个试验样本被分成建模集和预测集(269∶89),分别用于建立模型和验证模型的预测能力。通过对玉露香梨样品近红外漫透射光谱分析发现,样品光谱在625,725,800nm处存在3个波峰,在673,765,825nm处存在3个波谷。通过对比不同预处理方法,发现漫透射近红外光谱分别经一阶微分、移动窗口平滑和多元散射校正组合预处理后建立的模型效果最好。结合组合预处理方法建立了偏最小二乘和偏最小二乘支持向量机预测模型,经比较,偏最小二乘支持向量机模型预测能力更强,模型预测均方根误差和相关系数分别为0.316%和0.949。对比发现主成分分析和径向基函数有利于提高最小二乘支持向量机模型的预测能力。试验结果表明采用近红外漫透射光谱技术结合最小二乘支持向量机算法,实现了玉露香梨可溶性固形物在线无损检测。     

基于近红外光谱的纯花生油掺伪快速鉴别方法研究

针对目前国内缺乏快速鉴别花生油掺伪鉴别技术的现状,提出基于近红外光谱的纯花生油掺伪快速鉴别方法.实验分别配制了掺入大豆油、菜籽油、棕榈油和调和油的4类掺伪花生油样品共40个,纯花生油样品5个,采集样品近红外全谱,通过支持向量机技术建立纯花生油掺伪鉴别模型.结果表明,选取径向基函数为支持向量机核函数,通过网格搜索和k折校...     

牛乳清粉掺伪羊乳粉的近红外光谱法快速无损检测

为快速无损检测掺伪羊乳粉中牛乳清粉的含量,采用近红外光谱法(NIR)结合ν-支持向量回归(ν-SVR)检测197个掺伪牛乳清粉的羊乳粉,并与偏最小二乘法(PLS)对比,光谱经平滑、标准变量变换及导数预处理。随机选取132个样本作为校正集建立模型,其余65个样本作为测试集,评估模型性能。结果显示:校正集最优模型为标准变量变换、Savitzky-Golay平滑和二阶导预处理ν-SVR模型,其交叉验证误差均方根(RMSECV)为0.586,交叉验证相关系数(RCV)达到0.9947。预测集验证结果ν-SVR法比PLS法更优,ν-SVR模型预测值与真实值R达到0.9958,RMSEP为0.526。试验结果表明NIR结合ν-SVR模型可用于掺伪羊乳粉中牛乳清粉的快速无损检测,而且操作简便,可为实际应用提供参考。     

基于多源信息特征的泰国香米快速鉴别

泰国香米品质优良,具有较高的食味品质和营养价值,深受各国消费者喜爱,然而,市场上时常出现以次充好、掺伪等不良现象。建立泰国香米的快速鉴定方法,对于促进优质大米产业的可持续健康发展具有重要的意义。本研究基于泰国香米的近红外光谱和常规指标融合的多源信息,将155个泰国香米和194个非泰国香米样品一阶导数预处理后的近红外光谱与常规指标特征向量融合构成349行、14列向量矩阵,作为支持向量机分类器的输入向量矩阵,建立多源信息的融合模型,校正集和验证集模型的识别率均是100%,解决了近红外光谱等常用方法鉴别泰国香米时存在的准确率偏低的问题,实现了对泰国香米快速、准确地定性鉴定,在其掺伪识别方面具有重要的应用价值。     

改进的蒙特卡洛方法用于烟丝近红外光谱定量分析中奇异样本的识别

【目的】提高烟草及烟草制品的化学成分近红外光谱定量分析校正模型的准确性。【方法】通过改进蒙特卡洛奇异样本检测方法构建不同的定量模型，获得正常样本和可疑样本的预测误差分布，依据分布间的差异识别正常样本与奇异样本。【结果】改进后的烟丝中化学成分的近红外光谱定量分析模型的相关系数和校正均方根误差得到明显提高和改善；总植物碱、总糖、还原糖、总氮、钾和氯的含量模型的预测均方根误差（RMSEP）分别由0.061%、0.799%、0.926%、0.054%、0.115%、0.076%降低到0.059%、0.786%、0.817%、0.048%、0.107%、0.058%；模型稳健性的评价参数SEP/SEC的值均小于1.2。【结论】该方法剔除奇异样本后所得模型具有较好的稳健性。     

