基于近红外光谱的海藻糖浆组分快速定量检测

研究采用近红外光谱(near infrared spectroscopy,NIRS)快速检测单酶法生产海藻糖浆(海藻糖、麦芽糖及葡萄糖)组成的方法。取65个海藻糖浆作为样本,扫描得到近红外光谱图,分为48个样本校正集,17个样本预测集,计算分析结果表明:一阶微分(first derivative,1D)与S-G平滑(savitzky-golay filter)组合处理为最优预处理方法;运用TQ analyst建模软件中主成分回归(principal component regression,PCR)算法和偏最小二乘法(partial least squares,PLS)算法分别对海藻糖浆建模,发现采用偏最小二乘法(partial least squares,PLS)的海藻糖浆组分模型稳定性和预测能力更好;运用PLS、1D、S-G平滑组合预处理海藻糖浆组分模型,不仅降低光谱的背景噪声,同时还提高模型的稳定性。海藻糖浆各组分模型的交叉验证均方差(RMSEC)、交叉验证决定系数(Rc)、预测均方差(RMSEP)、预测决定系数(RP)依次为:海藻糖模型分别为0.188,0.995,0.089,0.989;麦芽糖模型分别为0.143,0.997,0.131,0.969;葡萄糖模型分别为0.147,0.997,0.094,0.999。NIRS检测快速、无损便捷,可用于检测单酶法生产海藻糖浆的组分。     

蜂蜜中还原糖组分的近红外光谱应用研究

为探索快速测定还原糖含量的方法,提出了用傅立叶变换近红外光谱技术结合偏最小二乘法(PLS)建立近红外光谱与蜂蜜还原糖含量的数学模型并进行预测。通过光谱扫描还原糖含量在61.3%～75.22%范围的蜂蜜样本,选择11992.1～7494.6cm-1波数范围、二阶导数、及10个因子数进行光谱预处理,偏最小二乘法(PLS)交叉验证。结果表明,模型的校正决定系数(Rcal)、校正均方差(RMSEE)、交叉验证决定系数(RCV)、交叉验证均方差(RMSECV)分别为99.71%、0.27%、98.44%、0.45%。用该模型对验证集样本进行预测并统计分析,表明预测值与测定值无显著差异。因此,用该方法快速准确定量分析大批蜂蜜中的还原糖含量具有重要意义。     

茶皂素提取过程的原位实时监测技术

采用近红外光谱技术结合化学计量学方法,实时原位监测茶皂素提取过程中的茶皂素质量浓度、蛋白质质量浓度和多糖质量浓度的变化。研究结果表明,一阶求导(1^stDer)为最优的光谱预处理方法,3个指标的校正集决定系数(R_C)和预测集决定系数(RP)皆最高,交叉校验残差均方根误差(RMSECV)和预测残差均方根误差(RMSEP)最小。相较于偏最小二乘法(PLS)和区间偏最小二乘法(iPLS)算法对回归模型进行校正,以R_P和RMSEP为评价指标,联合区间偏最小二乘法(SiPLS)算法下所建模型稳健性最佳。茶皂素浓度模型中的R_P=0.9889,RMSEP=1.36;蛋白质浓度的R_P=0.9859,RMSEP=0.354;多糖浓度的_RP=0.9919,RMSEP=0.359。结论：近红外光谱技术联合Si-PLS模型可较好的实时监测茶皂素提取过程。     

食用油油酸的近红外特征谱区挑选

为提高食用油油酸的近红外定量分析模型的预测性能,采用4种波长变量优选方法:移动窗口偏最小二乘算法(MWPLS)、间隔偏最小二乘法(i PLS)、向后间隔偏最小二乘法(Bi PLS)、组合间隔偏最小二乘算法(Si PLS),优选食用油油酸近红外光谱特征区间,建立57份食用油样本的油酸定量分析模型。试验结果表明,相较于全谱建模,4种变量优选方法都能在有效地减少建模所用的变量数的同时提高模型性能,其中采用Si PLS优选变量所建的油酸定量模型的预测性能最优,决定系数R2为0.995 0,交叉校验均方根误差(RMSECV)为1.037 2,预测均方根误差(RMSEP)为0.924 6。     

近红外光谱法检测小麦粉中的水分含量

以化学法测定67个小麦粉样品的水分含量,利用波通DA7200型近红外光谱分析仪采集样品近红外光谱,选择合适的光谱区间及光谱预处理方法,采用偏最小二乘法(PLS)和留一法内部交叉验证方式建立定标模型.50个定标样品的近红外光谱经一阶导数预处理,由PLS法获得的定标模型决定系数(R2)为0.984 3.利用17个验证集样品进行外部检验,预测值与真实值之间的相关系数(R2)为0.984 8,预测集标准偏差(SEP)为0.092 9.近红外光谱法具有方便、快速、准确、无损、无污染的特点,应用于小麦粉水分的测定是可行的.     

