航空煤油初馏点近红外光谱分析数学模型的预处理方法及波段优选

采用偏最小二乘法(PLS)建立近红外光谱法分析航空煤油初馏点的数学模型。重点研究了光谱预处理方法和建模波段的选择,结果表明:采用一阶微分无窗口平滑的预处理方法,利用764～960 nm和1 000～1 020 nm波段组合建立的模型效果最好,模型的相关系数(r)、校正标准偏差(SEC)和预测标准偏差(SEP)分别为0.910 2,1.01℃和2.69℃,其中r和SEC优于文献值(r=0.885 2,SEC=3.86℃),配对t检验验证该模型的预测准确度高。     

不同偏最小二乘法在化学需氧量近红外光谱特征波段选择中的应用

通过近红外光谱法对生活废水样本中的化学需氧量(COD)进行分析,将全谱波段等分为30、20、15、12个子区间,选用间隔偏最小二乘法(iPLS)、后向间隔偏最小二乘法(BiPLS)以及前向间隔偏最小二乘法(FiPLS)建立COD光谱特征波段的选择。结果显示:全波段所建立的PLS模型最差,iPLS、FiPLS、BiPLS模型均有所改进,且BiPLS算法的模型最好。当全波长分为30个子区间时,所选特征波段第22、18、23、25、24、4、2、19、17组合区间建立的模型为最佳,其预测集标准偏差(RMSEP)与交叉验证均方差(RMSECV)分别为15.9mg·L-1和16.8mg·L-1。     

独立分量分析预处理法提高苹果糖度模型预测精度研究

为了提高苹果近红外光谱糖度预测模型精度,利用独立分量分析方法(ICA)对苹果近红外光谱进行了预处理,并且建立了糖度的偏最小二乘(PLS)预测模型。结果表明,独立分量分析不但能分离出噪声信号,而且所分离出来的光谱信号也比原始光谱信号光滑。在预处理后的最佳PLS糖度模型校正时的相关系数rc和标准偏差SEC分别为0.9549和0.3361,用于预测时的相关系数rp和标准偏差SEP分别为0.9071和0.4355。与普通的平均处理法的PLS模型相比,其精度有所提高,且模型更加简洁。     

近红外光谱相似性评估结合局部回归方法无损检测苹果糖度

基于Bayesian相似性评估方法结合偏最小二乘局部回归,对苹果近红外数据库进行数据挖掘。通过相似性计算方法搜索出与预测样品相近的近红外光谱,形成校正子集后采用局部回归方法获得待测样品的相关信息。该方法所建立局部模型的平均检验标准偏差(SEV)约为0.57,分析30个预测样品的预测标准偏差(SEP)约为0.61;基于马氏距离的传统方法建立的偏最小二乘局部模型的平均SEV为0.59,分析30个待测样品的预测SEP为0.64;而采用整个数据库建立的全局偏最小二乘模型的SEV约为0.65,分析30个预测样品SEP约为0.70。基于Bayesian相似性评估的局部回归方法在苹果糖度的近红外无损定量分析中获得较好的应用结果,在实际应用中该方法比全局回归方法具有更强的适用性,为近红外光谱分析提供了新的分析工具。     

便携式近红外光谱仪对废旧涤/棉混纺织物中涤含量的快速检测

利用近红外光谱技术对252个涤/棉混纺织物进行研究,建立了不同光谱特征的涤/棉混纺织物的偏最小二乘(PLS)定量分析模型。将近红外光谱异常样本与光谱正常样本分别建模,显著提高了定量分析模型的预测精度、拓宽了模型的适用范围。以涤、棉主要吸收峰区间为基本建模波段,进行双向扩展,筛选出最佳建模波段,以相关系数(R)、预测集标准差(SEP)和验证集准确率优化建模条件,并与未分别建模的PLS模型相比较。用346个未参与建模的废旧涤/棉混纺织物对模型进行外部验证,外部验证准确率为92%,识别时间8s。     

无信息变量消除法变量筛选优化烟草中总氮和总糖的定量模型

应用近红外光谱技术对烟草常规化学成分中总氮和总糖进行了测定。无信息变量消除(UVE)剔除光谱矩阵中没有有效信息的数据点,并用偏最小二乘方法(PLS)建立总氮和总糖的定量分析模型,外部检验对模型效果进行了评价。总氮定量模型校正集的决定系数R2为93.35%,标准偏差SEC为0.10;外部检验集的决定系数R2为94.09%,标准偏差SEP为0.11,相对标准偏差RSD为6.12%;总糖的定量模型校正集的决定系数R2为98.20%,标准偏差SEC为0.95;外部检验集样品的决定系数R2为98.01%,标准偏差SEP为0.78,相对标准偏差RSD为2.93%。结果表明:采用UVE建立的总氮与总糖的模型优于用全谱建立的模型,UVE提高了PLS模型的预测能力。     

