利用近红外光谱技术建立土壤水分含量定标方程

应用近红外漫反射光谱技术（波长为1100—2498nm,分辨率为2nm）,以温县和郑州市郊的土壤为材料建立土壤水分含量分析系统。结果表明,优化各项参数后,光谱经过标准正态变换校正和一阶导数处理后,回归分析采用修正的偏最小二乘法（M PLS）得到的定标模型效果最佳。最终得到的预测方程定标相关系数（RSQ）、交叉验证标准误差（SECV）、交叉验证相关系数（1-VR）分别为0.98,0.92,0.97。数学模型经过验证样品集检验,预测相关系数达到0.96,达到了快速、准确分析土壤水分含量的要求。     

近红外漫反射光谱法测定麦冬的多糖含量

采用近红外光谱分析技术对麦冬多糖进行定量分析.对麦冬的原始漫反射光谱采用了一阶导数、二阶导数、平滑、散射校正等多种光谱解析手段,初步选择了建模波段,并结合偏最小二乘回归法对麦冬多糖进行了定标建模分析.结果表明,光谱经过一阶导数+标准乘性散射校正(MSC)+SG平滑处理,选取4 000～4 900,5 100～6 900,7 050～10 000 cm-1波段建模得到的定标模型效果最佳,分析结果精度较高,R2,RMSEC,R2CV,RMSECV,主因子数分别为0.996,0.237,0.973,0.583,6.模型经过验证样品集检验,预测相关系数达到0.968 8.     

近红外光谱快速检测丙氨酸氨基转移酶

在探讨近红外光谱快速检测丙氨酸氨基转移酶的可行性过程中,首先对不同厚度(0.5,1,2和4mm)血液样品的近红外透射光谱进行了分析。发现全血样品0.5 mm厚时的近红外透射光谱更适合于进行光谱分析。进而采集了176个全血样品0.5 mm厚时的近红外光谱。对采集的光谱进行多元散射校正、二阶微分法光谱预处理后,采用逐步多元线性回归和偏最小二乘回归方法建立定量分析模型,预测了全血丙氨酸氨基转移酶的含量。结果表明:利用近红外光谱法测定丙氨酸氨基转移酶时,采用偏最小二乘回归方法建立的定标模型预测效果最好,定标相关系数、定标标准差和预测标准差的值分别为:0.98,2.42和7.22。     

多元散射校正预处理波段对近红外光谱定标模型的影响

利用近红外光谱对非均匀样品进行分析时,所得样品光谱中包含由光散射导致的干扰信息,通常需要借助多元散射校正算法(multiple scattering correction, MSC)对光谱进行预处理。由于不同波段光谱中所包含的散射信息、噪声水平、基线漂移程度等存在差异,利用MSC方法对光谱进行预处理时,基于不同波段的光谱数据会得到不同的校正结果,进而影响所得定标模型的可靠性。以60个全麦粉样品为研究对象,确定定标区间后,对包含定标区间的不同波段的原始光谱分别进行MSC处理,并利用固定区间内的光谱数据结合偏最小二乘回归(partial least square regression, PLSR)方法建立分析样品中蛋白质含量的定标模型,研究了MSC光谱预处理波段对定标模型的影响,并对MSC光谱预处理波段进行了优化,使定标模型的相关系数由0.96提高到0.98,交互验证均方根误差(root mean squares error of cross validation, RMSECV)由0.37%降低到0.32%。结果表明：利用MSC方法对样品光谱预处理时,光谱预处理波段会影响多元散射校正对光谱中非化学吸收信息的校正能力,确定合适的预处理波段是获得可靠分析结果的一个前提条件。     

人参总皂甙近红外光谱及定标建模分析

采用近红外光谱分析技术对人参进行了光谱及定量分析。对人参的原始漫反射吸收光谱采用二阶导数、散射校正、相关分析等多种光谱解析手段,研究了人参中的主要成分总皂甙的光谱吸收特性,并结合偏最小二乘回归法对人参总皂甙进行了定标建模分析。分析结果精度高,定标标准差(RMSEC)为0.154％,相关系数为0.982 8。     

