首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 51 毫秒
1.
利用近红外光谱(4000cm-1~10000cm-1)结合化学计量学方法快速检测了镇江香醋中的浑浊度。首先,用近红外光谱仪采集香醋样本的近红外光谱数据以及用离心法测定样本的浑浊度值;然后,采用间隔偏最小二乘法(iPLS)、反向区间偏最小二乘法(biPLS)、联合间隔偏最小二乘算法(siPLS)优选光谱特征区间;最后,采用全光谱(4000cm-1~10000cm-1)偏最小二乘法(PLS)对优选出来的区间建立香醋浑浊度近红外光谱模型。结果表明,采用siPLS将全光谱均匀划分30个子区间,选择4个子区间[4 10 18 27]联合时,建立的模型预测效果最佳,其RMSECV和RMSEP分别为0.173和0.208,校正集和预测集相关系数分别为0.9337和0.9004。因此,利用近红外光谱技术快速检测香醋中的浑浊度是可行的。  相似文献   

2.
探讨了快速、无损检测食醋中总酸含量的建模方法,利用近红外光谱法分别结合间隔偏最小二乘法(iPLS)、反向区间偏最小二乘法(BiPLS)、联合间隔偏最小二乘算法(SiPLS)进行建模,对各算法在不同划分区间数及区间选择时对建立模型的影响进行比较.结果表明:BiPLS、SiPLS(2,3,4区间联合)建模效果较好于iPLS所建立的模型,其中BiPLS在选择43个子区间,5个子区间联合(3,4,6,7,16)最佳,其RMSECV和RMSEP分别为0.2876和0.2726,校正集和预测集相关系数分别为0.9343和0.938;SiPLS在选择3个区间联合,49个区间数(3、5、7区间联合)最佳,其RMSECV和RMSEP分别为0.2607和0.2802,校正集和预测集相关系数分别为0.9463和0.9371;iPLS在选择22个子区间,第三个子区间,主因子数为4时最佳,其RMSECV和RMSEP分别为0.2998和0.2977,校正集和预测集相关系数分别为0.928和0.9213.不同偏最小二乘算法所选取区域大多集中于5500~6000 cm-1范围内,证明该波数范围应该是总酸的相应特征区间.  相似文献   

3.
利用均匀设计法进行橘皮酰胺化低酯果胶提取的工艺条件试验。考察反应pH、反应时间、反应温度3个因素对酰胺化低酯果胶得率、酰胺化度和酯化度的影响,通过试验数据的偏最小二乘回归分析得到可对酰胺化低酯果胶得率、酰胺化度和酯化度3个指标进行预测的二次多项式数学模型。此数学模型描述各种反应因素与橘皮低酯果胶得率、酰胺化度和酯化度之间的关系,预测得率时有较好的效果,预测酯化度和酰胺化度时存在一定误差。  相似文献   

4.
柠檬酸发酵液化清液生产过程监控对整个柠檬酸生产至关重要,近红外光谱能够通过不同波长下分子的振动多方面地反映过程的运行状况,包含了大量的过程信息。但是,现有方法往往是建立近红外光谱与总糖总氮等质量变量的回归模型,通过判断质量变量是否超过阈值实现对过程运行状态的事后报警,忽略了近红外光谱内部的很多有用信息,监控效果较差。该文充分利用和分析近红外光谱的统计特性,提出一种基于近红外光谱生产过程的统计监控方法,首先建立近红外光谱和总糖总氮的概率偏最小二乘模型(probability partial least squares,PPLS),然后基于模型对不同的信息设计监控指标,能够充分利用近红外不同波长上的信息,实现故障的事前预警。结果表明,采用该方法得到漏报率为9.68%,错报率为25.81%,可以有效地对柠檬酸发酵液化清液生产过程进行监控。  相似文献   

5.
采用近红外光谱法结合不同区间偏最小二乘波长筛选法建立花生油酸价的定量分析模型。采用酸碱滴定法测定花生油样本的酸价同时采集近红外光谱数据;采用区间偏最小二乘法(iPLS)、向后区间偏最小二乘法(BiPLS)、移动窗口偏最小二乘法(mwPLS)优选光谱特征区间;采用偏最小二乘法(PLS)对优选出来的谱段建立酸价的定量模型。结果表明,采用mwPLS选择的谱段建立的模型预测效果最佳,RMSECV和RMSEP分别为0.247 76和0.131 5,校正相关系数和预测相关系数分别为0.993 2和0.996 9。因此,近红外光谱结合移动窗口偏最小二乘法可以快速准确测定花生油的酸价。  相似文献   

