近红外光谱和电子鼻技术用于葡萄酒发酵过程中酒精度的定量分析

采用近红外光谱和电子鼻对葡萄酒的酒精发酵过程进行了动态采样检测,通过主成分回归和偏最小二乘回归对酒精度变化进行了监控和预测研究。分别建立了近红外光谱、电子鼻以及二者融合数据对酒精度定量分析的主成分回归和偏最小二乘回归模型。结果表明,近红外光谱数据和电子鼻数据的主成分回归和偏最小二乘回归模型的相关系数(r)均大于0.99,但校正均方根误差(RMSEC)和预测均方根误差(RMSEP)较大。近红外光谱和电子鼻数据融合后,模型质量得到提高,建立的偏最小二乘模型r为0.999 2,RMSEC和RMSEP分别降低为0.206%和0.205%(v/v),定量精度较高。近红外光谱和电子鼻均适用于红酒发酵过程中对酒精度的定量分析,且二者结合应用能提高定量精度。     

苹果可溶性固形物近红外光谱检测的偏最小二乘回归变量筛选研究

为了提高苹果可溶性固形物含量近红外光谱校正模型的预测能力和稳健性,分别采用反向区间偏最小二乘法、遗传算法和连续投影算法,筛选苹果可溶性固形物的近红外光谱变量,并建立了偏最小二乘回归模型。利用遗传算法筛选的141个变量建立的校正模型,预测效果最好,与全谱建立的校正模型比较,预测相关系数,从0.93提高到0.96,预测均方根误差,从0.30°Brix降低到0.23°Brix。实验结果表明遗传算法结合偏最小二乘回归方法,有效地提高了苹果可溶性固形物近红外光谱检测模型的预测精度。     

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。     

近红外漫反射光谱检测赣南脐橙可溶性固形物的研究

研究了应用可见-近红外漫反射光谱技术快速检测赣南脐橙可溶性固形物的方法。以40个赣南脐橙为标准样本,利用漫反射光谱测定法获取完整赣南脐橙的可见-近红外光光谱(350～2 500 nm),采用多种光谱校正算法,选取不同的光谱波段范围对水果样本的漫反射二阶光谱进行有效信息的提取和分析,并结合偏最小二乘法和主成分回归等定量校正方法,建立了赣南脐橙可溶性固形物的定量数学模型。实验结果为: 在361～2 488 nm波段范围内,偏最小二乘法校正模型的预测精度最好,校正模型的相关系数为0.929,校正标准偏差和预测标准偏差分别为0.517,0.592,其预测集样本的预测值与真实值的相关系数为0.791。实验结果表明：应用近红外漫反射技术对赣南脐橙可溶性固形物的快速无损检测具有可行性。     

偏稳健M回归在人体血糖浓度近红外无创检测中的应用

采用偏稳健M回归方法有效地解决了人体血糖浓度近红外无创检测研究过程中由于样本奇异值影响模型稳健性的问题。该方法源于现有的迭代变权偏最小二乘法,计算快、易于实现,具有M估计的所有性质,且当权函数选择合适时,能降低奇异值的影响,建立具有稳健性的校正模型。采用该方法对近红外光谱实验数据进行了处理,并与传统的偏最小二乘(partialleast squares,PLS)建模方法进行了比较。结果表明,与PLS相比,该方法可建立稳健的校正模型提高预测精度,更适合复杂样品建模,对于人体血糖浓度近红外无创检测的进一步研究具有应用价值。     

掺有植物性填充物牛奶的近红外光谱判别分析

为探索近红外光谱技术在生鲜牛奶掺假检测中的应用, 寻找一种快速的检测方法,以分别掺有植物奶油、植物蛋白、淀粉的牛奶为材料,利用傅里叶变换近红外光谱仪对样品进行扫描并得到光谱数据, 应用Fisher线性判别分析和偏最小二乘法对试验数据进行了多元统计分析。分析结果表明,利用Fisher判别分析建立的掺假牛奶判别模型的正确判别率达到97.78％,对未知样进行检验,正确判别率达到94.44%;利用偏最小二乘法建立的各掺假物质掺入量的定量检测模型,各掺假牛奶的校正集决定系数(R2)均在99.0%以上,各掺假牛奶的验证集决定系数均在98.5%以上,模型的预测效果良好。上述2种方法说明了近红外光谱技术可以实现对掺有植物性填充物牛奶的快速定性、定量鉴别。     

