粒子群算法的近红外光谱定性分析预处理及特征提取参数优化方法研究

在近红外光谱定性分析时,为取得良好识别效果,预处理及特征提取是不可或缺环节。预处理主要是为消除各种干扰因素对光谱数据影响,常用预处理方法有平滑、一阶导、归一化等;而特征提取方法能剔除数据中的无关信息,保留有效信息,常用特征提取方法有偏最小二乘、主成分分析、线性判别分析等。不同预处理及特征提取方法具有不同特点,构建定性分析模型时,单一使用某种预处理或特征提取方法往往难以取得理想效果,常需将多种预处理及多种特征提取方法组合使用以提升模型性能。在各预处理及特征提取环节中往往有可变参数如特征提取维数等需要设定,这些可变参数对模型性能有重要影响,因此采用多个预处理及多个特征提取方法就存在多参数需要确定的问题。研究中常采用试凑法求各待定参数最优值,欲求得多个待定参数中某一个参数最优值,首先需据经验固定其他参数值,然后将某一个待优化参数代入近红外定性分析模型进行试凑,以求得模型最优识别率所对应参数值,并将其作为最优值。利用试凑法逐个求得多个待优化参数后,再将参数组合设置到定性分析模型中,最后进行定性鉴别,但试凑法求得的参数组合难以保证为全局最优解。除试凑法外,还可通过多重循环嵌套方法来获取近定性分析模型预处理与特征提取环节最优参数组合,但是该方法需消耗大量计算机内存与计算时间,而且效率低。为此,提出一种基于粒子群算法的近红外光谱定性分析模型预处理与特征提取参数优化方法,可快速获得预处理与特征提取环节的最优参数组合,并保证代入最优参数组合的定性分析模型具有最优识别性能,采用粒子群算法对平滑系数、一阶导系数、偏最小二乘特征提取维数等参数进行寻优,并将该方法与多重循环嵌套方法进行对比实验,实验结果证明了方法的有效性。     

高光谱技术无损检测单粒小麦种子生活力的特征波段筛选方法研究

种子活力是种子质量的一项重要指标,高活力的种子具有较强的抗逆性、生长优势及生产潜力。而种子活力在种子生理成熟时最高,随后随着贮藏时间的延长而发生着自然不可逆的降低。因此,在播种前及时、准确地对种子活力进行检测和筛选具有重要的实践意义。针对传统种子活力检测方法存在的操作过程复杂繁琐、耗时长、重复性差且对种子有破坏性等缺点,研究尝试利用高光谱成像技术建立单粒小麦种子生活力快速、无损、精确的检测方法。以高温高湿老化后的190粒小麦种子（发芽128粒,不发芽62粒）作为研究样本,先利用可见-近红外(Vis-NIR)高光谱成像系统采集样本种子的光谱图像和进行标准发芽试验,并确保光谱采集试验和标准发芽试验的小麦种子一一对应。随后提取种子光谱图像的感兴趣区域并对其光谱数据进行平均和特征分析。分别采用一阶导数（FD）、均值中心化（MC）、正交信号校正(OSC)和多元散射校正（MSC）对原始光谱数据进行预处理,结合偏最小二乘辨别分析（PLS-DA）建立全波段PLS-DA模型,比较分析,并筛选出最适预处理方法。分别利用无信息变量消除算法（UVE）、竞争性自适应重加权算法(CARS)、连续投影算法(SPA)及耦合不同变量筛选方法对特征波段进行筛选提取,再分别基于所提取出的特征波段建立PLS-DA定性判别模型,对比分析,最终确立提取与单粒小麦种子生活力相关性最高的高光谱特征波段方法体系。结果表明：不同光谱预处理建立的模型其表现有所差异,在MC,FD,OSC和MSC中,采用MC对原始高光谱数据进行预处理,建立的全波段MC-PLS-DA判别模型,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为82.5%和83.0%,优于原始及其他预处理后建立的全波段PLS-DA判别模型,其校正集和预测集对小麦种子活种子鉴别正确率分别为94.8%和90.6%。进一步对比3种单特征波段提取方法及其耦合分析建模中,发现3种变量筛选方法耦合（UVE-CARS-SPA）的方式能够将光谱全波段的688个变量压缩至8个变量（473,492,811,829,875,880,947和969 nm）,利用所筛选出的8个变量建立的MC-UVE-CARS-SPA-PLS-DA模型获得了最优秀的鉴别效果,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为86.7%和85.1%,较全波段模型（MC-Full-PLS-DA）分别提升了4.2%和2.1%,活种子的鉴别正确率分别为93.8%和84.4%,经过此优秀模型筛选后,种子批最终发芽率可达到93.1%。实验结果表明,基于高光谱成像技术结合UVE-CARS-SPA-PLS-DA模型能够实现对单粒小麦种子生活力的定性判别。研究工作为小麦种子活力的快速、精确且无损的检测提供理论支持。     