SVM法定性鉴别奶牛饲料中脲醛树脂的可行性研究

收集中国常用的、具有代表性的奶牛精补料44个样品,制备176个脲醛树脂(urea-formaldehyde resins,UF)掺假样品。在全光谱范围内进行近红外透反射光谱扫描,选择不同的归一化方式进行前处理,采用支持向量机(supportvector machine,SVM)方法,筛选最佳的预处理方法来建立定性鉴别模型。当采用归一化方式与主成分分析(principal component analysis,PCA)相结合时,所建立的SVM定性分析模型的预测精确率达到97.701 1%。说明利用近红外透反射光谱建立定性分析模型来检测奶牛饲料中是否掺有UF的研究是可行的。     

基于高光谱技术的红茶茶多酚可视化研究

目的 利用高光谱技术实现对英红九号红茶茶多酚含量的快速无损、可视化检测。方法 采集128个红茶光谱数据并进行光谱预处理后,引入蒙特卡罗-高斯分布方法寻找异常样本。经两次异常样本剔除,各模型预测集决定系数r²均有0.2～0.4的大幅提升。为解决大样本模型训练时间长、数据冗余问题,采用连续投影算法进行波长筛选,共得到14个能反映红茶茶多酚含量的特征波长,并比较了最小二乘回归、支持向量机回归、BP神经网路、粒子群优化最小二乘支持向量机回归(particle swarm optimization least squares support vector regression, PSO-LSSVR) 4种模型预测红茶茶多酚含量的精度。最后以最优模型建立茶多酚可视化模型。结果 合理剔除样本并以光谱特征为输入,结合PSO-LSSVR方法建立的模型效果最佳,其校正集决定系数为0.921,预测集决定系数为0.903,预测精度达到了90%以上,基本实现了茶多酚含量可视化检测。结论 可视化算法有效地反映了红茶茶多酚分布情况,适用于茶叶快速无损检测。     

基于光谱技术的芝麻油掺伪定性分析研究

采用近红外光谱和中红外光谱技术结合极限学习机算法建立芝麻油中掺入大豆油的定性分析模型。选取不同品牌、批次的芝麻油、大豆油配置90个掺伪样本与40个芝麻油样本做定性分析。设定极限学习机算法相关网络参数,比较近红外光谱和中红外光谱的定性模型识别结果,研究光谱检测方法的可行性和分类识别的准确率,为实现基于光谱检测技术的芝麻油掺伪快速辨别分析奠定理论和实践检验基础,抑制芝麻油掺伪情况的发生。     

应用近红外光谱技术对植物油酸值预测的研究

利用近红外光谱技术结合支持向量机对植物油脂酸值含量进行回归预测。收集大豆油、花生油等油样共37份,应用激光近红外光谱仪对油样进行光谱采集,采用标准正态变量变化、多元散射校正和正交信号校正3种不同方法进行预处理。运用网格搜索法进行参数寻优,寻找最佳参数组合(C,g),建立支持向量机回归模型进行定量预测。研究表明,经过SNV、MSC和OSC预处理数据建立的模型的惩罚因子C均只有1,大大降低了模型出现过拟合现象的概率,提高了模型的泛化能力、稳健性和预测能力;预处理方法MSC和SNV建立的SVR模型校正集相关系数R较高,均达到99%;OSC建立的SVR模型具有最佳的预测性能,预测相关系数R达到93%以上;采用激光近红外光谱技术预测植物油脂酸值含量的方法是可靠的,为实现植物油脂酸值的快速检测提供了重要的依据。     

鸡胸肌冻干粉赖氨酸近红外定量预测模型的建立与优化

该研究采用偏最小二乘法建立鸡胸肌冻干粉赖氨酸近红外定量预测模型,并通过光谱预处理、建模特征光谱筛选、异常样本剔除、建模和验证样本选择4个方面对模型进行优化,旨在提高模型的预测精度和稳健性。以263个鸡胸肌冻干粉为研究对象,研究7种不同光谱预处理方法、4种特征光谱筛选方法、MCCV异常样本剔除方法,SPXY和鸡种2种建模验证样本选取方法对鸡胸肌冻干粉赖氨酸近红外定量预测模型的影响。结果表明：在1000~2502 nm建模谱区,剔除68个异常样本后,使用SPXY方法选取156个校正样本、39个外部验证样本,使用原始光谱所建模型最优;没有进行异常样本剔除、建模特征谱区选择等处理时,1000~2502 nm谱段建模,光谱需进行SNV+gapsegment (1#,15,7)预处理;异常样本剔除和建模样本选择对建模谱段1386~1379 nm、1329~1323 nm、1289~1283 nm、1276~1258 nm、1240~1235 nm、1194~1184 nm、1173~1168 nm、1142~1137 nm、1103~1099 nm、1080~1076 nm、1058~1054 nm、1012~1009 nm、1004~1001 nm（540个光谱）,使用原始光谱所建模型精度影响最小。研究显示,鸡肉赖氨酸近红外定量预测模型的建立受异常样本和建模样本、验证样本的影响较大,建模特征光谱对模型的适用性影响较大,光谱预处理方法仅在全谱段不做其它处理时对建模精度影响较大。     