6.
以无花果为试验对象,对其进行近红外光谱采集,并对其糖度、单果重、纵径、横径、硬度5个指标进行K-均值聚类;根据光谱数据、主成分分析确定最优聚类效果的成分和各类别的指标分布构建偏最小二乘判别分析(PLS-DA)模型进行聚类判别,以实现对果实成熟度(幼果期、成长期、成熟期)分类的准确、快速、无损伤鉴别。结果表明,3种成熟阶段的无花果样品的糖度、单果重和硬度均具有显著性差异,成熟果和成长果与幼果的纵径和横径间具有显著性差异。根据PLS-DA判别模型累计训练集的分类正确率为99.59%,测试集的分类正确率为99.15%。说明主成分分析与光谱数据所建立的PLS-DA模型性能较好,对无花果成熟度的快速鉴别是有效且可行的。  相似文献   

7.
职润  张娜  王迪  郭伟良  孟庆繁 《酿酒》2006,33(5):42-44
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。  相似文献   

8.
采用近红外光谱(near infrared spectroscopy,NIRS)结合组合间隔偏最小二乘法(synergy interval partial least squares,siPLS)建立稻米镉含量快速检测的方法。收集并分析72个稻米样品的NIRS谱图。对光谱前处理方法进行优化,确定平滑、多元散射校正与均值中心化处理为最优方法。采用siPLS法筛选特征波数,建立稻米镉含量的定量模型。稻米镉siPLS模型交叉验证均方根(RMSECV)与预测均方根(RMSEP)值分别为0.247与0.261,训练集相关系数(Rc)与预测集相关系数(Rp)值分别为0.919与0.895。结果表明:运用siPLS法选择特征波长后,不但可以降低模型的复杂度,同时还能够提高预测精度。NIRS作为一种快速、无损与便捷的初筛方法,可用于检测稻米中镉含量是否超标。  相似文献   

9.
移动窗口偏最小二乘法(moving window PLS,MWPLS)是1种波长区间优选方法,主要用于选择与待测组分相关的高信息量的光谱区间。将该方法应用于猪油中丙二醛(malondialdehyde,MDA)含量的近红外定量分析模型的构建中,优选波长区间。通过改变MWPLS的窗口宽度,原始光谱以及经S-G卷积求导(一阶和二阶)预处理的近红外光谱,优选出多个与猪油中丙二醛含量相关的区域。评价及验证结果显示,原始光谱不经校正处理,移动窗口宽度为160个波长点时,优选到的光谱区域(7 305.4 cm-1~6 078.8 cm-1)所构建的定量分析模型最佳,其主因子数(Rank)、决定系数(R2)、交互验证的校正标准偏差(RMSECV)、预测标准偏差[RMSEP(mg/100g)]、Bias和交互检验相对标准偏差(RPD)分别为5,0.9944,0.0596%,0.0545,-0.0181和14.4。这说明用MWPLS可以筛选猪油中丙二醛的近红外光谱信息区间,提高定量分析模型的预测能力,并降低数据的处理量(数据点由1 154个减少为162个)。  相似文献   

10.
采用近红外光谱(NIR)结合偏最小二乘法(PLS)建立了一种糖果中水分含量快速准确的测定方法。在12500~3600 cm-1光谱范围内采集116批糖果的近红外漫反射光谱,并用减压干燥失重法测定其水分含量。通过比较不同参数对建模的影响,发现用多元散射校正法进行预处理,在11682.2~9826.1、8939.0~6267.9、5378.8~4487.8 cm-1光谱范围内,主成分数为15时,应用PLS方法建立的糖果水分的定量分析模型效果最佳。所建立模型的相关系数为0.9716,校正均方根误差和验证均方根误差分别为0.97%和1.03%。该方法结果准确可靠、操作简便,可用于糖果中水分含量的快速检测。  相似文献   

11.
短波近红外光谱-偏最小二乘法在白酒分析中的应用   总被引:2,自引:0,他引:2  
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。  相似文献   

