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。     

基于近红外光谱技术检测白酒基酒中乙醇含量的研究

为了快速测定白酒基酒中的乙醇含量,采用近红外光谱（NIRS）技术结合偏最小二乘法（PLS）处理白酒基酒近红外图谱,建 立白酒基酒中乙醇的定量分析模型。 结果表明：最佳预处理方法为减去一条直线法,最优波段谱为7 502～5 450 cm-1,主成分数为7。 校正集样品的化学值与预测值的决定系数（R2）为0.923 3,交互验证均方根误差（RMSECV）为0.89;对模型进行检验,得到验证集的 决定系数（R2）为0.954 8,预测均方根误差（RMSEP）为1.21。 结果显示近红外检测方法快速有效,所建模型具有很好的预测效果,模型 的精密度和稳定性良好。     

近红外光谱技术应用于云芝蛋白含量的定量分析

应用近红外光谱结合偏最小二乘法(PLS)建立测定真菌云芝中蛋白含量定量分析模型.所建立的模型经过i选择最有效的光谱预处理方法,光谱区域和最适主因子数使模型最优化.实验结果表明:采用傅里叶变换在1330 nm～725 nm光谱区域,主因子数为6,建立的模型最优.模型校正集的交互验证均方根误差(RMSECV)为0.010,交互验证所得校正集样品中的蛋白含量的预测值与真实值间相关系数(Rv)为0.968;应用此模型对预测集样品中的蛋白质含量进行预测,得到预测均方根误差(RMSEP)为0.009,预测集的相关系数(Rp)为0.990.     

近红外光谱技术在北方浓香型白酒酿造糟醅理化指标快速检测中的应用

发酵糟醅质量在浓香型白酒酿造中起着关键作用,采用近红外光谱技术可实现对糟醅的及时、准确、高效检测。该研究利用近红外光谱法对北方浓香型白酒出入窖糟醅水分、酸度、淀粉三个理化指标进行了快速分析并建立了其预测模型。结果表明,入窖糟醅水分含量、酸度、淀粉含量模型的决定系数(R²)分别为0.86、0.79、0.65,交互验证均方根误差(RMSECV)分别为0.77%、0.11 mmol/10 g、0.11%;出窖糟醅水分含量、酸度、淀粉含量模型的决定系数(R²)分别为0.90、0.92、0.79,交互验证均方根误差分别为0.54%、0.16 mmol/10 g、0.49%,模型的质量较好。并且利用验证样品对模型进行外部验证,入窖糟醅水分、酸度、淀粉的模型预测的标准偏差分别为2.10%、0.22 mmol/10 g、1.32%,出窖糟醅水分、酸度、淀粉的模型预测的标准偏差分别为1.61%、0.56 mmol/10 g、1.13%,说明模型具有较好的预测能力,可用于生产分析检测。     

中红外光谱技术结合竞争性自适应重加权算法快速分析白酒风味组分

采用中红外光谱分析技术结合竞争性自适应重加权算法(CARS)对浓香型白酒基酒中的乳酸乙酯和乙酸乙酯的特征波长变量进行筛选后,建立偏最小二乘法(PLS)模型,并对其进行验证。结果表明,采用中红外光谱分析技术剔除明显噪声区域建立的PLS模型效果较好,而经CARS法进行特征波长选择后建立的CARS-PLS模型效果优于PLS模型,乙酸乙酯和乳酸乙酯的CARS-PLS模型相关系数R²分别为0.995、0.989,预测均方根误差(RMSEP)分别为12.80、4.54,相对分析误差(RPD)分别为8.78及8.60,模型经独立验证均取得了较高的预测精度,验证数据相关系数R²分别为0.994及0.992,RMSEP分别为13.55及4.86。该模型有较高的准确度及稳定性,能够用于白酒基酒中的乳酸乙酯和乙酸乙酯的快速分析,可为白酒酿造过程的质量把控提供技术方法。     

磨盘柿可溶性固形物的可见/近红外漫反射光谱无损检测

研究可见/近红外漫反射光谱技术快速检测磨盘柿可溶性固形物的方法。在可见/近红外光谱区域(570～1848nm),对比分析不同数学建模算法、不同导数处理方法和不同散射及标准化处理的果实可溶性固形物定标模型。结果表明：应用改进偏最小二乘回归算法、一阶导处理和去散射处理所建果实可溶性固形物定标模型的预测性能较优,其定标交互验证相关系数(Rcv)和预测相关系数(Rp2)分别为0.8076和0.8085,定标交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.4546°Brix和0.4482°Brix。这表明,可见/近红外漫反射技术对磨盘柿可溶性固形物的快速无损检测具有可行性。     

