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。     

光谱预处理结合模拟退火算法的小麦粉面筋含量检测

为得到可靠的小麦粉中面筋含量定量分析模型,基于光谱预处理及模拟退火算法（simulated annealing algorithm,SAA）对近红外光谱（near infrared spectroscopy,NIR）进行优化处理。偏最小二乘（partial least squares,PLS）回归用于建立预测模型,以决定系数R2、校正均方根误差（root mean square error of calibration,RMSEC）、预测均方根误差（root mean square error of prediction,RMSEP）为指标,对比在不同光谱预处理条件下建立的回归模型与光谱预处理结合模拟退火算法优化处理条件下的回归模型。结果表明光谱预处理结合SAA-PLS模型能够有效提高模型的稳定性和预测能力,将R2从0.763?7提高到0.949?1、RMSEC从1.371?2降低到0.589?8、RMSEP从1.450?2降低到0.534?1。结果说明,光谱预处理结合模拟退火算法对光谱进行优化处理是可行的,模型预测能力和稳定性均优于未处理模型和仅进行光谱预处理的模型。     

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

基于光谱预处理结合遗传算法优化波长的面粉水分快速检测

基于光谱预处理及遗传算法(genetic algorithm,GA)法优化波长,再结合偏最小二乘(partial least squares,PLS)法建立面粉中水分的定量分析模型,对比在不同预处理方法下相关系数R~2、校正标准差(root mean square error of calibration,RMSEC)、预测标准偏差(root mean square error of prediction,RMSEP)3个指标,随机选择130份样本建立预处理+GA+PLS定量分析模型,实验结果为R~2从0.955 2提高到0.977 7、RMSEC从0.375 8降低到0.245 3、RMSEP从0.268降低到0.264。结果表明基于光谱预处理结合GA优化波长来定量分析面粉中水分含量是可行的,且准确性和误差度皆优于无优化模型。     

基于模拟退火算法优化波长的面粉品质检测

模拟退火算法（simulated annealing algorithm,SAA）是一种随机搜索、全局优化算法,为提高近红外光谱检测面粉品质模型的准确度与稳健性,实验提出基于SAA优化波长,再结合偏最小二乘（partial least squares,PLS）法建模预测的定量模型,并对SAA中冷却进度表参数设置进行对比分析。实验依据面粉中灰分含量梯度,随机选取126 份样本的近红外光谱建立SAA-PLS模型。结果发现,SAA从2 074 个波数优选出70 个波数,结合PLS建立的定量模型相关系数为0.976 0,交互验证均方根误差（root mean square error of cross validation,RMSECV）为0.022,预测均方根误差（root mean square error of prediction,RMSEP）为0.030 1,全谱建立的PLS模型相关系数为0.778 5,RMSECV为0.066 6,RMSEP为0.076 8。结果表明,基于SAA优化特征谱区,建立灰分定量模型是可行的,且准确度与稳健性明显优于全谱定量分析模型。     

基于近红外光谱技术快速检测文山三七品质指标

目的 建立一种基于近红外光谱技术快速测定文山三七4种品质指标的方法。方法 采用GB/T 19086—2008《地理标志产品-文山三七》中规定的方法测定文山三七的水分、总灰分、酸不溶性灰分以及皂苷的含量, 建立标杆数据。采集文山三七样品的近红外光谱数据, 利用偏最小二乘回归(partial least squares regression, PLSR)方法建立模型。通过优化光谱预处理方法和变量筛选方法进一步提升模型的预测能力。结果 文山三七水分、总灰分、酸不溶性灰分以及皂苷的校正集相关系数(Rc)分别为0.9891、0.9703、0.9803、0.9462, 预测集相关系数(Rp)分别为0.9867、0.9678、0.9691、0.8122, 预测集均方根误差(root mean square error of prediction, RMSEP)分别为0.1875、0.1405、0.0662、0.6574, 性能偏差比(ratio of performance to deviation, RPD)分别为3.814、3.2300、3.9183、1.7641。结论 本方法可以快速、准确地测定文山三七中4种关键品质指标, 为文山三七的质量控制提供了一种快速有效的检测方法。     

