利用主成分权重重置实现牛奶成分浓度快速检测中近红外光谱的净化去噪

为了利用近红外光谱技术对牛奶中脂肪、蛋白质和乳糖的浓度进行快速检测,提出了基于直方图规定化和模糊层次分析法的近红外光谱主成分权重重置预处理方法。针对牛奶样品的光谱进行主成分分析,确定光谱数据中的最佳主成分数,得到了各主成分的得分和权重。采用直方图规定化的数学统计思想实现二维光谱矩阵的滤波及净化去噪,利用模糊层次分析方法对有效主成分信息的权重进行重置映射,滤掉无关的主成分干扰信息,建立权重重置后的光谱。在此基础上,对预处理后的光谱数据进行脂肪、蛋白质和乳糖的偏最小二乘回归1(PLS1)建模,得到脂肪的相关系数为0.980,预测均方根误差为0.158×10~(-2) g·mL~(-1);蛋白质的相关系数为0.997,实际预测偏差为0.050×10~(-2) g·mL~(-1);乳糖的相关系数为0.985,实际预测偏差为0.152×10~(-2) g·mL~(-1)。由模型预测结果可知,基于直方图规定化和模糊层次分析法的近红外光谱主成分权重重置预处理方法比常规预处理方法具有更好的滤波和去噪效果,说明将直方图规定化和模糊层次分析法相结合对牛奶近红外光谱进行预处理具有可行性。     

净信号预处理结合径向基偏最小二乘回归在血糖无创检测中的应用

为了提高人体血糖近红外光谱定量分析模型的预测精度,结合净信号预处理(NAP)算法和径向基偏最小二乘(RBFPLS)回归建立了一种适合于人体血糖测量的非线性建模方法NAP-RBFPLS。本文首先利用NAP对近红外光谱进行预处理来有效地提取原始光谱中仅与葡萄糖信号相关的光谱信息,从而有效地减弱了人体血液中水、白蛋白、血红蛋白、脂肪等成分的吸收干扰以及人体体温的变化、测量仪器本身的漂移、测量环境的变化和测量条件的变化引起的干扰因素与血糖变化的偶然相关问题;然后把净信号预处理后的近红外光谱数据通过RBFPLS建立了非线性定量分析模型来解决由于人体强散射引起的血糖浓度与近红外光谱之间的非线性关系,并与偏最小二乘(PLS)、基于净信号预处理的偏最小二乘(NAP-PLS)和RBFPLS这三种建模方法建立的定量分析模型进行了对比分析。实验结果表明,这两种方法相结合建立的非线性校正模型对预测集的预测精度有了很大的提高,这将对人体血糖浓度无创检测技术的研究具有实际应用价值。     

基于近红外光谱分析技术测定库尔勒香梨硬度

采用近红外(NIR)漫反射光谱法对新疆特色梨果库尔勒香梨的五种不同果（包括青头、粗皮、脱萼、宿萼、突顶果）的硬度进行测定。由于近红外光谱数据量大且原始光谱噪声明显、测定水果时散射严重等导致光谱建模时关键波长变量提取困难。以新疆库尔勒香梨为研究对象,为了有效地消除固体表面散射以及光程变化对NIR漫反射光谱的影响,首先采用标准正态变量变换（SNV）和多元散射校正（MSC）对库尔勒香梨的原始光谱进行预处理。为寻找适合近红外光谱检测库尔勒香梨硬度的最佳特征波长筛选方法,进行香梨近红外光谱的特征波长变量选择方法的比较与研究。研究比较了两种特征波长筛选方法对库尔勒香梨硬度偏最小二乘法（PLS）建模精度的影响。同时使用反向偏最小二乘（BiPLS）和遗传算法结合反向偏最小二乘（BiPLS-GA）在全光谱范围内筛选香梨硬度的特征波长变量,将校正均方根误差（RESMC）、预测均方根误差（RESMP）以及决定系数（R2）作为模型的评价标准,并最终确定最优波段选择方法及最佳预测模型。基于选择的特征波长变量建立的PLS模型（BiPLS-GA）与全光谱变量建立的PLS模型进行比较发现BiPLS-GA模型仅仅使用原始变量中6.6%的信息就获得了比全变量PLS模型更好的库尔勒香梨硬度的预测结果,其中R2,RMSEC和RMSEP分别为0.91,1.03和1.01。进一步与基于反向偏最小二乘算法（BiPLS）获得的特征变量建立的PLS模型比较发现,BiPLS-GA不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,使得建模变量从301个减少到20个。极大地简化模型的同时有效地提高了模型的预测精准度和稳定性。因此该方法能够有效地用于近红外光谱数据变量的选择。证明了近红外光谱分析技术结合BiPLS-GA模型能够高效地选择出建模变量,去除与库尔勒香梨硬度无关的近红外光谱信息,显著地提高库尔勒香梨硬度定量模型的预测精度。这不仅为新疆地区特色梨果库尔勒香梨的快速、精确、无损优选分级提供一定的技术支持,同时也为基于近红外光谱分析技术预测水果内部品质的研究提供了参考。     

