采用NITS检测乳品中蛋白质、脂肪含量

应用近红外透射光谱法对乳制品中蛋白质和脂肪含量进行检测。首先对光谱进行平滑等预处理,然后使用小波基为db3,分解尺度为6的小波进行数据压缩,最后以压缩后光谱数据作为输入,采用径向基函数人工神经网络（RBF-ANN）建立四种乳制品蛋白质和脂肪含量的预测模型,并试验得出最佳扩散常数spread值,其中,对蛋白质建模时最佳spread值为135,此时,相关系数和预测集均方差分别达到0.9999和0.0301;对脂肪建模时最佳spread值为105,此时,相关系数和预测集均方差分别达到0.9997和0.0968。结果表明,结合RBF-ANN和小波压缩建立的定量模型更稳定、精度更高,能够对乳制品品质进行快速无损检测。     

基于近红外光谱技术乳制品品种快速无损鉴别

研究了使用近红外透射光谱法对四种乳制品品种进行快速鉴别的方法.首先对样品光谱进行多元散射校正等预处理,然后对处理后的光谱进行小波基为db3,分解尺度为6的小波压缩,最后以压缩后光谱数据作为输入变量,分别采用BP-ANN、RBF-ANN和SVM-ANN三种人工神经网络建立品种鉴别模型.结果显示,当光谱预处理方法为多元散射校正加S-G平滑加小波变换(MSC +S-G +WT)时,三种网络对样品的鉴别率均达到了100％.所以近红外光谱技术可以实现对乳制品品种的快速无损鉴别.     

采用近红外光谱技术检测牛奶中脂肪、蛋白质及乳糖含量

利用近红外(NIR)漫反射光谱(1100～1700nm)快速测量牛奶中脂肪、蛋白质和乳糖的含量。采用偏最小二乘方(PLS)回归．建立了测量光谱与牛奶主要成分浓度之间的校正模型,并对其预测重复性进行了研究;进而探讨了非线性校正方法径向基函数网络(RBFN)的可行性,并与PLS线性校正模型进行了对比;探讨了如何提高PLS校正模型预测精度的相关问题。     

基于近红外透射光谱的牛奶中脂肪和蛋白质含量检测

基于近红外光谱检测牛奶中蛋白质和脂肪含量是当前的一个研究热门,主要可以利用近红外反射光谱,近红外漫反射光谱和近红外透射光谱的光谱信息来分析牛奶的主成分含量。本文是利用近红外透射光谱原始数据,通过数学方法转换,从吸光值、吸光比和吸收度三种形式,采用偏最小二乘法(PLS)回归,分别建立了其与牛奶主成分浓度之间的校正模型。对比三种形式所建立的数学模型的优劣,探讨了如何提高PLS校正模型预测精度的相关问题。     

近红外光谱结合小波变换-径向基神经网络用于奶粉蛋白质与脂肪含量的测定

应用近红外光谱分析技术结合化学计量学方法,建立了奶粉脂肪和蛋白质含量测定的化学计量学建模新方法.首先采用Kernard-Stone法对校正集样本和预测集样本进行分类,然后利用小波变换滤波技术对样品的近红外光谱进行压缩去噪处理,结合滤波后重构光谱信号建立脂肪和蛋白质的径向基神经网络回归模型,并分别对径向基网络的扩散常数spread值及小波变换中的小波基与压缩尺度三个参数进行了详细的讨论.脂肪模型在小波基为db2及小波尺度为4、spread值为3.5时的预测模型精度最好;蛋白质模型在小波基为db8及小波尺度为4、spread值为6时,预测模型精度最好.所建立的脂肪和蛋白质校正模型的预测集相关系数(Rp)分别为0.990和0.994,预测均方根误差分别为0.007与0.004.预测结果表明,RBF网络结合小波变换进行建模预测,模型简单、稳健且精度较好,该方法适合奶粉脂肪和蛋白质含量的快速、无损测定.     

