基于FTIR的两种模式识别方法在两面针产地鉴别中的应用

为了探求建立快速鉴别两面针产地的方法,基于傅里叶变换红外光谱(FTIR)技术,选取1 800~400 cm-1红外指纹图谱带,采用Fisher比值法和SIMCA聚类分析法建立产地分类模型,分别对广西区内四个产地的两面针进行鉴别,并通过计算识别率与拒绝率来验证模型。结果表明,红外光谱技术不但能准确提取中药材的整体信息,并且基于红外光谱建立起的两种模式识别模型对未知样品进行预测,识别率和拒绝率均达到90%以上,说明所建模型具有较强的识别能力。通过自编计算程序以及现有统计软件,还可以将模式识别模型实现实时在线化检测与快速样品鉴别,大大提高了鉴别速度而更具应用价值。     

近红外光谱技术鉴别花椒产地

采集四川、重庆、云南、贵州、陕西五省市8个不同产地205个花椒样品的近红外光谱,使用主成分分析(principal component analysis, PCA)、判别偏最小二乘法(discriminant partial least squares, DPLS)分析了花椒产地的分类鉴别。结果表明：在12 500～3 800 cm-1波数范围内,采用不同的光谱预处理方法可以建立较为稳健的DPLS模式识别模型,对不同产地的花椒有较好的分类鉴别。其校正集交叉验证除了经一阶微分预处理的模型识别率为99.39%外,其他预处理方法识别率均为100%,独立验证集总体识别正确率在85.37%~97.56%之间,其中经标准正态变量变换(standard normal variate, SNV)、多元散射校正(multiplicative scatter correction, MSC)预处理后的DPLS判别模型效果最好,误判数仅分别为1个,表示该方法在花椒产地识别中具有可行性。     

多波长激光诱导荧光麦卢卡蜂蜜掺杂分类识别

麦卢卡蜂蜜产自新西兰,具有很强的抗菌及抗氧化作用,其售价较高,近年来掺假事件时有发生,利用激光诱导荧光技术对掺杂糖浆的麦卢卡蜂蜜进行分类识别研究。选用266,355,405和450 nm四种常用激光作为激发源,选择三种品牌的新西兰进口麦卢卡蜂蜜（编号A,B,C）中掺杂烘焙糖浆作为实验样品,掺杂比例为0%～90%,间隔10%;每个激发波长下每种样本溶液重复测试60次,共7 200组数据。光谱数据首先进行荧光波段截取、平滑及归一化等预处理;然后随机选取80%的数据做训练集,20%的数据做测试集;对训练集数据使用主成分分析（PCA）结合线性判别分析（LDA）做数据降维;最后对降维后的数据分别建立K最近邻（KNN）和支持向量机（SVM）分类模型,对测试集数据进行分类识别,重复进行50次随机分组及分类识别后对得到的分类识别率求平均值及标准差。实验分析结果表明,激发光波长对最终识别结果影响较大,266 nm激发的荧光光谱分类识别正确率最高,三种麦卢卡蜂蜜掺杂溶液的分类识别率均能达到98.5%以上,最高能达100%;355和405 nm激发的分类识别效果次之,所有样品的分类识别率均大于92%;而450 nm激发的荧光光谱分类识别率最低,不同样品的分类识别率均低于66%。因此,后续分类算法的比较仅使用266,355和405 nm激发的荧光光谱数据,分析结果表明,KNN算法的分类效果要优于SVM算法,不同激发波长下三种蜂蜜掺杂溶液的分类识别率均是KNN算法更高,且对266 nm激发的三种蜂蜜掺杂样品,KNN算法的分类识别率比SVM算法要高1%以上。实验结果表明,使用激光诱导荧光技术对掺假麦卢卡蜂蜜进行分类识别是可行的,对于掺杂糖浆的麦卢卡蜂蜜,在使用的所有组合中,266 nm激发结合PCA-LDA降维和KNN分类算法的分类识别率最高,分类效果最好,可用于掺假麦卢卡蜂蜜的快速准确鉴别。     