KF光谱优选的木材抗弯强度预测方法

木材抗弯强度是评价木材力学性质的重要指标,其快速准确预测具有工程应用价值和科学意义。重点研究了使用近红外光谱分析光谱特征优选的卡尔曼滤波(KF)方法进行PLS建模,完成木材抗弯强度的预测。试验用126个蒙古栎无疵试样,依据国家标准《木材物理力学性质试验方法》测量抗弯强度得到力学真值;在900～1 700 nm波段进行近红外光谱采集,一阶导数与S-G卷积结合进行光谱预处理;然后,将光谱及抗弯力学样本视为动态系统,光谱冗余波长视为噪声信号,通过KF迭代得到系数矩阵和标准方差,并运用二者比值实现特征优选;最后建立蒙古栎的偏最小二乘(PLS)抗弯强度近红外模型。结果表明,经过KF优选后,光谱变量数由117减小到18个,预测模型的相关系数ｒ=0.81、预测误差均方根RMSEP=6.59;为了进一步验证方法有效性,与无信息变量消除法(UVE)、连续投影方法(SPA)特征选择方法进行了对比,KF特征优选后的预测相关系数r分别提高了0.05和0.16,预测误差均方根RMSEP降低了2.33和7.66,采用KF特征选择建立的模型预测结果最佳。KF作为特征方法可有效选择近红外光谱特征波长,降低模型维度,提高模型的适用性与准确性。     

山茶油中油酸和亚油酸近红外光谱分析模型

将近红外光谱分析技术结合化学计量学方法用于山茶油混合油品中油酸和亚油酸含量的快速检测。配制了76种山茶油混合油样本用于近红外光谱的采集,将不同的光谱预处理方法用于光谱有效信息的提取;将蒙特卡罗无信息变量消除(MCUVE)和变量组合集群分析(VCPA)方法用于建模变量的选择;将偏最小二乘回归(PLSR)用于脂肪酸含量定量分析模型的构建。结果表明:经NWD1~(st)-MSC预处理后,两种脂肪酸的近红外光谱的较正均得到最好的结果;采用基于VCPA的变量优选方法极大地改善了模型精度,实现了建模变量数量的有效压缩。对于油酸模型,建模变量数量由1501减少为7,交叉验证均方根误差和校正相关系数分别为1.107和0.984,预测均方根误差和测试集的预测相关系数分别为1.178和0.981;对于亚油酸模型,建模变量数量由1501减少为8,交叉验证均方根误差和校正相关系数分别为0.089和0.987,预测均方根误差和测试集的预测相关系数分别为0.105和0.982。近红外光谱分析技术结合NWD1~(st)-MSC-VCPA-PLSR的方法为山茶油混合油品中脂肪酸含量的测定提供了一种快速简单的分析方法。     

