PLS-GRNN法近红外光谱多组分定量分析研究

研究了偏最小二乘(partial least squares ,PLS)与广义回归神经网络(generalized regression neural networks, GRNN)联用在近红外光谱多组分定量分析中的应用。以饲料样品为实验材料,采用PLS-GRNN法建立了饲料中水溶性氯化物、粗纤维、脂肪三项组分含量近红外光谱定量分析模型。马氏距离法剔除强影响点和奇异点,用PLS法将原始数据压缩为主成分,取8个主成分吸收峰与4个原始图谱特征峰值输入GRNN网络,网络光滑因子σ_i为0.1。PLS-GRNN模型对样品3个组分含量的预测决定系数(r2)分别为：0.984 0,0.987 0,0.983 0;样品平行扫描光谱预测值的标准偏差分别为：0.003 26,0.065 5,0.031 4。结果表明所建PLS-GRNN模型通过近红外光谱能够准确预测饲料中水溶性氯化物、粗纤维、脂肪三项组分含量,为近红外光谱进行多组分定量分析提供了新思路,同时为解决近红外快速检测技术在预测组分含量较低的样品时误差相对较大的问题提供了可靠的方法。     

近红外光谱定量检测腌腊肉制品品质的研究

以中国传统腌腊肉为对象,研究用近红外光谱分析技术快速准确检测肉制品品质的可行性。腊肉是富含脂肪的肉制品,其酸价是目前国标中必须检测的品质指标,它可以反映腊肉在加工储藏过程中脂肪氧化酸败的情况, 对腊肉的品质尤为重要。腊肉样品经过简单的粉碎后在BRUKER傅里叶变换近红外光谱仪上扫描,获得其近红外光谱参照国标法测定酸价和水分含量,采用附加散射校正光谱预处理方法,建立了腊肉酸价和水分含量的PLS回归模型。酸价模型预测集中样品的预测值与标准值的相关系数r2为0.98,预测标准差RMSECV为0.25;水分含量模型预测集中样品的预测值与标准值的r2为0.90,RMSECV为0.02。成对t检验统计结果表明近红外光谱分析技术可以用于腊肉制品品质的快速检测。     

可见/近红外光谱检测冷鲜猪肉中的脂肪、蛋白质和水分含量

采用可见/近红外光谱分析方法对冷鲜猪肉中的脂肪、蛋白质和水分含量进行了研究。光谱数据经多元散射校正(MSC)处理后,分别建立0～4 ℃和20 ℃下的原始光谱、一阶导数和二阶导数的偏最小二乘(PLS)定量分析模型,比较其相关系数(r)、校正标准差(RMSEC)和预测标准差(RMSEP),得到一阶导数处理后的模型最好,并且0～4 ℃下的模型优于20 ℃下的模型。0～4 ℃和20 ℃下脂肪的相关系数(r)分别为0.950和0.924,蛋白质为0.713和0.455,水分为0.944和0.914;脂肪的预测标准差(RMSEP)分别为2.41和2.95,蛋白质为5.44和4.25,水分为2.37和2.38。由此可见,可见/近红外光谱分析方法能够很好的检测冷鲜猪肉中的脂肪和水分,蛋白质的检测结果较差是由冷鲜肉加工工艺引起的。另外,两种温度下光谱曲线在770 nm附近产生了波长漂移,漂移量约10 nm。     

特征根回归法近红外光谱定量分析研究

本文以大豆样品为实验材料，研究了特征根回归法近红外光谱定量分析。用40个大豆样品的近红外光谱数据建立了测定大豆蛋白质含量的特征根回归模型，预测另外32个大豆样品的蛋白质含量，结果同PLS回归方法进行了比较，表明特征根回归模型可用于生物样品的近红外光谱定量分析。特征根回归法是对PCR建模方法改进的又一种化学计量学定量分析校正方法，该方法在对样品光谱提取主成份时考虑了待分析组分的作用，因此所建立的定量分析模型有好的分析效果。研究结果进一步表明，以样品近红外光谱建立定量分析模型，提取主成份时充分考虑被定量分析成份的作用是完全必要的。     