POSC-PLS方法及其在电子吸收光谱定量分析中的应用

针对光谱数据局部效应显著,变量个数多,彼此间常存在严重的复共线性,构建了一种基于分段正交信号校正(piecewise OSC)的偏最小二乘(PLS)回归,即POSC-PLS方法。它以近邻分段方式进行逐个波长点的正交信号校正,剔除光谱矩阵中所含的各种噪声信号,将去噪后的光谱矩阵作为新的自变量矩阵,再利用偏最小二乘方法建立校正模型。将该法应用于多环芳香烃电子吸收光谱的多组分定量关系建模,效果良好。所建模型的预报性能优于其他方法,而且模型所需PLS成分数减少,模型更简洁。     

虫草氨基酸的人工神经网络-近红外光谱快速测定方法

提出了用近红外漫反射光谱技术快速检测发酵冬虫夏草中氨基酸含量的新方法。采用比色法测定虫草菌粉中氨基酸含量。用BP神经网络建立了近红外光谱数据与氨基酸、精氨酸和总氨酸含量间的定量关联模型。通过比较不同的光谱预处理方法及光谱范围, 得到最优模型,即在7 501.7～6 097.8,5 453.7～4 246.5 cm-1区域内,近红外光谱的一阶微分光谱与其氨基酸含量之间建立模型。甘氨酸、精氨酸和总氨基酸的预测标准偏差分别为0.08,0.07和0.36,均优于主成分回归(PCR)和偏最小二乘回归(PLS)等线性模型的处理结果。结果表明,该方法是一种有效实用的非线性校正方法。为近红外光谱快速测定中药组分含量提供了一条新途径。     

基于舌近红外反射光谱的人体血清多种蛋白含量无创测量

探讨一种基于近红外反射光谱的人体血清白蛋白、球蛋白和总蛋白三种生化指标的无创检测方法。采集58例志愿者舌尖处近红外反射光谱,考虑这些光谱数据与血清蛋白浓度间因个体差异等存在非线性映射关系,在计算归一化光谱反射率及分析样本蛋白含量统计分布上,采用支持向量机分别建立三种蛋白成分近红外光谱定量回归模型,并与传统的偏最小二乘法进行比较。实验结果表明,支持向量机校正模型的预测效果较好且明显优于偏最小二乘法校正模型,对白蛋白、球蛋白和总蛋白的预测相关系数分别达到0.894,0.931和0.863,预测的均方误差为2.19,1.93和4.38。因此,支持向量机可有效抵抗活体检测定量分析中存在的非线性因素,提高模型的鲁棒性。同时也表明舌的近红外光谱信息能够较客观的反映人体理化指标的变化,用于血清蛋白含量的快速无创检测具有较高的可行性。     

利用近红外光谱快速检测牛奶中三聚氰胺的可行性研究

采集了22个合格液态牛奶样品,并制备了50个掺入不同含量三聚氰胺(0.1～1 500 mg·kg-1)的牛奶样品,应用近红外光谱仪扫描其透射光谱,研究利用近红外光谱快速检测牛奶中三聚氰胺的可行性。采用偏最小二乘法建立近红外光谱与牛奶中三聚氰胺含量之间的定量模型,结果表明近红外光谱受检测限的限制,难以准确预测牛奶中掺入的三聚氰胺的含量。而应用近红外光谱,结合判别偏最小二乘法建立定性模型,则可以实现对合格牛奶及掺入三聚氰胺的牛奶的定性鉴别,正确识别率达100%。因此,基于近红外光谱的检测方法可以初步判断牛奶中是否含有三聚氰胺,作为高效液相色谱法的补充,为定量检测做初步的筛查,可大大提高检测效率。     