改进和声搜索算法的近红外光谱特征变量选择

近红外光谱分析以其简便、快速、高效、低成本、绿色环保等优点,已广泛应用于诸多领域。然而,近红外光谱同时存在变量维度高、多重共线性、包含冗余信息和高频噪声等问题,直接构建预测模型不但增加建模复杂度,同时也会影响模型的预测性能和泛化能力,因此提出一种基于改进和声搜索算法(HS)的光谱特征变量选择方法。HS常用于解决特征变量优化选择问题。在应用和声搜索算法进行最优光谱变量选择时,首先通过偏最小二乘(PLS)载荷系数计算各光谱点的特征贡献度,作为和声搜索算法改进的扰动权重。算法优选光谱特征变量过程中,引入变量特征贡献度作为激励因子,采用随机遍历和激励因子共同作用的方式生成初始解向量。产生新和声向量时,应用变量特征贡献度作为惩罚项,通过加入平衡因子使选择参数随迭代次数而动态调整,从而适应光谱变量的搜索,增强搜索过程的遍历性和种群的多样性。为验证本算法的有效性,以烟叶样品烟碱、总糖、总氮三个指标的近红外光谱PLS建模应用为例,对采集的原始光谱进行预处理后,应用该方法对光谱变量进行优选,根据变量被选择的累积频次分别计算不同变量个数的模型预测性能,通过校正均方根误差(RMSEC)随变量增加的变化趋势确定最终选择的光谱特征变量。在训练集上分别建立各指标的PLS模型,应用测试集测试模型性能,并与全光谱、无信息变量消除法(UVE)和粒子群算法(PSO)进行比较。实验结果显示,应用该算法所选变量建立的烟碱、总糖和总氮三个模型的决定系数(R~2)分别为0.921 1, 0.925 7和0.941 2,预测均方根误差(RMSEP)分别为0.102 3, 1.034 6和0.053 1,与其他方法相比,光谱特征变量更少,同时R~2和RMSEP值更优。由此表明,改进的和声搜索算法能有效筛选特征光谱,降低建模复杂度,提升模型预测性能和泛化能力。     

初烤完整烟叶总植物碱的近红外光谱测量方法研究

为了探讨近红外光谱分析技术检测完整烟叶化学成分的可行性,利用近红外光谱分析技术,对初烤完整烟叶的光谱采集方式及总植物碱定量分析建模方法进行了研究。以云南省昆明市不同乡镇、不同品种的初烤烟叶为研究对象,分别采用烟叶的叶尖、叶中、叶基光谱及其平均光谱建立初烤完整烟叶总植物碱近红外偏最小二乘法(PLS)定量分析模型以选择出代表完整烟叶信息的建模光谱;分别用KS和SPXY方法对样品的校正集进行选择,采用向后区间偏最小二乘法(BiPLS)、无信息变量消除法(UVE)、竞争适应性重加权采样法(CARS)等选择特征变量,对模型进一步优化。研究结果表明,采用叶尖、叶中、叶基3个部位的平均光谱建立的模型相比单独每个部位光谱所建立模型的预测精度提高了8.5%~9.5%,与全光谱建模相比,用KS-BiPLS建立模型能明显改善模型的预测能力,模型的预测精度约提高了10%,模型的校正集决定系数和均方根误差分别为0.917 4和0.226 1,检验集决定系数和预测均方根误差分别为0.902 0和0.200 7。本研究方法适用于完整的初烤烟叶,无需对样品进行预处理,对于大量的初烤烟叶,能够快速、无损测定烟叶总植物碱含量,可以节省大量的时间。同时,该研究为初烤烟叶分级、提高原料的品质提供技术支持,也将为卷烟生产的过程控制提供科学依据。     

基于GA和SCMWPLS算法的NIR光谱信息变量提取研究

光谱数据压缩、信息变量提取是近红外应用研究的热点,是简化模型、提高预测精度的重要手段。本文以杏可见/近红外光谱为例,采用二阶导数、标准化和正交信号校正(OSC)处理以滤除光谱与浓度阵无关的信号;使用SCMWPLS选择出880,894～910和932 nm为建模区间建立PLS预测模型,其相关系数(R)、校正误差(SEC)和预测误差(SEP)分别为0.920,0.454和0.470;进行独立运行GA程序100次,依次选择入选频率较高的2个波长点888和900 nm作为回归变量,建立GA-MLR预测模型,其R, SEC, SEP分别为0.905,0.488和0.459,均优于全谱的偏最小二乘建模结果。结果显示,OSC可以滤除光谱与浓度阵无关的信号,减少建立模型所用的主因子数;SCMWPLS和GA可以寻找最优信息变量组合。该方法对于建立低维度、高精度近红外快速分析模型具有普遍参考意义。     

