白酒基酒中己酸、乙酸的近红外快速检测

建立白酒基酒中的己酸、乙酸的快速检测方法,通过分析白酒基酒样品的近红外光谱图,对光谱数据进行不同处理。结果表明：白酒基酒中己酸、乙酸对近红外有特异吸收,最佳预处理方法与最优波段分别为：一阶导数＋减去一条直线、一阶导数＋矢量归一化预处理光谱;谱区选择6 101.7～5 446 cm－1和11 998.9～7 501.7 cm－1,6 101.7～5 449.8 cm－1和11 998.9～7 497.9 cm－1。利用偏最小二乘法与傅里叶变换近红外光谱相结合,采用内部交叉验证法建立模型,通过对模型进行优化,己酸、乙酸校正集样品的化学值与近红外的预测值的决定系数分别为99.73%、97.00%;内部交叉验证均方根差分别为0.90、0.63 mg/100 mL;进一步对己酸、乙酸模型进行验证和评价,己酸和乙酸模型验证集的决定系数分别为99.47%、95.63%,预测标准偏差分别为1.00、1.73 mg/100 mL。结果表明建立的模型效果很好,具有较高的精密度和良好的稳定性,能满足白酒生产中己酸和乙酸的快速检测要求。     

基于近红外光谱技术的白酒基酒中乳酸的快速检测

目的:研究现代近红外光谱技术快速检测白酒基酒中的乳酸含量。方法:采用高效液相色谱法测定基酒样品中乳酸的化学值,与近红外透射光谱相结合,建立白酒基酒中乳酸的定量检测模型。结果:最佳预处理方法为一阶导数+多元散射校正(MSC),最优波段谱为6102~5450 cm-1。对模型进行优化和检验,得到校正集样品的化学值与预测值的决定系数(R2)为0.9771,校正标准偏差(RMSECV)为0.1825;验证集的决定系数(R2)为0.9808,预测标准偏差(RMSEP)为0.1475。结论:近红外光谱法快速有效,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,为白酒生产中乳酸含量的检测提供方法指导。     

白酒基酒中甲酸的近红外预测模型构建

为构建白酒基酒中甲酸的近红外预测模型,达到快速预测甲酸含量的目的,采用气相色谱法测定白酒基酒中甲酸的含量作为近红外预测模型的输入量,并通过分析白酒基酒样品的近红外光谱图,比较不同光谱数据预处理方法对建模效果的影响。结果表明,白酒基酒中甲酸对近红外有特异吸收,最佳预处理方法与最优波段为:一阶导数+减去一条直线,谱区区间选择在5813～5740 cm~(-1)和8482～8260 cm~(-1)。甲酸校正集样品的化学值与近红外的预测值的决定系数为99.25%,交叉验证均方根误差为4.26 mg/100 m L,相对分析误差为11.6;进一步对甲酸进行验证和评价,甲酸验证集样品的决定系数为97.6%,均方根误差为5.53 mg/100 mL,相对分析误差为9.68。结果表明,所建立的模型效果良好,能满足白酒生产中甲酸的快速检测需求。     

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。     

白酒基酒中典型醇的近红外预测模型构建

采用气相色谱法测定白酒基酒中的正丙醇、正丁醇、正戊醇和异戊醇的含量作为建立近红外预测模型的化学值,将近红外光谱图结合偏最小二乘法和内部交互验证法建立基酒中典型醇的快速检测模型,并进一步优化模型。确定了最优光谱预处理方法和最佳谱区,正丙醇、正丁醇、正戊醇和异戊醇的校正集样品的真实值与近红外预测值的决定系数（R2）分别为0.952、0.981、0.963和0.981,内部交互验证均方根误差分别为0.27、0.49、0.101?mg/100?mL和0.67?mg/100?mL;验证集的决定系数（R2）分别为0.947、0.980、0.928和0.952,预测均方根误差分别为0.40、0.81、0.49?mg/100?mL和1.35?mg/100?mL。结果表明建立的典型醇近红外快速检测模型的准确度、稳定性及预测性能均呈现良好,为白酒基酒的醇类物质品质分析方法研究提供了新的思路。     

化学计量学结合NIR对浓香型白酒年份、等级的研究

研究白酒基酒中年份、等级的快速检测方法,经过近红外光谱分析,进行各种预处理和建模方法.结果表明:白酒基酒中典型醇和脂的特异吸收范围在4833～6846?cm-1,分别建立年份、等级的近红外模型,确定LSSVM模型是试验最佳的建模方法,最佳的预处理方法分别为SNV和1d+SNV,年份的近红外模型的校正集和验证集的决定系数...     