基于近红外光谱技术的大米品质分析与种类鉴别

应用近红外光谱(NIRS)技术建立了大米食味品质分析与种类快速鉴别的方法。提取了102份粉碎后大米样品的近红外光谱,采用偏最小二乘法(PLS)建立了大米水分、蛋白质和直链淀粉定量分析模型,对模型预测结果的准确性进行了评价。预测模型的内部交叉验证决定系数(R2)分别为:0.992、0.9792和0.9736;内部交叉验证标准差(RMSECV)分别为:0.141、0.201和0.209;模型外部验证决定系数(R2)分别为0.9861、0.912和0.9373;外部验证标准差(RMSEP)分别为0.179、0.206和0.243。通过计算样品的近红外光谱图之间的欧氏距离来反映不同样品间的差异,对不同属性和不同产地的大米进行了定性聚类分析,种类识别准确率达到100%。结果表明,NIRS分析技术可以用于对大米品质和种类的快速无损检测。     

淀粉液化液葡萄糖当量值的近红外快速检测

为解决淀粉工业中淀粉液化液葡萄糖当量(Dextrose Equivalent,DE)值的化学检测方法繁琐复杂问题,研究近红外光谱(near infrared spectroscopy,NIRS)快速检测淀粉液化液DE值的方法。取88个淀粉液化液作为样本,扫描得到近红外光谱图,分为72个初始样本校正集,10个初始样本预测集,剔除6个问题样品,研究了运用多元散射校正(Multiplicative signal correction,MSC)、标准正态变量变化(Standard normal variate,SNV)、平滑(smoothing)、多项式平滑(Savitzky-Golay卷积平滑,SG)、一阶导数(1st derivative,1D)、二阶导数(2nd derivative,2D)等不同预处理方法和偏最小二乘法(partial least squares,PLS)、主成分回归法(principal component regression,PCR)组合的建模效果。计算分析结果表明:多元散射校正结合一阶导数与偏最小二乘法算法建模的初始模型稳定性和预测能力较好;近红外DE值模型的主成分因子数、交叉验证均方差(RMSEC)、交叉验证决定系数(R_C)、预测均方差(RMSEP)、预测决定系数(R_P)依次为:3、1.53、0.9723、1.44、0.9746。因此该NIRS检测方法快速简便,可用于淀粉液化液DE值的快速检测。     

食用油油酸的近红外特征谱区优选

为提高食用油油酸的近红外定量分析模型的预测性能,采用4种波长变量优选方法:移动窗口偏最小二乘算法(MWPLS)、间隔偏最小二乘法(i PLS)、向后间隔偏最小二乘法(Bi PLS)、组合间隔偏最小二乘算法(Si PLS),优选食用油油酸近红外光谱特征区间,建立57份食用油样本的油酸定量分析模型。试验结果表明,相较于全谱建模,4种变量优选方法都能在有效地减少建模所用的变量数的同时提高模型性能,其中采用Si PLS优选变量所建的油酸定量模型的预测性能最优,决定系数R2为0.995 0,交叉校验均方根误差(RMSECV)为1.037 2,预测均方根误差(RMSEP)为0.924 6。     

基于近红外光谱的芝麻油酸价含量的预测

采用近红外光谱分析技术对芝麻油的酸价含量进行检测,避免了传统的化学方法缺陷,同时在不破坏样品的前提下极大地提高了检测效率。对39个芝麻油样本的酸价光谱图进行光谱预处理优化,并选择适当的光谱范围,采用偏最小二乘法(PLS)和BP神经网络算法进行了定量分析研究。结果表明,在所选定的样本和光谱范围内,PLS和BP神经网络算法均可以用于芝麻油酸价含量的预测,采用PLS模型的预测均方根误差(RMSEP)为0.058;用BP神经网络预测的RMSEP为0.148 8,偏最小二乘法建模相对于一般的BP网络建模方法更具有较好的建模预测效果。     

