近红外光谱法快速测定毛竹Klason木质素的含量

研究了用近红外漫反射光谱法对毛竹Klason木质素含量的快速预测。选取了代表不同竹龄、不同高度和横向不同位置的54个竹材粉末样品,用常规实验室方法测定了54个样品的Klason木质素含量,用近红外光谱仪漫反射方式在350～2500 nm范围内采集相应样品的光谱,利用多变量统计分析软件建立样品木质素含量和光谱数据之间的相关性模型。结果表明,对原始光谱进行二阶导数预处理后,选择1 011～1675 nm和1930～2488 nm波长区间,用偏最小二乘法(PLS1)和完全交互验证方式建立了的校正模型和预测模型的相关系数分别为0.99,和0.97,校正标准误差SEC＝0.36％,预测标准误差SEP=0.59％,说明毛竹Klason木质素含量和近红外光谱之间存在非常好的相关性,用近红外光谱技术可以实现对竹材样品中Klason木质素含量的快速预测。     

毛竹化学成分光谱分析的快速建模方法研究

研究了毛竹综纤维素和木质素含量近红外光谱定量分析方法的建立。选用不同竹龄、纵向和横向部位的54个竹材粉末样品,用湿化学方法测定其综纤维素和木质素含量。在综纤维素和木质素含量的分布范围内,从低值、中间值和高值中挑选11个代表性样品,11个样品按预定比例混合得到21个混合样品,混合样品的综纤维素和木质素含量计算得到,再挑选22个目标成分含量不同的样品组成54个样品的校正集。用偏最小二乘法分别建立样品综纤维素含量、木质素含量和近红外漫发射光谱之间的相关模型。结果表明,综纤维素含量的预测模型的相关系数(R_p)为0.92,标准偏差(SEP)为1.04％;木质素含量的预测模型的R_p为0.93,SEP为0.91％,与常规方法建立的模型预测精度相似。说明利用样品混合的方式可快速增加校正集样品的数量、改善校正集样品的分布状况,继而建立稳定可靠的近红外定量分析模型。     

BP神经网络与近红外光谱定量预测杉木中的综纤维素、木质素、微纤丝角

利用近红外光谱(NIR)技术结合BP神经网络定量预测了杉木中的综纤维素、木质素和微纤丝角。首先对杉木的原始近红外光谱数据进行卷积(Savitzky-Golay)平滑和二阶导数处理,然后利用小波变换压缩,将由171个数据点组成的近红外光谱压缩为86个数据点,最后用BP神经网络建模,采用Leave-n-out交叉验证法对模型进行验证,并讨论了隐含层神经元个数、学习速率、动量因子和学习次数对所建BP网络的影响。用所建的网络模型预测了测试集中杉木样本的综纤维素、木质素和微纤丝角 ,预测的相关系数R2值分别为0.91, 0.90, 0.87,预测均方根误差RMSEP分别为：0.86%, 0.33%, 4.99%。结果表明该方法快速,无损,基本能满足定量分析的要求。     

近红外反射光谱法测定苜蓿干草主要纤维成分的研究

采集不同生育期、不同品种和不同干燥方式（烘干、阴干、晒干）的苜蓿干草样品60份,研究了利用近红外反射光谱法分析苜蓿干草中纤维素、半纤维素和木质素含量的可行性。实验结果显示,纤维素的交互验证相关系数（R_CV）、外部验证决定系数（r2）以及验证集样品标准差（SD）与预测残差均方根（RMSEP）的比值（RPD）分别为0.97,0.97,4.44,木质素为0.94,0.94,4.08,表明利用NIRS技术可以准确分析苜蓿干草中纤维素和木质素的含量。半纤维素的R_CV,r2,RPD分别为0.29,0.12,1.09,说明该模型不能进行半纤维素的实际预测。利用近红外反射光谱法准确测定纤维素和木质素含量的结果,对苜蓿生产加工中的质量评价,以及苜蓿育种等研究中纤维品质的快速分析都具有重要意义。     