白酒基酒中典型醇的近红外预测模型构建

采用气相色谱法测定白酒基酒中的正丙醇、正丁醇、正戊醇和异戊醇的含量作为建立近红外预测模型的化学值,将近红外光谱图结合偏最小二乘法和内部交互验证法建立基酒中典型醇的快速检测模型,并进一步优化模型。确定了最优光谱预处理方法和最佳谱区,正丙醇、正丁醇、正戊醇和异戊醇的校正集样品的真实值与近红外预测值的决定系数（R2）分别为0.952、0.981、0.963和0.981,内部交互验证均方根误差分别为0.27、0.49、0.101?mg/100?mL和0.67?mg/100?mL;验证集的决定系数（R2）分别为0.947、0.980、0.928和0.952,预测均方根误差分别为0.40、0.81、0.49?mg/100?mL和1.35?mg/100?mL。结果表明建立的典型醇近红外快速检测模型的准确度、稳定性及预测性能均呈现良好,为白酒基酒的醇类物质品质分析方法研究提供了新的思路。     

中红外模型快速检测白酒基础酒中总酯的含量

建立了一种快速检测白酒基础酒总酯的检测方法。根据GB/T 10345-2007中总酯含量检测方法为参比方法,采用红外分析技术结合偏最小二乘法,分别建立了基础酒总酯的中红外定量分析模型和近红外定量分析模型。对比这两个定量分析模型:中红外定量分析模型的效果更显著,模型校正集交互验证均方根误差(RMSEC)为0.123,校正集决定系数R2C为0.9951;样品验证集均方根误差(RMSEP)为0.134,验证集相关系数R2P为0.9914;该方法预测值与理化值的绝对误差为-0.31～0.50,相对误差-5.91%～9.62%。     

蚁群和遗传算法优化花茶花青素近红外光谱预测模型的比较

以建立花茶花青素含量的最优近红外光谱模型为目标,对比研究了蚁群算法(Ant ColonyOptimization,ACO)和遗传算法(Genetic Algorithm,GA)优化近红外光谱谱区的效果。ACO-i PLS将全光谱划分为12个子区间时,优选出第1、9、10共3个子区间,所建的校正集和预测集相关系数分别为0.901 3和0.864 2;交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.160 0 mg/g和0.202 0 mg/g;GA-i PLS将全光谱划分为15个子区间时,优选出第1、5共2个子区间,所建模型的校正集和预测集相关系数分别为0.906 3和0.879 3,交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.156 0 mg/g和0.206 0 mg/g。研究结果表明:ACO-i PLS和GA-i PLS均可以有效选择近红外光谱特征波长,其中GA-i PLS模型的精度更高。     

白酒基酒中甲酸的近红外预测模型构建

为构建白酒基酒中甲酸的近红外预测模型,达到快速预测甲酸含量的目的,采用气相色谱法测定白酒基酒中甲酸的含量作为近红外预测模型的输入量,并通过分析白酒基酒样品的近红外光谱图,比较不同光谱数据预处理方法对建模效果的影响。结果表明,白酒基酒中甲酸对近红外有特异吸收,最佳预处理方法与最优波段为:一阶导数+减去一条直线,谱区区间选择在5813～5740 cm~(-1)和8482～8260 cm~(-1)。甲酸校正集样品的化学值与近红外的预测值的决定系数为99.25%,交叉验证均方根误差为4.26 mg/100 m L,相对分析误差为11.6;进一步对甲酸进行验证和评价,甲酸验证集样品的决定系数为97.6%,均方根误差为5.53 mg/100 mL,相对分析误差为9.68。结果表明,所建立的模型效果良好,能满足白酒生产中甲酸的快速检测需求。     

短波近红外光谱-偏最小二乘法在白酒分析中的应用

应用短波近红外光谱结合偏最小二乘法(NIRS-PLS)建立白酒中乙醇含量定量分析数学模型,通过选取最佳波长范围和最适主因子数对模型进行优化。应用所建模型对预测集和实际白酒样品中乙醇含量进行预测,取得了令人满意的结果。该方法方便快捷、无污染、可在线检测,且重现性、稳定性均良好,可作为白酒原位质量检测和在线质量监控的方法予以推广。     

