近红外光谱分析原油中水分和硫含量模型的建立及验证

取原油样品120个,分别按照GB/T 11133-2015和GB/T 17040-2008中所述方法测定了上述原油样品中的水分和硫的含量。通过优化的近红外光谱(NIRS)条件采集了上述原油样品的NIR光谱图。采用杠杆值算法剔除4个异常样品。在建立水分含量分析模型时,采用的条件为:用Savitzky-Golay法对光谱进行滤波预处理,建模光谱区间为6 200～8 200cm-1,主成分数为6,用偏最小二乘回归法(PLS)交叉验证建立分析模型。硫含量分析模型的建立条件为:采用二阶导数-Norris Derivative对光谱进行预处理,建模光谱区间为4 400～4 700cm-1,主成分数为6,用PLS交叉验证建立分析模型。水分和硫含量模型的预测值与测定值的相关性较好。水分模型的决定系数(R2c)为0.989 9,校正标准偏差(RMSEC)为0.084 2,说明其预测效果较好,可用于原油中水分含量的预测。硫含量模型的R2c为0.996 3,RESEC为0.069 6,说明此模型的预测效果也较好,可用原油中硫含量的预测。应用所建立的两个模型对10个未知原油样品中水分和硫含量进行了预测,并与其测定值比较,结果表明两者之间的相对偏差均小于10%。     

基于近红外光谱法的定量分析模型快速预测蕨菜中总黄酮的含量

采用近红外光谱法结合偏最小二乘法构建蕨菜中总黄酮含量的快速无损测定方法。取蕨菜样品140份,采用傅里叶变换近红外光谱仪采集4 000～11 500 cm^-1波段内近红外光谱,以一阶导数预处理原始光谱,设置主因子数为10,在6 100～7 500 cm^-1和5 400～6 000 cm^-1波段内建模。结果表明：校正集定量分析模型的校正均方根误差(RMSEC)为0.078,交叉验证决定系数(R²)为0.991 9;验证集定量分析模型的预测均方根误差(RMSEP)为0.125,R²为0.984 1,说明所建模型性能较优。分别以定量分析模型和紫外-可见(UV-Vis)分光光度法分析完全外部验证集样品,预测回收率(预测值和测定值比值的百分数)接近100%,说明所建模型的预测准确度较高,可用于蕨菜中总黄酮的快速、准确测定。     

藏药五脉绿绒蒿提取过程的在线近红外光谱质量控制研究北大核心CSCD

利用近红外光谱技术和自建的在线检测系统,实现了藏药五脉绿绒蒿提取过程中总黄酮含量的在线近红外光谱监测和提取终点的判定。以403个样品为建模集,分别获得了主成分回归(PCR)、偏最小二乘(PLS)、决策树(DT)、随机森林(RF)算法下的最佳光谱预处理方法和建模区间,以残差预测偏差(RPD)值为指标选择最佳建模方法。以62个样品为外部验证集,考察模型应用于总黄酮含量实时监测的可行性。此外,还探讨了利用模型预测值进行相对浓度变化率(RCCR)分析直接判定提取终点的可行性,并比较了标准偏差绝对距离法(ADSD)和移动窗口标准偏差法(MBSD)对提取终点判定的适用性。结果表明,在预处理方法为Constant+一阶导数+SG平滑、建模区间5300~9000 cm^(-1)条件下所建的总黄酮含量的PLS模型效果最好,其校正集和验证集的误差均方根均小于0.14、相关系数均大于0.97,RPD值为4.68。所建PLS模型对未知样品的平均预测率为79%,实际值与预测值的相关系数大于0.98,表明模型有较好的预测效果。外部验证集中RCCR法判定的预测提取终点和ADSD法判定的提取终点均与实际提取终点一致。所建模型性能较好,通过对未知样品进行准确快速的定量分析,实现了五脉绿绒蒿提取过程中总黄酮含量的实时监测,同时,以RCCR和ADSD作为提取终点的判定方法较为准确,可为藏药材提取过程在线近红外光谱分析技术的研究提供有益借鉴。     