基于最小角回归与GA-PLS的NIR光谱变量选择方法

近红外(NIR)光谱一般具有较多的波长变量数,对其直接或间接地进行变量选择是提高模型稳定性能及预测性能的关键。最小角回归(LAR)是一种相对较新和有效的机器学习算法,常用于进行回归分析和变量选择。面向光谱建模应用,提出一种LAR结合遗传偏最小二乘法(GA-PLS)的变量选择方法,可有效筛选出少数特征波长点。首先在全光谱区利用LAR消除变量间的共线性得到初筛波长点,然后用GA-PLS对LAR筛选出的波长点进一步优选从而得到最终建模用的特征波长点。为验证本文方法的有效性,以药片和汽油的近红外光谱回归分析作为应用案例,对原光谱进行预处理后,采用该方法进行变量筛选,然后分别建模其中的活性成分含量和C10含量。结果显示,在这两个应用中,最终优化得到的特征波长点数均只需七个,而两者的预测决定系数R2_p分别达到0.933 9和0.951 9,与全光谱、无信息变量消除法(UVE)和连续投影算法(SPA)等方法相比,特征波长点更少,同时R2_p和预测均方根误差RMSEP值更优。因此,LAR结合GA-PLS,能有效地从近红外光谱中选择出信息变量从而减少建模波数,提高预测精度,拥有较好的模型解释性。该方法可为特定领域的专用光谱仪设计提供有效的波长筛选工具。     

猪肉pH值的可见近红外光谱在线检测研究

pH值是猪肉关键品质之一,实施在线检测对优化肉品加工工艺、保证产品质量、提高肉及肉制品的经济价值有重要意义。研究应用可见近红外光谱对新鲜猪肉pH值进行在线检测,实验时样品以0.25 m·s-1的速度运动,采集其可见近红外漫反射光谱(350～1 000 nm),进行反射距离校正后应用偏最小二乘回归法建立猪肉pH值在线检测模型。研究通过Kennard-stone算法划分样品校正集与预测集,对比了不同的光谱预处理方法(多元散射校正,微分等)对预测结果的影响,并对建模所用光谱变量进行优化。研究发现经过多元散射校正结合一阶微分预处理的模型效果最好,模型预测相关系数为0.905,预测均方根误差为0.051,经过优化的模型建模所用波长变量数减少一半,模型的预测相关系数提高到0.926,预测均方根误差下降至0.045。结果表明可见近红外光谱可用于新鲜猪肉pH值的在线检测。     

基于近红外光谱的粳稻种子快速鉴别方法研究

黑龙江省是我国最大的粳稻产区和商品粮生产基地。水稻种植过程中,选择合适的水稻品种是实现高产的关键环节。在农业生产中,水稻品种的选择受多方面因素影响,一般说来,同一积温带所种植的不同水稻品种在外观上差别不大,甚至没有差别,很难通过肉眼观察进行准确区分。为了快速鉴别肉眼不便区分的不同类别粳稻种子,提出了一种基于近红外光谱技术的粳稻品种快速无损鉴别方法。以黑龙江垦区大量种植的3种不同品种的粳稻种子（垦粳5号、垦粳6号和绥粳4号）作为研究对象,每个品种选取40个样本,其中30个样本做为建模集,10个样本作为预测集,扫描获取全部120个样本的近红外光谱数据。对原始光谱数据（11 520～4 000 cm-1）两端进行裁剪,选取吸光度较强的8 250～5 779cm-1范围内的光谱数据进行研究。首先建立参照模型,即直接对光谱数据建立BP模型1, 同时光谱数据经过一阶导数和Savitzky-Golay平滑预处理后建立BP模型2。模型1的分类正确率为93.3%,预测集均方根误差RMSEP=0.232 8,迭代时间t=3 882.9 s。模型2的分类正确率为100%,RMSEP=0.070 6,迭代时间t=954.5 s。比较两种模型的评价参数RMSEP发现FD+SG预处理可以提高模型的预测能力,但是由于两种模型未进行降维处理,数据量过大,模型的输入节点过多,迭代时间太长,不利于实际应用。因此利用小波变换多分辨率的特点对数据进行降维处理,采用预测集残差平方和Press值作为评价指标,在多个小波类别和参数中选取分解尺度为5的sym2（symlet2）小波对光谱数据进行压缩和降维处理,将光谱数据由601维降到21维。以小波变换结果作为神经网络输入,建立模型3,并与模型1比较,模型3的分类正确率为93.3%, RMSEP=0.225 0, 迭代时间t缩短至198.9 s,比较结果显示小波降维可以减少神经网络的输入,简化神经网络的结构,从而提高迭代速度,但对提高模型的预测能力效果不明显。上述三种模型比较结果表明,FD+SG预处理可以提高模型的预测能力,小波降维可以提高模型的迭代速度,综合上述三种模型的比较结果分析,最终建立“FD+SG+小波降维”的21输入、15个隐层、3个输出的神经网络鉴别模型4,其分类正确率达100%,RMSEP=0.029 3, 迭代时间为98.8 s,表明模型4能够完全实现对三种不同水稻品种的快速、准确、无损鉴别。因此,所提出的基于近红外光谱的小波降维和反向传播人工神经网络鉴别模型的方法完全可以用于粳稻种子的快速无损鉴别,同时也为其他农作物种子的快速鉴别提供了参考。     