基于BP神经网络的啤酒酒精度近红外光谱快速检测

以啤酒酒精度的快速测定为研究对象,采用误差反向传播算法(Back-Propagation,BP),结合主成分分析(PCA),构造了三层的神经网络结构,建立了PCA-BP神经网络模型,达到满意的预测精度,结果表明:使用BP神经网络方法后,验证集预测均方差、平均相对误差和回收率范围分别为0.114、1.131%和97.91%-104.59%,其效果优于PLS模型.     

西红柿成熟度的近红外漫透射光谱无损检测

为了证实以近红外漫透射光谱技术结合化学计量学方法能有效实现西红柿成熟度的检测,采用美国海洋光学公司的QE65000光谱仪取得了西红柿的漫透射光谱数据,采用日本柯尼卡美能达CR-10反射式色差计取得了亮度、红绿色相、黄蓝色相和总色差颜色数据;通过标准数学建模方法建立了颜色模型,并通过偏最小二乘回归校正算法建立了近红外光谱模型。结果表明,两组模型都是以红绿色相指标建模时效果最佳,在99个未知样品数据中,预测模型的颜色模型误判情况分别为未成熟0%、半成熟33.33%、成熟0%;而近红外预测模型的误判情况分别为未成熟32.14%、半成熟50%、成熟0%。该研究验证了近红外光谱技术对西红柿成熟度进行无损检测的可行性,这对实现西红柿的快速、批量分选具有一定的实际意义。     

基于近红外水光谱组学的阿尔兹海默症诊断方法研究

阿尔兹海默症(Alzheimer''s disease,AD)是一种不可逆转的中枢神经系统退形性疾病,针对目前临床上AD诊断方法存在的主观性强、耗时、有创等缺点,无创、准确性高、可实现实时诊断的近红外光谱(near-infrared spectroscopy,NIRS) 分析有巨大优势。本文对采集的已确诊为AD和健康的265例血清样品光谱信息,进行光谱分析和主成分分析(principal component analysis,PCA) ,最后结合水光谱组学分析。结果表明:AD病人在PCA的前3个主成分分数中,PC1趋于负值,而健康人的PC1趋于正值。结合水光谱组学发现,AD患者在水光谱模式(water spectral pattern,WASP) 为多氢键和OH拉伸处的吸光度比正常人高,血清中水的大分子团存在的概率更高。相反,正常人在WASP为单氢键、水合作用以及不含氢键的自由水处吸光度明显高于AD患者,血清中水的小分子团存在的概率更高。因此,基于近红外水光谱组学的AD诊断方法是可行的。     

乙醇汽油含量的近红外光谱检测研究

随着石油资源的匮乏和能源需求量的日益增大,乙醇作为一种替代车用燃料越来越受到重视。在调和乙醇汽油的过程中由于其辛烷值的波动较大,影响车辆的动力性能,因此对乙醇汽油中的乙醇含量的准确检测具有重要意义。利用近红外光谱分析技术(NIR)定量分析乙醇汽油中的乙醇含量。实验结果表明,利用PCA在光谱1840～2030 nm范围能够准确分类乙醇汽油和成品汽油;采用PLS在光谱1400～2200 nm范围准确测量乙醇汽油中的乙醇含量,其交叉检验均方根误差(standard error of cross validation,SECV)为1.35(%,V/V),可以满足大部分乙醇汽油生产企业的实际检测需求。因此,采用近红外光谱技术和PCA,PLS分析方法可以有效的对乙醇汽油和成品汽油进行分类,对乙醇含量的定量分析模型也可以达到较高的精度。     

膝骨性关节炎的在体近红外光谱检测

根据关节软骨中水含量的变化,用近红外(NIR)光谱法在体无创检测膝骨性关节炎(KOA)。阐述了基于朗伯比尔定律的NIR光谱法检测KOA的原理。以6 month的成年家兔为实验对象,用Videman法获得KOA模型,多次采集正常兔膝和KOA兔膝的光谱,提取不同时间段所获得的光谱信息,计算得出了不同波长光强与828nm光强的比值,最后用线性拟合方法分析KOA兔膝的光谱信息。和正常膝关节相比,KOA膝关节的NIR吸收光谱增加,在983nm和995nm波长处变化明显。NIR光谱法在体无创检测KOA是可行的。本文的研究结果为NIR光谱法用于人KOA的临床检测提供了理论依据。