化学计量学方法应用于近红外光谱法测定混合炸药中TNT含量

为构建样品中的被测组分(TNT)的含量与其红外光谱之间的数学模型,从生产线上采集以及按相同方法制备了共计155个样品并采集了它们的红外光谱,根据计算所得光谱残留F值判别并剔除异常光谱。随机选取63个样品的光谱作为校正集,其余92个样品的光谱作为验证集。另外采用常规的溶剂提取-红外光谱法测定了这些样品中TNT的含量作为建模参考值。在最优模型波段(cm-1)为:9 114.1～8 331.2,7 671.6～7 189.5,6 514.5～5 666,5 102.8～4 929.3,4 744.14～4 728.71的条件下,根据校正集的光谱数据,用偏最小二乘法建立数字模型。通过交叉检验均方根误差,RMSECV-维数曲线的理想程度以及光谱主成分分析结果选取了最优模型。采用χ2检验法,以及根据预测标准差和Bias值,结合验证集样品的光谱和数据,评估了方法的精确度和准确度。从TNT含量在36.68%～46.95%内的8个样品的测定结果得出其预测值的Bias值为0.078%,SEP%为0.514%。说明方法的准确度和精密度良好,且无需使用有机试剂。     

近红外光谱法快速测定涂料固化剂中游离甲苯二异氰酸酯含量

用气相色谱分析值为参照,采用近红外透射光谱（NIR）技术采集相应样品的NIR光谱,研究了涂料固化剂中游离甲苯二异氰酸酯（TDI）含量的快速测定分析方法。 并从120个固化剂样品中挑选出109个代表性的样品建模,选择7320~7250 cm-1和8485~8370 cm-1波段区间,用偏最小二乘法(PLS)和完全交互验证方式建立TDI含量的预测模型。 结果表明,固化剂中游离甲苯二异氰酸酯含量和近红外光谱之间存在较好的相关性,其预测模型的校正集均方差（RMSEC）为0.0815,验证集均方差（RMSEP）为0.0715,模型性能良好。 近红外光谱法可快速准确测定游离甲苯二异氰酸酯（TDI）含量,用于固化剂样品快速分析。     

近红外光谱法快速测定溶剂型木器涂料中甲苯、乙苯和二甲苯

建立了使用近红外光谱法(NIR)快速测定溶剂型木器涂料中甲苯、乙苯和二甲苯的方法。收集涂料样品,使用气相色谱法(GC)测定苯系物含量。采用聚乙烯密实袋封装聚氨酯类、硝基类或醇酸类涂料,应用积分球透漫射采样方式采集清漆和漫射采样方式采集色漆的近红外光谱。采用偏最小二乘法,分别建立清漆和色漆的近红外光谱与苯系物线性关系模型。校正集均方差在0.43%~1.32%之间、相关系数R在0.9046~0.9766之间。验证集均方差在0.591%~1.73%之间。对未知样品预测,清漆样品预测值相对偏差<15%;色漆样品预测值相对偏差<20%。两个定量模型预测效果良好。该2个NIR定量方法适用于对溶剂型木器涂料中甲苯、乙苯和二甲苯含量进行快速测定。     

近红外光谱技术在川麦冬原位检测中的应用研究

原药材检测费时费力一直是川麦冬质量分析中亟待解决的问题。该文将近红外光谱分析技术应用于川麦冬原药材的质量分析，以漫反射模式对麦冬颗粒进行无损原位检测后，采用光谱预处理方法减少因粒径造成的干扰，通过变量筛选方法提取有效信息，最终建立了快速定量分析模型。结果表明，水分、浸出物和总皂苷含量模型的验证均方根误差（RMSEP）分别为0.165 5%、0.401 9%、0.078 4%，验证集决定系数（Rv2al）分别为0.965 1、0.696 5、0.803 6，相对分析误差（RPD）分别为4.50、2.68、2.22,3个质量指标的RPD均大于2，说明模型性能较好，能够满足川麦冬质量分析的要求。该法通过近红外光谱技术采集川麦冬颗粒的原位光谱，避免了粉碎，真正意义上实现了川麦冬无损、绿色、快速的含量分析，为川麦冬的质量分析提供了参考。     