基于近红外光谱和模式识别技术鉴别大米产地的研究

利用近红外光谱和模式识别技术建立了大米产地的快速鉴别方法。首先对119个地理标志产品响水大米和90个其他产地的大米(即非响水大米)的近红外光谱进行一阶导数和平滑处理,利用主成分分析法(PCA)对数据进行降维,通过前三个主成分的载荷图确定了相关性最大的特征波段(7 700～6 700 cm-1与5 700～4 300 cm-1)。在全波段内,凝聚层次聚类和Fisher’s判别鉴别方法都可以100%正确的鉴别响水大米和非响水大米;对于非响水地区的大米的具体产地判别,聚类分析正确率为91.9%,Fisher’s判别分析方法的正确率为96.7%。同时,在特征波段内,对大米产地聚类分析的准确度高于全波段范围内分析结果,说明选取的特征波段具有较强的代表性,是优化模型的有效方法之一。     

NIRS法对栀子不同炮制品栀子苷含量的快速检测

以96批栀子不同炮制品为研究对象,高效液相色谱测定栀子苷含量为参考值,利用近红外光谱仪积分球漫反射测定其光谱图,建模波段取8 660~7 500,6 650~5 600和4 900~4 000 cm-1,以标准正态变换(SNV)和二阶导数法(2nd derivative)为预处理方法,主成分数为8,采用偏最小二乘法(PLS)对83批栀子样品建立栀子苷的定量校正模型,最终以13批栀子不同炮制品对模型进行验证。结果,定量模型的内部交叉验证决定系数(R2)为0.992 85,校正均方差(RMSEC)为0.240,预测均方差(RMSEP)为0.254,内部交叉验证均方差(RMSECV)为0.386 91,RMSEP/RMSEC=1.06。模型验证得到的相对分析误差(RPD)为8.81,绝对偏差范围-0.39%~0.23%,说明模型预测性较好。通过相关系数法,优选样品装样量、扫描次数、重复次数、分辨率实验条件;并由近红外一阶导和二阶导图,除去温湿度和样品水分影响波段,结合栀子苷对照品近红外光谱图,确定建模波段。首次利用NIRS法建立栀子不同炮制品栀子苷定量校正模型,方法简单快速,模型稳定可靠、准确性高,可同时应用于不同炮制品栀子中栀子苷含量的预测。     