FT-NIR法预测陈化烟叶的淀粉、多酚和色素含量

应用傅立叶变换近红外光谱(FT-NIR)法和化学分析法测定了400个陈化烤烟烟叶样品的NIR光谱数据和淀粉、多酚、色素含量,采用偏最小二乘法(PLS)法将光谱数据和化学测定值进行拟合,建立了淀粉、多酚、色素的NIR预测模型,进行了模型的内部交叉验证,并用未参与建模的100个样品进行了外部验证.结果表明,淀粉、多酚、色素的NIR预测模型的决定系数(R<'2>)分别为97.64%、86.97%、87.08%,交互校验均方差(RMSECV)分别为0.338、0.283、0.011;模型的预测结果与化学分析法无显著性差异,其RSD均<5%.FT-NIR光谱法可用于批量陈化烟叶样品淀粉、多酚和色素含量的快速检测.     

Determination of cashmere and wool contents in textile by near infrared spectroscopy北大核心

A quantitative analysis model was established to determine the contents of cashmere and wool in textile by near infrared spectroscopy (NIRS). 101 calibration samples were mixed by weighing and measured by NIRS, which were combined to establish the calibration model by partial least squares (PLS) method. The correlation coefficient between the predictive result and true value was 0.99, and the root mean standard error of prediction was 2. 8% . The results demonstrated that NIRS could be a rapid and nondestructive technique for quantitative analysis of cashmere and wool. However, extensive sample collections were suggested in the future work to set up a representative database and to establish a mathematical model with better stabilization, precision and dependability.     

近红外光谱技术结合波段筛选用于白酒基酒总酯定量分析

采用近红外光谱（NIRS）分析技术对白酒基酒中的总酯含量进行定量分析,通过偏最小二乘法（PLS）法建立分析模型,同时后向间隔偏最小二乘法（BiPLS）对整个谱区进行光谱特征波段筛选。用决定系数（R2）、校正均方根误差（RMSEC）以及预测均方根误差（RMSEP）对模型进行评价。结果表明：特征波段筛选能够对基酒总酯模型起到显著的优化作用,模型的决定系数R2从0.484提升至0.937,RMSEC及RMSEP值分别从0.490、0.476降低至0.172和0.177,在减少模型复杂程度的同时,有效地提高了模型的稳定性与准确度,经过基酒盲样验证,说明波段优化所建立的模型有较为准确的预测结果。     

基于高光谱散射图像的苹果压缩硬度和汁液含量无损检测

压缩硬度和汁液含量是衡量苹果内部品质的两项重要指标。采用高光谱散射图像技术对苹果压缩硬度和汁液含量进行预测。已有研究表明,高光谱图像含有丰富的波谱信息,光谱值与测量值之间存在严重的非线性关系,简单的线性建模方法不能达到较高的预测精度。最小二乘支持向量机(Least Squares Support Vector Machine,LS_SVM)作为一种非线性建模工具,已用于解决小样本、非线性和高维数等实际问题。针对580个‘RedDelicious’苹果的高光谱散射图像,提取600～1000nm范围内的波谱信息,采用LS_SVM建立苹果的压缩硬度和汁液含量模型。研究结果表明,LS_SVM压缩硬度预测模型的相关系数为Rp=0.795,预测均方差为RMSEP=10.4KN/m,汁液含量的相关系数为Rp=0.568,预测均方差为RMSEP=1.20cm2,高于传统的偏微分最小二乘(PartialLeastSquares,PLS)建立的压缩硬度,模型精度Rp=0.744,RMSEP=11.4KN/m,汁液含量模型精度Rp=0.539,RMSEP=1.23cm2。     

番茄总糖含量的近红外光谱无损检测方法研究

根据偏最小二乘法建立番茄总糖含量的定量分析模型,比较原始光谱和平均光谱以及10 种光谱预处理方法对近红外光谱无损检测番茄总糖含量的影响。结果表明：平均光谱所建立的偏最小二乘法校正模型明显优于原始光谱所建模型,常数偏移消除最适合番茄总糖近红外光谱的预处理,其在11998.9～7497.9cm-1 和4601.3～4256.5cm-1优化光谱区内,所建偏最小二乘法定量分析模型的预测值和实测值的相关系数(R)为0.917,校正标准差(RMSEC)为0.263%,预测标准差(RMSEP)为0.236%。平均光谱和优化的光谱预处理方法可有效提高近红外光谱无损检测番茄总糖含量的准确性。     