12.
The multivariate calibration methods—principal component regression and partial least squares—were employed for the prediction of antioxidant capacities of fruit juices. High-performance liquid chromatography and spectrophotometric approaches were used to determine the antioxidant capacities of fruit juices. The importance of calibration design was investigated by calculating the prediction and validation errors. The influences of using independent validation sets were emphasized. Calibration design is shown to have major effect on principal component regression and partial least squares errors. The models developed on the basis of the mean-centered data were able to predict the total antioxidant activity with a precision comparable to that of the reference [2,2-azino-di-(3-ethylbenzothialozine-sulfonic acid)] method. The partial least squares model seems preferable because of its predictive and describing abilities and good interpretability of the contribution of compounds to the antioxidant capacity. The contribution of individual phenolic compounds to the antioxidant capacity was identified by high-performance liquid chromatography.  相似文献   

13.
利用近红外光谱技术快速测定大豆油的过氧化值   总被引:1,自引:1,他引:1  
探讨应用近红外光谱技术测定大豆油的过氧化值.通过比较各种数据处理方法,以143份样品建立大豆油过氧化值(0.5~50 mmol/kg)的近红外定标模型,70份样品作为验证样品集进行了验证.结果表明:以一阶导(DBI)结合0~1间归一化(N01)后采用偏最小二乘法(PL5)建模效果最好,定标集预测标准差(SEC)0.516,相关系数(Rc)0.999,验证集预测标准差(SEP)0.523,相关系数(Rv)0.098,表明利用近红外光谱技术能快速测定大豆油的过氧化值.  相似文献   

14.
三级大豆油酸价的近红外光谱检测   总被引:1,自引:0,他引:1  
为改进现有的油脂检测方法,以三级大豆油脂酸价检测为研究对象,利用近红外透射光谱技术,结合化学计量学方法,选择4500~6000cm-1为特征波段建立油脂酸价校正模型,首先研究基于小波变换的光谱预处理方法,通过详细比较不同小波分解层数对建模的影响。结果确定db4小波的四层分解去噪效果最佳。结合滤波后重构的光谱信号建立油脂酸价BP神经网络校正模型,利用预测集样本对模型进行验证,决定系数R2和预测均方根误差分别为0.9743和0.1036。证明利用近红外光谱分析技术快速检测油脂酸价是完全可行的。  相似文献   

15.
为了解日常检测分离株产肠毒素和耐药情况,探讨食源性金黄色葡萄球菌产毒素的类型及分布状况,研究其耐药特性,对本实验室2016年~2017年日常食品检测中的分离株,分别用全自动荧光酶联免疫法检测肠毒素总量和酶联免疫吸附法对肠毒素SEA~SEE进行分型,并用全自动微生物鉴定药敏分析系统进行药敏试验。结果表明,370份食品中分离到的29株金黄色葡萄球菌,产肠毒素的有16株,阳性率为55.2%,其中食物中毒分离株5株都为肠毒素阳性。产2种及以上肠毒素的菌株为12株,占41.4%。A型~E型常见肠毒素都有检出,其中产SEE的菌株最多,有12株,占41.4%,产SEA的菌株次之,为11株。29株食源性金黄色葡萄球菌对庆大霉素、妥布霉素、青霉素、安苄西林、苯唑西林、阿莫西林-克拉维酸、复方新诺名、克林霉素、红霉素、利福平、四环素均有不同程度的耐药,并出现多重耐药性,其中对青霉素和安苄西林的耐药率最高,均为82.8%,其次为红霉素44.8%。该研究的食品监测中分离到的金黄色葡萄球菌其产肠毒素率较高,主要的类型为SEE和SEA。而且分离得到的食源性金黄色葡萄球菌存在不同程度的耐药性和多重耐药现象,建议从各个环节加强监测,降低因耐药菌带来的食品安全风险。  相似文献   

16.
采用近红外光谱分析技术获取桔子精油的光谱信息,结合偏最小二乘法(partial least square,PLS)回归分析提取光谱信息中的差异,通过化学计量学将光谱信息差异与对应的柠檬烯测定值关联,建立桔子精油中柠檬烯含量的近红外定量分析模型。模型的校正相关系数R_C为0.997 7,校正均方差为0.412;预测相关系数R_P为0.998 2,预测均方差为0.396;交互验证相关系数R_V为0.994 0,交互验证均方差为0.662;模型的性能指数为94.7。模型近红外光谱(near infrared spectroscopy,NIR)预测值与标准值之间的误差在-0.8%~1.2%之间。模型有良好的预测能力及稳定性。  相似文献   