近红外光谱法快速测定柴胡提取过程中的药效成分

利用近红外光谱(NIRS)技术对柴胡提取过程中的药效成分进行快速定量分析。共收集126个柴胡提取液样品,采用紫外-可见分光光度法测定总黄酮和多糖的含量,高效液相色谱法(HPLC)测定柴胡皂苷A及柴胡皂苷D的含量,以透射模式采集提取液的近红外光谱,运用偏最小二乘法(PLS)分别建立了近红外光谱与4种药效指标参考值之间的定量校正模型,并采用不同的预处理方法、光谱波段和主因子数对模型进行优化。结果表明,总黄酮、多糖、柴胡皂苷A和柴胡皂苷D 4种定量模型的近红外预测值与参考值之间的拟合性良好,模型预测精度较高,其中预测集相关系数(RP)均大于0.9;预测集误差均方根(RMSEP)分别为3.46 μg/mL、0.743 mg/mL、1.53 μg/mL、0.406 μg/mL;预测集相对偏差(RSEP)分别为1.65%、8.28%、5.74%、7.52%。该研究证实了NIRS结合PLS可成功应用于监测柴胡提取液中药效成分的含量变化,且方法具有快速、准确、无损和环保的特点。     

基于近红外漫反射光谱法所建的模型快速预测甜叶菊中甜菊糖苷、绿原酸及水分的含量北大核心CSCD

基于近红外漫反射光谱法,结合偏最小二乘法建立了甜叶菊中甜菊糖苷总量(TSG)、瑞鲍迪苷A(RA)、甜菊苷(STV)、绿原酸总量及水分的定量分析模型。选取不同地区的500个甜叶菊样品,以高效液相色谱法(TSG、RA、STV、绿原酸总量)和烘干法(水分)所得数据为参比,结合样品的近红外光谱图,按照以下条件进行建模:(1) TSG模型,校正集385,验证集97,光谱预处理采用多元散射校正(MSC)+一阶导数(1st)+Norris derivative滤波平滑(ND),光谱范围4 090.76~7 085.37 cm^(-1),主因子数8;(2) RA模型,校正集381,验证集94,光谱预处理采用MSC+二阶导数(2nd)+ND,光谱范围4 060.38~6 221.23 cm^(-1)、6 769.51~7 401.24 cm^(-1),主因子数7;(3) STV模型,校正集386,验证集96,光谱预处理采用MSC+1st+ND,光谱范围4 017.86~4 224.39 cm^(-1)、4 370.17~5 172.15 cm^(-1)、5 414.95~9 106.22 cm^(-1),主因子数5;(4)绿原酸总量模型,校正集376,验证集95,光谱预处理采用标准正态变量变换(SNV)+1st+Savitzky-Golay卷积平滑(SG),光谱范围4 000.21~5 300.00 cm^(-1)、5 624.00~6 246.90 cm^(-1)、8 746.50~9 373.80 cm^(-1),主因子数12;(5)水分模型,校正集389,验证集96,光谱预处理采用MSC+1st+ND,光谱范围4 072.53~7 553.09 cm^(-1),主因子数8。结果显示:TSG、RA、STV、绿原酸总量和水分模型的校正相关系数、预测相关系数、交叉验证相关系数均大于0.800 0,校正均方根误差、预测均方根误差、交叉验证均方根误差均小于0.500;对各模型进行外部验证,TSG、RA、STV、绿原酸总量和水分的预测值与实测值的拟合相关系数均大于0.880 0;利用模型对甜叶菊样品中TSG、RA、STV、绿原酸总量和水分进行分析,日内精密度(n=6)为0.54%~2.7%,日间精密度(n=6)为1.1%~4.7%。模型用于某试验基地不同生长批次甜叶菊中TSG、RA、绿原酸总量的测定,TSG质量分数为10.40%~13.32%,RA质量分数为4.99%~7.61%,绿原酸质量分数为2.73%~4.07%,测定值的相对标准偏差(n=12)均小于7.0%。     