速溶普洱茶中水分、咖啡碱和茶多酚含量近红外光谱快速测定方法的建立

以随机抽取的42个市售速溶茶产品为研究对象,采用近红外光谱分析技术并结合偏最小二乘法(PLS)对其水分、咖啡碱和茶多酚含量进行定标建模分析。建模结果以校正集相关系数(R_c)、校正集均方根误差(RMSEC)、交互验证相关系数(R_cv)和交互验证均方根误差(RMSECV)为指标评价模型的优劣。结果表明,水分较为理想的定标模型R_c=0.9266,RMSEC=0.6439,R_cv=0.8809,RMSECV=0.8509;咖啡碱的最优定标模型R_c=0.9964,RMSEC=0.1337,R_cv=0.9543,RMSECV=0.4958;茶多酚较为理想的定标模型R_c=0.9845,RMSEC=1.2097,R_cv=0.9679,RMSECV=1.8083。经验证集样品检验,水分、咖啡碱、茶多酚的预测相关系数分别是0.9050、0.9350、0.9557,与实际测定值吻合度较高,可为速溶普洱茶制品理化成分的快速检测提供参考。     

哈姆林甜橙果实内在品质的可见-近红外光谱无损检测法

采用可见- 近红外漫反射光谱技术,结合偏最小二乘法,以不同时间采摘的哈姆林甜橙果实为样品建立其可溶性固形物、含酸量和VC 的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行对比分析。结果表明：原始光谱在400～1000nm 波段的模型预测精度较高。经多元散射校正和5 点移动平均平滑预处理后,果实可溶性固形物含量的PLS 模型最好,校正集样品的相关系数为0.995RMSEC和RMSEP分别为0.026%、0.028%;预测集样品的相关系数为0.992。经多元散射校正和9 点移动平均平滑预处理后,果实含酸量的PLS 模型最好,校正集样品的相关系数为0.997,RMSEC 和RMSEP 分别为0.012%、0.013%;预测集样品的相关系数为0.997。经多元散射校正和9 点移动平均平滑预处理后,果实VC 含量的PLS 模型最好,校正集样品的相关系数为0.998,RMSEC 和RMSEP 分别为0.009%、0.009%;预测集样品的相关系数为0.999。可见由不同时间采摘的果实组成的样品集所建立的数学模型可以提高模型的预测精度,从而提高模型的适用范围。应用可见-近红外漫反射光谱检测哈姆林甜橙果实的内在品质可行。     

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。     

基于近红外光谱的淀粉含水量快速检测研究

运用近红外光谱分析技术检测淀粉的含水量,收集了国内常用的不同种类的淀粉,选择最优的光谱预处理方法和光谱范围,运用偏最小二乘法（PLS）进行定量分析研究。结果表明,采用偏最小二乘法（PLS）所建的定量分析模型的相关系数R2达0．9912,预测均方根误差RMSEP为0．0784,偏差为0．132。研究发现,近红外光谱技术用于快速无损检测淀粉含水量是可行的。     

Prediction of the ripening times of Manchego cheese using multivariate statistical analyse: a preliminary study

 Multiple linear regression, principal component regression, and partial least squares (PLS) regression were used to calculate ripening time in standard Manchego cheeses based on water activity (Aw), pH, and other proteolysis parameters. The root mean square error of prediction by cross-validation was used to study the prediction accuracy of the models. PLS regression yielded the best predictions of ripening time and was used to predict the ripening times of eight commercial Manchego cheeses. Received: 8 October 1997 / Revised version: 20 January 1998     

拉曼光谱快速监测荔枝酒发酵过程酒精度的研究

酒精度是荔枝酒发酵过程及成品酒质量控制的关键因素，该研究使用拉曼光谱仪快速采集样本信号，并对拉曼光谱数据进行2阶导预处理后，分别采用偏最小二乘法（PLS）和向量角偏最小二乘法（VAPLS）建模，同时对模型效果进行对比分析。结果表明，VAPLS酒精度预测模型效果最好，该模型预测值与真实值的相关系数（R2）为0.993 1，均方根误差（RMSE）为0.285 6，验证集预测相对误差为-5.0%～1.6%，优于PLS建模方法。所建分析方法简便快速，能满足生产中荔枝酒酒精度的快速检测精度要求，并可以拓展实现酒类发酵过程中多个性能指标的同时分析。