基于近红外光谱的大鲵肉粉掺伪鉴别及纯度检测

利用近红外光谱技术进行大鲵肉粉的掺伪鉴别及纯度检测。分别采集大鲵纯肉粉、掺入江团鱼肉粉、草鱼肉粉和土豆淀粉的掺伪大鲵肉粉（各40 个样本,4 类共160 个样本）的近红外光谱图。原始光谱经光谱预处理后,利用偏最小二乘-判别分析（partial least square-discriminant analysis,PLS-DA）法分别建立2分类（纯样和掺伪样）和4分类（纯样、掺江团鱼样、掺草鱼样和掺淀粉样）的定性判别模型,利用偏最小二乘回归（partial least squares regression,PLSR）分析法分别建立3 类掺伪大鲵肉粉的纯度定量校正模型。结果表明,PLS-DA定性模型中,经一阶导数＋多元散射校正光谱预处理后,所建2分类和4分类模型性能均为最佳,校正集和预测集的预测准确率均为100%;PLSR定量模型中,大鲵肉粉掺江团鱼肉粉、大鲵肉粉掺草鱼肉粉和大鲵肉粉掺土豆淀粉模型的校正集相关系数（Rc2）分别为0.990 6、0.986 4和0.993 3,校正集的均方根误差分别为1.14%、1.39%和0.88%;测试集的相关系数（Rp2）分别为0.994 4、0.992 4和0.990 8,测试集的均方根误差分别为0.83%、0.89%和1.22%。运用近红外光谱技术结合化学计量学方法能够对大鲵肉粉进行掺伪鉴别及纯度检测。     

近红外光谱法检测李果坚实度的研究

为了实现准确无损检测"安哥诺"李果实的坚实度,试验利用MPA近红外光谱仪在4 000~12 500 cm~(-1)光谱范围采集了515个李果实样品的漫反射光谱,采用偏最小二乘法和反向传播人工神经网络建立"安哥诺"李果实坚实度的定量分析模型,使用波段筛选和多种光谱预处理方法优化了偏最小二乘模型。结果表明,4 000~7 267 cm~(-1)波段光谱数据经MSC校正的预处理方法处理后,偏最小二乘定量模型的校正集相关系数和均方根误差分别为0.878 1和1.22 kg/cm~2,预测集相关系数和均方根误差分别为0.836 5和1.51 kg/cm~2,优于BP-ANN模型。因此认为试验所建立的定量模型可为实现近红外无损检测"安哥诺"李果实坚实度提供技术支持和理论依据。     

近红外光谱技术快速测定鹅肉嫩度

目的：应用近红外光谱技术快速检测鹅肉的嫩度值。方法：采集完整鹅肉的近红外光谱（950～ 1 650 nm）,光谱经多种校正预处理后,再分别采用主成分回归和偏最小二乘法建立鹅肉嫩度的定量预测数学模 型。结果：采用5点移动窗口平滑处理结合偏最小二乘法所建立模型的预测效果最好,嫩度定量校正数学模型的模 型决定系数为0.908 0,内部交互验证均方根误差为113.618 6。用此模型对预测集20 个样品进行预测,预测值与实 测值的相关系数达到0.971 1,预测值平均偏差为21.673 g,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,可用于评价鹅肉的嫩度。     

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。     

基于低场核磁共振技术的大米水分含量及活度快速预测

以直接干燥法和水分活度仪测定的结果作为参考值,采用低场核磁共振仪对大米样品进行测量,获取样品的横向弛豫数据,结合化学计量学算法建立多元校正模型,实现对大米水分含量及活度的快速测定。采用偏最小二乘方法(PLS)和误差反向传播人工神经网络方法(BP-ANN)对160个校正集样品进行训练后,建立多元校正模型,并对90个预测集样本进行预测。结果显示,PLS与BP-ANN 2种方法中预测集样品的水分含量预测值和参考值之间的相关系数分别为0.937 6和0.955 5,预测均方根偏差分别为0.005 8和0.004 6,水分活度预测值和参考值之间的相关系数分别为0.983 0和0.993 4,预测均方根偏差分别为0.009 2和0.006 2,表明2种方法能够快速而准确地对大米的水分含量及活度进行预测。     