近红外分析技术快速检测白酒基酒中的总酯含量

采用近红外光谱分析技术,对基酒总酯进行无损检测研究。利用近红外光谱仪采集基酒样品在4000～10000 cm~(-1)波段内的光谱数据,首先对光谱数据进行一阶导数预处理,然后采用Si-PLS组合间隔偏最小二乘法优选特征波长,最后运用PLS偏最小二乘法建立基酒总酯模型。该模型校正集的决定系数R_C~2为0.95,校正集的均方根误差RMSEC为0.17;预测集的决定系数R_P~2为0.93、预测集的均方根误差RMSEP为0.19。与全波段光谱模型相比,该模型预测能力更强,稳定性更优。     

近红外光谱法快速测定木材纤维素、戊聚糖和木质素含量的研究

探讨了近红外光谱法快速测定木材纤维素、戊聚糖和Klason木质素含量的可行性。用常规实验室方法测定106种木材样品的纤维素、戊聚糖和Klason木质素含量,用近红外光谱仪采集相应样品的光谱。利用偏最小二乘法（PLS）和完全交叉验证方式,对原始光谱进行一阶导数＋矢量归一化（SNV）和一阶导数＋多元散射校正（MSC）预处理后,选择7502-5446 cm^-1、4601-4247cm^-1和6102-4597 cm^-1区间建立样品纤维素、戊聚糖、Klason木质素含量和光谱数据之间的相关性模型。模型的决定系数（R2）高,分别为0.9705、0.9927和0.9827;交叉验证均方根偏差（RMSECV）低,分别为0.40%、0.38%和0.49%;残留预测偏差（RPD）分别为5.83、11.7和7.61。采用3个模型分别对样品进行预测,预测偏差分别为-0.36%-0.34%、-0.40%-0.32%和-0.36%-0.39%。结果表明,可以利用近红外光谱法快速测定木材纤维素、戊聚糖和Klason木质素含量。     

便携式近红外甲醇检测仪与实验室仪器预测能力比较

目的探究联合研发便携式近红外检测仪检测白酒基酒中甲醇含量的可行性。方法分别用比色皿、液体探头取样检测白酒基酒中甲醇的含量,借助化学计量学方法建立白酒中甲醇含量的预测模型,并与实验室VECTOR33型近红外光谱仪所建模型的预测能力进行比较。结果校正集决定系数分别为:0.819、0.838、0.886,校正标准差分别为:16.13、15.78、14.60mg/L,验证集的决定系数分别为:0.814、0.820、0.844,预测标准差分别为:19.99、19.25、20.44 mg/L,平均相对误差分别为:8.94%、8.32%、9.34%。结论研发的便携式近红外检测仪与实验室仪器的检测结果具有较好的一致性,可以用来检测白酒基酒中甲醇含量。     

基于近红外建立荞麦营养成分快速检测模型

为探索一种快速、高效测定荞麦营养成分含量的方法,从内蒙古等地收集荞麦样品66份,采集样品近红外漫反射光谱图,并参照国标法测定样品水分、灰分、脂肪、蛋白质、淀粉含量,利用样品近红外光谱指纹结合化学计量学方法建立荞麦各营养成分的快速检测模型。结果,在10 000~4 000 cm-1波数范围内,分别对近红外光谱进行多元散射校正+一阶导数处理、一阶导数处理+标准正态变换及去趋势算法、无预处理、二阶导数+标准正态变换及去趋势算法,结合化学测定值建立的营养成分快速检测模型的校正和预测效果最佳;所建立的水分、灰分、脂肪、蛋白质、淀粉含量快速检测模型交叉验证决定系数R2分别为81.601 0%、94.086 2%、80.942 3%、99.897 5%、99.857 6%,外部验证决定系数R2分别为81.60%、94.09%、80.94%、99.97%、99.86%,且验证结果预测值及化学值差异不显著。建立的模型可以满足荞麦营养成分的快速检测。     