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。     

涩柿可溶性单宁的可见/近红外漫反射光谱无损检测研究

旨在建立可见/近红外漫反射光谱与涩柿内部可溶性单宁之间的关系,以评价可见/近红外漫反射光谱在测量涩柿内部指标可溶性单宁的应用价值.在可见/近红外光谱区域(570～1848 nm),实验对比分析了不同数学建模算法、不同导数处理方法和不同散射及标准化处理的涩柿可溶性单宁定标模型.结果表明,应用改进偏最小二乘回归算法、一阶导处理和去散射处理所建涩柿可溶性单宁定标模型的预测性能较优,其定标交互验证相关系数(Rcv)和预测相关系数(Rp2)分别为0.722 7和0.678 5,定标交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.148 4和0.176 3.研究表明,可见/近红外漫反射光谱对涩柿可溶性单宁的快速无损检测具有一定的可行性,但模型精度有待提高.     

秸秆热值近红外光谱模型的外部验证结果间的统计比较分析

从全国24个省(市)收集到222个秸秆样品,包括172个稻秸样品和50个麦秸样品。采用近红外光谱技术,结合主成分回归、偏最小二乘回归和改进的偏最小二乘回归建立了秸秆热值的定量分析校正模型。近红外光谱模型的建立与优化过程中使用了不同的散射校正方法和光谱导数处理来帮助改善模型精度。对得到的54个模型采用统计学的方法分析外部验证的结果,通过比较外部验证的系统偏差(Bias)和Bias校正的预测标准差(SEP(C)),考察了不同光谱预处理和回归方法对秸秆热值的近红外模型预测性能的影响。结果表明:近红外光谱技术能够快速、准确地分析秸秆的热值,模型的SEP(C)在134～178 J·g-1之间;对外部验证结果的统计分析,能够有效地选择较好的建模方法,确定较优模型。     

基于近红外反射光谱的洋葱可溶性固体物检测

研究利用近红外(924～1 720 nm)反射光谱预测了洋葱的可溶性固体物含量。实验选取了三种不同产地和不同采收期的洋葱为样本(268)。在重复采集光谱数据之后,榨取对应光谱采集处洋葱块汁,测定可溶性固体物参考值。研究对比了Savitzky-Golay平滑、散射校正和微分处理等预处理方法,同时基于偏最小二乘回归方法建立了统计模型。结果表明,带S-G平滑的微分处理在平滑窗口为32,跨度为10时效果最佳。一阶微分比二阶微分的预处理效果要好,预测复相关系数R2为0.87,均方根误差RMSEP为2.42 °Brix。对比显示,无平滑处理光谱数据散射校正预处理得到的结果最好,预测复相关系数R2为0.88(RMSEP=2.31 °Brix)。采用交叉验证得到的PLSR模型预测复相关系数R2为0.90,RMSEP为1.84 °Brix,其相对分析误差RPD为3。说明加散射校正处理的近红外反射光谱可用于洋葱的可溶性固体物检测。     

PCA-SVR联用算法在近红外光谱分析烟草成分中的应用

由50份烟草样品的近红外漫反射光谱组成的光谱矩阵经过主成分分析降维,采用基于支持向量机回归(SVR)算法,以常规化学分析方法测定的总糖、还原糖、总氮、烟碱的含量为参考值,建立了烟草中主要成分近红外光谱定量分析定标模型,并采用留一法交叉验证(LOOCV)对模型进行验证。以内部交叉验证预测的RMSE值为判据,从核函数类型、惩罚因子C和不敏感函数ε取值等方面对定标模型进行优化,获得不同成分定标模型的优化参数。烟草总糖、还原糖、总氮、烟碱优化定标模型的RMSE值分别为1.581,1.412,0.117和0.313。同时建立了烟草以上成分的偏最小二乘回归(PLS)、多元线性回归(MLR)以及误差反向传播人工神经网络(BP-ANN)定标模型,通过内部交叉验证的RMSE值与SVR定标模型进行比较,结果表明SVR模型具有更好的预测效果。     