近红外光谱波段优化选择在驴奶成分分析中的应用

近年来,驴奶引起了越来越多研究者的注意.与牛奶相比,驴奶的营养成分更接近母乳,且有着许多独特的优势.由于驴奶与牛奶成分差别较大,适用于牛奶的模型无法直接应用于驴奶的成分分析中.但目前还未见将近红外光谱分析技术应用到驴奶成分分析中的研究报道.文章采用傅里叶变换近红外光谱法,快速测定了新疆疆岳驴奶中脂肪、蛋白质、能量和灰分的含量.其含量分布范围分别为:1.15%～2.54%,0.34%～2.67%,355.87～565.17 cal·kg-1,0.28%～0.57%.光谱扫描区为3 899.6～12 493.4 cm-1,扫描间隔1 cm-1.采用PLS回归算法对光谱信息阵X提取主成分时附加约束,使X的主成分与待分析组分Y相关.并利用优化波段和不同预处理方法优化组合,建立了PLS回归预测模型,并与PLS全谱区建模预测进行了比较.结果表明波段优化组合建模分析效果整体优于全谱区建模结果,驴奶样品中脂肪、蛋白质、能量和灰分的近红外光谱定量分析模型预测值与化学分析实测值在水平α=0.05下显著相关,其含量分析模型的校验集(RMSEP)值分别为0.18,0.117,23.5,0.040 6,表明预测值有较好的精度.结果表明建立近红外光谱定量分析模型用于驴奶样品成分分析是可行的,波段优化选择与全谱建模分析效果比较表明,建立定量分析模型对波段优化组合选择是必要的,当模型中包含了与组分无关的信息时,对模型定量分析将起干扰的作用,会影响模型的分析效果.因此进行谱段信息选择建立相应组分分析模型是数据预处理的有效环节.样品各组分标准值的测定结果的准确度和精确度都影响近红外定量分析的准确度.以近红外光谱法进行定量建模分析时,扩大组分含量的分布范围,提高标准数据的分析精度和准确度都是很必要的.     

近红外光谱法非破坏性测定黄豆籽粒中蛋白质、脂肪含量

采用傅里叶近红外漫反射光谱非破坏性分析 ,能够提供完整籽粒黄豆样品成分的含量信息 ,结合偏最小二乘回归法 (PartialLeast Squares,PLS) ,以 39个不同品种的完整籽粒黄豆样品建立蛋白质和脂肪含量近红外定量分析模型 ,其中蛋白质、脂肪含量分析模型的测定系数R2 分别为 99 30 ,97 5 2 ,相对标准偏差RSD分别为 0 76 %和 1 3% ,检验集的化学值与模型预测值的相关系数r分别为 0 94 73,0 86 95。用所建模型对 2 6 4个不同品种的黄豆样品进行预测 ,并采用R error指标来估计分析结果的误差 ,其中蛋白质和脂肪模型预测的最小相对误差分别为 0 0 4 %和 2 4 6 % ,最大相对误差分别为 2 4 5 %和 4 2 5 %。该结果对育种过程中的早代筛选工作有重要意义     

基于近红外技术快速测定不同鲜肉中脂肪含量

随着畜禽肉和肉制品食用量的迅速增长,人们对肉品质量提出了更高的要求;对于肉制品,消费者最为关心是肉品质量, 当前中国对肉品品质在线检测方面的研究和应用则相对较少,尚无针对肉品品质在线无损检测开发的设备。也没能真正投入到肉品的生产加工过程。研究不同肉品脂肪的近红外快速检测模型。并采用标准化学方法进行差异分析。通过近红外技术对猪肉、牛肉、羊肉进行扫描,采用国标法(索氏提取法)对鲜肉脂肪含量进行化学值的测定,以PLS(偏最小二乘法)作为建模方法,并通过不同的光谱预处理手段分别建立了猪牛羊肉的近红外光谱参数与样品的脂肪含量之间的对应关系模型。结果表明,对于猪肉来说,选择4 260～6 014 cm-1波段+一阶导+Norris所建的模型效果最好,其校正相关系数和预测相关系数分别为0.955 6和0.961 6;对于牛肉来说,选择5 226～7 343 cm-1波段+一阶导+S-G所建的模型效果最好, 其校正相关系数和预测相关系数分别为0.923 5和0.942 7;对于羊肉来说,选择5 207～7 362 cm-1波段+一阶导+Norris所建的模型效果最好,其校正相关系数和预测相关系数分别为0.915 7和0.939 6;对于鲜肉来说,选选用波段为5 156～6 065 cm-1+二阶导+S-G所建模型效果最好,其校正相关系数和预测相关系数分别为0.916 3和0.919 4。以上所有模型的校正相关系数均大于0.91,模型都具有较高的精密度,符合不同肉制品在实际生产的需求,具有分析速度快、检测成本低、分辨率高、无损的优点。     