傅里叶近红外光谱法快速检测魔芋葡甘聚糖中掺假羧甲基纤维素含量

采用傅里叶近红外光谱检测魔芋葡甘聚糖中羧甲基纤维素掺假比例,以基线校正、平滑、矢量归一化、一阶求导和二阶求导法对光谱进行处理,利用偏最小二乘法建立了相应的数学模型,并通过交互验证和外部验证检验了鉴别模型的预测精度和可靠性。所建立的校正集模型的决定系数R_c~2值为0.933~0.997,校正均方根误差范围为7.64%~1.56%;结合验证集模型的决定系数和均方根误差确定以一阶导数(5平滑点)处理光谱,所得模型预测效果最佳,模型的预测均方根误差为8.37%;校正模型中羧甲基纤维素在魔芋葡甘聚糖中掺假水平的预测值和实际值的相关系数为0.9905。结果表明,近红外光谱结合化学计量法在有效、快速、准确地定量检测魔芋葡甘聚糖中掺假羧甲基纤维素的可行性。     

牛乳清粉掺伪羊乳粉的近红外光谱法快速无损检测

为快速无损检测掺伪羊乳粉中牛乳清粉的含量,采用近红外光谱法(NIR)结合ν-支持向量回归(ν-SVR)检测197个掺伪牛乳清粉的羊乳粉,并与偏最小二乘法(PLS)对比,光谱经平滑、标准变量变换及导数预处理。随机选取132个样本作为校正集建立模型,其余65个样本作为测试集,评估模型性能。结果显示:校正集最优模型为标准变量变换、Savitzky-Golay平滑和二阶导预处理ν-SVR模型,其交叉验证误差均方根(RMSECV)为0.586,交叉验证相关系数(RCV)达到0.9947。预测集验证结果ν-SVR法比PLS法更优,ν-SVR模型预测值与真实值R达到0.9958,RMSEP为0.526。试验结果表明NIR结合ν-SVR模型可用于掺伪羊乳粉中牛乳清粉的快速无损检测,而且操作简便,可为实际应用提供参考。     

最小二乘支持向量机和脂肪酸融合信息应用于花生油掺伪玉米油检测

将最小二乘支持向量机用于气相色谱分析实现对花生油掺伪玉米油的鉴别,基于油脂的全样和Sn-2位脂肪酸组成的不同,采用主成分分析消除融合数据中信息重叠的部分,利用粒子群优化最小二乘支持向量机的参数,对花生油的掺伪进行鉴别,识别率为100%;分别采用最小二乘支持向量机、偏最小二乘法和主成分回归对花生油中掺入玉米油含量进行预测,结果表明基于脂肪酸融合信息的最小二乘支持向量机的预测均方根误差和相关系数R2分别为3.452 1%和0.986 6,与偏最小二乘法和主成分回归法相比,最小二乘支持向量机具有更好的稳定性和预测精度,同时也为食用油的真伪鉴别及掺伪情况确定提供一种新方法。     

茶油掺伪定性鉴别模型的对比分析

为了解决茶油掺伪其他植物油的掺伪量定量预测问题,本研究基于14个特征性脂肪酸和甘油三酯指标,设置高/低两种不同掺伪梯度,运用Python语言构建并对比分析了偏最小二乘回归(PLSR)模型和多元线性回归(MLR)模型用于掺伪茶油掺伪量的定量预测的效果。研究表明,PLSR模型对掺伪茶油的定量预测效果不理想,高掺伪梯度下PLSR模型的平均RMSE值高达1.99,低掺伪梯度下PLSR模型的平均R²值(0.8888)较低,平均RMSE值(0.906 6)较高。除了对棕榈油掺伪量的定量预测效果较差外,在高/低掺伪梯度下MLR模型定量预测能力较强,平均R²值达到了0.999 873/0.993 572,平均RMSE值为0.146/0.136。结果表明MLR模型可用于不同掺伪质量分数和梯度下茶油掺伪不同食用植物油的掺伪量定量预测问题,效果较好。     

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。     

基于中红外光谱法检测煎炸油极性组分

目的 利用中红外光谱技术实现对煎炸油极性组分的快速检测。方法 根据光谱-理化值共生距离分类法对煎炸油中红外光谱数据进行样本划分,从而得到校正集和预测集。采用卷积(Savitzy-Golay,S-G)平滑+一阶导数预处理手段,利用竞争自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行特征提取,建立煎炸油极性组分含量的偏最小二乘回归(partial least squares regression, PLSR)预测模型,并利用BP神经网络算法对模型进行优化。结果 BP神经网络算法建立的模型校正集决定系数为0.9032,校正集均方根误差(root means quare error of calibration,RMSEC)为0.1264,预测集决定系数为0.8569,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0625。经BP神经网络算法优化后,均方根误差明显减小,提高了预测模型的准确性。结论 结合BP神经网络算法的中红外光谱技术是一种检测煎炸油极性组分的有...     