基于光谱预处理结合遗传算法优化波长的面粉水分快速检测

正基于光谱预处理及遗传算法(genetic algorithm,GA)法优化波长,再结合偏最小二乘(partial least squares,PLS)法建立面粉中水分的定量分析模型,对比在不同预处理方法下相关系数R2、校正标准差(root mean square error of calibration,RMSEC)、预测标准偏差(root meansquare error of prediction,RMSEP)3个指标,随机选择130份样本建立预处理+GA+PLS定量分析模     

基于SiPLS- CARS 算法的百香果糖度无损检测

为建立一种无损快速检测百香果糖度的技术,以百香果为研究对象,利用近红外光谱技术,并结合联合区间偏最小二乘算法和竞争适应重加权采样算法对近红外光谱进行特征波长筛选,采用偏最小二乘法和支持向量机方法建立百香果糖度预测模型。结果表明：采用多元线性回归方法建立的模型优于多元非线性回归方法建立的模型,联合区间偏最小二乘算法和竞争适应重加权采样算法筛选出的特征波长点数为67 个,占全光谱的2.90%,预测模型的相关系数R2c 为0.972 7,校正集预测均方根误差（root mean square error of calibration,RMSEC）值为0.333 8,验证集的相关系数R2p 为0.967 2,验证集预测均方根误差（root mean square error of prediction,RMSEP）值为0.366 0,模型相对分析误差（relative prediction deviation,RPD）为4.506 6。研究结果能够实现百香果糖度的无损快速检测,并且可以将百香果糖度无损检测便携检设备中的模型进行简化。     

基于近红外光谱定量分析花生牛奶可行性

模拟花生牛奶生产工艺制备不同含量的花生牛奶,使用近红外光谱仪扫描建立定量分析模型,探索近红外光谱应用于花生奶定量分析的可行性。结果表明,花生牛奶使用PLS建模方法可以有效地对光散射、花生与奶粉之间的干扰做出补偿,适合用于花生牛奶复杂成分体系的分析;花生定量分析模型校正均方差(root-mean-square error of calibration,RMSEC)、预测均方差(root-mean-square error of predication,RMSEP)、相关系数R分别为0.573%、3.73%、0.999 7;奶粉定量分析模型RMSEC、RMSEP、R分别为0.066、0.183 g/L、0.955 7。近红外光谱可以应用于花生牛奶的定量分析,可以为花生牛奶提供产品质量控制和快速定量检测,为植物蛋白饮料提供一种新的检测思路。模型优化改进有待进一步研究。     

滩羊肉中油酸和亚油酸含量的近红外预测模型建立

基于近红外光谱技术结合化学计量学方法建立滩羊肉中油酸和亚油酸含量的预测模型。选取滩羊肉外脊、里脊、羊霖、羊腩共138 份样本,在900～2 500 nm波长范围内,采集滩羊肉糜样品的近红外反射光谱,利用气相色谱法作为参考,测定样品中油酸和亚油酸含量,并建立滩羊肉中油酸和亚油酸含量的偏最小二乘回归（partial least squares regression,PLSR）模型。为优化模型性能,使用间隔随机蛙跳（interval random frog,IRF）算法进行数据降维处理。结果表明：对于油酸模型,经过标准正态变量变换结合一阶导数处理后的全波长模型相关性较高,校正相关系数（Rc）和交叉验证均方根误差（root mean square error of cross-validation,RMSECV）分别为0.889 5和10.2515,预测相关系数（Rp）和预测集均方根误差（root mean square error of prediction set,RMSEP）分别为0.7357和10.2492,然而,经IRF算法提取92个特征波长后,Rc和Rp均低于全波长模型;对于亚油酸模型,使用多元散射校正处理后的全波长模型Rc最大,为0.8747,RMSECV为1.0512,但其Rp和RMSEP较小,利用IRF算法提取102 个特征波长后,建立的亚油酸模型相关性得到极大改善,其中Rc最大达到0.9912,相应的RMSECV为0.0118,Rp为0.9879,RMSEP为0.0122。因此,近红外光谱技术结合IRF算法不能较好预测滩羊肉中油酸含量,但对亚油酸含量具有较好的预测能力。     

近红外光谱技术快速检测甜叶菊中绿原酸含量

为实现甜叶菊中绿原酸含量的快速检测，该研究利用近红外光谱技术结合偏最小二乘法对甜叶菊绿原酸含量的光谱数据进行了近红外模型分析。结果表明，采用多元散射校正(multiplicative scatter correction, MSC)+Savitzky-Golay卷积平滑预处理算法和无信息变量消除法(uniformative variable elimination, UVE)特征波长选择算法，绿原酸含量近红外模型的性能最好。该模型的交互验证相关系数(correlation coefficient in cross validation,R_CV)和交互验证残差均方根(root mean square error of cross validation, RMSECV)分别为0.945 3和0.263 1;验证集相关系数(correlation coefficient in validation,R_P)和验证集残差均方根(root mean square error of prediction, RMSEP)分别为0.952 1和0.247 2。...     