利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别

小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感官评定,光谱分析可以识别样品中的分子结构等信息。基于此,尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦,再利用微波干燥法对两个不同产地的小麦做烘干预处理,使烘干的小麦水含量为12%±0.5%,原麦水含量为18%±0.5%。分别标记为原麦A,烘干A,原麦B,烘干B,再将小麦研磨成粉末,过100目筛网筛选后,置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息,在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理,利用主成分分析对预处理后的数据进行降维处理,再结合线性判别分析（linear discriminant analysis,LDA）和支持向量机（support vector machine, SVM）分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法（synergy interval partial least square, SiPLS）筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间,将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析（LDA）和支持向量机（SVM）建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析（LDA）和支持向量机（SVM）建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明,同种光谱分析方法,利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法,近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下,利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高,光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%,预测集识别率为97.50%;而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率,光谱数据融合之后建立的小麦识别模型识别率得到显著提高,该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率,结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。     

基于THz光谱和多信息融合的小麦品质无损检测研究

为进一步提高不同品质小麦分类模型的检测精度,提出采用太赫兹时域光谱技术(THz-TDS),融合小麦样品的吸收光谱和折射率光谱信息,对其品质进行检测识别。以正常小麦、发芽小麦、霉变小麦和虫蚀小麦样品为研究对象,获取样品THz波段光学参数,在特征层选用AdaBoost(AdaBoost)分类器和支持向量机(SVM)方法,建立了小麦品质多项光学指标的分类融合模型。并将融合模型的识别结果进行比较,结果表明融合模型对小麦样品的识别率达到95%。最后,为了验证融合模型的有效性,将其与单光谱分析回归模型进行了对比,表明融合模型比单光谱模型在小麦样品的识别率上有了较大的提高,且SVM融合模型的识别率最高,是一种最优的多源信息融合方法。     

基于可见-近红外光谱技术的葡萄酒真伪鉴别的研究

研究收集了不同品牌的90个葡萄酒样品,为了消除各光谱基线不同带来的影响,对所有光谱曲线都进行了一阶求导,以一阶导数谱线作为有效数据,通过独立主成分(PC)分析可知,前两个主成分的贡献率达到80%以上,主成分聚类使得真伪葡萄酒样品明显分为两类;以前四个主成分作为BP神经网络的输入建立了一个三层人工神经网络的识别模型,该模型对葡萄酒样品的预测识别率达到100%。研究表明,可见-近红外透射光谱结合主成分分析建立的BP神经网络模型能为快速、无损鉴别葡萄酒真伪提供一种准确可靠的新方法。     

基于支持向量机及小波变换的人参红外光谱分析

以吉林名贵中药材人参作为研究的主要对象,详细研究了利用小波变换技术对红外光谱变量的压缩方法和实现过程,以及如何利用人工神经网络(ANN)和支持向量机(SVM)技术建立人参的红外光谱的产地鉴别模型,并详细讨论了ANN模型中相关参数的优化方法以及SVM模型中的核函数及σ值的优化选择。仿真实验表明,建立的ANN模型对40个吉林人参样品产地识别率达到92.5%,而采用径向基核函数的SVM模型的识别率为97.5%,其分类效果明显优于ANN模型。从而表明小样本的情况下,利用SVM结合小波变换技术可以对吉林人参的红外光谱的产地特征进行正确区分,同时为中草药的红外光谱的进一步的分析和研究提供了一定理论依据和技术支持。     

多种红外光谱校正法的两面针产地鉴别研究

由于红外光谱数据采集受仪器状态和实验环境的制约,影响对样品的正确识别。基于傅里叶变换红外光谱(FTIR)技术,用多种方法对两面针的红外光谱数据进行校正后,利用SIMCA法建立鉴别模型;分别对广西区内四个产地的两面针进行鉴别,通过比较分析以获得最适合建立两面针产地鉴别模型的光谱数据校正方法。结果显示,经多元散射校正和标准正态变换后,它们的PCA数据分布,以及产地分类模型之间的距离,都表明这两种校正方法在消除环境和人为因素的干扰的同时,能够很好的分离各个产地的样本,在对实际的样本识别中,其识别率和拒绝率均达到或接近100%。可见,多元散射校正和标准正态变换,均是两面针产地模型鉴别研究的理想校正方法。     

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.     