利用高光谱扫描技术检测小麦叶片叶绿素含量

利用高光谱扫描技术对小麦叶片进行无损检测试验,探索精确测定小麦叶绿素含量的方法,为农作物生长状况、植物病理诊断等提供科学依据。研究选取90个样本作为校正集,30个样本作为预测集,获取叶片的高光谱反射图像,同时用传统的分光光度计方法测定其叶绿素含量。选取波长491～887 nm范围光谱,用多元散射校正、一阶导数、二阶导数3种方法处理,利用偏最小二乘法和逐步线性回归法分别建立了小麦叶片叶绿素含量与光谱信号间的数学模型。研究发现多元散射校正(MSC)结合二阶导数光谱的多元线性回归(SMLR)模型的效果较优,模型校正集和预测集决定系数分别为0.82和0.79,校正均方根误差和预测均方根误差分别为0.69和0.71。研究结果表明可以利用高光谱扫描技术检测小麦叶片叶绿素含量。     

用酒精水溶液NIRS模型预测葡萄酒发酵液酒精度

稳定性好,实用性强的NIRS模型,需要收集代表性强的样品并进行大量的化学值检测工作,为了减少建模的工作量,本文尝试用酒精水溶液的NIRS模型预测葡萄酒发酵液中酒精度的含量。通过遗传算法选择相关性高而且受其他干扰因素影响少的波段(2 245～2 320 nm)建立模型,并根据斜率/截距校正法原理,在预测集中选择能够代表样品酒精度变化范围的样品,对其进行校正,得到新模型的Slope=0.9808和Bias=0.5233。最后,对葡萄酒发酵液剩余样品的酒精度进行预测,预测的相关系数r达到0.99以上,预测相对分析误差(RPD)为11.71,相对标准差(RSD)为3.11%。由此表明,用酒精水溶液的NIRS模型,通过波段选择以及模型校正,预测葡萄酒发酵液的酒精度具有良好的可行性。此方法大大减小了NIRS技术建模的工作量。     

近红外光谱法田间快速估测新鲜紫花苜蓿品质

田间快速估测苜蓿品质对于适时刈割具有重要意义。试验共采集来自不同地域、不同品种、不同生育期和不同茬次的新鲜紫花苜蓿样170份,经便携式近红外光谱仪(1 100～1 800 nm)扫描得到近红外光谱,利用偏最小二乘法(PLS)在国内首次建立基于紫花苜蓿新鲜样品的干物质(DM)、粗蛋白(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)化学分析值的近红外校正模型,探讨利用近红外漫反射光谱技术(NIRS)在田间快速估测紫花苜蓿品质的可行性,摸索设备选择和制样方法。四项指标所建模型的交互验证决定系数(R2CV)分别为0.831 4,0.597 9,0.803 6和0.786 1;交互验证均方根误差(RMSECV)为1.241 1,0.261 4,0.990 3和0.830 6;外部验证决定系数(R2_V)为0.815 0,0.401 1,0.784 9和0.752 1,外部预测均方根误差(RMSEP)分别为1.06, 0.31, 0.95和0.80。对于苜蓿鲜样来说,DM,NDF和ADF的近红外模型可以进行粗略的定量分析,CP的建模效果较差,但因苜蓿中的粗蛋白含量一般都能满足家畜需求,DM,NDF和ADF是在适时刈割中最关键的估测指标,DM,NDF和ADF模型可以满足田间快速估测苜蓿品质的要求。     