玉米近红外光谱在仿生模式识别中的特征提取方法研究

近红外光谱特征提取是近红外光谱定性分析的关键步骤,其质量直接影响定性分析结果。采用漫透射方法测量8个玉米品种的近红外光谱,经预处理后,分别采用PCA,ICA,PLS-DA和小波分解四种方法对光谱进行特征提取,并使用仿生模式识别方法建立了8个玉米品种识别模型,最后使用测试集数据进行模型测试。结论如下:使用PLS-DA方法进行特征提取后建立的模型正确识别率优于使用PCA,ICA和小波分解特征提取后建立的模型。     

SVDD的近红外光谱定性分析光谱质量判定方法

近红外光谱属微弱信号,其质量易受被测物体自身状态及各种外界因素干扰,具体而言,在近红外光谱定性分析中,影响光谱质量的因素主要有光谱仪状态改变、光谱采集人员错误操作、奇异样本干扰等。建模时若混入质量较差的光谱易影响所建模型的稳健性与适用性,因此光谱质量判定是确保模型预测能力的一项重要工作。目前用于定量分析的光谱质量判定研究较多,而用于定性分析的光谱质量判定研究较少,为此,提出一种基于支持向量机数据描述的近红外光谱定性分析光谱质量判定方法,采用自制漫透射近红外光谱装置采集单籽粒玉米光谱,以正常状况下采集的某品种玉米单籽粒漫透射光谱作为正常样本,而人为漏光、近红外探测器窗口覆盖玉米表皮碎屑、光源强度改变、光源与被测玉米籽粒距离改变、相近品种玉米籽粒混入等几种情况下所采集光谱作为异常样本,在此数据集基础上研究了基于支持向量机数据描述的定性分析光谱质量判定模型建立的原理与方法,其后将支持向量机数据描述方法与常用的马氏距离法、局部异常因子法等光谱质量判定方法进行了对比,并以正常样本正确识别率与异常样本正确拒识率的均值作为评价标准,对实验结果进行分析,由实验结果可以看出相比其他两种方法,基于支持向量机数据描述的光谱质量判定方法具有最优判定能力,建模集正常样本数目会影响光谱质量判定能力,在实际使用光谱质量判定方法时,建模集应包含足量样本。在近红外定性分析时可以将该方法作为剔除异常光谱的手段,在预处理、特征提取,模式分类等近红外光谱定性分析步骤前首先进行基于支持向量机的光谱质量判定步骤,并剔除异常光谱,可有效提高近红外光谱定性分析模型的可靠性,亦为近红外光谱定性分析光谱质量判定提供新的方法参考。     

基于Adaboost及谱回归判别分析的近红外光谱固态发酵过程状态识别

为了实现固态发酵过程状态的快速监测,以饲料蛋白固态发酵为实验对象,开展了基于近红外光谱分析技术的饲料蛋白固态发酵过程状态定性识别研究。首先利用Antaris Ⅱ型傅里叶变换近红外光谱仪采集140个固态发酵物样本的近红外光谱,并采用标准正态变换(SNV)光谱预处理方法对获得的原始光谱进行预处理;其次,采用谱回归判别分析(SRDA)法对预处理后的近红外光谱进行特征提取;最后,采用最近邻(NN)分类算法作为弱分类器建立固态发酵过程状态识别模型,并对测试集样本进行识别。结果显示,与利用主成分分析(PCA)法和线性判别分析(LDA)法提取的光谱特征建立的识别模型结果相比较,SRDA-NN识别模型获得的结果最佳,在测试集中的正确识别率达到94.28%;为了进一步提高识别模型的准确率,将自适应提升法(Adaboost)与SRDA-NN方法结合,提出了Adaboost-SRDA-NN集成学习算法来建立饲料蛋白固态发酵过程状态的在线监测模型。通过Adaboost算法提升后的SRDA-NN模型预测性能得到了进一步增强,Adaboost-SRDA-NN模型在测试集中的正确识别率达到100%。试验结果表明：在近红外光谱定性分析模型校正过程中,SRDA方法能有效地对近红外光谱数据进行特征提取,以实现维数约简;另外,Adaboost算法能很好地提升最终分类模型的预测精度。     