基于中红外光谱分析技术的香菇产地识别研究

采用中红外光谱分析技术对香菇产地进行识别研究,并将相关向量机(relevance vector machine,RVM)算法应用于中红外光谱判别分析之中,取得了较好的效果。通过采集香菇粉末的中红外透射光谱,去除光谱噪声明显部分,对剩下的3 581~689cm-1透射谱线采用多元散射校正(multiplicative scatter correction,MSC)进行预处理,并基于预处理谱线建立了香菇产地识别的偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、簇类独立软模式分类(soft independent modeling of class analogy,SIMCA)、K最邻近算法(K-nearest neighbor algorithm,KNN)、支持向量机(support vector machine,SVM)、RVM模型等五种判别分析模型。所有模型的识别正确率均高于80%,KNN,SVM和RVM判别分析模型取得了相近的结果,建模集和预测集识别正确率高于90%。基于全谱的PLS-DA模型的加权回归系数,利用加权回归系数法选取了6个特征波数,并基于特征波数建立了PLS-DA,KNN,SVM和RVM模型。基于特征波数的PLS-DA模型的建模集和预测集识别正确率均低于80%,而KNN,SVM和RVM模型的建模集和预测集的识别效果相近,且都高于90%。基于全谱和特征波数的模型中,RVM算法表现出较好的效果,识别正确率优于90%。结果表明,基于中红外光谱技术能用于香菇产地的识别,特征波数的选择以及RVM算法可以有效的用于中红外光谱判别分析中。本文成功将中红外光谱用于香菇产地识别研究,为香菇品质以及其他农产品品质分析提供了一种新的想法,具有实际意义。     

近红外透射光谱应用于黄酒酒龄的定性分析

应用近红外光谱透射技术,结合化学计量学方法,开展了黄酒酒龄定性鉴别的研究,并对不同光谱预处理方法(未处理、平滑、二阶微分)对酒龄鉴别结果的影响进行了对比分析。试验采用傅里叶变换近红外光谱仪,以86瓶绍兴黄酒为标准样品,并结合不同光谱预处理方法及判别分析法,建立了黄酒酒龄定性鉴别模型。光谱平滑处理对酒龄鉴别结果影响不显著,而微分光谱分析结果最差,近红外原始光谱结合判别分析法的分析结果最优,其校正集正确分类的百分比达98.1%,预测集达90.6%。研究表明,近红外光谱透射技术结合原始光谱及判别分析法可作为一种可靠、准确、快速的检测方法用于黄酒酒龄定性鉴别分析。     

应用ATR红外光谱法识别不同陈酿方式的红葡萄酒

以三种不同陈酿方式的96个干红葡萄酒样品为试验对象,用傅里叶变换中红外光谱仪外加衰减全反射(attenuated total reflectance,ATR)附件扫描其光谱,然后分别用定性偏最小二乘法和支持向量机法建立三种不同陈酿方式葡萄酒的判别模型,10次随机划分建模集与预测集后建模,不同模式识别方法所建模型的建模集、预测集的判别准确率均高于90%。结果表明,采用中红外ATR光谱技术结合模式识别方法对不同陈酿方式红葡萄酒进行快速识别是可行的。     