基于拉曼光谱法建立的模型快速预测布洛芬缓释胶囊中布洛芬的含量北大核心CSCD

为快速测定布洛芬缓释胶囊中布洛芬的含量,进行了题示项目研究。以高效液相色谱法(HPLC)为参比,采用拉曼光谱仪对5个校正集样本和布洛芬对照品进行扫描,将原始拉曼光谱图导入计算平台,选择波段250-1800 cm^(-1),通过荧光褪色差分法校正基线,二阶滤波求导进行降噪处理,用向量夹角转换算法计算各样本与布洛芬对照品拉曼光谱之间夹角余弦的方差值,以布洛芬的质量分数对该值进行拟合,得到模型的关联方程。采集待测样品的拉曼光谱,利用建立的模型预测其中布洛芬的含量。结果显示:布洛芬的质量分数在55%~90%内与其对应的夹角余弦的方差值呈线性关系;验证集样本的预测值与HPLC所得参考值的相对偏差为3.0%~3.8%。模型用于实际样品分析,预测值和参考值的相对偏差为1.2%~6.8%,预测值的相对标准偏差(n=5)为0.99%~3.1%。     

近红外光谱法测定尼莫地平片剂尼莫地平含量的4个分析模型所给出的预测值的准确性的比较

用仪器所附的积分球分析模块采集了尼莫地平片剂的片状和将片剂粉碎后的粉末样品的漫反射近红外光谱图。另用所附片剂分析模块采集了尼莫地平片剂的反射和透射近红外光谱图。分别将上述4种近红外光谱(NIRS)图用TQ Analyst 9.0软件建立了4个定量分析的模型(模型1,2,3,4)。另从3个批次各取5个样品,用《中华人民共和国药典(2015版)》中的高效液相色谱法(HPLC)测定其中尼莫地平的含量作为对上述4种模型的预测值的外部验证。根据内部验证和交叉验证所得到的4种模型的各项参数及其性能指数,可见模型2为其中的最优模型。将上述15个样品的NIRS图分别引入4种模型,获得其中尼莫地平含量的预测值;经与HPLC测定值比较,可知4种模型的预测值与HPLC测定值之间的相对误差依次为-2.41%～2.68%,-0.81%～1.18%,-5.03%～4.55%和-5.99%～5.56%。其中以模型2的相对误差最小,模型1稍大,模型3和4最大,但较接近。根据t检验法(α=0.05)的结果,4种模型所得的预测值与HPLC测定值之间无显著差异,因而4种模型均可用于尼莫地平的检测。模型2预测值的相对误差较小,但测定时需要样品前处理,使整个分析时间延长,可考虑应用于均匀性较差或形状有差异的样品的测定。其余3个模型预测值的相对误差较大,但不需要对片剂进行前处理,分析时间较短,可根据不同需要选择应用这4种模型。特别是用模型3和模型4可同时获得样品的反射和透射近红外光谱定量的信息,可对测定结果进行对照试验。     

随机森林-相关向量机算法结合中红外光谱法快速测定在用柴油机油酸值

研究了随机森林-相关向量机(RF-RVM)算法与ATR中红外光谱法相结合测定柴油机油样品的酸值的方法。选择了某型车辆发动机在不同情况下所用的柴油机油样品48个,并按GB/T 4945-2002标准所述方法对48个样品的酸值进行测定,测得其酸值在0.59～1.71mg(KOH)·g~(-1)之间。运用SG平滑结合一阶微分对原始光谱图进行预处理,采用RF算法和相关系数法选择了特征波数,并进行RVM建模分析。RF算法选取6个特征波数,不仅大大减少了输入变量数,还使RVM算法建模效果更佳。模型验证集的相关系数为0.922 5,验证集标准偏差为0.091 7。结果表明,RF-RVM算法与红外光谱法相结合能实现在用油酸值的快速而准确的测定。     