基于近红外漫反射与漫透射光谱的玉米单倍体鉴别比较研究

使用JDSU公司的MicroNIR1700型微型近红外光谱仪,研究了适合进行单籽粒玉米单倍体鉴别的光谱测量方法。基于近红外光谱定性分析技术,比较了漫反射和漫透射两种情况下玉米单倍体鉴别的效果。光谱数据经过预处理后,采用PLS＋OLDA特征提取算法,应用SVM建立玉米单倍体鉴别模型,分别统计漫反射和漫透射实验条件下,鉴别模型的正确识别率。在微型光谱仪内置光源漫反射的光谱测量方式下,不分胚面朝向,玉米单倍体籽粒平均识别率低于60%,不能有效鉴别玉米单倍体和多倍体。而采用外置光源对籽粒进行漫透射光谱测量方式,获得了平均正确识别率为93.2%的鉴别效果,并且模型稳定性好。实验结果表明,漫反射光谱仅能获得玉米籽粒表层信息,因此玉米籽粒胚面朝向严重影响漫反射光谱鉴别单倍体种子的效果;而漫透射光谱可以实现分析光程纵深信息全累加,能够得到样品内部的信息,因此对胚面朝向不敏感,能够有效地对随机摆放的玉米单倍体和多倍体进行识别。近红外方法能快速、无损地鉴别单倍体,并且微型光谱仪采集速度快,成本低,为实现实用化的自动鉴别提供了条件。     

正常、缺素和黄龙病柑桔叶片高光谱成像快速诊断

应用高光谱成像技术,结合峰值比判别法和偏最小二乘判别法,探讨快速无损诊断正常、缺素和黄龙病柑桔叶片的可行性。在374.28~1 016.89nm可见近红外光谱范围内,采集了正常、缺素和黄龙病柑桔叶片的高光谱数据。以主叶脉为轴线,两侧各选一个长约60像素、宽约30像素的椭圆形感兴趣区域。提取两个感兴趣区域的平均反射率光谱,经相关分析,筛选出502.79和374.28nm一对特征波长,建立了正常叶片的峰值比判别模型,模型误判率为1.7%,但该模型无法区分缺素和黄龙病叶片。采用二阶导数结合平滑光谱预处理方法,处理反射率光谱,建立了缺素和黄龙病叶片偏最小二乘判别模型。采用留一法交互验证确定最佳主成分因子数为17,建模相关系数为0.96,建模标准差为0.13,模型对两类叶片分类正确率都达到了100%。在此基础上,提出了峰值比判别模型和偏最小二乘判别模型相结合的不同类别叶片二步快速诊断法。采用未参与建模的正常、缺素和黄龙病叶片各10片,评价模型的分类能力,模型分类正确率达到了96.7%。实验结果表明:应用高光谱成像技术,结合由峰值比判别模型和偏最小二乘判别模型构成的二步判别法,快速识别正常、缺素和黄龙病柑桔叶片是可行的。     

基于近红外漫反射与漫透射光谱的玉米单倍体鉴别比较研究（英文）

使用JDSU公司的MicroNIR1700型微型近红外光谱仪,研究了适合进行单籽粒玉米单倍体鉴别的光谱测量方法。基于近红外光谱定性分析技术,比较了漫反射和漫透射两种情况下玉米单倍体鉴别的效果。光谱数据经过预处理后,采用PLS+OLDA特征提取算法,应用SVM建立玉米单倍体鉴别模型,分别统计漫反射和漫透射实验条件下,鉴别模型的正确识别率。在微型光谱仪内置光源漫反射的光谱测量方式下,不分胚面朝向,玉米单倍体籽粒平均识别率低于60%,不能有效鉴别玉米单倍体和多倍体。而采用外置光源对籽粒进行漫透射光谱测量方式,获得了平均正确识别率为93.2%的鉴别效果,并且模型稳定性好。实验结果表明,漫反射光谱仅能获得玉米籽粒表层信息,因此玉米籽粒胚面朝向严重影响漫反射光谱鉴别单倍体种子的效果;而漫透射光谱可以实现分析光程纵深信息全累加,能够得到样品内部的信息,因此对胚面朝向不敏感,能够有效地对随机摆放的玉米单倍体和多倍体进行识别。近红外方法能快速、无损地鉴别单倍体,并且微型光谱仪采集速度快,成本低,为实现实用化的自动鉴别提供了条件。     