一种干红葡萄酒的光谱指纹图谱分析方法

采用数据可视化技术开发一种干红葡萄酒的光谱指纹图谱,用于不同类别干红葡萄酒的鉴别。实验采集我国河北沙城和昌黎两个产区的干红葡萄酒样品,酒样在酿造年份、品种和陈酿方式上有差异。葡萄酒样品经反相C₁₈柱分馏得到9个馏分,低压旋转浓缩至干后,再用与分馏样品等量的模拟酒溶解。随后,葡萄酒及其分馏样品经UV-Visible分析,收集190～1 100 nm波段的光谱吸收值,利用可视化技术处理数据得到供试酒样的光谱指纹图谱。最后,采用高效液相色谱-二极管阵列检测器(HPLC-DAD),在指纹图谱差异明显的波段选择检测波长,定性分析葡萄酒和馏分中的单体酚及其衍生物。结果显示,供试干红葡萄酒样品光谱特征的差异在190～600 nm。不同品种干红葡萄酒的光谱数据可视化结果差异不大,但不同年份酒样有明显的区别,主要集中在520 nm的波段,不同产地葡萄酒的差异主要体现在F₈馏分上,不同陈酿方式葡萄酒的可视化特征几乎涵盖整个可视化波段。HPLC-DAD在280,313,365和520 nm波长下定性分析结果揭示了对光谱指纹图谱的特征有影响的单体酚及其衍生物。研究结果表明,采用可视化技术设计的葡萄酒光谱指纹图谱可以区分不同年份、产地和陈酿方式的干红葡萄酒产品。     

傅里叶变换红外光谱在葡萄酒品质劣变检测中的应用

葡萄酒如果贮存方法不当极易发生劣变,失去原有的风味和质感,影响品质,因此对葡萄酒劣变进行检测,具有重要意义。在红葡萄酒劣变过程中,主要发生了酸败现象,产生了过量的有机酸类物质,致使葡萄酒原有性状发生变化。利用傅里叶变换红外光谱技术研究红葡萄酒特征光谱及其品质劣变的判别方法。对劣变过程的理化特性进行了分析,并对葡萄酒的FTIR光谱的主要吸收峰进行了解析。在劣变判别过程中,创新性的采用了比较多个吸收峰之间的吸光度比值之间大小关系的方法实现对劣变的判定,但此方法具有一定的相对性。通过对变质红葡萄酒与未变质红葡萄酒的FTIR光谱数据进行对比分析,发现在3 020～2 790,1 760～1 620以及1 550～800 cm-1三个波段内,在光谱特征上具有一定的差异,为了能够将这些光谱差异与葡萄酒的劣变情况建立联系并能够实现判别分析,引入了化学计量学方法。采用主成分分析(PCA)结合软独立建模聚类分析法(SIMCA)分别对以上三个特征波段内光谱数据进行了分类,最后利用偏最小二乘判别分析(PLS-DA)对验证集数据在这三个波段进行了判别,结果表明FTIR结合化学计量学方法能够成功区分开变质和未变质的红葡萄酒样本,且具有很好的识别率,其中利用1 550～800 cm-1波段来建模分析效果最好,SIMCA和PLS-DA识别率分别为94%和100%。     

白僵蚕的红外指纹图谱鉴别研究

采用红外光谱技术研究了健康蚕,不同季节和品种的白僵蚕醇溶部位的红外指纹图谱,采用共有峰率和变异峰率双指标序列法对其图谱的结构特征进行了分析鉴别。结果表明：白僵蚕醇溶部位具有稳定而独特的红外指纹图谱。健康蚕的红外指纹图谱与白僵蚕的红外指纹图谱明显不同,两图谱共有峰率仅为63.0%,变异峰率较大,健康蚕相对于白僵蚕变异峰率达41.2%;不同品种、不同季节的白僵蚕的红外指纹图谱相似,但也存在一定差异,其中不同品种的白僵蚕的红外指纹图谱最低共有峰率为76.0%,最高为92.0%,春季与秋季白僵蚕醇溶部位的红外指纹图谱共有峰率为73.1%。白僵蚕醇溶部位的红外指纹图谱可以用作鉴定白僵蚕,区别不同品种和季节的白僵蚕的一种手段。     

