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。     

近红外漫反射光谱法定量分析连翘药材

利用近红外漫反射光谱技术和偏最小二乘法定量分析了连翘药材中连翘苷与连翘酯苷的含量。所建立校正模型内部交叉验证均方差(RMSEC)分别为0.327、0.273,交叉验证决定系数分别为0.968、0.978。利用该模型对10份未知样品进行预测,预测值和参考值之间的相关系数分别为0.929、0.986,预测均方差(RMSEP)分别为0.421、0.260,该法具有准确、快速、不破坏样品等优点。     

基于近红外光谱与支持向量机的纸浆卡伯值在线测量

提出了用近红外光谱漫反射技术和支持向量机建模方法实现纸浆卡伯值在线测量的新方法。采集45份松木浆样品的近红外漫反射光谱,选择各样品15个振动吸收峰对应的吸收率,采用动态独立分量分析(DICA)对输入样本数据进行特征提取,建立基于支持向量机(SVM)的纸浆卡伯值预测模型。45份样品中选择35份组成校正集,另10份作为预测集对模型进行验证。基于支持向量机的纸浆卡伯值预测模型外部验证均方差和确定系数分别为0.26和0.93;基于线性回归的纸浆卡伯值预测模型外部验证均方差和确定系数分别为0.45和0.81。研究结果不仅表明纸浆卡伯值近红外测量方法的可行性和有效性,而且验证了基于支持向量机的纸浆卡伯值预测模型比线性回归模型具有更高的准确性和鲁棒性。     

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。     

近红外光谱法快速测定淫羊藿中淫羊藿苷和朝藿定C

基于近红外光谱法对淫羊藿中有效成分淫羊藿苷和朝藿定C的含量进行快速同时定量分析,采用偏最小二乘法(PLS)建立近红外光谱信息与预测组分含量间的数学校正模型。结果表明通过标准正态变量转换(SNV)与一阶导数对光谱进行预处理,所建立的淫羊藿苷和朝藿定C的校正模型效果最佳。淫羊藿苷与朝藿定C校正集均方差(RM SEC)分别为0.217、0.718;相关系数分别为0.9825、0.9863;预测均方差(RM SEP)分别为0.155,0.297。该方法简单、准确,更适合于淫羊藿药材中主要成分的快速分析。     

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。     

近红外光谱技术实时测定土壤中总氮及磷含量的初步研究

及时、准确探测土壤中的氮、磷含量,有利于精准施肥决策,提高肥料利用率。研究表明近红外技术能够探测土壤的物理和养分状况。针对不同土地利用类型,在北京大兴地区采集85份土壤样品,测定土壤氮、磷养分及其近红外漫反射光谱,并利用傅里叶变换光谱技术和偏最小二乘回归法建立了土壤总氮(N)和总磷(P)的近红外光谱校正模型。所建模型的交叉检验决定系数(R2_CV)分别为0.862 6(N),0.668 5(P)。用未参与建模的10个样品对模型进行外部检验,总N、总P的预测相关系数(r)分别为0.969 8,0.830 7,预测标准误差(RMSEP)分别为0.009 5%(N),0.008 6%(P),RPD值(检验集样品化学测定值标准差/预测标准误差)分别为3.78(N),1.69(P)。结果表明,采用适当的光谱分析方法可以实现用近红外技术对土壤总N的精确探测及对土壤总P的粗略估测。     

近红外透射光谱法测定丹酚酸提取物中的丹酚酸B

利用近红外光谱仪透射光谱技术对丹酚酸提取物中丹酚酸B含量进行检测分析。利用42份样品的原始光谱经一阶导数技术预处理,选取9746.9—7498.2、6101.9—5774.1cm-1及4601.5—4424.1cm-1波段,并结合偏最小二乘法(PLS)对丹酚酸B建立定量校正模型并分析,结果R2为0.9843,内部交叉验证均方差(RM SECV)为0.0725,最佳维数为8。用建立的校正模型对17份样品中的丹酚酸B进行了预测,预测误差均方差(RM SEP)为0.0847。该方法分析快速、简便,结果准确可靠,同时也为近红外技术应用于生产过程中的在线监控奠定了基础。     

短波近红外光谱法同时测定分析水中的麦芽糖、乳糖和蔗糖

用紫外-可见分光光度计的短波近红外光谱区域（800—1100nm）,测量了3种二糖麦芽糖、乳糖和蔗糖混合水溶液的近红外光谱,并用偏最小二乘方法建立了同时定量分析水溶液中麦芽糖、乳糖和蔗糖的模型,并对光谱数据预处理方法进行了讨论。通过对校正集样品的建模和对预测集样品的检验,结果良好。对浓度范围分别在0—60mg·L^-1,0—12mg·L^-1,0—60mg·L^-1的麦芽糖、乳糖和蔗糖预测模型相关系数分别为0.9904、0.9971和0.9926,模型交叉检验均方差分别为0.0213、0.2525和0.1859。预测集相对标准偏差分别为3.54%、3.55%和3.32%。并将此模型应用在简单成份的实际样品中进行了初步探索。该方法对同时定量分析多组分体系,具有简便、快速价廉、易于推广应用等优点。     

