粉末样品颗粒大小对花椒挥发油近红外光谱定量预测的影响研究

为了快速有效评定花椒质量等级,应用近红外光谱分析技术,采用偏最小二乘法,对141份花椒样品粉碎成八种不同颗粒大小的粉末,对近红外光谱分别建立挥发油含量预测模型,当粉末样品颗粒大小为40目时,建立的模型最优,交叉验证测定系数r2141为0.9364,交叉验证误差均方根RMSECV141为0.421。使用105份40目粉末样品近红外光谱所建立的模型对36份样品的预测集进行预测,光谱预处理采用Meancentering vector normalization,谱区在6100.1~5774.2cm-1及4601.6~4424.2cm-1,则预测测定系数r326为0.9862,预测集验证误差均方根RMSEP36为0.192,预测相对标准差RSD36为4.95%,预测相对分析误差RPD36为8.517。研究结果表明,对花椒进行近红外光谱扫描前,粉碎到40目时所建立的近红外光谱模型最佳,使用近红外光谱技术快速有效检测花椒挥发油含量是可行的。     

基于近红外光谱的生药醇提物抗氧化性预测

应用近红外光谱技术,以偏最小二乘算法,计算预测了37种生药药材甲醇提取物的抗氧化活性。以交叉验证相关系数(R2),交叉验证误差均方根(RMSECV)为指标,考察、比较了光谱预处理方法对模型效果的影响,以预测误差均方根(RMSEP)和相对分析误差(RPD)考核了样本的预测效果,采用1,1-二苯基-2-苦肼基(DPPH)法进行了验证。研究表明,采用一阶导数+矢量归一化预处理法和筛选的近红外波段建模,预测性能最优,校正模型的R2为0.896 0,RMSECV为4.35%;预测样本的RMSEP为3.62%,RPD为2.38。近红外光谱分析技术便捷快速,可信度较高,可以用于生药抗氧化性质的整体评价。     

近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究

为了建立近红外光谱测定茶叶中茶多酚和茶多糖的模型,应用了人工神经网络方法,选择了7 432.3～6 155.7 cm-1和5 484.6～4 192.5 cm-1特征光谱范围,以网络结构参数的输入层、隐层、输出层神经元数目分别为(8,4,1)和(7,5,1)来建立茶多酚和茶多糖的测定模型,模型的结果表明建模的茶多酚和茶多糖的ｒ,RMSECV,RSECV分别为0.984 7,0.460,0.123和0.947 0,0.136,0.224;预测集的ｒ,RMSEP,RSEP则分别为0.980 4,0.529,0.017和0.968 2,0.111,0.030。由此说明建立的近红外光谱-人工神经网络模型可用于预测茶叶中茶多酚和茶多糖的含量。     

近红外漫反射光谱法快速测定苦参和白土苓药材中多指标成分的含量

建立近红外光谱(near infrared spectroscopy,NIRS)法快速测定复方苦参注射液原料药材苦参和白土苓中多指标成分含量的方法,探讨其在中成药原料质量保障系统中的应用可行性。以HPLC法测定苦参中氧化苦参碱、氧化槐果碱、苦参碱和槐果碱以及白土苓中大泽米苷的含量为对照值;采用近红外漫反射模式采集样品光谱,比较不同建模波段及光谱预处理方法的建模效果,优选出最佳建模参数;采用偏最小二乘法分别建立白土苓中大泽米苷和苦参中氧化苦参碱与苦参碱总量、槐果碱与氧化槐果碱总量的近红外定量分析模型,并对模型进行评价。结果显示,HPLC测定的88批白土苓中大泽米苷和75批苦参中氧化苦参碱与苦参碱总量、槐果碱与氧化槐果碱总量分别0.36~12.88,8.87~66.31和2.30~15.11mg·g-1。所建立的三组指标成分的NIRS定量校正模型性能良好,各模型校正集内部交叉验证R2为0.902 5,0.949 1,0.913 7,RMSECV为0.961,2.45,0.724mg·g-1;验证集外部验证R2 0.981 7,0.982 6,0.960 9,RMSEP为0.693,2.27,0.658mg·g-1。建立了快速定量苦参和白土苓中多指标成分的含量的近红外分析方法,所建立的定量分析模型能够满足复方苦参注射液大生产对大批量原料样品化学信息快速获取的需求。     

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.     