基于近红外光谱的芝麻油酸价含量的预测

采用近红外光谱分析技术对芝麻油的酸价含量进行检测,避免了传统的化学方法缺陷,同时在不破坏样品的前提下极大地提高了检测效率。对39个芝麻油样本的酸价光谱图进行光谱预处理优化,并选择适当的光谱范围,采用偏最小二乘法(PLS)和BP神经网络算法进行了定量分析研究。结果表明,在所选定的样本和光谱范围内,PLS和BP神经网络算法均可以用于芝麻油酸价含量的预测,采用PLS模型的预测均方根误差(RMSEP)为0.058;用BP神经网络预测的RMSEP为0.148 8,偏最小二乘法建模相对于一般的BP网络建模方法更具有较好的建模预测效果。     

红外光谱快速测定油茶籽油脂肪酸组成的模型建立北大核心CSCD

通过气相色谱和傅里叶红外光谱仪测定86个油茶籽油样本的脂肪酸组成和红外光谱图,采用支持向量机(SVM)和BP人工神经网络(ANN)的非线性建模方法,构建油茶籽油中主要脂肪酸的定量回归模型。结果表明:ANN建立的油酸和棕榈酸定量回归模型精确度比SVM高,校正集的相关系数(R)分别为0.9987和0.9451,预测集的相关系数分别为0.9557和0.9262,相对标准偏差分别小于1%和5%;SVM和ANN建立的亚油酸定量分析模型精确度都非常高,相对标准偏差均小于1%。说明红外光谱用于油茶籽油中主要脂肪酸的快速检测是完全可行的。     

基于MEA-BP神经网络的大米水分含量高光谱技术检测

利用高光谱技术对储藏大米的水分含量进行检测。本实验以120个大米样本为研究对象,采集所有大米样本的高光谱图像,利用多元散射校正的预处理方法对大米样本原始光谱数据进行降噪处理。由于原始高光谱数据量大且冗余性强,故利用逐步线性回归分析方法对预处理后的数据进行特征提取。最后建立BP神经网络的大米水分定量检测模型,由于建模效果没有达到预期目标,因此引入遗传算法(genetic algorithm,GA)和思维进化算法(mind evolutionary algorithm,MEA)优化BP神经网络的权值和阈值。对BP、GA-BP、MEA-BP 3种大米水分预测模型进行比较,3种模型的预测集决定系数都达到0.86以上,其中MEA-BP模型具有最佳的预测效果,预测集决定系数达到0.966 3,且均方根误差为0.81%。     

基于BP神经网络及其改进算法的织机效率预测

为准确预测纺织厂织布车间的织机效率,提出利用BP神经网络、主成分分析结合BP神经网络(PCA-BP)、遗传算法改进BP神经网络(GA-BP)3种模型预测织机效率,并将GA-BP预测模型与传统BP神经网络和PCA-BP预测模型的预测结果进行对比分析。结果表明:GA-BP对原始数据的拟合度最好,相关系数为0.946 87, 比BP增加了6.42%,比PCA-BP增加了2.61%;GA-BP、PCA-BP、BP这3种网络十万入纬的经停仿真值与期望值间的平均误差分别为0.341 2、0.303 1、0.234 1,误差百分率分别为8.63%、7.67%、5.92%,不同网络结构下织机效率仿真预测值与期望值间的平均误差分别为3.010 9、2.688 4、2.118 9,误差百分率分别为3.51%、3.13%、2.47%;3种模型的预测准确度顺序由大到小为GA-BP、PCA-BP、BP。     

