近红外光谱分析技术在油品质量分析中的应用

分析了近红外光谱在油品质量分析中应用的工作原理，介绍了常用的几种近红外光谱定量、定性分析方法．定量分析方法主要有多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘法(PLS)与人工神经网络法(ANN)等；定性分析方法包括峰位鉴别法、模式识别法等，并对这几种方法进行了比较．进一步介绍了近红外光谱技术在柴油、汽油等油品质量分析中的应用成果．结果表明，近红外光谱分析技术是分析油品质量的一种有效而便利的方法，具有相当的工业应用价值．     

近红外光谱技术在食用植物油脂检测中的应用

近红外光谱技术作为一种快速检测技术,在食品行业已应用于粮食检测、果蔬加工和肉制品加工等领域,为食品质量管理作出了较大贡献。从近红外光谱技术在食用植物油脂分类检测、品质分析以及掺伪鉴别三个方面的应用加以综述;并对近红外分析技术建模过程中关键问题进行了分析和总结。     

用近红外光谱定量分析混纺毛织品中羊毛的质量分数

运用近红外浸反射光谱技术定量分析羊毛／染色粘胶混合样中羊毛的质量分数,标样集中近红外预测值与实际值之间的相关系数是０．９８２;对待测样品检验结果：预 值变异系数ＣＶ为４．１％,令人满意。表明该方法有望成为一种快速的、非破坏性的定量分析混纺织物的手段。     

基于近红外光谱技术的辛伐他汀片剂生产过程多参数的质量监控

利用近红外光谱（NIR）技术,并结合化学计量学方法,建立了辛伐他汀片剂制备过程水分含量、制片压力、片剂硬度、主药含量四参数的近红外定量分析模型。采用偏最小二乘法（PLS）建立校正模型,以相关系数（R）、校正均方差（RMSEC）、预测均方差（RMSEP）和内部交叉验证均方差（RMSECV）为模型性能评价参数。其中水分含量校正模型的RMSEC为0.682,R为0.99030,内部预测集的RMSEP为0.672,R为0.9906,模型的RMSECV为0.99050;制片压力校正模型的RMSEC为0.181,R为0.98540,内部预测集的RMSEP为0.165,R为0.9763,模型的RMSECV为0.46900;片剂硬度校正模型的RMSEC为0.158,R为0.99130,内部预测集的RMSEP为0.176,R为0.9894,模型的RMSECV为0.34000;主药含量校正模型的RMSEC为0.322,R为0.98878,内部预测集的RMSEP为0.473,R为0.9802,模型的RMSECV为0.55100。结果表明,所建模型具有良好的预测能力,能有效地应用于辛伐他汀固体制剂生产过程中上述各参数的监控。所建方法,对药物固体制剂生产过程的质量监测与控制具有指导意义。     

近红外光谱技术测定花生蛋白质含量研究

采用近红外光谱技术(NIRS)建立花生蛋白质含量的测定模型,讨论了不同回归技术及光谱和数学处理方法对模型的影响,并对模型进行外部验证.得出最佳的建模参数为:标准正常化结合散射处理(SNV and Detrend)的光谱处理方法和"2,4,4,1"的数学处理方法,改进最小二乘法的回归技术.得到的定标方程的定标相关系数为0.926 9,定标标准偏差为0.228 1,交叉验证相关系数为0.911 7,交叉检验标准偏差平均值为0.311 9,经外部验证得到的相关系数为0.919 7.近红外光谱技术可以用于花生蛋白质含量的快速检测.     

近红外光谱技术测定花生蛋白质含量研究

采用近红外光谱技术(NIRS)建立花生蛋白质含量的测定模型,讨论了不同回归技术及光谱和数学处理方法对模型的影响,并对模型进行外部验证.得出最佳的建模参数为:标准正常化结合散射处理(SNV and Detrend)的光谱处理方法和"2,4,4,1"的数学处理方法,改进最小二乘法的回归技术.得到的定标方程的定标相关系数为0.926 9,定标标准偏差为0.228 1,交叉验证相关系数为0.911 7,交叉检验标准偏差平均值为0.311 9,经外部验证得到的相关系数为0.919 7.近红外光谱技术可以用于花生蛋白质含量的快速检测.     

近红外光谱分析技术的发展与应用研究

近红外光谱为分子振动光谱的倍频和组合频谱带,主要是含氢基团的吸收,包含了绝大多数类型有机物组成和分子结构的丰富信息.其原理是基于不同的基团或同一基团在不同化学环境中的吸收波长的差异.该技术具有简便、快速、样品无需处理、适合在线分析等特点.其常用的数学算法有逐步多元线性回归(SMLR)、主成分回归(PCR)、偏最小二乘法(PLS)等.红外光谱技术主要应用于农产品、制药、生物医学等行业.目前的研究热点是仪器的改进和新的化学计量学算法.     

近红外光谱技术测定小麦过氧化氢酶的研究

过氧化氢酶是衡量小麦籽粒新鲜度的重要指标.将近红外光谱技术与化学计量方法结合起来,建立小麦样品过氧化氢酶的定标方程,并对方程进行了验证、优化得到小麦过氧化氢酶的最佳定标模型,其1-VR值为0.688,RSQ值为0.947,SEC值为3.363,SECV值为7.303,SEP值为3.361.通过外部验证,表明该方法可以对不同新鲜度的小麦进行快速筛查.     