傅立叶变换近红外光谱法快速检测锅盔中水分含量

应用傅立叶变换近红外光谱技术,建立锅盔水分含量分析模型.测定61份锅盔的近红外光谱,经一阶导数+MSC预处理以滤去噪声,在7 501.9～4 597.6 cm-1谱段范围内,选择维数10,利用偏最小二乘法建立近红外光谱与国标参考方法测得的水分含量之间的相关模型.最终得到水分定量校正模型决定系数(R2)为99.03％,内部交叉验证均方差(RMSECV)为0.409％.用该模型对19个未知锅盔样品进行外部验证,其水分外部验证决定系数(R2)为97.99％,预测标准偏差(RMSEP)为0.341％.结果表明,近红外定量分析技术有较高的准确度,能满足锅盔水分的快速检测精度要求.     

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。     

近红外光谱法测定金华火腿生产过程中的品质参数

以金华火腿为研究对象,采用傅里叶近红外光谱分析技术检测火腿生产过程中的品质参数.火腿样品经万能机粉碎,在AntarisⅡ傅里叶变换近红外光谱仪上扫描,获得其近红外光谱.参照国标法测定对应样本的过氧化值和水分含量,用Norris导数平滑滤波及一阶导数对光谱预处理,建立火腿过氧化值和水分含量的偏最小二秉(PLS)回归模型.其中过氧化值模型中样品预测值与实测值的相关系数r2=0.99091,预测均方差(RMSEP)0.436,平均相对标准偏差0.34％,与化学测定值无显著差异.水分含量模型中样品的预测值与实测值的相关系数r2= 0.93537,RMSEP为0.0184.本实验结果表明近红外光谱技术可快速检测金华火腿生产过程中的品质参数.     

近红外光谱分析技术在泡芙水分测定中的研究

水分含量快速测定是保证泡芙制作品质的重要需求。利用IAS Online-S100型在线近红外光谱分析仪,采集了130个建模集样品和30个验证样品的近红外光谱,结合光谱预处理和偏最小二乘法建立泡芙水分定量分析模型。研究结果表明,采用移动窗口平滑（平滑点数为11）+SNV法进行光谱预处理,主因子数为9的条件下,模型的决定系数R2、校正集均方根误差（RMSEC）、交互验证均方根误差（RMSECV）和预测集均方根误差（RMSEP）分别为0.88、0.49%、0.55%、0.57%。模型的预测误差在±1.3以内,精度满足工厂的使用需求。     

基于近红外光谱技术快速检测小龙虾中的生物胺

目的 建立近红外光谱法快速检测小龙虾中总生物胺含量的方法。方法 利用近红外光谱仪采集154个不同新鲜程度小龙虾样品的近红外光谱, 使用高效液相色谱技术检测对应样品总生物胺含量; 使用KS(Kennard-Stone)算法将103个样品作为训练集, 51个样品作为预测集。采用多元散射校正(multiplicative scatter correction, MSC)、标准正态变换(standard normal variate, SNV)、小波变换(wavelet transform, WT)和1阶导数(1st)分别对样品的光谱进行处理, 利用训练集样品的光谱和生物浓度建立偏最小二乘回归(partial least squares regression, PLSR)模型, 使用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)进一步选择波长, 对模型进行优化。结果 经过小波变换处理之后的光谱所建立的PLSR模型具有较好的预测结果, CARS方法可以进一步提高模型的预测和解释能力, 预测集生物胺的预测均方根误差(root mean square error of prediction, RMSEP)值和决定系数(r2)分别可达55.74和0.92。结论 基于近红外光谱分析技术快速检测小龙虾总生物胺含量是可行的, 优化后的PLSR模型可以用于评价小龙虾总生物胺含量。     