近红外光谱法分析盐酸雷尼替丁胶囊

应用化学计量学与近红外光谱方法相结合,分析了盐酸雷尼替丁胶囊。以交叉验证均方根误差(RMSECV)、预测均方根误差(RMSEP)和决定系数为评价指标,分别建立了上述药物的定性和定量分析的模型。在定性判别分析方面,当采用多元散射校正(MSC)和一阶导数法对NIRS谱图进行预处理,并确定样品判别模型的主成分数为6,波长范围在波数为9 090.92~4 008.81cm~(-1)之间时误判数为0;在定量分析方面,选定的建模条件为:光谱的预处理方法为一阶导数法,建模波段在9 090.92~4 008.81cm~(-1)波数之间,主因子数为5。对13批次样品进行验证,测定值与预测值的相对偏差在-4.20%~4.04%之间。     

近红外光谱技术对烟草pH值的快速测定

提出了一种基于近红外漫反射光谱技术快速测定烟草pH值的方法.采集不同烟草粉末样品的近红外漫反射光谱,并对其原始光谱数据进行一阶微分、二阶微分及平滑等预处理,用偏最小二乘法(PLS)方法建立pH值预测模型(建模样品572个).从光谱主成分分布和pH值分布方面考察了81个验证集样品,结果表明验证集样品分布范围较大,分布较合理.利用主仪器模型对验证集样品进行预测,结果表明主仪器一阶微分模型和二阶微分模型对验证集样品的pH值预测与实际测量值的平均绝对偏差分别为0.057、0.065,t检验表明预测值和实测值之间没有显著性差异,达到了较好的结果.考察了主仪器pH值一阶微分、二阶微分模型在同一型号不同仪器间的直接转移效果,一阶微分模型转移给了子仪器A ～F,二阶微分模型转移给了子仪器G,7台子仪器pH值预测的平均绝对偏差为0.049 ～0.070,且都通过了F检验.实验表明,该主仪器模型能够快速预测烟叶中的pH值,并成功转移到同类仪器上进行检测.     

紫外光谱结合偏最小二乘法用于水样中化学需氧量的测定

结合紫外光谱法和化学计量学方法建立了水样中化学需氧量(COD)的测定方法。采集西宁市湟水河西钢桥至小峡段共42个样品,在190～400 nm波长范围内测定各样品的紫外光谱。用Monte Carlo采样法抽取70%的样本构成训练集,其余样本为独立测试集。分别考察了3种光谱预处理方法和4种特征筛选方法,最终确定COD分析方法为:采用SG-smoothing对光谱平滑后用无信息变量剔除法(UVE)筛选特征波长变量,最后用偏最小二乘法建立多元校正模型。结果在独立测试集上COD的预测误差均方根(RMSEP)为0. 8084,相关系数为0. 9924。紫外光谱法结合化学计量学方法可作为水样中COD测定的一种简洁、有用、快速的方法。     

红外、近红外光谱-簇类的独立软模式方法识别植物调和油脂

用IR,NIR光谱法结合簇类的独立软模式(SIMCA)识别方法对植物油脂进行分类识别,建立了识别二元、三元植物调和油脂的测定方法。应用NIRCal5.2软件的SIMCA技术,分别为所制备的植物调和油脂建立了IR和NIR识别模型,并讨论了光谱处理和数据处理方法来提高模型的分类识别效果。分别以各种植物调和油脂的IR和NIR光谱为变量,随机抽取2/3的样本作训练集,建立了各个调和油的主成分分析(Princi-pal component analysis,PCA)模型;1/3作验证集,对所建模型进行验证识别。用聚类分析-主成分分析(CLU-PCA)方法考察调和油的IR,NIR光谱信息与其纯油的主成分分布。结果显示,在4000～10000cm-1光谱范围内,SIMCA可以对15种二元调和油和2种三元调和油的NIR光谱分别聚类并识别;并对10种二元调和油和2种三元调和油的IR光谱分别聚类并识别。IR以4个波数1099,1119,1746与2855cm-1的吸收值作为分析基础,选择不同的主成分数及数据预处理方法。各种油脂的SIMCA分析的分类精度均为100%,调和油的验证识别准确率100%,最低识别比例为1%,且IR识别灵敏度高于NIR。     