主动光源近红外光谱仪研究应用进展

近红外分析法作为一种快速、准确、无损的检测方法,已经广泛应用于多个行业领域。近红外光谱仪在现代检测领域的影响愈发深远。结合近红外光谱仪发展历程,阐述了不同类型的主动光源近红外光谱仪的原理。通过分析比较国内外近红外光谱仪的发展现状,指出了当前市场上各种近红外光谱仪的优劣势,提出国内近红外光谱仪市场中存在的问题,并预测其发展趋势。     

利用近红外光谱进行羊绒与羊毛的鉴别技术研究

利用近红外光谱技术,以不同产地的羊绒、羊毛纤维为研究对象,结合主成分分析法和多元线性回归方法分别建立了羊绒、羊毛定性分析模型和羊绒-羊毛混纺纤维的定量分析模型.对模型的验证结果表明:定性分析模型能够准确地鉴别出羊绒与羊毛纤维;定量分析模型的相关系数和预测标准偏差分别达到了0.998 1和1.206 1,能够对羊绒-羊毛混纺纤维的含量进行准确的预测;近红外光谱技术用于羊绒、羊毛定性及定量分析具有可行性.     

栀子提取和纯化过程的近红外光谱快速检测方法

采用近红外光谱分析技术(NIR)以栀子渗漉提取和大孔树脂纯化过程为研究对象,分别研究并建立了过程中栀子苷含量的检测模型,可实现对中药栀子提取和纯化过程栀子苷含量的快速分析.运用偏最小二乘法(PLS)建立模型,提取过程校正模型相关系数R为0.997 47,校正均方差(RMSEC)和验证均方差(RMSEP)分别为0.588和0.536;纯化过程校正模型相关系数R为0.99640,校正均方差(RMSEC)和验证均方差(RMSEP)分别为0.308和0.298.本方法可用于中药栀子的提取、纯化过程有效成分含量的快速检测.     

车辆夜间驾驶辅助系统设计

本文针对车辆夜间驾驶过程中视线盲区或者会车过程中车灯对驾驶者的干扰所造成的安全隐患,提出一种近红外多波长自动切换车辆夜间驾驶辅助系统的设计方法.所设计的系统包括可变波长近红外照明系统、超焦距红外成像光学系统、波长自动转换系统、红外成像及信号处理系统、车辆电子控制单元(ECU)连接系统以及投影或屏幕显示与目标提示系统等.该系统利用辅助近红外光源提高道路的红外照明条件,并通过多个近红外照明和成像波长的自动切换实现近红外清晰成像,避免相对行驶车辆会车时光线的相互干扰,提高车辆驾驶的安全性.针对系统主要要求,设计了中心波长850 nm,峰值透过率高于90%,带宽小于20 nm的带通滤光片;确定了满足180 m照明距离所需要的发光二极管的总功率为30 W.     

免疫算法在近红外光谱奇异样本识别中的应用

为了提高近红外光谱数据建模后的准确性,文中提出基于免疫算法的近红外光谱奇异样本的识别方法.通过免疫算法与遗传算法对同一近红外光谱数据集分别进行奇异样本识别并比较,删除奇异样本后,免疫算法较遗传算法分别将水分、脂肪、蛋白质的PLS模型的预测误差平方和分别降低了25.8%、32.1%、21.7%.实验表明,免疫算法适用于近红外光谱奇异样本的识别,提高了模型预测精准度和稳健性.     

红外监控系统中图像增强技术的应用

提出了分形布朗运动的方法增强红外监控图像,利用分形布朗运动模型分析红外图像每个像素并计算出分形维数,根据分形维数和人眼对像素的敏感程度对监控图像进行增强.通过红外监控系统的软硬件试验,人眼视觉特性被引入到监控系统中,图像突出增强了景物的轮廓,使得监控画面能够取得较好的观察效果,该方法能够解决红外监控系统图像边缘模糊可视性差的问题.     

基于变量组合集群分析法的小麦蛋白质近红外光谱变量选择方法研究

为了解决小麦蛋白质的近红外光谱信息复杂、共线性严重及全光谱建模的预测能力不足等问题,采用一种新的变量选择方法——变量组合集群分析法(VCPA)对小麦蛋白质的近红外光谱进行特征波长选取.首先利用二进制矩阵采样策略(BMS)和指数衰减函数(EDF)删除无信息变量,优选小麦中蛋白质近红外特征波长,然后结合偏最小二乘法(PLS)建立预测模型.与其他变量选择方法相比,VCPA所选用的波长点最少,模型的预测能力最强,VCPA算法所采用的BMS变量采样策略弥补了蒙特卡洛采样方法的不足.研究结果表明,VCPA算法可以有效选择小麦蛋白质近红外光谱特征波长,提高预测模型的可靠性和适用性.     

温度测量型近红外光谱分析仪的研究

本文对现有近红外光谱分析仪的样品仓进行改进,在采集样品的吸光度同时,测量样品仓的温度,作为样品温度.并以40个小麦粉末样品为实验材料,在样品温度为4.7℃～22.2℃范围,使用不同温度下样品的200组光谱数据,建立了测定小麦蛋白质含量的温度修正模型和温度不敏感模型.分析结果表明:温度修正模型的交叉校验预测标准差(SEP)为0.335,而温度不敏感模型的SEP=0.377.因此测量样品光谱的同时测量样品温度,结合温度修正模型可以有效地提高近红外光谱定量分析精度.