近红外光谱技术定量测定杨梅汁可溶性固形物

采用近红外光谱分析技术对浙江省不同产地的杨梅汁进行了光谱测定和定量分析,通过计算样品的杠杆值、学生残差和马氏距离来判别异常样品,采用偏最小二乘法(PLS)对杨梅汁的可溶性固形物进行建模分析,选取不同的分辨率和波段范围对光谱进行有效的信息提取和分析,确定了最佳的回归因子数和用于定量分析的最优波段范围。结果显示： 杨梅汁样品中有一个为异常样品,在建模时予以剔除;用于杨梅汁可溶性固形物检测的最佳分辨率和最优波段分别是4 cm-1和4 000～12 267.46 cm-1,最佳的回归因子数是8,该PLS模型的相关系数为0.957 85,校正均方根误差(RMSEC)、预测均方根误差(RMSEP)和交互验证标准偏差(RMSECV)分别是0.431,0.925和1.07°Brix。研究表明近红外光谱检测技术能用于杨梅汁可溶性固形物的定量分析。     

南疆红枣品质近红外光谱在线模型参数的实验研究

为建立南疆红枣品质近红外光谱在线校正模型,分析了在线检测结果的主要影响因素,对相应的参数进行了实验研究。设置红枣不同的光谱采集条件,如测量状态、波段谱区、仪器参数等,利用近红外光谱仪和自行设计的红枣批量采集附件,获取南疆红枣品质光谱,通过光谱预处理和检测精度相结合的办法选择条件参数。通过不同建模参数进行PLS光谱校正和二维相关光谱分析,选择糖度特征光谱参数。结果表明:红枣糖度中心波长9 116,9 418和10 500cm-1,采集分辨率16cm-1,扫描次数8次,糖度相对误差8%～10%,单粒红枣光谱数据量减少为原来的1/10,采集时间减少了3s左右。通过实验参数,压缩了数据量,建立了初级在线校正模型,基本实现南疆红枣品质近红外光谱在线检测。     

基于聚乙烯膜包装奶酪成分的NIRS检测研究

考察了聚乙烯包装膜对奶酪光谱的影响,提出了消除包装膜影响的新方案。探讨了近红外反射法直接检测带包装膜的奶酪成分的可行性。通过Norris导数滤波处理光谱,可以基本消除聚乙烯包装膜对奶酪光谱的影响,采用PLS结合MSC、求导等预处理建立了包装奶酪定量分析模型,其脂肪和蛋白质相关系数分别为0.928和0.952;建模标准差分别为0.240和0.355;预测标准差分别为0.326和0.219。与无包装奶酪和未滤波处理包装奶酪的模型比较,结果显示：与无包装奶酪模型差异极小,优于未采用Norris导数滤波处理的包装奶酪模型。实验表明近红外光谱分析技术可以在无损条件下快速检测包装奶酪中脂肪、蛋白质含量。     

应用近红外漫反射光谱对猪肉肉糜进行定性定量检测研究

利用傅里叶变换近红外漫反射光谱结合不同数学建模算法对不同部位取样的猪肉肉糜进行定性判别建模,并建立猪肉肉糜品质指标脂肪、蛋白质和水分含量的定量检测模型。结果表明:不同部位取样猪肉肉糜判别分析PLSDA模型性能良好,最优模型校正集判别正确率为100%,预测集判别正确率为96%;比较两种方法结合,不同光谱预处理建立各品质指标的定量模型,LS-SVM模型性能优于PLSR模型,脂肪和水分含量最佳预测模型校正及预测相关系数r均高于0.9,蛋白质含量最优模型校正及预测相关系数r,RMSEC,RMSEP和RMSECV分别为0.722,0.593,1.595,1.550和1.888,模型精度需进一步提高。研究表明利用傅里叶变换近红外漫反射光谱快速判别不同部位猪肉肉糜的方法是可行的,脂肪和水分含量定量分析模型从预测精度、稳定性及适应性考虑均具一定的通用性,具有良好的市场应用前景。     