可见-近红外光谱的小麦硬度预测模型预处理方法的研究

硬度是评价小麦品质的一个重要质量参数,对小麦的分类、最终用途以及小麦籽粒组成的研究都非常重要。为实现小麦硬度的快速、准确检测,在详细分析小麦籽粒成分对红外光吸收特性的基础上,研究建立径向基函数(RBF)神经网络模型实现对未知样品硬度的准确检测,并着重分析了不同光谱信号预处理方法对模型预测精度的影响。从各小麦主产区收集111个小麦样品,扫描样品获得可见-近红外光谱,采用马氏距离判断并剔除异常光谱;利用优化后的SPXY划分样品集合,得到校正集84个样品,预测集24个样品;利用连续投影算法(SPA)从262个光谱波点中提取47个特征光谱;分别使用一阶导数、二阶导数和标准正态变量变换(SNV)及其不同组合对光谱进行预处理,验证不同预处理方法之间的相互影响,寻找最优的预处理方法组合。校正集预处理后的特征光谱数据作为RBF模型的输入,采用硬度指数法测定的对应样品硬度作为输出建立模型。预测结果显示当采用SNV和SPA处理光谱数据时模型的效果达到最优,评价指标判别系数(R2)、预测标准差(SEP)和相对分析误差(RPD)可分别达到0.90, 3.02和3.11,表明基于可见-近红外光谱的RBF神经网络模型能够准确地预测小麦的硬度,与传统检测方法相比具有方便、快速、无损等优点,为小麦硬度的检测提供一条更为便捷与实用的方法。     

一种添加历史数据的近红外光谱特征提取方法研究

针对近红外光谱定性分析中,增加新的品种进行建模时,原有模型识别效果不够稳定的问题,提出一种在建模样本的基础上添加同类物质的历史光谱数据的特征提取方法,首先采集建模样本的近红外光谱数据,然后添加同种物质样本的历史近红外光谱数据,再对所有近红外光谱数据进行预处理,其次对所有样本数据进行偏最小二乘(PLS)特征提取得到偏最小二乘空间,并只将建模样本数据向构建的偏最小二乘空间进行投影,最后将投影后的建模数据进行正交线性判别分析(OLDA)特征提取。以玉米种子近红外光谱为研究对象,分别对建模数据添加历史近红外光谱以及不添加历史近红外光谱两种情况进行特征提取,并通过仿生模式识别(BPR)方法构建模型进行验证,实验结果表明,添加历史近红外光谱构建偏最小二乘空间的特征提取方法相对于不添加历史近红外光谱的方法,首先在增加建模集品种数量时,原有的品种识别率基本不变;其次在相同PLS维数时,所建模型对不同时间采集的测试集识别效果基本一致,证明了该方法可以提高模型稳健性。在实际应用中就可以在品种鉴别软件中将特征提取维数设置为固定值,免除了品种鉴别软件的用户在增加建模集品种时为了保证最优识别效果重新选定最优PLS参数的麻烦。     

近红外光谱法快速无损识别普通、高油、超高油玉米籽粒

以75粒普通玉米、72粒高油玉米和73粒超高油玉米共计220粒玉米籽粒样品为实验材料,通过玉米籽粒的近红外光谱结合主成分信息提取技术建立了不同油分含量的玉米籽粒样品的BPANN识别模型.为考察模型的实际应用效果,连续10次随机划分样品集,每次在各类别玉米籽粒中随机选取4/5作为建模集,剩余1/5作为预测集,选择光谱信息的第2～15个主成分作为网络输入,样品以3个类别值-1,0,1作为目标输出,10次建模的学习识别率均达到100%.以所建BPANN模型对预测集样品进行分类识别,普通玉米、高油玉米和超高油玉米籽粒平均正确识别率分别为99.33%,97.88%和91.43%,总体正确识别率平均达到95%以上.研究结果表明BP人工神经网络近红外光谱法建立玉米籽粒识别模型可对不同油分含量的玉米籽粒进行快速、无损识别,对于玉米籽粒的选育工作具有一定的指导意义.另外还探讨了选择主成分建模对不同油分含量的玉米籽粒种类识别效果的影响,结果显示具有方差贡献率99%以上的光谱第一主成分参与建模,对模型预测效果有负影响,说明不同主成分包含的区分普通、高油与超高油玉米籽粒的分类信息不同,因此近红外光谱法建立样品分类识别模型时选择不同主成分建模是有必要的.     