基于深度信念网络与混合波长选择方法的蓝莓糖度近红外检测模型优化

利用近红外光谱技术结合组合区间偏最小二乘（SiPLS）、竞争性自适应重加权（CARS）、连续投影算法（SPA）、无信息变量消除（UVE）特征提取方法,运用深度信念网络（DBN）建立蓝莓糖度的通用检测模型,实现蓝莓糖度在线无损快速检测。采集了“蓝丰”和“瑞卡”共280个蓝莓样本的近红外光谱,采用手持折光仪测定其糖度;首先利用联合X-Y的异常样本识别方法（ODXY）检测到蓝丰和瑞卡蓝莓分别有2个和4个样本呈现异常,剔除该6个异常样本,对其余274个样本利用光谱-理化值共生距离算法（SPXY）以3∶1的比例划分出训练集和测试集;其次,对比分析卷积平滑（S-G平滑）、中心化、多元散射校正等预处理对蓝莓原始光谱的改善效果,运用SiPLS对光谱降维,筛选特征波段,利用CARS,UVE和SPA方法对特征波段进行二次筛选,以最优的特征波长建立DBN和偏最小二乘回归（PLSR）模型。结果表明,蓝莓糖度近红外检测模型的最优预处理方法为S-G平滑,SiPLS方法挑选的蓝莓糖度最优波段为593~765和1 458~1 630 nm,UVE算法从SiPLS筛选的346个变量中优选出159个最佳波长。建立蓝莓糖度DBN模型时,分析了不同隐含层数对检测模型的影响,并以交互验证均方根误差（RMSECV）作为适应度函数,利用粒子群算法（PSO）对各隐含层神经元个数在[1,100]之间寻优,发现隐含层为3层且隐含层节点数为67-43-25时,DBN模型的RMSECV达到最小,为0.397 7。无论是以全光谱还是特征波长建模,蓝莓糖度近红外DBN模型均优于常规PLSR方法;尤其以UVE方法二次筛选的特征波长建立的模型大大减少了建模变量,且模型精度更高,蓝莓糖度最优的PLSR模型测试集相关系数（R_P）为0.887 5,均方根误差（RMSEP）为0.395 9,最优DBN模型R_P为0.954 2,RMSEP为0.310 5。研究表明,利用SiPLS-UVE进行特征提取,结合深度信念网络方法建立的蓝莓糖度检测模型可以更好地完成蓝莓糖度在线精准分析,该方法有望应用于蓝莓及其他果蔬内部品质检测。     

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。     

近红外光谱分析技术在辛硫磷农药残留检测中的应用

采用近红外光谱分析法直接用于痕量农药辛硫磷的定量检测。通过引入一种样品预处理方法,将待测样品与硅胶混合,硅胶作为吸附剂,用来富集待测农药化合物,然后直接采集其漫反射光谱。用偏最小二乘(PLS)回归方法建立模型、留一交互验证法来对模型进行评价。通过两批次实验,浓度梯度为0.5 mg·L-1的21个样品的交互验证相关系数为0.958,RMSECV为 0.872 mg·L-1;浓度梯度为0.25 mg·L-1的41个样品的交互验证相关系数为0.924,RMSECV为1.15 mg·L-1。随着浓度梯度的降低,模型的预测能力有所下降,但模型的相关系数仍然较高。结果表明利用硅胶作为待测样品吸附剂的预处理方法,可以有效降低近红外光谱分析技术的检测限,在农药残留等低含量样品检测中有实际应用价值。     

近红外光谱技术在线监测积雪草药材活性成分的大孔树脂分离纯化过程

利用近红外(NIR)光谱技术研究并建立可在线监测积雪草药材活性成分———羟基积雪草苷和积雪草苷的大孔树脂分离纯化过程的方法。收集积雪草药材提取物的50%乙醇大孔树脂洗脱液,并采集其近红外光谱信息,建立上述收集液中羟基积雪草苷、积雪草苷的高效液相色谱(HPLC)含量测定方法;然后,采用偏最小二乘法(PLS)建立上述收集液的NIR光谱与其中羟基积雪草苷及积雪草苷含量的线性关系。建模过程中,以相关系数(R2)、交叉验证均方根误差(RMSECV)为指标,确定用于建模的最优近红外波段和光谱预处理方法,即羟基积雪草苷和积雪草苷模型的最佳建模波段分别为12 000.8～7 499.8cm-1和12 000.8～9 750.3cm-1;R2分别为96.44和96.07;RMSECV分别为0.084 80和0.000 99。将上述模型用于在线监测积雪草药材提取物大孔树脂分离纯化过程中羟基积雪草苷及积雪草苷的含量,结果表明此模型预测效果良好。该方法快速、简便、准确,可用于生产过程中羟基积雪草苷及积雪草苷的在线检测和质量控制。     