近红外光谱结合化学计量学对五元调和油中单组分油的定量分析

有关调和油快速准确定量检测的研究对于调和油质量控制具有重要意义。以往对调和油定量分析的研究大多集中于二元、三元和四元调和油,对更高元数调和油的研究很少,难以满足调和油检测需求。该研究的目的是探讨近红外光谱结合化学计量学对五元调和油中各单组分油进行定量分析的可行性。由玉米油、大豆油、稻米油、葵花油和芝麻油配制成51个五元调和油样品,并采集各样品12 000～4 000 cm-1范围内的近红外透射光谱。首先,采用光谱-理化值共生距离（SPXY）算法将调和油样品划分为38个校正集和13个预测集样品。其次,考察了主成分回归（PCR）、偏最小二乘（PLS）、支持向量回归（SVR）、人工神经网络（ANN）、极限学习机（ELM）等五种多元校正方法对五元调和油各组分定量分析的建模效果。然后,在最佳建模方法的基础上比较了SG平滑、标准正态变量（SNV）、多元散射校正（MSC）、一阶导数（1st Der）、二阶导数（2nd Der）和连续小波变换（CWT）六种光谱预处理方法,并讨论了预处理方法有效地原因。最后,在最佳预处理方法的基础上进一步利用竞争自适应重加权采样（CARS）和蒙特卡罗无信息变量消除法（MCUVE）筛选与预测组分相关的变量。结果显示,在五种建模方法中,PLS是最佳的建模方法,对玉米油、大豆油、稻米油、葵花油和芝麻油五种组分的预测均方根误差（RMSEP）分别为5.564 4,5.559 2,3.592 6,7.421 8和4.193 0。经过光谱预处理-变量选择,再建立PLS模型,对五种组分的RMSEP分别降低至1.955 3,0.562 4,1.145 0,1.619 0和1.067 1,预测相关系数（R_p）均高于0.98,表明采用合适的光谱预处理和变量选择方法,可以明显提高五元调和油中各单组分油定量分析的预测准确度。该研究为多组分调和油的快速无损定量检测提供了一种参考。     

鲜肉中不饱和脂肪酸近红外检测方法优化

不饱和脂肪酸是鲜肉脂肪的基本组成成分，其种类和含量直接影响鲜肉的风味和品质。不同于用时长，破坏样品的气相色谱法，近红外分析可快速，无损地对鲜肉中不饱和脂肪酸进行定量检测。选取了驴肉，牛肉，羊肉和猪肉鲜肉样品共63个，在4 000～12 500 cm-1波段上，分别采集了肉块样品和粉碎口径3 mm的肉糜样品在5，10，15，20，25，30，35 ℃下的近红外漫反射光谱，并使用气相色谱法作为参考检测了样品的不饱和脂肪酸含量。为优化模型性能，比较了不同温度下肉块和肉糜样品全波段光谱的棕榈油酸、亚油酸、油酸、二十四碳一烯酸和总不饱和脂肪酸的偏最小二乘模型参数，发现棕榈油酸和总不饱和脂肪酸的5 ℃肉糜光谱模型，亚油酸的35 ℃和油酸的25 ℃肉糜光谱模型，以及二十四碳一烯酸的15 ℃肉块光谱模型较佳，且温度对模型的影响不具有明显的规律性。在较佳模型的基础上，分别以220，440，881和1 762个变量为窗口区间，使用前向和反向区间偏最小二乘法对波长进行了优选，发现棕榈油酸、亚油酸、油酸和总不饱和脂肪酸以220个变量作为窗口的反向区间偏最小二乘模型，以及二十四碳一烯酸以440个变量为窗口的前向区间偏最小二乘模型较佳，且预测性能均优于全波段PLS模型。其中棕榈油酸的建模波段为：4 425～4 636，4 849～5 272，5 486～5 696.7，7 398.6～7 818，8 031.1～8 666.5，9 947～10 363.6，12 495.5～12 498.4 cm-1；亚油酸的建模波段为：4 000.6～4 423.9，5 273.4～5 698.6，7 398.6～9 090.8，10 576.7～10 787.8，12 495.5～12 498.4 cm-1；油酸的建模波段为：4 000.6～4 423.9，4 637～4 848.2，7 398.6～8 242.3，8 455.4～9 090.8，9 947～10 787.8，12 495.5～12 498.4 cm-1；二十四碳一烯酸的建模波段为：4 849.1～5 272.4 cm-1；总不饱和脂肪酸的建模波段为：4 000.6～4 423.9，4 637～5 698.6，9 097.5～9 515.1，9 940.3～10 575.7，11 646～12 060.6，12 273.7～12 498.4 cm-1。使用偏最小二乘法对优选波长光谱数据进行降维，利用得到的潜在变量作为各指标最小二乘-支持向量机模型的输入，并和各指标的区间偏最小二乘模型进行了性能的比较，发现最小二乘-支持向量机模型的各指标定量结果最优。棕榈油酸、亚油酸、油酸、二十四碳一烯酸和总不饱和脂肪酸最优模型的校正集相关系数和均方根误差，以及留一交叉验证相关系数，均方根误差及相对预测误差分别为：0.974，1.403 mg·(100 g)-1，0.973，1.428 mg·(100 g)-1，4.31；0.99，2.233 mg·(100 g)-1，0.99，2.263 mg·(100 g)-1，7.21；0.982，8.194 mg·(100 g)-1，0.982，8.223 mg·(100 g)-1，5.19；0.921，0.224 mg·(100 g)-1，0.92，0.225 mg·(100 g)-1，2.52；0.996，24.21 mg·(100 g)-1，0.995，26.045 mg·(100 g)-1，10.01。其中，亚油酸、油酸和总不饱和脂肪酸最优模型的交叉验证相对预测误差超过5，棕榈油酸最优模型的交叉验证相对预测误差接近5，二十四碳一烯酸的交叉验证相对预测误差接近3，各指标最优模型的预测性能较为令人满意。研究结果表明，波段优选，偏最小二乘降维以及最小二乘-支持向量机算法的结合可对鲜肉中单个不饱和脂肪酸及总不饱和脂肪酸指标的近红外光谱定量结果进行有效的优化。     