木薯品质分析的近红外光谱模型建立及其应用研究

应用近红外光谱法(NIRS)建立木薯中淀粉、水分定量分析的近红外光谱数学模型,探讨了修正偏最小二乘法(MPLS)、偏最小二乘法(PLS)以及主成分回归法(PCR)等优化处理对定标模型的影响,确定了修正偏最小二乘法(MPLS)是建立模型最适合的数学方法。并对模型预测结果的准确性进行了评价。结果表明:验证集样品的化学值和近红外预测值拟合存在较好的线性关系,相关性显著。淀粉模型预测标准偏差(Sep)为0.850,系统偏差(Bias)为-0.095,相关系数(r)为0.971。水分模型预测标准偏差(Sep)为0.075,系统偏差(Bias)为0.007,相关系数(r)为0.980。淀粉、水分定量分析的NIRS数学模型具有较高的预测准确性,可应用于木薯批量收购中的品质等分析。     

废旧涤/棉混纺织物近红外定量分析模型的建立及预测

将中红外光谱筛选出的598个纯涤、纯棉及涤/棉混纺样本采用GB/T 2910.11-2009法测定其涤、棉准确含量,其中校正集样本252个,验证集样本346个。使用便携式近红外光谱仪获取样本的原始近红外光谱(NIRS)。校正集样本依据回归系数的分布趋势和范围选取最佳建模谱区,并采用差分一阶导、S-G平滑和均值中心化相结合的方法对原始光谱进行预处理,利用偏最小二乘法(PLS)建立涤/棉混纺织物中涤含量的近红外(NIR)定量分析模型。同时分析了样本颜色对NIRS的影响,探讨了斜线光谱样本、奇异样本和不同组织结构织物对模型预测效果的影响。结果表明:利用PLS法建立的涤/棉混纺织物定量分析模型最优组合包含1个光谱区间和9个主成分因子,校正集相关系数(RC)为0.998,标准偏差(SEC)为0.908。为验证所建模型的有效性和实用性,对346个未参与建模的涤棉样本进行了预测,并将预测结果与国标法测定值进行方差分析,两种方法结果无显著差异,预测正确率达97%以上。模型的建立为废旧涤/棉混纺织物快速、无损分拣提供了基础数据库。     

基于离散傅立叶变换的支持向量机光谱定量分析法

研究了火电厂电煤煤粉的近红外光谱特征,提取了前3个主成分和前6个离散傅立叶变换(DFT)系数,结合主成分得分、马氏距离和偏最小二乘(PLS)交互验证方法剔除异常样本,并建立偏最小二乘回归(PLSR)、栅格支持向量机回归(G-SVR)、遗传算法支持向量机回归(GA-SVR)和粒子群算法支持向量机回归(PSO-SVR)等定量分析模型。结果表明,利用DFT系数作为PSO-SVR模型的输入变量,当其进化代数为300,种群规模为20,模型参数c1、c2为1.5,1.7时,性能最优,其中校正集相关系数(RC)为0.990,测试集相关系数(RP)为0.954,定标标准差(SEC)为0.366,测试标准差(SEP)为0.128。该方法准确可靠,已成功应用于近红外在线电煤发热量监测系统,并可推广用于其它较为复杂的近红外在线分析系统。     

近红外光谱法对头孢氨苄粉末药品的非破坏定量分析

采用近红外漫反射光谱法对头孢氨苄粉末药品中主要成分头孢氨苄进行快速、无损定量分析.采用偏最小二乘法建立近红外光谱信息与待测组分含量间的最佳数学校正模型.对3种光谱(SNV光谱、一阶导数、二阶导光谱)的预测结果进行了比较,讨论了光谱的预处理方法和主成分数对偏最小二乘法定量预测能力的影响,并对预测集样品进行预测.     