饲料中粗脂肪和粗纤维含量的近红外光谱快速分析

采用近红外光谱(NIRS)结合偏最小二乘(PLS)方法,实现对饲料中粗脂肪和粗纤维的快速定量分析。采用Norris-Williams平滑求导(NW)和多元散射校正(MSC)方法对光谱进行预处理;蒙特卡罗无信息变量消除法(MCUVE)、变量组合集群分析法(VCPA)和区间变量迭代空间收缩法(iVISSA)用于光谱变量选择和优化; PLS用于光谱校正模型的建立,采用校正集相关系数(R_c)、交互验证均方根误差(RMSECV)、预测集相关系数(R_p)和预测集均方根误差(RMSEP)评价模型。光谱预处理中经MSC处理后的光谱模型优于其他预处理方法,其RMSECV和RMSEP值都减小,R_c和R_p值都增大。脂肪定量分析中,原始光谱模型的RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.20和0.88,变量数(V_n)为1 501;经MCUVE方法选择变量后建立的定量模型,其RMSECV和R_c为0.17和0.92, RMSEP和R_p为0.19和0.89,V_n为400个;经VCPA选择变量建立PLS定量模型,其RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.25和0.81,V_n为12;经iVISSA选择变量后的模型,其RMSECV和R_c为0.21和0.86, RMSEP和R_p为0.20和0.87,V_n为20。粗纤维定量分析中,原始模型的RMSECV和R_c为0.28和0.91, RMSEP和R_p为0.25和0.95,V_n为1 501;经MCUVE选择后的模型,其RMSECV和R_c为0.23和0.95, RMSEP和R_p为0.23和0.94,V_n为740;经VCPA选择变量后的模型,其RMSECV和R_c为0.27和0.91, RMSEP和R_p为0.30和0.91,V_n为11;经iVISSA选择后变量的模型,其RMSECV和R_c为0.29和0.90, RMSEP和R_p为0.27和0.93,V_n为20。结果表明, MSC方法可以有效提高光谱质量,消除光谱平移误差; MCUVE变量选择方法可以简化模型提高模型精度和稳定性,建立最优模型。在粗脂肪的定量分析模型中, MSC处理后的光谱经过MCUVE选择后剩余400个变量,R_c和R_p相较于全谱模型提高了0.05和0.01, RMSECV和RMSEP分别降低到了0.17和0.19;经VCPA和iVISSA选择变量的模型其结果与全谱模型相似,但其变量分别只有12和20个。在粗纤维模型中,经MCUVE选择后740个变量用于建立PLS模型,其R_c和R_p为0.95和0.94, RMSECV和RMSEP分别为0.23和0.23; VCPA和iVISSA分别运用11和12个变量建立回归模型,但结果都比MCUVE模型差。利用饲料近红外光谱建立MSC-MCUVE-PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析。     

FT-NIR光谱仪测定烟草化学成分不同谱区范围对数学模型影响的研究

应用傅里叶近红外技术建立快速定量分析烟草化学成分的数学模型 ,使用BrukerOptics公司的MPA型傅里叶变换近红外光谱仪 ,谱区扫描范围 12 0 0 0～ 4 0 0 0cm- 1 ,选择不同的谱区范围对烟碱、总糖和总氮三种组分的数学模型进行优化 ,结果显示不同谱区范围对同一组分数学模型影响有明显的差异 ,而且不同组分所选择的最佳建模谱区范围是不一样的 ,说明在模型优化过程中选择最佳谱区范围是非常关键的 ,烟碱、总糖和总氮三种组分模型的最佳谱区范围分别是 95 0 0～ 4 2 31 2cm- 1 ,75 0 2 1～ 4 2 4 6 7cm- 1 ,75 0 2 1～4 5 97 7cm- 1 ,三种组分最佳模型交叉检验的均方差 (RMSECV)分别为 0 0 815 ,0 80 8,0 0 5 6。     