反向传播神经网络算法结合拉曼荧光光谱法定量检测特级初榨橄榄油掺假

目的 建立基于反向传播神经网络算法结合拉曼荧光光谱技术定量检测低等级橄榄油掺假特级初榨橄榄油的分析方法。方法 制备11种不同掺伪浓度的特级初榨橄榄油混合油样各10份，在相同时间、空间及目标的前提下，使用同台光谱探测系统，采集样品的拉曼光谱和荧光光谱。经过卷积神经网络去除拉曼光谱的基线，实现拉曼光谱和荧光光谱的数据预处理。根据分子光谱与电子光谱的特征差异，人为干预并设定拉曼光谱的权重，建立低等级橄榄油掺假特级初榨橄榄油的反向传播神经网络回归模型。结果 综合评估了反向传播神经网络回归模型的评价参数，特级初榨橄榄油掺假的反向传播神经网络模型的测试集决定系数为0.9716，均方根误差为0.0569，模型预测效果较好。结论 本研究提出的反向传播神经网络算法结合拉曼光谱与荧光的探测方法，满足快速检测低等级橄榄油掺假特级初榨橄榄油的定量分析需求，为评价或跟踪特级初榨橄榄油的品质提供了一种无损伤、高效率、低成本的新检测思路。     

电子鼻融合BP神经网络预测玉米赤霉烯酮和黄曲霉毒素B1含量模型研究

为探究玉米赤霉烯酮和黄曲霉毒素B_1的无损快速定量测定方法,用电子鼻对7级不同霉变程度玉米样品进行检测,并用理化分析方法分别测定霉变玉米中的玉米赤霉烯酮与黄曲霉毒素B_1含量;在提取电子鼻响应信号的积分值作为特征参量的前提下,采用BP神经网络建立不同霉变程度下玉米样品中的玉米赤霉烯酮与黄曲霉毒素B_1含量的预测模型。同时,为了获得较为可靠的BP神经网络预测模型,在神经网络结构不变的条件下,对比分析了不同训练集、测试集构建的预测模型。结果发现在各预测模型的70组测试样本中,相对误差控制在5%以内的样本数量都在60个以上,最大相对误差控制在15%以内,从而证明了BP神经网络预测模型的有效性、可靠性。该研究为实施玉米霉变毒素的快速无损检测提供了一种途径。     

ANN与模糊算法在毛精纺织机效率预报中的对比

 介绍了人工神经网络技术和模糊算法在毛精纺面料织造预报过程中的应用,建立人工神经网络BP质量预报模型和模糊算法中模糊评判模型,利用这2种预报技术分别给出了织机效率预报模型,并比较2种预报模型对毛精纺织造质量预报的性能优劣。通过对人工神经网络技术和模糊算法的理论比较及其预报结果的对比分析,得出在毛精纺织造质量的预报中,人工神经网络BP质量预报模型优于模糊算法中的模糊评判模型,2种预报技术在解决非线性问题方面具有各自的适应性。     

拉曼光谱技术快速检测专用煎炸油极性组分

为能够快速、无损检测专用煎炸油的极性组分含量,采集不同煎炸时间下煎炸油样本的拉曼光谱图。为建立稳定性高、误差小、精度高的模型,研究不同预处理方法对模型效果的影响,建立相应的偏最小二乘回归模型以选择最优的光谱预处理方法。结果表明：标准正态变换处理后的偏最小二乘模型最优,预测均方根误差（root mean square error of prediction,RMSEP）为1.18,决定系数R2为0.940?4。其次,将标准正态变换处理后的光谱数据分别建立误差反向传播（error back propagation,BP）算法和径向基函数算法神经网络模型,通过比较稳定性以及误差大小,得出采集到的拉曼光谱经过标准正态变换处理后采用BP神经网络建立的模型效果最好,RMSEP为0.032?6,R2为0.972。该方法可以用作专用煎炸油极性组分的快速分析。     

近红外光谱协同BP神经网络的泰国茉莉香米掺伪含量快速鉴定

利用近红外光谱协同BP神经网络算法,对泰国茉莉香米及其掺伪样品的近红外光谱进行多元散射校正预处理,挑选出48个特征波长;以特征波长的吸光度为BP神经网络输入层神经元,以样品中泰国茉莉香米的含量为输出层神经元,获得BP神经网络算法的最优结构模型,即为单层隐含层、隐含层神经元数7、隐含层传递函数logsig、输出层传递函数...