基于近红外光谱和变量优选的棉麻混纺织物棉含量快速检测

纺织品纤维成分的快速检测对其生产过程质量监控、贸易和市场监督均具有重要的意义。利用近红外光谱技术联合变量优选对棉麻混纺织物中的棉含量进行快速检测研究。采用NIRFlex N-500型傅里叶近红外光谱仪在4 000～10 000 cm-1光谱范围内采集样本的反射光谱,对样本光谱进行范围初选和预处理分析。在此基础上,利用UVE(uninformative variables elimination),SPA(successive projections algorithm)及CARS (competitive adaptive reweighted sampling)方法对光谱变量进行优选,再应用PLS(partial least squares)建立棉麻混纺织物中的棉含量预测模型。最后,采用最优预测模型对未参与建模的样本进行预测。研究结果表明,4 052～8 000 cm-1光谱范围为棉含量较优的建模光谱范围。CARS变量选择方法能较为有效地提高预测模型的精度,CARS-PLS模型的校正集、预测集相关系数和均方根误差分别为0.903,0.749和8.01%,12.93%。因此,近红外光谱联合CARS变量优选可以用于棉麻混纺织物棉含量的快速检测,CARS方法可以有效简化预测模型,提高预测模型性能。     

基于FTIR的芝麻油真伪鉴别和掺伪定量分析模型

把低价油掺入到高价油是食用油脂中的常见掺伪现象,芝麻油由于品质好价格高,市场上时有假冒伪劣产品,因此应用FTIR并结合化学计量学,建立了芝麻油的真伪和掺伪的快速分析方法。首先分析了芝麻油与大豆油、葵花籽油在4 000～650 cm-1范围的FTIR谱图,由于食用植物油都是不同脂肪酸甘油三酯的混合物,其谱图极为相似,很难发现芝麻油与其他油脂的明显差异。但是不同食用油的脂肪酸组成不同,其1 800～650 cm-1红外指纹特征区也有所不同,因此可以选择该区域,对红外光谱数据用化学计量学方法进行分类识别。通过建立主成分分析(PCA)和簇类独立软模式识别(SIMCA)模型,进行了芝麻油的真伪鉴别,该模型聚类效果较为理想,识别正确率达到了100％;采用标准正态化校正(SNV)和偏最小二乘法(PLS),经过PCA分析计算,芝麻油中掺入大豆油、葵花籽油的掺伪检测限均为10%;利用FTIR和PLS,建立了芝麻油掺的定量分析模型,该模型预测值与实际值有着良好的对应关系,预测相对误差为-6.87％～8.07％之间,说明定量模型可行。本方法能够实现芝麻油的快速真伪鉴别和掺伪定量分析,其优点是模型一旦建立,分析简便、快速,可以满足大量样品的日常监测。     