近红外光谱技术快速预测泡桐活立木年轮密度

应用近红外光谱分析技术主要对兰考泡桐活立木年轮密度进行了研究。取样时采用无损的方式,即不伐木,只从样木胸径处钻取直径为5 mm的木芯;用近红外光谱仪采用自动进级式采集样品光谱,波谱范围为350～2 500 nm;密度值采用水银体积仪测量;校正模型和预测模型建立与分析采用偏最小二乘和完全交互验证法。研究结果表明,中径级和大径级泡桐所选年轮数与近红外光谱值之间均存在很好的相关关系,预测模型相关系数分别达0.88和0.91;中径极的泡桐年轮密度与近红外光谱的校正模型和预测模型相关系数分别达到0.90和0.83,校正标准误差(SEC)和预测标准误差(SEP)分别为0.012和0.016。由此可见,该法可简单、快速、无损的预测中径级即接近采伐龄泡桐活立木的年轮密度。     

近红外光谱技术在快速测定连翘提取物中连翘苷含量的应用

本文主要对近红外光谱技术在快速测定连翘提取物中连翘苷含量的应用进行了研究。利用近红外漫反射光谱法采集样品的近红外光谱,以HPLC分析值作为参考值,采用偏最小二乘法(PLS)建立连翘苷含量的定量校正模型,并用未知样品对该模型进行验证。所建模型的相关系数(R2)、校正均方差(RM-SEC)和内部交叉验证均方差(RMSECV)分别为0.9745、0.117和0.2392;经外部验证,预测相关系数(r2)和预测均方差(RMSEP)分别为0.9788和0.0776。结果表明该方法操作简便,无污染,结果准确可靠,可用于连翘提取物中连翘苷含量的快速测定。     

利用近红外光谱和X射线衍射技术分析木材微纤丝角

利用近红外光谱和X射线衍射法对木材的微纤丝角进行了快速预测。微纤丝角是影响木材性质的最重要的物理量之一,木材资源利用和林木品质改良都要求能快速、方便地测定木材的微纤丝角。 该实验首先利用X射线衍射仪,快速测量和计算出154个杉木木材样品的微纤丝角。然后,依据木材不同成分在近红外区的不同吸收特性,在近红外光谱数据与X射线衍射仪测定的微纤丝角之间建立相关模型。结果表明,二者之间具有很好的相关性,其校正模型和预测模型的相关系数(r2)分别达到0.867和0.816。     

近红外光谱分析测定鱼丸中的水分和淀粉含量

用近红外光谱技术分析了草鱼鱼丸中水分和淀粉的含量,并建立了数学模型.以定标集和验证集的相关系数(rc,rv)及预测标准误差(SEC,SEP)作为模型优劣的判定依据.结果表明,采用偏最小二乘法(PLS)建立的数学模型效果最佳,具有较高的相关系数和较低的预测标准误差.水分和淀粉模型中,定标集样本的相关系数rc分别为0.9834,0.9634;预测标准误差分别为0.6293,0.8875;验证集样本的相关系数rv为0.9841,0.9699;预测标准误差分别为0.6358,0.8850.该研究说明利用近红外光谱分析技术测定鱼丸中水分和淀粉的含量是可行的.     

近红外光谱技术快速无损测定带鱼糜及其制品中磷酸盐含量

通过拟合带鱼糜及其鱼糕制品的近红外漫反射光谱与建立近红外的定量模型,用于带鱼糜及其鱼糕制品中磷酸盐含量的快速无损检测。以定标集和验证集的相关系数(r_C, r_V)及标准误差(SEC, SEP)作为评价模型优劣的根据。结果表明,采用偏最小二乘法(PLS)所建立的模型效果最佳,带鱼糜及其鱼糕制品的定标模型的相关系数分别为0.983和0.960,预测标准误差分别为0.032和0.101;验证集的相关系数分别为0.951和0.954,预测标准误差分别为0.058和0.097。利用近红外光谱技术快速无损测定带鱼糜及其鱼糕制品中的磷酸盐含量是可行的。     

