蚁群-遗传算法优化近红外光谱检测花茶花青素含量的研究

目的本研究基于蚁群-遗传区间偏最小二乘(ACO-GA-iPLS)近红外谱区筛选方法预测花茶花青素含量。方法首先对花茶近红外光谱进行预处理;然后用ACO-iPLS优选出特征子区间;最后对所选的特征子区间,用GA-iPLS进一步细化花青素的特征子区间,并建立花青素的预测模型。结果优选出3个特征子区间(第1、9、10子区间),所建模型对应的交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.1460mg/g和0.1840 mg/g,校正集和预测集相关系数分别为0.9187和0.8856。结论ACO-GA-iPLS可以有效选择近红外光谱特征波长,简化模型,提高模型精度。     

蚁群-遗传算法优化近红外光谱检测花茶花青素 含量的研究

目的：花青素是鲜花花草茶中起主要保健作用的成分,本研究提出一种基于蚁群-遗传区间偏最小二乘法(ACO-GA-iPLS)的近红外谱区筛选方法,并将其用于花茶花青素含量的预测。方法：将蚁群算法(Ant Colony Optimization, ACO)和遗传算法(Genetic Algorithm, GA)相结合优选特征光谱区间,然后用区间偏最小二乘法算法(iPLS)建立光谱模型。首先对花茶近红外光谱进行预处理;然后用ACO-iPLS优选出特征子区间;最后对所选的特征子区间,用GA-iPLS进一步细化花青素的特征子区间,并建立花青素的预测模型。结果：优选出3个特征子区间(第1、9、10子区间),所建模型对应的交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.1460mg/g和0.1840mg/g,校正集和预测集相关系数分别为0.9187和0.8856。结论： ACO-GA-iPLS可以有效选择近红外光谱特征波长,简化模型,提高模型精度。     

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的小麦粉灰分含量检测方法研究

采用近红外光谱技术建立小麦粉灰分含量的快速检测方法。使用两种不同的近红外光谱仪器采集小麦粉的近红外光谱数据,以常规分析法的测定值作为建模数据,采用偏最小二乘(PLS)回归分析法建立小麦粉灰分的定量分析模型,比较两种不同的近红外光谱仪器扫描的小麦粉近红外光谱图对模型的影响。结果表明,MicroNIR-1700近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为90.69,均方根误差(RMSECV)为0.031 2,预测集模型的均方根误差(RMSEP)为0.021 7;VERTEX70傅里叶变换近红外光谱仪扫描的谱图所建校正集模型的相关系数R~2为89.40,均方根误差(RMSECV)为0.035 0,预测集模型的均方根误差(RMSEP)为0.036 6。两种仪器都能用于小麦粉光谱采集,并进行灰分含量快速检测,MicroNIR-1700在小麦粉灰分检测方面有更好的应用。     

基于近红外光谱技术的柑橘罐头品质测定方法的研究

为了快速检测柑橘罐头主要营养指标的含量,实验对柑橘罐头进行光谱采集,通过偏最小二乘(PLS)线性拟合建立关于柑橘罐头总糖、总酸、黄酮和维生素C的近红外定量分析模型。通过分析比较不同的光谱预处理方法对近红外光谱模型的影响,其中经归一化预处理后建立的总糖和黄酮模型最优,相关系数分别为0.9156和0.9147,交互验证均方根误差(RMSECV)为0.6305%和2.7028 mg/100 g;平滑预处理后总酸的相关系数为0.8921,RMSECV为0.0539%;以原始光谱数据建立的维生素C模型的相关系数为0.9129,RMSECV为1.4323 mg/100 g;预测集总糖、总酸、黄酮和维生素C的相关系数分别为0.8519、0.8106、0.8334和0.8425,预测均方根误差(RMSEP)为0.8969%、0.0638%、3.6055 mg/100 g和1.9732 mg/100 g。实验结果表明:应用近红外光谱技术测定柑橘罐头中总糖、总酸、黄酮和维生素C的含量是可行的。     

长波近红外光谱-偏最小二乘法快速分析白酒中乙醇含量

研究近红外光谱结合偏最小二乘法(NIRS-PLS)快速测定白酒中的乙醇含量的可行性,应用NIRS-PLS所建的模型相关系数达到0.99991,校正均方根误差(RMSEC)为0.00181,通过交互验证得出交互验证均方根误差(RMSECV)为0.00296,预测参差平方和(PRESS)为0.00016.用模型对预测集和白酒样品进行预测,预测均方根误差(RMSEP)为0.00258,结果表明NIRS-PLS可用于白酒生产中的在线质量监控和白酒市场的快速质量检测.     