近红外光谱分辨率对绿茶氮含量模型的影响

以绿茶为研究对象,氮含量为定量分析指标,研究了不同分辨率(2,4,6,8,16 cm-1)对近红外光谱图及氮含量模型的影响。结果表明：仪器的分辨率影响光谱图的质量,分辨率越高,得到的信息越丰富,但同时噪音增大;分辨率越低,光谱图更加平滑,信息量减少,当分辨率太低时光谱失真严重。分辨率为4 cm-1时,模型外部验证集RMSEP值为0.054 6,明显低于其他模型,相关系数为0.998 2,预测性能最好;模型预测精度也较好,STDEV和RSD分别为0.020和0.334。分辨率4 cm-1为最优分辨率。试验可以为近红外光谱仪采集绿茶光谱图提供参数选择依据,提高模型的稳定性与预测性能,促进近红外光谱检测技术在茶叶上的应用与推广。     

FTIR光谱结合曲线拟合研究萌发水稻种子

种子的萌发是种子生命历程中的主要组成部分之一,了解种子萌发过程中经历的生理生化变化,准确确定种子的活力,对农业生产很重要,因而,研究种子萌发有重要意义。采用傅里叶变换红外光谱结合曲线拟合研究不同萌发程度的水稻种子,以探寻种子贮藏物质动员情况,对不同萌发时间的水稻种子进行傅里叶变换红外光谱、二阶导数光谱、二维相关红外光谱和曲线拟合研究。结果显示,原始红外光谱整体相似,光谱反映出水稻种子的主要贮藏物质为淀粉、蛋白质和脂肪;吸收峰强度比A_{1 659}/A_{1 019},A_{1 740}/A_{1 019},A_{1 157}/A_{1 019},A_{1 157}/A_{1 081}随萌发时间的增加而降低。814～1 000和1 028～1 340 cm-1范围内的二维相关红外光谱结果显示自动峰个数和最强自动峰的位置、强度随种子萌发时间的增加而变化,表明种子在萌发过程中糖类和蛋白质发生变化。二阶导数光谱在1 200～950 cm-1范围内出现七个峰,其中988 cm-1处的峰随萌发时间的增加向较高波数蓝移,而1 053和1 158 cm-1处的峰向较低波数红移,表明水稻种子在萌发过程中多糖的结构和含量可能发生了变化;在1 700～1 600 cm-1范围内出现九个峰,其中1 641和1 692 cm-1处的峰呈现随萌发时间的增加红移到较低波数的趋势,表明水稻种子在萌发过程中蛋白质的结构和含量可能发生了变化;在1 800～1 700 cm-1范围二阶导数光谱仅观察到1 712和1 744 cm-1处的两个峰,其中1 744 cm-1由脂类物质C═O伸缩振动引起,为脂肪的特征峰。为进一步研究水稻种子萌发过程中贮藏物质的具体变化,以二阶导数光谱确定的子峰位置和数目为依据,对原始红外光谱的1 200～950与1 800～1 600 cm-1区域进行曲线拟合分析。曲线拟合结果显示,随萌发时间的增加,多糖和蛋白质的相对含量总体上呈现下降趋势,脂肪的相对含量先降后升。研究表明,傅里叶变换红外光谱结合曲线拟合可作为研究种子萌发的有效手段。     