近红外光谱分析中建模校正集的选择

将极大线性无关组的概念及方法引入近红外光谱分析,探讨了在建立定量分析模型时代表性样品,即校正集样品的选择问题。以2 652个烟末样品为实验材料,随机选取1 001个样品构成预测集,其余1 651个样品为代表性样品备选集。用Matlab软件求出代表性样品备选集光谱矩阵的极大线性无关组,以此作为代表性样品,构成建模的校正集。用PLS回归法建立了烟末样品总糖含量定量分析的预测模型,并将模型用于预测集中1 001个烟末样品总糖含量的预测分析。实验结果表明,当选择的校正集包含的样品数量大于32时,所建各模型对预测集样品预测的平均相对误差均小于4%,平均相关系数大于0.96。其中选择32个代表性样品和146个代表性样品所建模型定量分析预测集中各样品的总糖含量,两个结果经统计检验没有显著性差异(α=0.05),说明求极大线性无关组的方法用于校正集样品的选择,可实现“少而精”选择样品的目的。此外,我们用求极大线性无关组选择校正集样品和随机方法选择校正集样品两种方法,选择了同样数目28,32,41,76,146,163个样品建模进行预测效果的对比实验,结果显示,求极大线性无关组法选择校正集建模的预测效果优于随机选择校正集建模的预测效果。     

近红外光谱法测定缓释制剂中冰片释放量

利用近红外光谱技术与化学计量学方法建立了冰片缓释样品近红外光谱与冰片浓度之间的定量模型,以实现冰片释放量的快速测定。配制与缓释制剂具有相同物质体系的的冰片醇水溶液,获取其近红外光谱,采用偏最小二乘法(PLS)建立冰片含量预测模型并考察了图谱类型、建模样品浓度及建模区间对校正模型和预测结果的影响。结果表明采用原始近红外光谱,在5 314～7 032 cm-1区间,将样品按照中高浓度、低浓度范围建模可以获得最佳校正结果与预测结果。最后采用所建的中高浓度区模型测定了冰片包合物在醇水体系中冰片含量,实现了对缓释制剂冰片累加释放量的快速测定,可为冰片缓释制剂的研发快速提供评价数据。     

紫花苜蓿粗蛋白和粗纤维近红外分析模型的建立

采用近红外漫反射光谱技术,结合偏最小二乘法(PLS),以152个来源不同的紫花苜蓿样品建立了粗蛋白和粗纤维含量的近红外定量分析校正模型。在近红外光谱范围内(950～1 650 nm)对紫花苜蓿样品采集光谱数据时,分别设置了粗磨样、细磨样两种样品的状态和1,2,5 nm三种光谱扫描间隔,对建立的模型进行准确性和重复性的验证,比较其优劣。结果显示：光谱扫描时样品为细磨样,光谱扫描间隔为2 nm时所建立的粗蛋白和粗纤维含量的校正模型最佳,其相关系数(R2_cal)分别是0.97和0.94,最佳因素数时的定标标准差(SECV)分别是0.42和0.78。所建近红外定量分析模型对独立检验集样品粗蛋白和粗纤维含量的预测值与化学值的相关系数(R2_val)分别为0.96和0.92,预测标准差(SEP)分别为0.43和0.79。该研究结果表明：利用近红外漫反射光谱法测定紫花苜蓿内在主要品质性状是可行的,为紫花苜蓿粗蛋白和粗纤维含量的检验提供了新的方法模式。     

SVM回归法在近红外光谱定量分析中的应用研究

研究了基于统计学习理论的支持向量机（SVM）回归法在近红外光谱定量分析中的应用。以66个小麦样品为实验材料,由33个小麦样品作为校正样品,采用4种不同核函数方法对小麦样品蛋白质含量与小麦样品近红外光谱进行SVM回归建模。以所建4种不同SVM回归模型对33个小麦预测样品的蛋白质含量进行了预测;不同回归模型的预测结果与凯氏定氮法确定的蛋白质含量的标准化学值间的相关系数均在0．97以上,平均绝对误差小于0．32。为了考察SVM回归校正模型的预测效果,同所建PLS回归模型的预测结果进行了比较,表明所建预测小麦样品蛋白质含量的SVM回归模型亦可通过近红外光谱进行实际样品的定量分析,且有较好的分析效果。     