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。     

高光谱成像的猕猴桃糖度无损检测方法

猕猴桃糖度是重要的猕猴桃内部品质衡量指标。传统的糖度检测耗时且有损样品,有效无损检测猕猴桃糖度含量对于其品质分级、储藏销售具有重大意义。基于高光谱成像技术的常见果蔬品质无损检测方法多数是采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、主成分分析(PCA)、迭代保留信息变量法(IRIV)等算法中的某个单一算法提取特征光谱变量,而这些算法单独使用易导致预测结果的稳定性不足。对此,开展了基于高光谱成像技术的猕猴桃糖度的无损检测方法研究。以四川省雅安市“红阳”猕猴桃为研究对象,依次对猕猴桃样本编号并采集其在400~1 000 nm波长范围内的高光谱图像,计算感兴趣区域的平均光谱作为样本的有效光谱信息;分别采用多元散射校正（MSC）、标准正态变量变换（SNV）、直接正交信号校正（DOSC）等3种光谱数据预处理方法分析对预测模型精度的影响,对比结果显示DOSC的预处理效果最好;对预处理后的光谱分别采用一次降维(CARS,SPA,IRIV)、一次组合降维(CARS+SPA,CARS+IRIV)算法和二次组合降维算法((CARS+SPA)-SPA,(CARS+IRIV)-SPA))等7种算法提取特征光谱变量,并分别构建了预测猕猴桃糖度的3种模型,即支持向量回归机（SVR）、最小二乘支持向量机（LSSVM）和极限学习机（ELM）模型;最后对比了基于不同特征提取方法的3种模型的预测精度。研究结果表明：ELM模型具有最好的预测性能,而SVR模型的预测性能最差;(CARS+IRIV)-SPA所选特征光谱变量输入LSSVM、ELM模型,其获得的预测结果均优于其他算法所选特征光谱变量输入对应模型所得的预测结果,证明了(CARS+IRIV)-SPA算法在提高猕猴桃糖度含量检测精度方面的有效性。对比不同方法的预测结果可知,(CARS+IRIV)-SPA-ELM对猕猴桃糖度的预测性能最优,其相关系数R_c=0.945 1,R_p=0.839 0,均方根误差RMSEC=0.450 3,RMSEP=0.598 3,预测相对分析误差RPD=2.535 1,该方法为猕猴桃糖度的检测无损化、精准化、智能化发展提供了可靠的理论依据和技术支撑。     