五种杂交玉米籽粒品质的FTIR光谱研究

为了研究傅里叶变换红外光谱在杂交玉米品质评定上的可行性,使用傅里叶变换红外光谱仪获得五种杂交玉米籽粒的光谱。1 776～952 cm-1范围内的光谱主要由蛋白质、淀粉和油脂的红外吸收带组成,淀粉的吸收带较为强烈,蛋白质和油脂的吸收带稍弱。该范围光谱中特征吸收带相互重叠,导致一些重要信息被掩盖。通过对1 776～952 cm-1范围内的红外光谱进行曲线拟合分析,发现1 051和1 548 cm-1吸收子峰的面积在1 776～952 cm-1范围内吸收带总面积中占的百分比与玉米籽粒中淀粉和蛋白质的含量存在着线性关系。研究结果显示傅里叶变换红外光谱结合曲线拟合分析技术可用以分析杂交玉米籽粒中淀粉和蛋白质的含量,为玉米品质的快速评定提供一种方法。     

近红外光谱分析杨木-桉木混合纸浆原料

近年来,随着林纸一体化战略的推进,多使用混合原料制浆。而混合原料比例及成分含量的快速分析难以实现已成为制约制浆工业发展的瓶颈。为解决此问题,以广泛使用的杨木-桉木混合原料为研究对象,用傅里叶近红外光谱仪采集了131个不同比例的杨木-桉木混合样品和30个单一杨木、桉木样品的近红外光谱;用化学法测定其综纤维素、聚戊糖及Klason木素含量。因主要化学成分含量的近红外光谱信息集中于7 600～4 000 cm-1区间,对该区间的光谱数据进行平滑、标准正态变换和一阶导数的预处理,运用LASSO算法建立了杨木含量与聚戊糖含量模型;对该区间数据进行平滑、标准正态变换和二阶导数预处理后结合LASSO算法建立了综纤维素含量模型;对该区间数据进行平滑、多元信号校正和二阶导数预处理后结合LASSO算法建立了Klason木素含量模型。杨木含量、综纤维素、聚戊糖、Klason 木素含量模型的预测均方根误差分别为1.82%,0.52%,0.67%和0.59%;绝对偏差范围分别为-3.01%～2.94%,-0.91%～0.83%,-0.91%～1.07%,-0.79%～0.92%。4种模型的性能总体上略优于传统偏最小二乘法所建的模型且满足实际需求,可以用于工业生产。     

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。     

基于近红外自相关谱检测奶粉中的三聚氰胺

发展了一种基于近红外自相关谱定性定量分析掺三聚氰胺奶粉的检测方法。分别配置40个纯奶粉样品和40个不同质量百分比浓度的掺三聚氰胺奶粉(10-4%～40%, w/w)样品,采集了所有样品的一维近红外漫反射光谱,以奶粉中掺入的三聚氰胺浓度为外扰进行相关计算,选择随浓度变化敏感的7 000～4 200 cm-1为建模区间。在提取自相关谱信息的基础上,建立了定性定量分析掺三聚氰胺奶粉的偏最小二乘模型,并与常规一维近红外谱模型的预测结果进行了比较。所建立的方法对未知样品的识别正确率为100%,预测均方根误差(RMSEP)为0.63%;而一维近红外谱的识别正确率为96.2%,RMSEP为0.84%。研究结果表明：相对于常规一维近红外谱,所建立的方法能提供更好的预测结果,其原因可能是自相关谱能提取更多的特征信息。     

基于近红外光谱法的多组分复杂溢油源定量建模分析

研究利用近红外光谱分析方法进行模拟复杂混合溢油源的定量分析问题。选取汽油、柴油、煤油三种轻质石油类产品,按照不同浓度比例配置成40个模拟混合溢油样本,利用傅里叶变换近红外光谱仪采集其在4 000～12 000 cm-1谱区范围内的近红外光谱;采用不同预处理方法,利用偏最小二乘算法建立混合溢油样本三组分各自的浓度定量模型。汽油、柴油和煤油的最优预处理方法均为二阶导数方法,分别在8 501.3～7 999.8 cm-1,6 102.1～4 597.8 cm-1,6 549.5～4 597.8 cm-1,7 999.8～7 498.4 cm-1和6 102.1～4 597.8 cm-1谱区范围内,预测模型的决定系数R2分别为0.998 2,0.990 2和0.993 6;RMSEP值分别为0.474 7,0.936 1和1.013 1;RPD值分别为25.126 9,10.517 3和13.072 0。实验结果表明：利用近红外光谱分析技术结合化学计量学方法能够定量确定模拟混合溢油样本中各组分的浓度,为海洋复杂溢油源的定量检测与分析提供有效手段。