可见/近红外光估测完整柑橘水果可溶性固形物含量的研究

研究用可见/近红外光谱(Vis/NIR spectroscopy)漫透射方式对柑橘类水果的可溶性固形物含量(SSC)进行了无损、快速定量分析。通过自行设计的Vis/NIR光谱系统测定了110个柑橘样品的SSC。82个柑橘样品用来建模,其余28个用来验证模型的性能。对实验室测得的柑橘水果的SSC实际值与Vis/NIR光谱数据进行相关性分析,用光谱定量分析软件中集成的偏最小二乘回归法(PLS)和主成分回归法(PCR)建立校正和预测模型。对比了不同光谱预处理方法, 如微分处理, 标准归一化处理(SNV), 多元散射校正(MSC)和Savitzky-Golay 光谱平滑方法)对模型检测结果的影响。根据预测平方根误差(RMSEP)和相关系数(r2)进行不同模型的预测性能评价,建立的最好的柑橘水果SSC预测模型的RMSEP＝0.538%,r2＝0.896。结果表明Vis/NIR可以作为一种准确、快速的无损检测方法来评价柑橘类水果的可溶性固形物含量。     

稻谷有害霉菌侵染的近红外光谱快速检测

稻谷是我国主要储粮品种。为快速、准确鉴定稻谷霉变状态,建立了一种基于近红外光谱的稻谷霉菌污染定性、定量分析方法。首先,将四种谷物中常见有害霉菌(黄曲霉3.17、黄曲霉3.3950、寄生曲霉3.3950、灰绿曲霉3.0100)分别接种在灭菌稻谷样品上。其次,将接种霉菌样品进行人工模拟储藏(28 ℃、RH 80%),并采集不同储藏时间(0,2,4,7和10 d)稻谷的近红外漫反射光谱信号。最后,利用主成分分析(PCA)、判别分析(DA)和偏最小二乘回归(PLSR)方法建立稻谷霉菌污染的快速分析模型。结果显示,近红外光谱可有效区分感染不同霉菌的稻谷样品,平均判别正确率达87.5%。稻谷霉变随储藏时间逐渐加深,近红外光谱对感染单一霉菌稻谷样品霉变状态的判别正确率达92.5%,多种霉菌的判别正确率达87.5%。稻谷中的菌落总数的PLSR模型定量结果为：有效决定系数(R2_P)为0.882 3、验证均方根误差(RMSEP)为0.339 Lg CFU·g-1,相对标准偏差(RPD)为2.93。结果表明,近红外光谱法可以作为一种快速、无损的分析方法来判定稻谷霉菌侵染状况,确保稻谷储运安全。     

高光谱成像的猕猴桃糖度无损检测方法

猕猴桃糖度是重要的猕猴桃内部品质衡量指标。传统的糖度检测耗时且有损样品,有效无损检测猕猴桃糖度含量对于其品质分级、储藏销售具有重大意义。基于高光谱成像技术的常见果蔬品质无损检测方法多数是采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、主成分分析(PCA)、迭代保留信息变量法(IRIV)等算法中的某个单一算法提取特征光谱变量,而这些算法单独使用易导致预测结果的稳定性不足。对此,开展了基于高光谱成像技术的猕猴桃糖度的无损检测方法研究。以四川省雅安市“红阳”猕猴桃为研究对象,依次对猕猴桃样本编号并采集其在400~1 000 nm波长范围内的高光谱图像,计算感兴趣区域的平均光谱作为样本的有效光谱信息;分别采用多元散射校正（MSC）、标准正态变量变换（SNV）、直接正交信号校正（DOSC）等3种光谱数据预处理方法分析对预测模型精度的影响,对比结果显示DOSC的预处理效果最好;对预处理后的光谱分别采用一次降维(CARS,SPA,IRIV)、一次组合降维(CARS+SPA,CARS+IRIV)算法和二次组合降维算法((CARS+SPA)-SPA,(CARS+IRIV)-SPA))等7种算法提取特征光谱变量,并分别构建了预测猕猴桃糖度的3种模型,即支持向量回归机（SVR）、最小二乘支持向量机（LSSVM）和极限学习机（ELM）模型;最后对比了基于不同特征提取方法的3种模型的预测精度。研究结果表明：ELM模型具有最好的预测性能,而SVR模型的预测性能最差;(CARS+IRIV)-SPA所选特征光谱变量输入LSSVM、ELM模型,其获得的预测结果均优于其他算法所选特征光谱变量输入对应模型所得的预测结果,证明了(CARS+IRIV)-SPA算法在提高猕猴桃糖度含量检测精度方面的有效性。对比不同方法的预测结果可知,(CARS+IRIV)-SPA-ELM对猕猴桃糖度的预测性能最优,其相关系数R_c=0.945 1,R_p=0.839 0,均方根误差RMSEC=0.450 3,RMSEP=0.598 3,预测相对分析误差RPD=2.535 1,该方法为猕猴桃糖度的检测无损化、精准化、智能化发展提供了可靠的理论依据和技术支撑。     