近红外光谱的结球甘蓝可溶性糖含量测定

结球甘蓝是一种富含碳水化合物的常见蔬菜,可溶性糖含量是决定其品质的重要参数。可溶性糖易溶于水,是蔬菜和水果口味的有效调节剂。作为碳水化合物,可溶性糖由三种元素C,H和O组成,其分子吸收光谱主要由被检测材料的分子中C-H,O-H和CO等基团的组合频率吸收和倍频吸收组成,包含丰富的有机物信息。因此,采用近红外光谱和化学计量学方法,探索结球甘蓝可溶性糖含量的快速检测方法。用德国布鲁克公司的MATRIX-Ⅰ型傅里叶变换近红外光谱仪采集161份结球甘蓝样本光谱数据。波数范围：12 800～4 000 cm-1(780～2 500 nm)。蒽酮比色法测量样本的可溶性糖。综合应用马氏距离法(MD)和蒙特卡洛交叉验证法(MCCV)剔除异常样本,采用Kennard-Stone(K-S)法将样本按照给定比例划分为校正集和验证集。分别使用Savitzky-Golay卷积平滑(S-G),一阶导数(FD),二阶导数(SD),多元散射校正(MSC)和变量标准化(SNV)及它们的组合共12种方法对样本进行光谱预处理,获得最佳预处理方法,提高光谱数据的信噪比。采用竞争性自适应重加权采样法(CARS)筛选偏最小二乘回归(PLS)模型中回归系数绝对值大的波数点,去掉回归系数绝对值小的波数点,以有效选择与所测特性值相关的最优波数组合,获得具有良好鲁棒性和强预测能力的校正模型。使用模型决定系数R2、交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)作为模型精度评价指标。根据蒙特卡洛交叉验证法和马氏距离剔除异常样本的原理,共剔除10个光谱或者化学值异常的样本。最终参与建模分析的样本个数为151。异常样本剔除后,通过K-S法将样本按照3∶1被分成校正集(110个样本)和验证集(41个样本)。使用原始光谱数据,预处理后的光谱数据和对应于优选波数的光谱数据,建立PLS模型。结果表明,利用MSC+FD光谱预处理可以提高建模精度,校正集R2从处理前的0.68增长到0.93,MSC+FD是本研究中理想的光谱数据预处理方法。利用CARS法共优选了84个建模波数。在12 000~10 000 cm-1波数区域内,有O-H键2级和C-H键3级倍频伸缩振动吸收,此区域主要的背景信息为水和其他含氢基团,在此区域内共包含了36个选定的波数。在8 500~6 000 cm-1区域,存在糖类和水的O-H键的1级倍频伸缩振动吸收,葡萄糖的O-H键的1级倍频伸缩振动吸收,该区域是包含反映可溶性糖成分的主要光谱区间,背景影响较小,CARS方法在此区域共选择了15个建模波数。5 800~4 000 cm-1区域与12 000~10 000 cm-1区域相似,包含的选定波数多,CARS方法在此区域选择了33个建模波数。利用CARS对参与建模的波数进行优选,减少了无关信息,降低了模型的复杂度,选择的波数不但引入了表征待测组分的光谱,同时还引入了代表背景信息的光谱,使得校正模型适应性增强。建立了结球甘蓝可溶性糖的全谱PLS模型,根据CARS波数优选结果,建立了结球甘蓝可溶性糖的CARS-PLS模型。对于全谱PLS定量模型,校正集的决定系数R2为0.93,RMSECV为0.157 2%,RMSEP为0.132 8%。对于CARS-PLS模型,校正集的决定系数R2为0.96,RMSECV为0.076 8%,RMSEP为0.059 4%。数据表明,两种模型具有相当的R2,但CARS-PLS模型的RMSECV是全谱PLS模型的1/2。RMSEP也接近1/2,CARS-PLS模型比全谱PLS定量模型所用建模变量少,模型得到简化,精度更优。用CARS-PLS模型对验证集41个样本进行预测,预测集决定系数R2为0.86,预测标准误差为0.059 4%。提供了一种工作效率较高的结球甘蓝质量无损检测方法。     

大白桃糖度的近红外漫反射光谱无损检测试验研究

该研究应用近红外(near infrared, NIR)漫反射光谱定量分析技术开展了金华大白桃的糖度检测试验研究。用偏最小二乘回归(partial least square regression, PLSR)方法在800～2 500 nm光谱范围建模,通过比较果汁和不同部位果肉所对应的相关模型的预测结果发现：用水果3个部位(顶部、中部、底部)共9个检测点的果肉平均光谱和糖度平均值建立的模型的结果比果汁或单独某个部位果肉(3个检测点)所建立的模型的结果要好。在此基础上,分析了光谱微分和散射校正预处理对建模结果的影响,结果显示微分光谱建立的模型不如原始光谱建立的模型的结果好,光谱的散射校正处理(用多元散射校正MSC和标准正态变量变换SNV两种方法)有助于提高模型的预测性能。最终建立桃子果肉平均光谱经MSC和SNV散射校正后与糖度的相关模型,MSC和SNV对建模结果的影响基本一致,MSC-PLSR和SNV-PLSR模型的相关系数Rcal和交互验证相关系数Rcross-v分别为0.997和0.939。该研究表明近红外光谱检测技术可用于金华大白桃糖度的定量分析。     

可见光光谱检测赣南脐橙糖度的研究

利用透射光谱测定法获取赣南脐橙的可见光光谱(400～800 nm), 采用多种校正算法, 选取不同的波段范围对透射光谱进行有效信息提取和分析,对比研究了不同因子数时不同校正方法进行糖度快速检测的影响,确定了最佳参比、最佳的波段范围、最佳光谱处理方法和用于快速检测分析的最佳校正方法。实验结果表明: 偏最小二乘法校正模型的预测精度在450～770 nm波段范围内,因子数为7时其糖度的预测精度最好,其预测集的相关系数达到了0.857, 预测标准偏差为0.562。     