基于近红外光谱的煎炸油极性组分定量分析模型构建

为了建立煎炸油中极性组分的快速检测方法,通过热处理和模拟煎炸方式,采集氧化程度不同的油样并用 国标法分析样品极性组分,采集样品近红外透射光谱,经光谱预处理,利用偏最小二乘法建立煎炸油极性组分定量 分析模型并对模型进行验证。结果表明：在波长范围为4 963～4 616、5 2 22～5 037 cm－1和5 688～5 499 cm－1,采 用一阶求导和Savitzky-Golay（7,5）平滑光谱处理,校正集相关系数为0.996 5,校正均方根差为1.84%,验证集R为 0.993 6,验证均方根差为1.92%,模型预测效果良好,利用近红外透射光谱测定煎炸油极性组分可行。     

食用油脂酸值近红外光谱特征波长优选

以近红外光谱快速检测大豆油脂酸值为目标,研究间隔偏最小二乘（interval partial least square,iPLS）结合遗传算法（genetic algorithm,GA）及连续投影算法（successive projection algorithm,SPA）的特征波长变量优选方法。制备不同酸值的大豆油脂样品100 个,并在4 000～12 000 cm－1范围内采集了油样的近红外透射光谱。首先用iPLS法从原始光谱中初步筛选出4 540～5 346 cm－1和6 807～7 004 cm－1组合特征波段,R2和预测均方根误差（rootmean square error of prediction,RMSEP）分别为0.978 9和0.064 3;然后分别用GA和SPA从特征光谱区域中筛选出与油脂酸值密切相关的特征波长变量,从GA和SPA 2 种选择结果中各选取前6 个波长点,以12 个特征波长变量建立PLS校正模型,其R2和RMSEP分别为0.985 9和0.045 1。研究表明,在油脂酸值近红外光谱分析中,采用iPLS-GASPA相结合的方法进行特征波长选择能有效去除冗余信息,降低模型复杂度,可为快速无损检测油脂酸值提供重要理论依据。     

近红外光谱技术快速测定鹅肉新鲜度

目的：应用近红外光谱技术快速检测鹅肉的新鲜度,评价指标包括总挥发性盐基氮和pH值。方法：采集完整冷鲜鹅肉的近红外光谱（950～1 650 nm）,光谱经多种校正预处理后,采用偏最小二乘法建立鹅肉新鲜度的定量预测数学模型。结果：对于这2 种指标均采用标准常态变量结合偏最小二乘法所建立模型的预测效果最好,总挥发性盐基氮和pH值定量校正数学模型的模型决定系数分别为0.727、0.991,内部交互验证均方根误差分别为3.666、0.028。用此模型对预测集20 个样品进行预测,预测值与实测值的相关系数分别达到0.976、0.705,预测值平均偏差分别为－0.240、－0.024,预测值和实测值之间没有显著性差异（P＞0.05）。结论：近红外光谱作为一种无损快速的检测方法,可用于评价鹅肉新鲜度。     

红外光谱结合统计分析对不同产地玛咖的鉴别分类

采用傅里叶变换红外光谱法,对采自云南及秘鲁共139 份玛咖样品进行产地鉴别研究。采用多元散射校正结合二阶导数和Norris平滑预处理光谱,通过剔除噪声明显的光谱波段,筛选出适宜的主成分数为8。基于最优主成分数,采用间隔偏最小二乘（interval partial least-squares,iPLS）法对3 650.59～651.82 cm－1光谱进行优化分析。结果显示,筛选98 份样品在1 855.19～651.822、3 054.69～2 756.78 cm－1和3 650.59～3 353.6 cm－1光谱建立的间隔偏最小二乘判别分析（interval partial least-squares discriminant analysis,iPLS-DA）分类模型,其R2、校正均方根误差和预测均方根误差分别为0.958 4、0.785 8和1.164 2。通过41 份样品验证,验证正确率与原光谱建立的分类模型保持一致,均为87.80%。为进一步提高分类模型的精度,在iPLS筛选的光谱波段基础上,分别采用遗传算法（geneticalgorithm,GA）和蛙跳算法（shuffled frog leaping algorithm,SFLA）对光谱信息进行优化,结果显示,采用GA筛选频率大于4和5的光谱信息,筛选的光谱数据点分别为62 个和29 个;利用SFLA筛选概率大于0.1和0.15的光谱信息,筛选的光谱数据点分别为77 个和27 个。验证结果显示,采用GA-PLS-DA（62 个数据点）和GA-PLS-DA（29 个数据点）建立的PLS-DA分类模型识别正确率分别为95.12%和97.56%,采用SFLA-PLS-DA（77 个数据点）和SFLA-PLS-DA（27 个数据点）建立的分类模型识别正确率分别为92.68%和97.56%。对比上述方法可知,采用iPLS-DA、GA-PLS-DA和SFLA-PLSDA建立的分类模型均具有较好的预测性能,其中GA-PLS-DA（29 个数据点）和SFLA-PLS-DA（27 个数据点）建立分类模型能更准确地鉴别不同产地的玛咖。该方法的建立为玛咖红外光谱产地鉴别提供一种新的思路,所筛选的光谱变量可为不同产地玛咖内在化学成分（组分）差异性分析提供基础依据。     