应用化学计量学和顶空-气相色谱-质谱法鉴别花生油中掺假的大豆油

采用化学计量学分析软件,结合顶空-气相色谱-质谱法,建立了花生油中掺假大豆油的鉴别方法。顶空-气相色谱-质谱法采集花生油样品及大豆油样品的质谱信息,化学计量学分析软件进行数据分析,找出大豆油的特征化合物。通过方法学验证,确定了大豆油的特征标记物为2,3-辛二酮,以其质荷比(m/z)99.1的离子为定量离子。大豆油的线性范围为2.00%～100.0%(体积分数),检出限(3s/k)为1.14%,测定下限(10s/k)为3.80%。以花生油样品为基体进行加标回收试验,所得回收率为86.1%～105%,测定值的相对标准偏差(n=6)为1.3%～2.4%。     

白酒基酒中酮类物质的近红外光谱检测方法

应用近红外光谱技术建立了白酒基酒中2,3-丁二酮和3-羟基-2-丁酮的快速检测模型。从洛阳杜康酒厂选取182个白酒基酒样品为材料,运用气相色谱法测得两种物质的化学值,同时采集其在12 000~4 000 cm-1范围内的光谱数据,采用偏最小二乘法(PLS)结合内部交叉验证建立校正模型。通过对比不同光谱预处理下PLS模型效果对其进行优化,确定2,3-丁二酮和3-羟基-2 丁酮的最佳预处理方法分别为一阶导数+多元散射校正和二阶导数,最佳光谱区间分别为9 403.2~7 497.9 cm-1和9 403.2~7 497.9 cm-1+6 101.7~5 449.8 cm-1。优化后2,3-丁二酮和3 羟基-2-丁酮校正集样品的化学值和近红外预测值的决定系数(R2)分别为0.960 2和0.963 2,交叉验证均方根误差(RMSECV)分别为0.39、0.22 mg/100 mL;通过外部检验,验证集样品的R2分别为0.957 6和0.957 8,预测均方根误差(RMSEP)分别为0.40、0.24 mg/100 mL。结果表明,应用近红外光谱技术结合化学计量学方法所建立的模型有较高的准确度,能够满足白酒生产中酮类物质的快速检测需要。     

支持向量回归算法应用于分光光度法同时测定安替比林、巴比妥和氨基比林

采用均匀设计法制备不同含量配比的安替比林、巴比妥、氨基比林校正集样品,用化学计量学方法--支持向量回归(SVR)方法建立校正模型,并对安替比林、巴比妥和氨基比林的模拟样品及安痛定注射液样品进行测定.结果表明,三种成分的加标回收率均在98%～104%之间,测定结果的相对标准偏差为0.48%～1.24%.     

一种基于近红外光谱技术的不同品种及掺假三七的无损鉴别分析研究

基于近红外光谱技术与化学计量学方法,提出了一种不同品种及掺假三七的快速无损鉴别方法。分别采集景天三七、菊三七、血三七、田三七完整、粉末及掺假样品的近红外光谱,采用单一和组合预处理方法消除光谱中的干扰,筛选出最佳的预处理方法;结合主成分分析法建立不同品种以及掺假三七样品的鉴别模型。结果表明：结合主成分分析,采用原始光谱即可实现粉末及掺假样品的100%鉴别分析,而完整样品由于受到物理性状的干扰,其原始光谱数据的品种鉴别率仅为9.38%;而经连续小波变换预处理后可达93.75%。采用组合预处理方法可以进一步消除光谱存在的多种干扰,显著提高完整样品的鉴别准确性,采用去偏移 + 一阶导数、去偏移+连续小波变换以及二阶导数+标准正态变量变换预处理方法预处理后,完整样品的鉴别准确率达到了93.75%。以上结果表明,采用近红外光谱技术与化学计量学方法可有效实现对不同品种以及掺假三七的快速无损鉴别分析。