Bagging偏最小二乘和Boosting偏最小二乘算法的金银花醇沉过程近红外光谱定量模型预测能力研究

建立金银花醇沉过程中稳健的近红外光谱( Near infrared spectroscopy,NIR)定量模型,为金银花醇沉过程的快速评价提供方法。研究基于金银花醇沉过程绿原酸的 NIR 数据,通过建立 Bagging 偏最小二乘(Bagging-PLS)模型、Boosting偏最小二乘(Boosting-PLS)模型与偏最小二乘(Partial Least Squares,PLS)模型,实现对模型性能比较;在此基础上,采用组合间隔偏最小二乘法( Synergy interval partial least squares,siPLS)和竞争自适应抽样( Competitive adaptive reweighted sampling,CARS )法分别对光谱进行变量筛选,建立模型,实现了对模型预测性能的考察。实验结果表明, Bagging-PLS和Boosting-PLS(潜变量因子数设为10)的预测性能均优于 PLS 模型。在此基础上,两批样品采用 siPLS 筛选变量,第一个批次金银花筛选波段820~1029.5 nm和1030~1239.5 nm,第二个批次金银花醇沉筛选波段为820~959.5 nm和960~1099.5 nm;采用CARS方法变量筛选,两批样品分别选择5折交叉验证和10折交叉验证,取交叉验证均方根误差( RMSECV)值最小的子集作为最终变量筛选的结果。经过变量筛选的两批金银花醇沉过程中的绿原酸含量Bagging-PLS和Boosting-PLS模型的预测均方根误差(RMSEP)值降低了0.02~0.04 g/L,预测相关系数提高了4%~5%。综上,Baggning-PLS和Boosting-PLS算法可作为金银花醇沉过程NIR定量模型的快速预测方法。     

近红外光谱法测定ABS树脂中氮含量

根据58个丙烯腈-丁二烯-苯乙烯(ABS)树脂样品的近红外漫反射光谱数据结合偏最小二乘法(PLS)建立了ABS树脂中氮含量定量分析的校正模型。结果表明;在近红外光谱区(7501.8～5449.9cm~(-1))内,主因子数为9时,定量模型的准确度最好。通过对模型进行t-检验,在显著性水平为0.05的条件下,其测定结果与标准方法的测定结果对比,两者无显著性差异。预测相关系数(r)和相对标准偏差(RSD)分别为0.9924和3.3%。     

拉曼光谱结合后向间隔偏最小二乘法用于调和汽油辛烷值定量分析

采用后向间隔偏最小二乘(Backward interval partial least squares,BiPLS)提取汽油拉曼光谱特征谱段,并用于研究法辛烷值(Research octane number,RON)的定量分析。实验中首先使用SPXY(Sample set partitioning based on joint x-y distances)方法划分训练集、交叉验证集和测试集,并采用稳健回归方法剔除异常的样本数据,再结合BiPLS方法筛选特征谱段,利用特征谱段建立偏最小二乘模型。与全谱段偏最小二乘模型的预测性能对比结果表明,后向间隔偏最小二乘方法可使输入模型的特征数据维数降低50.00%,交叉验证均方根误差(Root mean square error of cross validation,RMSECV)降低18.92%,预测均方根误差(Root mean square error of prediction,RMSEP)降低13.86%。后向间隔偏最小二乘方法可有效提取汽油拉曼光谱的特征谱段,降低模型复杂度,同时提高模型预测精度,在调和汽油研究法辛烷值定量分析方面有较好的应用前景。     

组合偏最小二乘回归方法在近红外光谱定量分析中的应用

针对近红外光谱数据局部效应显著,变量个数多,彼此间常存在严重的复共线性,并多与样品组分含量呈非线性关系,构建一种组合非线性偏最小二乘回归(E-S-QPLSR)方法。它采用无重复采样技术(subag-ging),从训练样本中生成若干子样,然后每个子样通过二次多项式偏最小二乘回归(QPLSR),建立其子模型,并实现对训练样本因变量的定量预测,再将它们交由线性PLS算法用于计算各子模型的组合权系数。将该法应用于80个玉米样品的水组分含量与其近红外光谱的定量关系建模,效果良好,显示出很强的学习能力,所建模型的预报性能也优于其它方法。     

多模型共识偏最小二乘法用于近红外光谱定量分析

将多模型共识偏最小二乘法用于近红外光谱定量分析。利用随机抽取的训练子集建立一系列偏最小二乘模型,选取其中性能较好的部分模型作为成员模型,用这些成员模型来预测未知样品。将该方法用于一组生物样本的近红外光谱与样品中人血清白蛋白、γ-球蛋白以及葡萄糖含量之间的建模研究,并与单模型偏最小二乘法了进行比较。结果 PLS对独立测试集中三种组分进行50次重复预测的平均RMSEP分别为0.1066,0.0853和0.1338,RMSEP的标准偏差分别为0.0174,0.0144和0.0416;而本方法重复预测的平均RMSEP分别为0.0715,0.0750和0.0781,RMSEP的标准偏差分别为0.0033,0.2729×10-4和0.0025。     