近红外光谱法快速检测猪肉中挥发性盐基氮的含量

为了实现快速无损地检测猪肉新鲜度的目的,应用近红外光谱法测定猪肉新鲜度重要指标一挥发性盐基氮(TVB-N)的含量.猪肉原始光谱经标准偏差归一化方法(SNV)预处理后,用联合区间偏最小二乘法(siPLS)建立猪肉预处理后光谱和TVB-N含量的校正模型并与经典偏最小二乘法(PLS)模型、间隔偏最小二乘法(iPLS)模型作比较.试验结果表明,利用联合区间偏最小二乘法所建的预测模型最佳,其校正集相关系数(Rc)和交瓦验证均方根误差(fRv)分别为0.8332和3.75,预测集的相关系数(Rp)和预测均方根误差(fRP)分别为0.8238和4.17.研究结果表明利用近红外光谱和联合区间偏最小二乘法可以快速地测定猪肉中挥发性盐基氮的含量.     

基于SVM算法的近红外光谱技术在鱼糜水分和蛋白质检测中的应用

采用支持向量机(support vector machine,SVM)建立了鱼糜样品中水分和蛋白质含量的近红外光谱校正模型,并采用独立样本集进行了预测。光谱数据经间隔两点一阶导数(DB1G2)、标准正态变换(SNV)、多元散射校正(MSC)相结合的方法预处理后,用偏最小二乘(PLS)降维处理,取前15个投影变量为自变量。获得水分模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP; 蛋白质模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP,有较好的预测准确性。基于SVM算法的近红外光谱技术可用于鱼糜水分和蛋白质含量的快速检测。     

反刍动物精料补充料中肉骨粉快速检测近红外光谱法

为探讨利用近红外漫反射光谱技术快速定量分析反刍动物精料补充料中肉骨粉含量的可行性,收集了我国常用的、具有代表性的精料补充料225个和肉骨粉75个,按照不同的肉骨粉含量（0.5%～ 35%）制备样品225个,其中135个为定标集,90个作为独立的验证集。用光栅型近红外光谱仪进行光谱扫描,选择合适的光谱预处理方法和光谱范围,采用改善的偏最小二乘法（MPLS）建立了定量分析 模型,相关系数为0.979,标准差为1.522%,交互验证标准差为1.582%。用90个独立的验证样品对所建立的定量分析模型进行验证,相关系数为0.972,预测标准差为1.764%,RPD值为5.99。结果表明 利用近红外反射光谱法可以分析精补料中肉骨粉的含量,对于丰富我国动物源性饲料的快速检测手段,具有实际应用意义。     

杂交稻种宜香725纯度的可见-近红外反射光谱鉴定

提出了一种基于可见-近红外光谱技术快速、无损鉴定杂交稻种纯度的新方法.以FieldSpec(R)3地物光谱仪采集纯度在90%～99%范围内的杂交稻种(宜香725)光谱数据90份,随机分成校正集(75份)和检验集(15份).根据其在380～2 400 nm的反射光谱,以偏最小二乘算法(PLS)建立了回归模型,并比较了不同光谱预处理方法对模型的影响.分析表明采用一阶导数结合标准归一化处理能最有效地提取光谱信息,此时PLS模型校正集决定系数与检验集决定系数分别为0.988 4与0.922 7,校正标准误差(SEC)与预测标准误差(SEP)分别为0.002 5与0.006 6.将经一阶导数结合标准归一化处理后的光谱进行PCA降维,以前20个主成份(含原始光谱86.09%的特征信息)为输入变量,建立杂交稻种纯度鉴定的BP-ANN模型.分析表明BP-ANN模型校正集决定系数与检验集决定系数分别为0.995 2与0.936 9,SEC与SEP分别为0.001 7与0.006 1,具有比PLS模型更高的精度.结果表明以可见-近红外技术进行杂交稻种纯度的快速、无损鉴定是可行的,且PCA结合BP-ANN是一种优选方法.     