siPLS-LASSO的近红外特征波长选择及其应用

近红外技术广泛应用于食品、药品等生产过程和产品质量检测,具有样品无需预处理、成本低、无破坏性、测定速度快等优点。但是,全光谱数据维数高、冗余信息多,直接应用于建模会导致模型复杂性高、稳定性差等问题。siPLS是最常见的光谱数据降维方法,但是难以处理光谱数据的共线性问题。LASSO是一种相对新的数据降维方法,但在小样本应用中具有不稳定性。针对siPLS和LASSO在近红外光谱数据应用中存在的问题,提出了基于siPLS-LASSO的近红外特征波长选择方法,并将其应用于秸秆饲料蛋白固态发酵过程pH值监测。该方法首先采用siPLS算法,实现对光谱波长最佳联合子区间的优选;然后,对优选联合子区间使用LASSO算法进行特征波长选择,在此基础上建立PLS校正模型。同时,将siPLS-LASSO方法与其他传统特征波长选择方法进行了对比。结果表明：建立在siPLS-LASSO方法优选33个特征波长基础上的PLS模型预测结果更好,其预测方差(RMSEP)和相关系数(R_p)分别为0.071 1和0.980 8;所提siPLS-LASSO方法有效选取了特征波长,提高了模型预测性能。     

奥林达夏橙叶片锌含量可见近红外光谱监测模型研究

以奥林达夏橙叶片粉末干样为对象,利用化学分析与可见近红外光谱技术相结合的方法,通过样品原始光谱的二阶微分及消噪(Noise)处理,运用偏最小二乘法(PLS)与交叉验证方法建立的Zn含量数学模型,其中使用Zn含量特征光谱400～500nm和1201～1300nm的组合波段建模,具有较好的预测能力,校正建模和预测模型的相关系数分别为0.9975和0.9920,交互验证预测均方根误差为0.5868。因此,利用可见近红外光谱技术,运用PLS及交叉验证方法,建立叶片Zn含量与特征波段的光谱校正模型,能快速定量检测柑桔叶片Zn含量。     

近红外反射分析法测定水稻可能再转流物质的研究

为了探讨应用近红外反射分析法测定水稻可能再转流物质的可行性,以种植于海南儋州的7个水稻品种为试验材料,在淀粉酶处理结合中性洗涤纤维法分析的基础上,应用近红外反射分析法建立预测水稻茎叶部和穗部可能再转流物质含量的校正模型。结果表明：采用偏最小二乘法回归(PLS1)建立的校正模型的预测效果较好,光谱预处理对改进校正模型没有显著效果;采用不做预处理+PLS1建立的茎叶部和穗部校正模型都具有较高的预测准确度,校正模型的外部验证结果茎叶部的决定系数为0.991 2、均方根误差为0.008 1,穗部的决定系数为0.961 1、均方根误差为0.022 6。     

黄酒糖度预测的可见-近红外光谱方法研究

提出了用可见近红外光谱结合不同化学计量学方法预测黄酒糖度的新方法。用240个黄酒样本建模,60个样本进行预测。通过对光谱数据进行平滑、变量标准化及一阶导数等预处理,建立并比较了偏最小二乘法,小波变换与偏最小二乘法相结合,主成分分析与人工神经网络相结合以及主成分分析与最小二乘支持向量机相结合四种不同建模方法的预测精度,以相关系数r、预测标准差、偏差等为评判标准,得到黄酒糖度预测的最优模型为最小二乘支持向量机模型。该模型对黄酒糖度预测的相关系数为0.962、预测标准差为0.021、偏差为-0.001,获得了理想的预测精度。结果表明应用可见近红外光谱对黄酒糖度进行预测是可行的,且最小二乘支持向量机模型能得到最优的预测结果。