可见-近红外光谱结合CARS优化模型预测棕榈油碘值

采用可见-近红外透射光谱结合CARS变量优选方法优化模型,对棕榈油碘值进行近红外定量分析。通过将使用不同预处理方法产生的建模效果进行比较,找到了理想的预处理方法,通过CARS变量选择方法优选出与棕榈油碘值相关的有效波点共60个,利用60个有效波点建立棕榈油碘值优化模型。根据优化模型的建模集相关系数(R_c=0.9814)和预测集相关系数(R_p=0.9806),得到的建模均方根误差(RM SEC=0.0398)和预测均方根误差(RM SEP=0.0406)优于采用全波段建立的模型得到的系数误差。利用可见近红外透射光谱结合CARS变量优选方法,简化了棕榈油碘值模型,并能够保证碘值预测的准确度。     

基于组合偏最小二乘的特征波段优选方法在氨、碱化处理玉米秸秆粗蛋白检测中的研究

该文构建了玉米秸秆粗蛋白定量分析模型,并对光谱特征波段选取方法进行探讨及验证。首先对107个样本进行预处理,剔除两个异常样本后采用DB2小波缺省阈值4层分解方式进行光谱重构,预处理后粗蛋白模型交互验证决定系数R2CV从0.788 9提高至0.920 8,采用间隔偏最小二乘(IPLS)及其改进型方法后向区间间隔偏最小二乘(BIPLS)、组合间隔偏最小二乘(SIPLS)进行特征波段选取,并对比主成分分析、竞争性自适应重加权采样法、相关系数法、遗传算法、移动窗口最小二乘等结果,发现基于IPLS及其改进型BIPLS、SIPLS均可有效、准确定位特征波段区间,其中采用SIPLS 30 波段间隔在10 128~10 398 cm-1与11 196~11 462 cm-1时具有最优模型,验证集相关系数(rp)为0.978 4,验正集决定系数(R2P)为0.957 2,验正集均方误差根(RMSEP)为0.221 1,相比于其他波段选取方法表现出较好的实时准确性,该方法可为玉米秸秆氨碱化最优条件判定提供重要的数据支撑。     

尿微量白蛋白的多波段多光程光谱检测

为研究多光程光谱法检测尿微量白蛋白含量的可行性,利用多光程光谱的非线性特性,设计自动微位移测量装置,实现对尿液样品可见波段和近红外波段的多光程(0～4.0 mm)光谱快速采集.采用偏最小二乘法,分别对样本的可见波段、近红外波段、可见-近红外双波段的多光程吸收谱与尿液中白蛋白实际含量建立回归模型,其中,可见-近红外双波段...     

浓度分段模型应用于人体血清葡萄糖的FTIR/ATR光谱分析

利用傅立叶变换红外光谱(FTIR)和衰减全反射(ATR)技术,建立了人血清葡萄糖的快速定量分析方法。根据葡萄糖水溶液与纯净水差谱得到葡萄糖的指纹吸收波段(1 200~900 cm-1),分别在全谱(4 000~600 cm-1)和指纹波段建立偏最小二乘法(PLS)模型,指纹波段的预测效果明显好于全谱。选择指纹波段后,提出一种根据浓度分段分别建模然后进行组合的建模方法。按照全部样品、低浓度样品、高浓度样品分别建立模型后,根据3个模型进行综合决策。应用独立的检验集对样品进行测试表明,按葡萄糖浓度范围分段建立组合模型的预测效果优于基于全部样品建模的预测效果。对于分段阈值附近的样本,低浓度和高浓度模型的预测效果差别不大。浓度分段组合模型的预测均方根偏差(RMSEP)和预测相关系数(Rp)分别为0.732mmol/L和0.948。     

乙醇混合燃料近红外定量分析

采用近红外光谱(NIR)透射法对乙醇混合燃料各成分进行定量分析；其中乙醇体积分数为84．5％～98．2％，汽油体积分数0～15％；通过偏最小二乘法(PLS)建立模型，乙醇含量NIR模型校正集测定系数(R^2)为0．9969，模型校正集标准差(SEE)和预测集标准差(SEP)分别为0．23和0．38，汽油含量NIR模型校正集测定系数为0．9939，模型校正集标准差和预测集标准差分别为0．38和0．39，对含量较小的干扰物质丙酮预测结果也理想；近红外和多元校正技术可作为乙醇混合燃料中成分含量测定简单、快速方法之一。