红外光谱监测糖化酶发酵过程

傅里叶变换红外光谱用于监测糖化酶发酵过程,培养液的红外光谱反映了培养过程中碳源和氮源的变化。针对培养过程中普遍使用复合培养基,标准混合溶液难以反映培养液的状态,．用偏最小二乘法建立了培养液的红外光谱数据与常规离线化学分析结果的相关关系,成功地用于糖化发酵过程培养液中总糖、还原糖和氨氮的预测,测定结果与离线化学分析方法的相关性分别为０．９９９,０．９９０和０．９７４。工业生产过程的菌种、培养基和工艺     

应用近红外光谱技术快速检测果醋糖度

为了对果醋糖度值进行快速准确检测,应用近红外光谱技术并结合最小二乘支持向量机分析方法建立了果醋糖度检测模型.应用近红外透射光谱获取五种类型共计300份果醋样本的光谱透射曲线,利用主成分分析方法对原始光谱数据进行降维处理,根据主成分的累计贡献率选取6个主成分.选取的主成分即作为光谱优化特征子集以替代原来复杂的光谱数据.随后将300份果醋样本数据随机分为定标集和预测集,利用最小二乘支持向量机在225个定标集样本数据基础上建立起果醋糖度预测模型,应用此模型对75个预测集样本进行糖度预测.根据预测均方根误差(RMSEP)和预测结果的相关系数(r)对预测模型进行评价,利用此模型得到的样本糖度预测值r=0.993 9,RMSEP=0.363,均达到了较好的预测效果.     

黄酒糖度预测的可见-近红外光谱方法研究

提出了用可见近红外光谱结合不同化学计量学方法预测黄酒糖度的新方法。用240个黄酒样本建模,60个样本进行预测。通过对光谱数据进行平滑、变量标准化及一阶导数等预处理,建立并比较了偏最小二乘法,小波变换与偏最小二乘法相结合,主成分分析与人工神经网络相结合以及主成分分析与最小二乘支持向量机相结合四种不同建模方法的预测精度,以相关系数r、预测标准差、偏差等为评判标准,得到黄酒糖度预测的最优模型为最小二乘支持向量机模型。该模型对黄酒糖度预测的相关系数为0.962、预测标准差为0.021、偏差为-0.001,获得了理想的预测精度。结果表明应用可见近红外光谱对黄酒糖度进行预测是可行的,且最小二乘支持向量机模型能得到最优的预测结果。     

水果糖度可见-近红外光谱手持式检测装置开发与试验

基于可见-近红外光谱分析技术开发了手持式水果糖度检测装置,并用于水果糖度的现场实时分析。硬件系统主要包括微型光谱仪、卤素灯、OLED显示屏、单片机及驱动电路等。采用Keil 5开发工具,用C语言开发单片机程序。配合上位机以LabView编写的光谱采集程序,实现光谱信息的采集。以苹果和大桃作为检测对象,对装置的检测精度和模型在2台装置（主机、从机）间的传递效果进行了探讨。在实验室和果园环境下,分别获取了苹果、大桃样本在600～950 nm范围的可见-近红外光谱。对实验室条件下采集的主机校正集光谱进行分析,经过平滑、最大值归一化、二阶导数等预处理后,利用偏最小二乘算法分别建立了苹果、大桃的糖度检测模型。模型导入主机装置后,对预测集样本进行检验。对苹果、大桃的预测集相关系数和预测均方根误差分别为0.925,0.587%和0.821,0.613%。采用分段直接校正和基于典型相关分析算法的模型传递方法将模型由主机传递到从机。对比后发现,基于典型相关分析算法取得了更好的模型传递结果。从机对苹果、大桃糖度的预测集相关系数和预测均方根误差分别为0.883,0.641%和0.805,0.626%。将实验室条件下建立的模型用于树上采集到的水果光谱数据分析,得到预测集相关系数和预测均方根误差分别为0.866,0.741%和0.816,0.627%。整体检测结果表明,该装置可以满足对苹果、大桃糖度的有效检测,借助模型传递算法,实现了模型在不同装置间的共享和有效传递,且实验室环境下采集的数据建立的模型可以用于树上水果糖度的有效检测,该装置具有较大的经济价值和应用前景。