近红外光谱法测定紫花苜蓿青贮鲜样的营养价值

应用近红外光谱技术(NIRS)直接分析新鲜饲草的营养价值,如饲草中干物质(DM),粗蛋白(CP),中性洗涤纤维(NDF),酸性洗涤纤维(ADF)含量,对畜牧业生产具有重要意义。鲜草中由于含有较多的水分,不易制备均一的样品和进行光谱中有用信息的提取,因此难于进行近红外光谱分析。本试验应用偏最小二乘回归法(PLS)、傅里叶变换近红外光谱技术和液氮冷冻制样技术,建立了适合于不同品种,不同生育期,不同茬次和不同青贮方法即时测定青贮苜蓿鲜样中DM,CP,NDF,ADF的模型,以期对NIRS在测定紫花苜蓿青贮鲜样品这些成分测定的可行性进行分析。所建DM,CP,NDF和ADF模型的交叉检验决定系数(R2_cv)为0.884 6～0.989 8,交叉检验标准误(RMSECV)为3.9～9.7 g·kg-1鲜重。用50个样品对模型进行外部检验,预测相关系数(r)为0.939 7～0.994 9,预测标准误为1.9～8.3 g·kg-1鲜重。结果表明： 采用适当的样品处理方法和光谱分析技术可以实现近红外光谱技术对苜蓿青贮鲜样的营养价值评定。     

近红外光谱丸剂关键辅料炼蜜水分的快速测定

用近红外光谱法实现嫩,中,老三种炼蜜含水量的快速测定及不同炼制程度蜂蜜的快速分级。过程化控制是中药质量稳定的关键因素,但由于检测手段的滞后而无法实现,因而影响中药质量。蜜丸是具广阔应用市场的剂型;炼蜜工艺是影响蜜丸质量的关键工序;在炼蜜过程中,蜂蜜从嫩蜜炼制到中蜜仅需几至几十秒,变化迅速,传统检测手段不能对蜂蜜炼制过程进行实时监测,进而无法保证炼蜜质量的均一性。力求采用近红外光谱法（NIRS）对炼蜜过程进行实时检测,准确控制嫩蜜、中蜜的炼制程度,并对其含水量进行定量测定。实验通过Rudolph折光仪测定不同炼蜜的含水量,并快速测定样品的近红外光谱,结合偏最小二乘法（PLS）建立并优化88批炼蜜水分的定量模型,利用校正模型决定系数（R2）、校正模型均方根误差（RMSEE）;内部交叉验证决定系数（R2）,内部交叉验证均方根误差（RMSECV）;预测模型的相关系数（r）、预测均方根误差(RMSEP)对校正模型进行评价,其中RMSECV主要用来筛选建立模型的最佳主成分数,RMSEE和RMSEP分别对所建立校正集和验证集进行误差分析。同时采用鉴别分析法建立定性模型用来区分炼蜜等级。经不断优化,图谱经矢量归一化法（SNV）预处理后,在7 201.2~5 446.2 cm-1波段内选取9个主成分建立水分模型。建立的最佳模型中,校正集R2, RMSEE分别为99.43,0.299,内部交叉验证R2,RMSECV分别为99.05,0.348;预测集R2,RMSEP分别为98.19,0.347;定量模型显示,NIRS可快速、准确、无损的对炼蜜含水量进行测定。同时按照含水量测定结果对炼蜜嫩、中、老3个等级进行划分,进而采用鉴别分析法对炼蜜进行定性分析,结果显示嫩、中、老3种炼蜜有明显的聚类现象,表明因子化法是鉴别炼蜜程度的一种有效方法;综上所述,NIRS可望实现对炼蜜过程实时监测,准确控制嫩蜜,中蜜的炼蜜程度并对炼蜜含水量进行快速实时定量测定,为不同炼蜜等级划分提供参考,保证炼蜜质量的均一性,最终保证蜜丸质量的稳定性。