17.
通过近红外光谱仪采集各种食用油与掺杂的初榨橄榄油的数据,运用聚类分析法对各种食用油进行聚类分析,结合主成分分析法对橄榄油的掺杂与否进行定性判别。结果表明,聚类分析和主成分分析法都有很好的定性鉴别能力,主成分分析法的鉴别模型预测未知样本的正确率达到100%。该方法快速、无损、简便,为橄榄油掺杂的定性鉴别提供了一种新的选择。  相似文献   

18.
采用近红外光谱技术与偏最小二乘法(PLS)相结合的方式对核桃油中菜籽油、大豆油的现象进行定量分析。结果显示,当核桃油中菜籽油时,采用最小-最大归一化进行光谱预处理,菜籽油定量模型校正相关系数RC及校正标准误差RMSEC和交叉验证模型的相关系数RCV和交叉均方根RMSECV分别为99.97%,0.532%和99.96%,0.562%;当核桃油中大豆油时,采用一阶导数+矢量归一化进行光谱预处理,大豆油定量模型RC及RMSEC和RCV及RMSECV分别为99.99%,0.336%和99.99%,0.352%;当核桃油中2种油(菜籽油和大豆油)时,采用二阶导数进行光谱预处理,菜籽油定量模型的RC及RMSEC和RCV和RMSECV为99.99%,0.220%和99.98%,0.313%,大豆油定量模型的RC及RMSEC和RCV和RMSECV为99.99%,0.210%和99.97%,0.386%;当核桃油中菜籽油、大豆油和玉米油时,分别以菜籽油、大豆油和玉米油为研究对象,同时分别用一阶导数+多元散射校正、二阶导数、一阶导数方法进行光谱预处理,可以得到菜籽油定量模型的RC及RMSEC和RCV和RMSECV为99.93%,0.347%和99.90%,0.401%,大豆油定量模型的RC及RMSEC和RCV和RMSECV为99.87%,0.524%和99.80%,0.615%,玉米油定量模型的RC及RMSEC和RCV和RMSECV为99.94%,0.371%和99.89%,0.451%。经过重复性试验和外部试验验证可知,近红外光谱分析技术可以快速准确地检测核桃油中掺入1种油、2种油和3种油的含量。  相似文献   

19.
Following the recent success in quantitative analysis of essential fatty acid compositions in a commercial microencapsulated fish oil (μEFO) supplement, we extended the application of portable attenuated total reflection Fourier transform infrared (ATR-FTIR) spectroscopic technique and partial least square regression (PLSR) analysis for rapid determination of total protein contents—the other major component in most commercial μEFO powders. In contrast to the traditional chromatographic methodology used in a routine amino acid analysis (AAA), the ATR-FTIR spectra of the μEFO powder can be acquired directly from its original powder form with no requirement of any sample preparation, making the technique exceptionally fast, noninvasive, and environmentally friendly as well as being cost effective and hence eminently suitable for routine use by industry. By optimizing the spectral region of interest and number of latent factors through the developed PLSR strategy, a good linear calibration model was produced as indicated by an excellent value of coefficient of determination R 2?=?0.9975, using standard μEFO powders with total protein contents in the range of 140–450 mg/g. The prediction of the protein contents acquired from an independent validation set through the optimized PLSR model was highly accurate as evidenced through (1) a good linear fitting (R 2?=?0.9759) in the plot of predicted versus reference values, which were obtained from a standard AAA method, (2) lowest root mean square error of prediction (11.64 mg/g), and (3) high residual predictive deviation (6.83) ranked in very good level of predictive quality indicating high robustness and good predictive performance of the achieved PLSR calibration model. The study therefore demonstrated the potential application of the portable ATR-FTIR technique when used together with PLSR analysis for rapid online monitoring of the two major components (i.e., oil and protein contents) in finished μEFO powders in the actual manufacturing setting.  相似文献   

20.
Mobile devices were used to quantify ethanol content—via colorimetry—in cachaça samples to great analytical precision. Ethanol from the spirits reacted with ceric ammonium nitrate (CAN) and nitric acid (NA) to form a red-colored complex. Images from the reaction were taken over time using a smartphone device and processed using software PhotoMetrix Pro® via partial least squares (PLS). A priori, Doehlert matrix was used for optimization of reagents concentration in the complexation reaction, with hierarchical cluster analysis (HCA) as estimation method and a flatbed scanner as measuring tool. When compared with the UV-VIS reference method, results from mobile device imaging presented a root mean square error of prediction (RMSEP) of 0.0677% (v/v). A t test showed there is no significant difference between methods (P?<?0.05).  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号