近红外光谱用于杉木木材强度分等的研究

利用近红外光谱技术对木材强度分等进行了研究.选择 1000～1400 nm波段,结合偏最小二乘法,在木材强度和近红外光谱数据间建立了校正模型,校正模型的相关系数(r)为0.89,校正标准误差(SEC)为6.30 MPa.利用校正模型对35个未知样品的强度进行预测,根据近红外预测值和实测值分别对木材样品进行分等,A级预测...     

近红外漫反射光谱法测定黄芩中总黄酮及黄芩苷的含量

文章建立了近红外漫反射光谱技术快速测定中药黄芩中主要活性成分黄芩苷和总黄酮含量的方法.对黄芩苷含量在12.24%～21.34%,总黄酮含量在16.08%～26.52%范围内的61个不同产地的黄芩,选择在8 000～4 000 cm-1范围内的近红外吸收光谱,采用偏最小二乘算法(PLS)比较不同光谱预处理方法建市的校正模型,结果表明一阶导数和最小最大归一化的数据预处理方法分别为黄芩苷和总黄酮最优预处理建模方法.黄芩苷校正集相关系数(r)为0.902 4,校正集标准偏差(SEC)为1.01,预测集标准偏差(SEP)为0.876 4;总黄酮校正集相关系数(r)为0.952 7,校正集标准偏差(SEC)为0.785,预测集标准偏差(SEP)为0.521 1,该方法快速简便,适合于黄芩中主要活性成分的快速分析.     

近红外漫反射光谱法测定川藏道地药材菥蓂子中黑芥子苷含量

提出了用近红外光谱技术快速测定川藏道地药材菥蓂子中指标成分黑芥子苷含量的方法。对黑芥子苷含量在1.962%～3.917%范围的不同来源的菥蓂子,根据其在12 500～3 600 cm-1的近红外吸收光谱,采用偏最小二乘法(PLS)建立了校正模型,比较了光谱不同预处理方法对校正结果的影响。当采用最大最小归一化法时能最有效地提取光谱的信息,此时校正集相关系数(r)为0.989 8,校正集标准偏差(SEC)为0.023 3, 预测集标准偏差(SPE)为0.111 2。该方法快速简便,适合于重要指标成分的快速分析。     

PLS-DA法判别分析木材生物腐朽的研究

利用近红外光谱结合PLS-DA判别分析方法可用于食品、药品和农产品等的快速识别或检测,因此,研究利用近红外光谱结合PLS-DA方法来检测木材的生物腐朽。研究结果表明：应用近红外光谱结合PLS-DA方法对培训集样本建立的判别模型,其校正及验证结果与实际分类变量的相关系数均超过0.94,SEC和SEP都低于0.17; 利用模型对未参与建模的样本进行检测,发现该模型对未腐朽、白腐和褐腐三种类型样本的判别准确率均为100%(偏差均小于0.5); 与SIMCA法相比,PLS-DA法对木材生物腐朽样本的判别准确率更高,说明应用近红外光谱结合PLS-DA方法能快速地检测到木材的生物腐朽,并能准确地判别出木材的生物腐朽类型。     

近红外漫反射光谱法测定川产黄柏中小檗碱含量

提出了用近红外光谱技术快速测定川产中药黄柏中指标成分小檗碱含量的方法。对小檗碱含量在2.155%～8.245%范围的不同来源的黄柏,根据其在12 500～3 600 cm-1的近红外吸收光谱,采用偏最小二乘算法(PLS)建立了校正模型,比较了光谱不同预处理方法对校正结果的影响 。当采用二阶导数处理方法时能最有效地提取光谱的信息,此时校正集相关系数(r2)为0.922 1,校正集标准偏差(SEC)为0.337,预测集标准偏差(SEP)为0.251 。该方法快速简便,适合于中药指标成分的快速分析。