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。     

基于近红外光谱技术的老陈醋可溶性固形物定量分析

可溶性固形物含量(SSC)是食品行业的重要技术参数之一。利用近红外光谱技术对不同醋龄的老陈醋SSC进行分析。在不同光谱预处理下,分别采用主成分回归(PCR)和偏最小二乘法(PLS)建立SSC的定量分析模型。结果表明,采用5点平滑预处理后,利用PLS建立的老陈醋SSC的定量分析模型最优,其校正集的相关系数R为0.999 9,校正标准偏差(RMSEC)为0.038 3,预测标准偏差(RMSEP)和交叉验证标准偏差(RMSECV)分别为0.082 1,0.096 4。表明采用近红外光谱技术对不同醋龄的老陈醋SSC进行定量分析建模是可行的。     

近红外光纤光谱法快速检测葡萄酒中酒精度

目的 构建近红外光纤传感检测系统,结合近红外光谱分析技术和化学计量学,对葡萄酒中酒精度进行快速检测.方法 以葡萄酒为研究对象,构建近红外光纤传感检测系统,分别使用偏最小二乘法和主成分回归对葡萄酒中酒精度进行近红外光谱分析,进行模型参数的比较.采用国标GB/T 15038-2006《葡萄酒、果酒通用分析方法》中气相色谱法...     

小种红茶水浸出物近红外定量分析模型的建立

为实现近红外光谱技术在小种红茶中的快速无损检测,对76份有代表性的小种红茶按现行国家标准测定其水浸出物含量,采集样品的近红外光谱,采用OPUS 7.5软件,结合偏最小二乘法(partial least squares,PLS)建立小种红茶水浸出物含量的近红外定量分析模型。结果表明,所建立的水浸出物定量模型决定系数R2为95.73%,校正均方差(root mean square error of calibration,RMSEC)为0.629,验证均方差(root mean square error of prediction,RMSEP)为0.513。所建立的小种红茶水浸出物含量的近红外定量分析模型较为成功,模型预测效果较好,能够对小种红茶中水浸出物的含量进行快速地分析。     

近红外光谱变量选择及其在苹果可溶性固形物含量无损速测中的应用

目的采用近红外光谱技术,筛选有效变量对苹果可溶性固形物含量进行无损快速检测。方法以改进无变量信息消除算法为变量筛选方法,采用多元线性回归算法建立校正模型,采用外部盲样对模型进行预测准确度评价。结果基于改进无信息变量消除算法,筛选1391、1435、1521、1589nm4个关键波长作为变量,其所建校正模型的测定系数为0.6823,校正误差均方根为1.06,交互验证测定系数为0.6780,交互验证误差均方根为1.06。外部验证测定系数为0.6585,预测误差均方根为1.07。经F检验,预测模型的预测值与测定值之间具有显著相关性。结论该方法基本能够满足苹果可溶性固形物含量无损快速检测的需求,并可为水果可溶性固形物含量无损快速检测仪器的研制提供一定的技术参考。     

基于近红外光谱技术快速检测稻谷水分含量

目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_CAL²)为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_CV²)为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。     

基于中红外光谱法检测煎炸油极性组分

目的 利用中红外光谱技术实现对煎炸油极性组分的快速检测。方法 根据光谱-理化值共生距离分类法对煎炸油中红外光谱数据进行样本划分,从而得到校正集和预测集。采用卷积(Savitzy-Golay,S-G)平滑+一阶导数预处理手段,利用竞争自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行特征提取,建立煎炸油极性组分含量的偏最小二乘回归(partial least squares regression, PLSR)预测模型,并利用BP神经网络算法对模型进行优化。结果 BP神经网络算法建立的模型校正集决定系数为0.9032,校正集均方根误差(root means quare error of calibration,RMSEC)为0.1264,预测集决定系数为0.8569,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0625。经BP神经网络算法优化后,均方根误差明显减小,提高了预测模型的准确性。结论 结合BP神经网络算法的中红外光谱技术是一种检测煎炸油极性组分的有...     

基于近红外光谱仪分析中式爆炒猪肉的水分含量

应用傅里叶变换近红外光谱技术建立中式传统爆炒猪肉片水分含量预测模型,达到快速无损检测的目的。通过直接干燥法测定100 组爆炒猪肉片样品的水分含量,并扫描得到其近红外光谱图。采用偏最小二乘法并通过二阶微分结合卷积平滑算法对光谱进行预处理,通过拐点法、马氏距离法、杠杆值、学生残差法与内部交互验证均方根法进一步剔除异常样本,优化光谱模型。结果表明：所构建的中式爆炒肉片水分含量近红外光谱预测模型的校正均方差值为0.089 1,相关系数为0.972 1;且将预测值与真实值进行比较发现,预测结果正确率大于98.7%（P＜0.05）,表明本研究建立的用于检测中式爆炒肉片水分含量的近红外光谱预测模型效果良好,能够快速检测并准确预测中式爆炒肉片的水分含量,具有一定的应用价值。