近红外漫反射光谱法测定天然纤维素浆粕聚合度

提出一种采用近红外光谱测定天然纤维素(棉、木)浆粕聚合度的方法。实验收集了195个天然纤维素浆粕样品,采用GB/T 9107-1999方法测定了其聚合度,对样品进行粉碎预处理后,放入旋转杯中采集相应的近红外漫反射光谱。通过化学计量学偏最小二乘方法(PLS)将聚合度数据与近红外光谱关联,分别建立了棉木浆粕混合样品、棉浆粕样品和木浆粕样品的聚合度定量模型。最优模型相关系数分别为0.980,0.993,和0.886,预测均方根误差(RMSEP)分别为147,143和53。研究了近红外方法精密度和准确性。结果表明棉浆粕和木浆粕分类模型预测准确性优于混合模型,且其预测精密度符合国标(GB)方法要求。另外,采用主成分分析方法建立了棉浆粕和木浆粕的识别模型,结果表明该模型可以有效识别棉浆粕和木浆粕。该方法操作简单、分析速度快,能够满足天然纤维素浆粕聚合度在线检测要求,为实现清洁制浆新工艺聚合度在线监控目标提供了理论和技术依据。     

基于大黄的红外光谱的人工神经网络鉴别研究

将傅里叶变换红外光谱法和人工神经网络用于鉴别正品和非正品大黄样品。在对神经网络训练前用小波变换对测量的红外光谱进行压缩,将原700个数据点的光谱压缩到44个变量,因此加速了神经网络的训练速度。52个大黄样品被用于网络模型的建立,其中包括25个正品大黄和27个非正品大黄的样品。文章还对隐含层神经元数目和动量参数的影响做了考察。结果表明,在优化的条件下用该方法对大黄样品的鉴别正确率达到98％。这种方法可被用于含大黄中药生产的质量控制。     

Identification of Rhubarb Samples by Using NIR Spectrometry and Takagi–Sugeno Fuzzy System

Abstract

The Takagi–Sugeno fuzzy system is implemented based on several back‐propagation neural networks (BP‐NNs) and has been applied to identification of official and unofficial rhubarb samples based on their near‐infrared spectra. Rhubarb is one of the most important Chinese medical herbs. It is of importance to identify official and unofficial rhubarb samples based on nondestructive near‐infrared spectrometry for quality control in Chinese herbal products. Near‐infrared diffuse reflectance spectrometry and the Takagi–Sugeno fuzzy system were used to classify 52 rhubarb samples, and the effects of the number of hidden neurons and of momentum parameters on prediction were investigated. The results obtained by using the Takagi–Sugeno fuzzy system were better than those by commonly used BP networks. With proper network training parameters, 100% correctness can be obtained by using the Takagi–Sugeno fuzzy system.     

人工神经网络分类鉴别苦丁茶红外光谱

为了分类鉴别苦丁茶,采用竞争神经网络(CNN)和反向传播人工神经网络(BP网络)两种模式的人工神经网络(ANN)分别分析了各种苦丁茶的红外谱图。作者采用25个样本作训练集,11个样本作检验集,用两种网络进行了训练。结果表明,CNN网络和BP网络均能够有效地实现苦丁茶产地的鉴别,但CNN网络能够进一步地区分苦丁茶的级别。实验表明,CNN速度快,预测结果准确,可望用竞争神经网络(CNN)和红外光谱法结合分类鉴别苦丁茶。     

中草药大黄的近红外光谱和人工神经网络鉴别研究

大黄是我国最常用的中草药之一。对正品和非正品大黄的快速、准确鉴别对于大黄及其中草药产品的质量控制具有重要的意义。将近红外漫反射光谱分析技术与人工神经网络方法相结合,对52种大黄样品进行了测定和鉴别,正确率可达96%。并对神经网络的隐含层个数和动量因子的影响做了讨论。由于近红外光谱法具有样品前处理少,测定快速和非破坏性等特点,因而特别适合于中草药的鉴别。     

红外光谱与高木-关野系统结合鉴别大黄的研究

高木-关野模糊系统是基于若干反向传播神经网络(BP-ANN)组成的,它具有一些模糊逻辑特性。文章利用红外光谱与高木-关野模糊系统相结合鉴别52种大黄样品。并对神经网络的隐含层个数和动量因子的影响作了讨论。结果表明,用高木-关野模糊系统得到的结果比通常用的BP网络要好。选用适当的网络训练参数,正确率可达到100％。该方法比常规方法更准确,比民间传统方法更具科学性,因此是鉴别大黄的一种快速、简便的方法。     