基于小波压缩的马铃薯全粉还原糖近红外光谱检测研究

为探讨小波压缩算法结合近红外光谱技术在马铃薯全粉还原糖含量检测中的可行性,采用傅里叶变换近红外光谱仪采集了250份马铃薯全粉样品的近红外光谱。分别优化了消失矩、小波系数和主成分因子数,优化结果为10,100和20。基于db小波函数将1 501个马铃薯全粉的近红外光谱变量压缩成100个小波系数。分别以1 501个光谱变量和100个小波系数为变量分别建立了偏最小二乘(PLS)校正模型。以62个未参与建模的样品作为预测集,考察模型的预测能力。经比较,小波压缩结合PLS的校正模型预测结果最优,模型预测相关系数为0.98,预测均方根误差为0.181%。实验结果表明小波压缩算法结合近红外光谱技术有效地保留了有效光谱信息,实现了光谱数据降维,简化了马铃薯全粉还原糖PLS校正模型,提高了模型的预测能力。     

基于遗传算法的安溪铁观音品质快速评价研究

为探究一种快速无损的安溪铁观音品质评价方法,利用遗传算法(GA)对茶样的近红外光谱特征波长进行筛选,结合偏最小二乘(PLS),建立全谱段的PLS定量模型与GA-PLS模型。结果表明,傅里叶变换近红外(FT-NIR)全谱段光谱在经过平滑+二阶导数+归一化处理后,PLS模型预测性能最高,建模结果为：校正集相关系数R_C=0.921,校正集均方根误差RMSEC=0.543,验证集相关系数R_P=0.913,验证集均方根误差RMSEP=0.665。选用近红外光谱6 670～4 000 cm-1谱区,采用遗传算法进行特征波长筛选,参与建模数据点数从1 557缩减到408个。优选波段后,GA-PLS建模结果为：校正集相关系数R_C=0.959,校正集均方根误差RMSEC=0.413,验证集相关系数R_P=0.940,验证集均方根误差RMSEP=0.587。可见,GA-PLS模型的校正集和验证集的预测结果均优于全谱段PLS模型。结果说明,在传统的近红外光谱技术结合化学计量学方法的建模基础上,加入遗传算法进行波长筛选,能有效提高模型预测能力,实现方法学的创新研究,且GA-PLS品质评价模型具有较强的参考和推广价值,为提高我国茶叶品质的检测技术水平提供新的方法借鉴。     

基于BP-ANN和PLS的近红外光谱无损检测李果实品质的研究

可溶性固形物（SSC）和可滴定总酸（TA）含量是影响李果实品质的重要指标,经典的破坏性检测方法不适用于果实按品质分级,近红外光谱(NIRS)检测方法具有速度快、操作简便、可无损检测果实品质。为实现NIRS无损快速检测安哥诺李果实可溶性固形物和可滴定总酸含量,利用NIRS采集李果实的漫反射光谱,同时采用糖度计测定安哥诺李果实的SSC,采用滴定法测定了李果实TA含量,使用杠杆值和F概率值剔除异常样品,采用软件优化结合人工筛选光谱波段,使用了消除常数偏移量、减去一条直线、矢量归一化（SNV）、最大-最小归一化、多元散射校正（MSC）、一阶和二阶导数结合平滑处理、一阶导数结合减去一条直线和平滑处理、以及一阶导数结合SNV或MSC校正等光谱预处理方法,分别采用偏最小二乘法（PLS）和主成分分析结合反向传播人工神经网络（BP-ANN）建立李果实SSC、TA的定量分析模型。结果表明,李果实SSC和TA的最佳PLS建模效果波段范围分别为4 000～8 852和4 605～6 523 cm-1。SSC的PLS模型的最佳光谱预处理方法为MSC校正,最佳模型校正相关系数（R_c）为0.914 4,预测相关系数（R_p）为0.878 5,校正均方根误差（RMSEC）为0.91,预测均方根误差（RMSEP）为1.00。经一阶微分结合SNV和9点平滑的方法预处理后,TA的PLS模型效果最佳,R_c,R_p,RMSEC,RMSEP分别为0.860 3,0.819 6,0.80和0.86。提取了李果实SSC和TA光谱数据的主成分,并基于前10个主成分得分建立了李果实SSC和TA最佳BP-ANN定量分析模型,其R_c,R_p,RMSEC和RMSEP分别为0.976 7,0.889 7,0.75和0.99;TA的BP-ANN模型的相应参数值依次为0.974 3,0.897 7,0.62和0.83,与采用PLS算法建立的定量模型相比较,BP-ANN模型具有较高的R_c,R_p和较低的RMSEC,RMSEP,因此BP-ANN模型对SSC和TA指标的定量分析结果更佳。