基于有效波长选择的近红外光谱枸杞总糖含量快速检测

为建立枸杞总糖含量快速准确的检测方法,采用近红外光谱为检测手段,以114 个不同产区枸杞样品为研究对象。采用积分球漫反射模式采集样品近红外光谱,利用化学计量学方法确定光谱信息与总糖含量之间的关系,通过载重图法及相关系数法进行有效光谱选择,比较确定枸杞总糖光谱建模有效波段,建立枸杞总糖近红外光谱定量检测模型,并利用国标方法进行验证分析。结果发现：对全样品光谱进行Norris Gap Derivative求导预处理后,采用相关系数法选择8 700～4 000 cm－1波段进行建模。当主成分数为8时,建模效果较好,模型的校正集决定系数与验证集决定系数均高于0.91。结果表明,基于近红外光谱技术的枸杞总糖含量快速检测是可行的。     

傅里叶变换近红外光谱技术测定绿茶全氮量

建立准确性高、稳定性好的绿茶全氮量的偏最小二乘定量分析模型。在4 691～3 959、5 126～4 848 cm－1 波段区间内,光谱经过一阶导数与平滑处理后,模型的预测性能最好,外部验证集样品的预测值与实测值的预测均 方差（RMSEP）为0.092 5%,相关系数为0.993 9。根据嫩度等级,建立了绿茶全氮量子模型,提高了模型的预测 性能。嫩度为3 级的子模型预测结果最好,验证集样品的全氮量的预测值与实测值的RMSEP值最小,为0.037 9%, 相关系数为0.996 1。绿茶全氮量近红外光谱检测技术是一种绿色、快速、高效的新型分析技术,能够实现快速测定 绿茶全氮量,评价绿茶品质。     

蜂蜜中羟甲基糠醛的近红外光谱快速测定方法

为实现蜂蜜中羟甲基糠醛的快速测定,利用近红外(NIR)光谱分析技术结合偏最小二乘法(PLS)建立了蜂蜜中羟甲基糠醛的定量分析模型,并进行了预测。通过光谱扫描,波数范围为7706~4009cm-1、一阶导数、norris derivative平滑及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,羟甲基糠醛定量模型的交叉验证相关系数(Rcv2)=0.99620、交叉验证均方差(RMSECV)=2.40;预测相关系数(Rp2)=0.99874、预测均方差(RMSEP)=2.02;预测值与测定值之间无显著差异,该方法适用于蜂蜜中羟甲基糠醛的快速测定。     

MWPLS法在羊肉中TVB-N近红外定量分析中的应用

将移动窗口偏最小二乘（moving window partial least squares,MWPLS）法应用于羊肉中挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量的近红外定量分析模型的构建中,通过改变MWPLS的窗口宽度,优选与羊肉中TVB-N含量高度相关的光谱区域。模型评价及验证结果显示,移动窗口宽度为160 个波长点时优选得到的光谱区域（1 325～1 484 nm）所构建的定量分析模型最佳,其预测相关系数、预测标准偏差、主因子数和预测偏差比率分别为0.856 84、0.564 29 mg/100 g、5和2.9,这说明MWPLS可以有效地筛选羊肉中TVB-N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800 个减少为160 个）。