人工神经网络结合近红外光谱用于木材树种识别

测量了不同产地及品种的89个木材样品的近红外光谱,并分别使用反向传播人工神经网络(back propagation artificial neural networks,BPANN)与广义回归神经网络(generalized regression neural network,GRNN)建立了NIRS树种识别模型。通过方差分析分别选择两种神经网络所用参数,并采用最优参数进行网络训练。考虑到样品光谱的差异,对含不同水平白噪声与不同水平偏置的光谱进行模拟,并使用建立的模型对模拟光谱进行预测。发现两种神经网络模型均有较好的预测结果,其中BPANN模型,对含偏置水平不高于2％、噪声水平不高于4％的模拟光谱识别正确率在97％以上;GRNN模型,对含偏置水平不高于2％、噪声水平不高于4％的模拟光谱识别正确率在99％以上。     

太赫兹时域光谱结合主成分分析线性判别和支持向量机用于大黄样品鉴定

太赫兹时域光谱技术(THz-TDS)结合主成分分析-线性判别分析(PCA-LDA)和支持向量机(SVM)用于正品大黄样品的鉴定。在时域测量41个大黄样品的太赫兹时域透射光谱,然后将这些时域信号转换成频域的吸收系数系数。根据样本的吸收系数建立了主成分分析-线性判别分析和支持向量机的定性分类模型,并对正品和非正品大黄样本的分类模型进行了交叉验证。模型的预测能力和稳定性使用自助拉丁配分进行评价,使用50次自助拉丁配分,配分数为4。使用主成分分析-线性判别分析和支持向量机均得到了满意的结果。提出的方法证明是一种方便、无污染、准确和无需化学处理的鉴定大黄样本的方法。该文提出的步骤可以应用于其他中草药分类和生产的质量控制。     

径向基函数网络-红外光谱法用于中药大黄样品的真伪分类

将径向基函数网络与红外光谱分析技术相结合,对正品和非正品大黄样品进行分类判别。采用小波变换对原始数据进行压缩,将原来的775个数据点压缩到49个变量,既保持了原来的特征谱峰又提高了网络的训练速度。对45种样品进行了测定和鉴别,正确率可以达到97.78%。并对影响分类结果的网络参数,目标误差和分布函数对样品分类的影响做了讨论。红外光谱法与神经网络相结合用于中草药的分类鉴定更加快速和方便。     

红外光谱与人工神经网络相结合识别栽培、野生黄芩和粘毛黄芩

为了识别栽培黄芩、野生黄芩和粘毛黄芩，采用非线性－线性、线性－线性、非线性－非线性三种模式的人工神经网络（ANN）分别分析各种黄芩的红外谱。我们采用42个样本作训练集，34个样本作检验集，用各种模式的ANN进行了监督性训练。当训练目标误差平方和定为0.01时，各类ANN对训练集中三类黄芩样本识别的正确率均为100%，但对检验集样本识别的结果各不相同，其识别的正确率与隐含层节点数S1有关。我们发现当S1较大时，识别正确率反而下降，可能此时网络的非线性程度过高，使其不适合于该类样本集的训练。线性－线性型ANN识别的结果随S1的变化不很大，但识别的正确率不高，基本在85％左右。非线性－线性型ANN识别的结果最佳。当S1为3时，其识别正确率超过了97％。因此该法可用以简便、快速、准确地识别这三种黄芩药材。     

Studies on Cancer Diagnosis by Using Spectroscopy Combined with ChemometricsSCIEI北大核心CSCD

Studies on cancer diagnosis using various spectroscopic methods combined with chemometrics are briefly reviewed. Elemental contents in serum samples were determined by inductively coupled plasma atomic emission spectroscopy (ICP-AFS), bidirectional associative memory (BAM) networks were used to establish diagnosis models for the relationships between elemental contents and lung cancer, liver cancer, and stomach cancer, respectively. Near infrared spectroscopy (NIRS) is a non-destructive detection technology. Near infrared spectra of endometrial carcinoma samples were determined and spectral features were extracted by chemoometric methods, a fuzzy rule-based expert system (FuRES) was used for establishing diagnosis model, satisfactory results were obtained. We also proposed a novel variable selection method based on particle swarm optimization (PSO) for near infrared spectra of endometrial carcinoma samples. Spectra with optimized variable were then modeled by support victor machine (SVM). Terahertz technology is an emerging technology for non-destructive detection, which has some unique characteristics. Terahertz time domain spectroscopy (THz-TDS) was used for cervical carcinoma measurement. Absorption coefficients. were calculated from the measured time domain spectra and then processed with derivative, orthogonal signal correction (PC-OSC) to reduce interference components, and then fuzzy rule-based expert system (FuRES), fuzzy optimal associative memory (FOAM), support victor machine (SVM), and partial least squares discriminant analysis (PLS-DA) were used for diagnosis model establishment. The above results provide useful information for cancer occurring and development, and provide novel approaches for early stage diagnosis of various cancers.