基于PCA-SVM结合共聚焦拉曼光谱的特级 初榨橄榄油掺伪压榨菜籽油定量分析

为了促进国内橄榄油市场的健康发展，对掺伪同样存在天然类胡萝卜素的低温压榨菜籽油的特级初榨橄榄油进行了定量鉴别研究。采用共聚焦拉曼光谱技术对不同掺伪浓度油样进行测试，基于密度泛函理论对油样的拉曼光谱峰的归属进行了理论分析，并对拉曼光谱数据进行主成分分析（PCA），然后利用支持向量机（SVM）构建PCA-SVM模型。另外，对PCA-SVM模型的检出限进行了研究。结果表明：特级初榨橄榄油与低温压榨菜籽油的拉曼光谱存在一定差异，最明显的光谱差异主要集中在谱峰1 008、1 161、1 528 cm-1和谱段2 800～3 000 cm-1内，与密度泛函理论对不同油样拉曼光谱峰的分析一致；不考虑类胡萝卜素特征信号建立的PCA-SVM模型决定系数大于0.989，均方根误差小于2.990%，检出限为2%（低温压榨菜籽油体积分数）;在特级初榨橄榄油掺伪定量分析中，考虑类胡萝卜素的特征信号有助于提高模型预测精度，但仅限于掺伪低价植物油中无类胡萝卜素存在的情况;PCA-SVM模型在不考虑类胡萝卜素特征信号的情况下依然具有良好的定量预测效果。综上，所建立的PCA-SVM模型可以用于掺伪2%以上低温压榨菜籽油的特级初榨橄榄油的定量鉴别。     

基于XGBoost的掺伪茶油光谱鉴别模型

为实现采用紫外-可见-近红外光谱技术鉴别掺伪茶油的目的，研究首先通过向茶油中掺入不同比例的葵花籽油、玉米胚芽油和花生油制备掺伪茶油，然后采用自制的透射光谱采集实验平台获得光谱数据，对原始光谱进行预处理后，分别以竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、Boruta算法进行特征波长筛选，最后建立了基于XGBoost的掺伪茶油鉴别模型。研究结果表明，原始光谱经过SG-连续小波变换[CWT(分解尺度2⁵,L5)]预处理和Boruta特征波长筛选后，所建立的XGBoost模型鉴别性能最佳，测试集的准确率、灵敏度和特异性分别达到了98.18%、100.00%和97.62%。通过与常用的支持向量机(SVM)和极限学习机(ELM)模型对比后得到，XGBoost模型的准确率分别提高了3.63%和1.82%,特异性分别提高了4.76%和2.38%。     

基于近红外光谱与支持向量机的甘薯粉丝掺假快速检测

探索了近红外光谱(near infrared spectra,NIRS)结合支持向量机(support vector machine,SVM)检测甘薯粉丝掺假(掺杂木薯淀粉和玉米淀粉)的可行性。以掺假甘薯粉丝为研究对象,建立了基于NIRS及SVM的甘薯粉丝掺假定性判别及定量分析模型,并通过光谱预处理及光谱变量筛选对模型进行了优化。结果显示,采用标准正态变量变换和一阶导数对全光谱预处理后,甘薯粉丝掺假SVM定性判别模型的识别准确率可达100%,优于马氏距离判别模型;用标准正态变量变换和一阶导数对光谱预处理,并通过前向区间支持向量机(forward interval support vector machine,fi-SVM)筛选光谱变量后,木薯淀粉含量SVM预测模型的相关系数(r)和预测均方差(RMSEP)可达到0. 92和11. 20,玉米淀粉含量SVM预测模型的r和RMSEP可达到0. 96和7. 49。结果表明,基于NIRS和SVM的甘薯粉丝掺假定性判别及定量分析检测模型具有较高的识别率和预测精度,用于检测甘薯粉丝的掺假是可行的。