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。     

非线性流行降维与近红外光谱分析技术的大米贮藏期快速判别

提出一种基于流行降维的近红外光谱技术快速判别大米贮藏期的新方法。采用近红外光谱仪获取陈年米和新米的反射光谱特征曲线,利用直接正交信号矫正法(direct orthogonal signal correction, DOSC)对原始光谱进行预处理,滤除光谱数据中与因变量Y矩阵无关的信号,以消除无关信息对后续特征变量建模精度的影响。采用Durbin-Watson和Run测试法定性分析光谱数据结构的非线性性,并利用增强偏残差图(augmented partial residual plot)定量分析大米光谱曲线的非线性程度。分别采用线性流行降维法包括主成分分析法(PCA)和多维尺度分析法(MDS)以及非线性流行降维法包括等距映射法(ISOMAP)、局部线性嵌入法(LLE)和拉普拉斯特征映射法(LE)提取预处理后光谱数据的本征变量,并结合核偏最小二乘方法(KPLS)建立本征变量与贮藏时间属性之间的耦合模型。实验用陈年米和新米的样本数均为200个,随机将训练集和测试集样本划分为300个和100个。通过比较各个模型的预测结果得出,基于ISOMAP非线性降维法提取的40个本征变量建立的回归模型预测效果最好,预测相关系数(R2_P)、预测均方根误差(RMSEP)和预测相对分析误差值(RPD)分别为0.917,0.187和2.698。实验结果说明提出的方法对于大米贮藏期具有很好的鉴别能力,该研究为今后大米贮藏期的快速无损检测提供了科学的手段。     

基于稳健背景子空间的高光谱图像异常检测

在RX算法中,局部背景协方差矩阵估计会由于背景受到异常像元的“污染”而不能准确反映背景分布,从而导致检测性能下降.针对这一问题,提出一种基于稳健背景子空间的异常检测算法.利用空间秩深度度量背景中每个样本相对于整个背景样本分布空间的位置,将“游离”于背景分布空间之外的样本看作是潜在的异常样本,并将其映射到背景分布空间之内.在此基础上,通过估计背景的协方差矩阵,利用主成分分析构造能更精确地刻画背景的子空间,在该子空间进行了基于马氏距离的检测异常.模拟和真实数据验证了该算法的有效性.     

非线性时间序列的高阶奇异谱分析

基于反映线性相关结构的协方差矩阵的奇异谱分析，本质上是一种线性的方法.奇异谱分析用于吸引子重构的可靠性问题引发了一些争议.本文基于具有盲高斯噪声及体现非线性相关等性质的高阶累积量，提出了一种高阶的奇异谱分析方法.通过对Hénon映射、Logistic映射和Lorenz模型的分析说明了该方法的有效性，并在不同的延时、嵌入维数、抽样时间及有噪声的情况下表现出较好的鲁棒性. 关键词：     

基于置信学习机与近红外光谱的煤种快速分类方法

基于近红外光漫反射谱技术的检测分析具有简单,快捷,安全等优势而被广泛应用于各行各业。应用近红外光谱分析技术实现不同煤种的快速分类,该方法可以替代费时费力费财的传统化学分析方法。同时首次将置信学习机(confidence machine)引入近红外分析中,实现了对分析结果的风险评估。采集了来自不同矿区共四种不同煤种(肥煤,焦煤,瘦煤和贫瘦煤)的199个煤样本的近红外光谱,通过机器学习的方法针对煤的近红外光谱构建了煤种分类器来实现煤种的快速分类。在近红外分析中引入了置信学习机的分析方式,结合支持向量机(SVM),构建了离线和在线的CM-SVM分类器。置信学习机是一种概率方法,使用概率(CM-SVM)来取代分类超平面(SVM)进行分类,不仅分类效果好于传统的SVM,达到了95.48%的分类率,还能同时给出每个样本分类结果的置信度,可靠度等风险信息。另外,CM-SVM通过对置信水平的设定,得到不同置信度下预测区间,该区间的预测正确率是与置信水平严格对应的,对于产品质量控制有非常重要的意义。置信学习机同时是一种在线的学习模型,新样本的不断加入会提高模型的性能,非常适合于工业现场的在线分析。在线的CM-SVM模型随着样本数的增加,预测结果的置信度有所提高,对工业现场近红外分析有重要意义。     