基于近红外光谱技术快速测定甘薯多糖含量

摘 要：目的 建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法 通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56种作为校正集,11种作为验证集。通过一阶导数、二阶导数、多元散射校正（multiplicative signal correction,MSC）、标准正态变量变换（standard normal variate,SNV）等组合预处理方式对原始光谱进行处理,比较多元线性回归（stepwise multiple linear regression,SMLR）、主成分回归（principal component regression,PCR）和偏最小二乘法（partial least squares,PLS）三种方法建立的模型结果,进一步选择波段确定最佳甘薯多糖含量测定方法。结果 PLS建立的模型整体精确度和稳定性最佳,最优模型的预处理方式为一阶导数处理,该模型的最佳波段为全波段范围,校正集均方根误差（root mean square error of calibration set,RMSEC）为相关系数0.496,校正集相关系数（calibration set correlation coefficient,RC2）为0.9683,验证集均方根误差（root mean square error of prediction set,RMSEP）为0.430,验证集相关系数（prediction set coefficient of determination,RP2）为0.9440,主成分数为8。结论 通过近红外光谱技术结合偏最小二乘法建立甘薯多糖模型可作为甘薯多糖快速测定的可行性方法。     

基于可见-近红外光谱的生鲜紫薯食味品质快速无损检测

目的建立可见-近红外光谱法快速无损检测生鲜紫薯的熟化黏度和甜度,并对其食味品质进行评价。方法以生鲜紫薯为研究对象,用竞争性自适应加权算法(competitive adaptibe reweighted sampling,CARS)筛选出生鲜紫薯预处理后的光谱数据的特征波长,再用偏最小二乘法(partial least square,regression,PLS)建立了生鲜紫薯熟化峰值扭矩和可溶性糖含量的定量预测模型。另外,选取12个生鲜紫薯根据划分分值区间法对紫薯食味品质进行评价。结果生鲜紫薯峰值扭矩模型预测集的相关系数r为0.9195,均方根误差(root mean square error of prediction,RMSEP)为0.0526 Nm;可溶性糖含量模型的预测集的相关系数r为0.9515,RMSEP为0.3100 mg/g。结论基于可见-近红外光谱技术可以对生鲜紫薯食味品质进行初步快速无损评价,为鲜食性紫薯品质评价提供理论参考。     

近红外光谱法快速测定羊栖菜生长过程中的活性成分

目的 利用近红外光谱法对羊栖菜生长过程中的活性成分进行快速定量分析,并探究其生长过程中的活性成分含量变化规律。方法 收集羊栖菜7个生长阶段共175个羊栖菜粉末样品,采用紫外-可见分光光度法测定多糖和多酚的含量,高效液相色谱法测定岩藻黄质的含量。运用组合区间-偏最小二乘法(synergy interval partial least squares,Si-PLS)分别建立了近红外光谱与3种活性成分指标参考值之间的定量校正模型,并采用不同的预处理方法和主因子数优化模型。结果 在羊栖菜的生长过程中,多糖含量变化为栽培期>快速生长期>成熟期;多酚含量变化为快速生长期>成熟期>栽培期;岩藻黄质含量变化为栽培期>快速生长期≈成熟期。多糖、多酚和岩藻黄质3种定量模型的近红外预测值与参考值之间的拟合性良好,模型预测精度较高,其中预测集相关系数(correlation coefficient of prediction,RP)均大于0.95;预测集均方根误差(root mean square error of prediction,RMSEP)分别为11.01、1.72、0...     

拉曼光谱技术快速检测专用煎炸油极性组分

为能够快速、无损检测专用煎炸油的极性组分含量,采集不同煎炸时间下煎炸油样本的拉曼光谱图。为建立稳定性高、误差小、精度高的模型,研究不同预处理方法对模型效果的影响,建立相应的偏最小二乘回归模型以选择最优的光谱预处理方法。结果表明：标准正态变换处理后的偏最小二乘模型最优,预测均方根误差（root mean square error of prediction,RMSEP）为1.18,决定系数R2为0.940?4。其次,将标准正态变换处理后的光谱数据分别建立误差反向传播（error back propagation,BP）算法和径向基函数算法神经网络模型,通过比较稳定性以及误差大小,得出采集到的拉曼光谱经过标准正态变换处理后采用BP神经网络建立的模型效果最好,RMSEP为0.032?6,R2为0.972。该方法可以用作专用煎炸油极性组分的快速分析。