基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别

为了实现葡萄酒品种的快速无损鉴别,选用五种干红葡萄酒,进行可见和近红外光谱实验,提出了一种用可见和近红外光谱技术快速鉴别葡萄酒品种的新方法.采用独立主成分分析进行模式特征分析,经过选用不同的独立主成分数进行建模和预测,确定最佳独立主成分数为20.将这20个主成分作为神经网络的输入变量,建立三层BP神经网络,实现类别预测的同时也完成了数学建模与优化分析工作.5个品种的葡萄酒样本数均为35,共计175个样本.在神经网络学习中,将其分成训练集样本150个和预测集样本25个.对25个未知样本进行预测,准确率为100%.该研究在独立主成分分析的基础之上,根据干红葡萄酒各独立主成分的混合矩阵向量载荷图,选取了两个波段(400～430 nm与512～532 nm)作为葡萄酒的独立主成分分析的特征波段.说明该文提出的基于光谱技术和模式识别的方法不仅对葡萄酒具有很好的分类和鉴别能力,并且可以提取出葡萄酒的指纹特征,可用于葡萄酒的检测与技术开发.     

低浓度多元糖混合水溶液体系的近红外分析

利用近红外光谱分析了葡萄糖、果糖、单糖和蔗糖的二元以及三元混合溶液。水在近红外区域的吸收十分强烈,近红外光谱分析更多应用于干燥的或者低水分的样品,而不适用于新鲜的果蔬样品。文章试图将近红外用于水溶液体系的分析,在不回避水的强干扰因素的情况下,探讨如何改进分析手段,优化分析结果。实验中样品浓度分布在0.01～0.25 mol·L-1的范围。对于物理化学性质都比较接近的低浓度单糖溶液,通过比较它们在不同组分中的近红外谱图,特别是C—H,O—H等基团的近红外吸收在不同条件下的变化,以及选择不同波数区间或者全谱建立分析模型对于分析结果的影响,优化波数区间的选择,结合化学计量学优化计算,以获得质量较高的校正模型,改善分析结果,克服水的影响。     

利用傅里叶变换红外光谱法鉴别菊花中硫磺残留

利用傅里叶变换(FTIR)红外光谱法对不同加工方法的祁菊花和大怀菊进行了快速鉴别分析。结果表明,不同加工方法可能会导致菊花内部某些有效成分间相对含量有所变化,某些化学结构或许有所改变,反映在FTIR谱图上就有所差异。经过硫磺熏制后晾干的菊花,在1 600,1 060 cm-1波数附近其吸收峰的形状和强度与其他样品不同,在922,818,777 cm-1三处有固定的特征吸收,而且吸收强度相对较强;不同加工方法和不同品种的菊花在FTIR谱图上都有差异。因此,利用FTIR光谱法不需要对样品进行分离提取,不仅能够快速、准确、方便、直观地鉴别菊花是否有硫残留,同时还能鉴别不同品种的菊花。     

不同厂家葡萄酒的红外光谱无损快速分析

酒精和糖是葡萄酒的两种主要成分。首次采用衰减全反射(HATR附件)傅里叶变换红外光谱法并结合二级导数谱对市售的若干种不同厂家葡萄酒的酒精含量和糖含量进行了快速无损分析。对于含糖量低的葡萄酒,其酒精度越高,1120～1010 cm^-1处酒精的C—O键的峰值越大;对于含糖量高的葡萄酒,成分中的多种糖的特征峰多在1200～830 cm^-1区段,可以用此波段的糖峰的吸收度强度和峰的个数来判断含糖量的高低。红外光谱不仅可以清晰直观地看出酒精度和含糖量与峰值的关系,而且该方法快速、方便,样品无需分离提取,可直接测定进行无损分析。