高光谱图像技术检测枇杷叶片三萜酸含量及叶面分布

枇杷叶富含三萜酸类化合物,具有较高的药用价值。本研究首先建立枇杷叶高光谱信号与三萜酸含量的对应关系,然后利用高光谱图像包含每个像素点的光谱信号这一独特优势,检测枇杷叶片的三萜酸分布。通过联合区间偏最小二乘法(si PLS)建立三萜酸含量分析模型,结果表明,采用si PLS将全光谱均匀划分11个子区间,选择1、5、6、7联合,主因子数为4 h,建立的si PLS谱区筛选模型预测效果最佳,其交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为3.392 mg/g和3.731 mg/g,校正集和预测集相关系数分别为0.8449和0.8223。根据si PLS模型计算叶片上所有像素点处的三萜酸含量,并通过伪彩色方法描述叶片中三萜酸含量的分布。研究结果表明,利用高光谱图像技术分析枇杷叶片三萜酸含量及叶面分布是可行的。     

软枣猕猴桃总酚的可见-近红外漫反射光谱无损检测

应用可见-近红外漫反射光谱在570～1848nm光谱区域内,建立了软枣猕猴桃总酚定量数学模型。实验将贮藏分三个阶段(采收阶段,贮藏12d,贮藏24d)进行,通过对比分析不同建模方法得到软枣猕猴桃总酚定标模型。结果表明,应用偏最小二乘回归算法、一阶导数处理和反相多元离散校正处理所建软枣猕猴桃总酚定标模型的预测性能较好。定标集样本的交互验证相关系数(RCV)为0.8939,交互验证均方根误差(RMSECV)为11.6734mg/100g;预测集样本的相关系数(RP)为0.8627,预测均方根误差(RMSEP)为16.7690mg/100g。研究表明：可见/近红外漫反射光谱对软枣猕猴桃总酚的快速无损检测具有一定的可行性, 但模型精度有待提高。     

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。     

近红外光谱结合不同偏最小二乘法快速检测镇江香醋的浑浊度

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。     

近红外光谱结合区间偏最小二乘法应用于花生油酸价的测定

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。     

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siPLS的猕猴桃糖度近红外光谱检测

为了探寻一种快速无损检测猕猴桃糖度的方法,利用小波滤噪法对猕猴桃1000～2500nm 近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型。结果表明,采用联合区间偏最小二乘法将光谱划分为16 个子区间,利用其中的第9、11、13 号3 个子区间联合建立的糖度模型效果最佳,其校正集相关系数和均方根误差分别为0.9414 和0.3788。预测集相关系数和均方根误差分别为0.9295 和0.3904,主因子数为7 个。研究表明,用小波滤噪和联合区间偏最小二乘法所建立的猕猴桃糖度模型不但减少建模运算时间,剔除噪声过大的谱区,而且预测能力和精度均有所提高。     

基于微型近红外光谱仪的油菜籽含油率模型参数优化研究

为实现油菜籽含油率快速无损检测,采用微型近红外光谱仪,结合竞争性自适应重加权(CARS)、遗传算法(GA)、连续投影算法(SPA)、无信息变量消除法(UVE)、向后区间偏最小二乘法(BIPLS)、联合区间偏最小二乘法(SIPLS)等方法优选油菜籽含油率近红外光谱特征波长,建立偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)定量分析模型,同时对LS-SVM模型参数进行优化。研究表明,对PLSR模型,BIPLS+GA优选的26个特征波长建模效果最好,其预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.9330和0.0075,对LS-SVM模型,SIPLS+GA优选的13个特征波长建模效果最好,预测相关系数(Rp)和预测均方根误差(RMSEP)分别0.9192和0.0055。证明了波长优选和参数优化可有效简化油菜籽含油率近红外光谱定量分析模型,提高模型预测精度和稳定性,为进一步拓展微型近红外光谱仪的应用提供技术参考。     

