近红外光谱法测定面粉的水分、脂肪、碳水化合物和蛋白质含量

应用近红外光谱技术结合不同的定量分析方法建立面粉4种组分的快速定量模型。国标法测定68种面粉样品的水分、脂肪、碳水化合物和蛋白质的含量,并采集其近红外漫反射光谱图。选取58个校正集和10个验证集样品,通过马氏距离法剔除异常样品后,对比17种光谱预处理方式所建立的基于全光谱的偏最小二乘法(partial least squares,PLS)定量模型效果,在最佳预处理方法的基础上,采用向后区间偏最小二乘法(Backward interval PLS,BiPLS)筛选特征光谱,进一步得到最佳定量模型。结果表明,所建立的模型校正集相关系数Rcv均大于0.9650,内部交叉验证均方根误差均小于0.328;验证集相关系数均大于0.9926,预测均方根误差均低于0.383。因此,模型具有较好的准确性和稳定性,能应用于面粉的多指标快速检测。     

采用正交投影偏最小二乘法快速无损分析乳粉蛋白质含量

应用近红外光谱分析技术,建立了不同品牌不同种类不同批次的乳粉原样和混合样的蛋白质定量分析模型。采用正交投影偏最小二乘法(orthogonal partial least squares,OPLS)建立近红外光谱回归模型,并与其他预处理方法和传统偏最小二乘法(partial least squares,PLS)对比;采用交叉验证法(cross-validation)全局寻优方式获得OPLS和PLS模型的最佳参数;5个主成分建立的OPLS校正模型效果最佳,相关系数R为0.994 0,校正集交叉验证均方根RMSECV为1.09,预测集的化学值与模型预测值的相关系数R达到0.976 7,分析模型的预测误差均方根RMSEP为0.905。结果表明:OPLS回归方法在简化模型的同时提高了模型的预测泛化性能,能够快速无损建立乳粉的蛋白质近红外定量模型。     

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。     

基于近红外光谱技术的白酒原酒中关键成分的定量分析

采用间隔偏最小二乘法(interval partial least squares,i PLS)、组合间隔偏最小二乘法(synergy interval partial least squares,Si PLS)、遗传偏最小二乘法(genetic algorithms partial least squares,GA-PLS)、竞争性自适应重加权法(competitive adaptive reweighted sampling,CARS)优选波长,并结合偏最小二乘法(partial least squares,PLS)建立白酒原酒中乙酸乙酯和乳酸乙酯定量分析模型。结果表明,上述4种方法都对模型有一定的优化效果,其中遗传算法结合组合间隔偏最小二乘算法(genetic algorithms-synergy interval partial least squares,GA-SiPLS)优选波长的优化效果最为明显,乙酸乙酯和乳酸乙酯的决定系数(R~2)分别达到了0. 989 7和0. 991 0,预测均方根误差(root mean square error of prediction,RMSEP)分别为0. 085 4、0. 143 4,相对分析误差(relation percent deviation,RPD)分别为8. 5和8. 6,提高了模型的稳定性和精准性。说明近红外光谱分析技术对于白酒原酒中乙酸乙酯和乳酸乙酯含量的检测具有科学的指导意义。     

近红外光谱结合不同偏最小二乘法无损检测食醋中总酸含量

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.     

近红外光谱技术定量检测果味啤中的果汁含量

该文以近红外光谱分析技术快速测定菠萝啤中果汁含量为目的,采用了后向间隔偏最小二乘(backward interval partial least squares,Bi-PLS)、组合间隔偏最小二乘(synergy interval partial least squares,Si-PLS)以及遗传算法(genetic algorithm,GA)提取特征波长以提高模型性能。研究结果表明,基于Si-PLS提取的特征波长结合偏最小二乘法(partial least squares,PLS)建立的定量分析模型效果最好,从原始光谱范围4 000～10 000 cm^-1内筛选出3个特征光谱区间,分别为(4 484～4 960,5 600～6 051,7 844～8 080) cm^-1,共94个特征变量,比原始1 501个波长变量减少了93. 7%,验证集的均方根误差和决定系数分别为0. 18%、0. 89,范围误差比为3. 17。实验结果表明,近红外光谱分析技术用于测定果味啤中的果汁含量是可行的,这为快速高效测定菠萝啤果汁含量提供了一种方法依据。     

用遗传算法提取南疆红枣总糖的近红外光谱特征波长

本研究尝试利用近红外光谱技术测量红枣的总糖含量,针对采用偏最小二乘(PLS)法建立近红外光谱预测模型时波长筛选问题,提出用联合区间偏最小二乘法(si PLS)与遗传算法(GA)相结合的方法遗传联合区间偏最小二乘法(GA-si PLS)来提取近红外光谱特征区域和特征波长,提高模型预测精度的方法。结果表明:将全谱等分成20个子区间,用联合区间偏最小二乘法优选出4个特征子区间,在这4个子区间的基础上再用遗传偏最小二乘法继续筛选出12个特征波长。用12个特征波长建立的偏最小二成模型精度要好于全谱建立的模型,其主因子数减少了4个,预测集标准偏差(RMSECP)减少了25%,预测相关系数(RP)提高了5%。该方法选取的波长变量建立的校正模型,不仅使模型简洁、优化,而且增强了模型的预测能力。     