近红外光谱定量分析模型的样本影响研究

作为二次分析方法,近红外光谱分析的重现性和可靠性非常依赖于建模过程。以近红外光谱小麦蛋白质定量分析模型为例,研究了多变量定标建模过程中异常样本问题,旨在讨论复杂样本建模中的样本对模型的影响和作用。以PLSR算法建模中校正方差与验证方差的解释百分比曲线的背离特性作为异常样本存在的判据,当两个百分比曲线显著偏离时,则认为样本集中存在异常样本,并对建模产生了显著影响。异常样本的识别和处理,以及影响分析是本文主要的创新性工作,采用了基于样本删除的子模型遍历统计方法,能够渐次识别并提取出异常样本。在剔除异常样本后的模型预测结果中,以模型的预测残差标准差作为参考距离对异常样本进行了离群程度分级,可分为显著离群样本,相对离群样本以及潜在离群样本,数据集中显著离群样本约占7.8%,相对离群样本约占15.6%。异常样本对模型的影响表现在对正常样本的预测残差上,使预测值偏离理想拟合直线,分散性增加。剔除异常样本或以样本权重建模可有效抑制异常样本的影响,使模型的解释性更偏向于多数样本数据,降低模型的经验风险误差。     

基于DPLS特征提取的LDA方法在玉米近红外光谱定性分析中的应用

提出了一种基于DPLS+LDA的玉米近红外光谱定性分析新方法.该方法在训练时,首先用包含30个玉米品种每个品种20个近红外光谱样本的训练集进行DPLS回归,确定最佳DPLS主成分数为28;然后对训练集光谱进行DPLS特征提取后再进行LDA分析,确定最佳LDA主成分数为26,并提取LDA特征.识别时,测试样本经过DPLS...     

MASS-RAB: Robust adaptive beamforming for general-rank signal models via matched spatial spectrum processing

The wavefront of acoustic signal suffers from fast fluctuation after a long distance propagation in a random and inhomogeneous ocean channel, which makes the rank of the covariance matrix for the desired signal (signal of interest) remarkably higher than one. Consequently, the assumption of rank-one point signal model for existing adaptive beamforming algorithms is no longer suitable. In this paper, a matched spatial spectrum processing based robust adaptive beamforming (MASS-RAB) algorithm is presented for general-rank signal models. First, the interference-plus-noise covariance matrix and the desired signal covariance matrix are reconstructed using the matched spatial spectrum processing method. Second, the weight vector is directly calculated using these reconstructed covariance matrices for the minimum variance distortionless response (MVDR) algorithm, which is developed for the general-rank signal models. Due to covariance matrix reconstruction, the MASS-RAB algorithm is more robust than those methods relying on the sample covariance matrix. The cases of the rank-one point signal model and the full-rank non-point signal model are considered by several numerical examples. Experimental results have demonstrated the superiority of the proposed MASS-RAB method.     

小波系数压缩用于柴油十六烷值近红外光谱分析建模

近红外光谱分析建模中存在多变量高维数据处理问题,导致计算量大,不利于过程控制中应用.为此提出利用小波变换压缩近红外光谱数据的算法与准则,并结合柴油十六烷值定量分析研究压缩数据的建模效果.研究表明,经小波方法处理后,变量维数压缩30倍左右,光谱主要信息基本保留,而模型的预测精度和常规预处理方法分析相比有明显提高.光谱数据压缩的同时包含了噪声滤除和基线校正,简化数据处理步骤,有利于NIRS实际应用时提高建模效率.