面粉湿面筋近红外定量分析中的光谱预处理方法研究

采用10种不同的预处理方法对面粉湿面筋含量的近红外光谱数据进行预处理,并比较了10种预处理方法对偏最小二乘法（PLS）建立定量模型效果的影响。结果表明,采用近红外光谱（NIRS）分析技术对面粉中的湿面筋含量进行定量分析时,一阶导数+减去一条直线的预处理方法对面粉湿面筋含量的预测效果最好,内部交叉验证相关系数R为0.901 8,内部交叉验证标准差（RMSECV）为0.708;预测相关系数R为0.920 9,预测标准差（RMSEP）为0.083,提高了预测模型的精度和准确性。     

Simultaneous analysis of main catechins contents in green tea (Camellia sinensis (L.)) by Fourier transform near infrared reflectance (FT-NIR) spectroscopy

This paper reported the results of simultaneous analysis of main catechins (i.e., EGC, EC, EGCG and ECG) contents in green tea by the Fourier transform near infrared reflectance (FT-NIR) spectroscopy and the multivariate calibration. Partial least squares (PLS) algorithm was conducted on the calibration of regression model. The number of PLS factors and the spectral preprocessing methods were optimised simultaneously by cross-validation in the model calibration. The performance of the final model was evaluated according to root mean square error of cross-validation (RMSECV), root mean square error of prediction (RMSEP) and correlation coefficient (R). The correlations coefficients (R) in the prediction set were achieved as follows: R = 0.9852 for EGC model, R = 0.9596 for EC model, R = 0.9760 for EGCG model and R = 0.9763 for ECG model. This work demonstrated that NIR spectroscopy with PLS algorithm could be used to analyse main catechins contents in green tea.     

间隔连续投影算法应用于近红外光谱苹果糖度模型的优化

目的采用一种改进的连续投影算法(successive projection algorithm,SPA)筛选光谱区间变量,优化苹果近红外光谱模型。方法试验以半透射方式无损地获取134个苹果的光谱信息,再以标准方法破坏性检测其内部糖度指标,在光谱信息与糖度指标之间构建定量模型。区间连续投影算法(intervals SPA, iSPA)是根据各光谱区间之间的投影关系,选择那些具有共线性小的区间变量来构建偏最小二乘模型(partial least square,PLS)。尝试以全区间光谱划分的间隔数量从5到60,步长为5,以优化共线性小的间隔组合。结果当划分为20个间隔时,构建的PLS模型相比于其他划分间隔时的模型,具有较小的交互验证均方根误差和较少的入选变量,此时对预测集的预测均方根误差为0.521,优于常规连续投影算法线性回归和全区间PLS模型的预测性能。结论区间连续投影算法可用于光谱区间变量的筛选,结合偏最小二乘法可提高模型的预测性能。     

基于不同颜色模型定量预测永川秀芽在制品含水率

为定量预测永川秀芽在制品的含水率,基于不同颜色模型探究在制品的色泽变化,并结合偏最小二乘（partial least square,PLS）法建立含水率的定量预测模型。结果表明：在永川秀芽初制过程中,在制品的红绿度、蓝色通道均值增高,含水率和亮度、黄蓝度、红色通道均值、绿色通道均值、色调均值等15 个颜色模型分量降低,即色泽表现为变暗、变黄;通过热图与聚类分析,可将在制品分为2 个大类、4 个亚类,且理条工序对在制品含水率、色泽的影响最为显著;利用17 个颜色模型分量和PLS方法建立了含水率的定量预测模型,以校正集相关系数（Rc）、交互验证均方根误差（root-mean-square error of cross-validation,RMSECV）、预测集相关系数（Rp）、预测均方根误差（root-mean-square error of prediction,RMSEP）、相对分析误差（relative percent deviation,RPD）为评价指标。模型的Rc、Rp、RMSECV、RMSEP分别为0.979、0.980、0.044 7、0.044 3。RMSECV、RMSEP的差值仅为0.000 4,且RPD达到5.04,表明模型具有极好的预测能力和泛化能力,为实现永川秀芽在制品含水率的在线监测提供了一种新方法。