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。     

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。     

基于近红外光谱的海藻糖浆组分快速定量检测

研究采用近红外光谱(near infrared spectroscopy,NIRS)快速检测单酶法生产海藻糖浆(海藻糖、麦芽糖及葡萄糖)组成的方法。取65个海藻糖浆作为样本,扫描得到近红外光谱图,分为48个样本校正集,17个样本预测集,计算分析结果表明:一阶微分(first derivative,1D)与S-G平滑(savitzky-golay filter)组合处理为最优预处理方法;运用TQ analyst建模软件中主成分回归(principal component regression,PCR)算法和偏最小二乘法(partial least squares,PLS)算法分别对海藻糖浆建模,发现采用偏最小二乘法(partial least squares,PLS)的海藻糖浆组分模型稳定性和预测能力更好;运用PLS、1D、S-G平滑组合预处理海藻糖浆组分模型,不仅降低光谱的背景噪声,同时还提高模型的稳定性。海藻糖浆各组分模型的交叉验证均方差(RMSEC)、交叉验证决定系数(Rc)、预测均方差(RMSEP)、预测决定系数(RP)依次为:海藻糖模型分别为0.188,0.995,0.089,0.989;麦芽糖模型分别为0.143,0.997,0.131,0.969;葡萄糖模型分别为0.147,0.997,0.094,0.999。NIRS检测快速、无损便捷,可用于检测单酶法生产海藻糖浆的组分。     

基于近红外光谱的大黄鱼新鲜度评价模型

目的 探索定量评价大黄鱼新鲜度的方法。方法 在整鱼背部采集近红外光谱, 将原始光谱预处理后分别与挥发性盐基氮(TVB-N)、菌落总数建立偏最小二乘(PLS)模型、区间偏最小二乘(iPLS)模型、向后区间偏最小二乘(biPLS)模型和联合区间偏最小二乘(siPLS)模型。结果 biPLS模型的精度最高、预测性能最佳。TVB-N的biPLS模型的校正集和预测集相关系数分别为0.8371和0.7652; 菌落总数的biPLS模型的校正集和预测集相关系数分别为0.878和0.7009。结论 大黄鱼的近红外光谱信息与其TVB-N、菌落总数间都存在较高的相关性, 所建模型可以快速、无损地定量评价大黄鱼的新鲜度。     

近红外光谱波段优化在东北松子蛋白质定量检测中的应用

为了探究一种快速、无损与简便的东北松子品质检测方法,近红外光谱技术被应用到东北松子蛋白质无损检测研究中。利用偏最小二乘法建立带壳松子和去壳松仁的蛋白质定量分析模型,采用求导、多元散射校正、变量标准化校正、矢量归一化预处理方法优化模型,利用反向间隔偏最小二乘法、无信息变量消除法选取特征波段,建立全波段和特征波段下的偏最小二乘蛋白质预测模型。结果表明,带壳松子光谱经矢量归一化预处理方法后构建的模型最优,松仁光谱经变量标准化校正预处理方法后构建的模型最优;波段筛选能够优化模型质量,其中反向间隔偏最小二乘法的筛选结果最优,其带壳松子和松仁蛋白质模型校正集相关系数分别为0.9056和0.9383,验证集均方根误差分别为0.6670和0.5761。由此可知,经过优化后,模型的预测性能得到了提高,为带壳松子和松仁的蛋白质在线检测提供了一定的参考价值。     

基于近红外光谱技术的腐竹脂肪定量分析

采用近红外光谱技术结合化学计量学方法,建立腐竹脂肪含量的快速分析方法。收集不同生产线、不同时间的腐竹样本180 份,利用积分球附件采集漫反射光谱（4 000～10 000 cm－1）。为消除颗粒散射影响和光谱基线漂移,二阶导数和卷积平滑用于光谱预处理。采用反向区间偏最小二乘法、组合区间偏最小二乘法、搜索组合移动窗口偏最小二乘法和遗传偏最小二乘法优化建模变量,最终构建了定量预测模型。结果显示,4 种方法均可有效地提取信息变量、降低模型维度、提高预测性能;遗传偏最小二乘法一次优选获得143 个变量,构建的模型性能最佳,其校正相关系数、校正均方根误差、预测相关系数、预测均方根误差分别为0.96、0.95、0.92和1.17。研究表明,经过信息变量提取后所构建的近红外模型简单、预测精度高,可用于腐竹脂肪含量的日常监测。     

基于拉曼光谱的大米快速分类判别方法

以拉曼光谱技术为手段,结合化学计量学方法,对来自黑龙江、江苏、湖南3个产地共123份大米样品的光谱数据进行采集,并对得到的拉曼图谱进行主成分分析(PCA)和偏最小二乘判别分析(PLSDA),建立大米快速分类判别方法。应用主成分分析对不同种类、产地和品种的大米进行粗分类鉴别;选择不同种类、品种和产地的稻米样本建立相应的偏最小二乘判别分析模型,其中2/3的样本作为建模训练集,1/3的样本作为建模校正集,按照种类、产地、品种建立的模型其训练集样本正确判别率均为100%,校正集样本正确判别率分别为100%,100%,94.12%。因此,研究所建立的拉曼光谱技术结合化学计量学方法可以快速、有效地鉴别大米种类、品种及产地。     

Quantitative analysis and geographical traceability of black tea using Fourier transform near-infrared spectroscopy (FT-NIRS)

Near-infrared spectroscopy (NIRS) combined with chemometric tools was utilized as a rapid analysis method to assess quality and to differentiate geographical origins of black tea. A partial least squares (PLS) algorithm was employed for the calibration of models predicting the levels of caffeine, water extract, total polyphenols, and free amino acids, while a factorization method was proposed to trace black tea from different geographical origins. In the calibration set, the root mean squared error of cross validation (%) and the correlation coefficient (R) for caffeine, water extracts, total polyphenols and free amino acids were 0.102%, 0.654%, 0.552%, and 0.248% and 0.983, 0.977, 0.975, and 0.943, respectively. In the prediction set, the root mean squared error of prediction and R for the corresponding constituents were 0.160%, 0.685%, 0.594%, and 0.273% and 0.955, 0.962, 0.954, and 0.927, respectively. The identification accuracy for black tea from different geographical origins reached 94.3%. This study demonstrated that NIR spectroscopy can be successfully applied to rapidly determine the main chemical compositions and geographical origins of black tea.     

应用红外光谱结合化学计量学方法检测阿拉伯胶产地和蛋白质含量

研究利用傅里叶红外光谱结合化学计量学方法来实现对苏丹阿拉伯胶的产地和蛋白质含量的快速无损检测的可行性。采集自6?个不同的产地,每个产地12?个,总计72?个阿拉伯胶样本,作为研究对象,运用线性判别分析（linear discriminant analysis,LDA）和反向区间偏最小二乘（backward interval partial least squares,Bi-PLS）法分别实现对苏丹阿拉伯胶的产地区分和蛋白质含量检测。结果表明,当主成分数为6时,LDA对样本的训练集（48?个样本）和预测集（24?个样本）的识别率都为100%。Bi-PLS法回归联合20?个光谱子区间中的4?个子区间得到最佳的蛋白质预测模型,其预测集相关系数为0.937?3,均方根误差为0.173%。因此,利用傅里叶红外光谱结合化学计量学方法可实现对苏丹阿拉伯胶的产地以及蛋白质的含量的快速无损检测。     

漫反射红外光谱法结合PLS测定稻谷脂肪酸值研究

为了快速、简便、无污染地测定稻谷中脂肪酸含量,提出基于漫反射傅里叶变换红外光谱法(DRIFTS)和近红外漫反射光谱法(NIDRS)测定稻谷脂肪酸值快速检测方法。同时探讨了反向区间偏最小二乘法(BiPLS)对中红外光谱区域的优化效果。傅里叶变换原始光谱模型经7点平滑预处理及BiPLS优化,得到的最佳模型的R~2、RMSECV、RMSEP分别为0.998、3.65、3.69。近红外光谱经一阶导数和多元散射校正预处理后建立最佳模型,其R~2为0.97,RMSECV为3.43。在验证实验中,傅里叶变换红外光谱预测值与国标测定值的相对标准偏差为1.16%,近红外光谱预测值与国标测定值的相对标准偏差为1.70%。结果表明,DRIFTS能够更加准确检测脂肪酸值。     

Origin Identification and Quantitative Analysis of Honeys by Nuclear Magnetic Resonance and Chemometric Techniques

The combination of ¹H NMR spectroscopy and multivariate statistical analysis has become a promising method for the discrimination of food origins. In this paper, this method has been successfully employed to analyze 70 Chinese honey samples from eight botanic origins, three geographical origins, and five production dates. Thirty-three components in honey samples were detected and identified from their ¹H NMR spectra, and 20 of them were accurately quantified by comparing their integral area with that of internal standards with relaxation time correction. Nontargeted principal component analysis (PCA) has been applied to distinguish the honeys from different botanical and geographical origins. The variations of components in the honeys, including saccharides and all kind of amino and organic carboxylic acids, confirmed their clustering according to their origins in PCA scores plots. Orthogonal partial least squares discriminant analysis (OPLS-DA) based on the NMR data for the different pairwise honey samples allows to identify the compositional variations contributed to geographical discrimination and storage time. Hence, NMR spectroscopy coupled with chemometric techniques offers an efficient tool for quality control of honey, and it could further serve to the classification, qualitative and quantitative control of other foods.