SVM回归法在近红外光谱定量分析中的应用研究

研究了基于统计学习理论的支持向量机（SVM）回归法在近红外光谱定量分析中的应用。以66个小麦样品为实验材料,由33个小麦样品作为校正样品,采用4种不同核函数方法对小麦样品蛋白质含量与小麦样品近红外光谱进行SVM回归建模。以所建4种不同SVM回归模型对33个小麦预测样品的蛋白质含量进行了预测;不同回归模型的预测结果与凯氏定氮法确定的蛋白质含量的标准化学值间的相关系数均在0．97以上,平均绝对误差小于0．32。为了考察SVM回归校正模型的预测效果,同所建PLS回归模型的预测结果进行了比较,表明所建预测小麦样品蛋白质含量的SVM回归模型亦可通过近红外光谱进行实际样品的定量分析,且有较好的分析效果。     

小麦PLS近红外定量分析中温度修正的研究

以45个小麦籽粒为实验样品,研究样品温度对小麦PLS近红外定量分析的影响, 并提出引入温度修正量对样品光谱进行修正的方法。采用PLS算法将光谱受温度影响部分剔除后,得到不受温度影响的光谱,再进行模型建立与样品分析。实验结果表明：引入温度修正可以有效的消除温度对模型预测结果的影响,从而提高模型的稳定性及应用范围。     

紫花苜蓿粗蛋白和粗纤维近红外分析模型的建立

采用近红外漫反射光谱技术,结合偏最小二乘法(PLS),以152个来源不同的紫花苜蓿样品建立了粗蛋白和粗纤维含量的近红外定量分析校正模型。在近红外光谱范围内(950～1 650 nm)对紫花苜蓿样品采集光谱数据时,分别设置了粗磨样、细磨样两种样品的状态和1,2,5 nm三种光谱扫描间隔,对建立的模型进行准确性和重复性的验证,比较其优劣。结果显示：光谱扫描时样品为细磨样,光谱扫描间隔为2 nm时所建立的粗蛋白和粗纤维含量的校正模型最佳,其相关系数(R2_cal)分别是0.97和0.94,最佳因素数时的定标标准差(SECV)分别是0.42和0.78。所建近红外定量分析模型对独立检验集样品粗蛋白和粗纤维含量的预测值与化学值的相关系数(R2_val)分别为0.96和0.92,预测标准差(SEP)分别为0.43和0.79。该研究结果表明：利用近红外漫反射光谱法测定紫花苜蓿内在主要品质性状是可行的,为紫花苜蓿粗蛋白和粗纤维含量的检验提供了新的方法模式。     

岭回归在近红外光谱定量分析及最优波长选择中的应用研究

以66个小麦样品为试验材料,研究岭回归方法在近红外光谱定量分析中的应用。用44个小麦样品的近红外光谱数据建立测定蛋白质含量的近红外-岭回归模型,预测其余22个小麦样品的蛋白质含量。预测结果与凯氏定氮法分析结果(化学分析值)的平均相对误差为1.518%,与偏最小二乘法(PLS)预测结果进行比较,显示岭回归方法可用于近红外光谱定量分析;进一步,为了减少无关信息对定量分析模型预测能力的干扰,一种有效的方法就是进行波长信息的选择。从1297个波长点中优选出4个波长点,利用这4个波长点处的光谱信息建立近红外-岭回归模型预测22个样品的蛋白质含量,预测结果与凯氏定氮法分析结果之间的平均相对误差为1.37%,相关系数达到0.9817。结果表明岭回归方法从大量光谱信息中筛选出了最重要的波长信息、不仅简化了模型,有效的减少了光谱信息共线性的干扰,而且对特定分析选择出适用的波长对指导设计专用近红外定量分析仪器亦有实际意义。     

可见/近红外光谱检测冷鲜猪肉中的脂肪、蛋白质和水分含量

采用可见/近红外光谱分析方法对冷鲜猪肉中的脂肪、蛋白质和水分含量进行了研究。光谱数据经多元散射校正(MSC)处理后,分别建立0～4 ℃和20 ℃下的原始光谱、一阶导数和二阶导数的偏最小二乘(PLS)定量分析模型,比较其相关系数(r)、校正标准差(RMSEC)和预测标准差(RMSEP),得到一阶导数处理后的模型最好,并且0～4 ℃下的模型优于20 ℃下的模型。0～4 ℃和20 ℃下脂肪的相关系数(r)分别为0.950和0.924,蛋白质为0.713和0.455,水分为0.944和0.914;脂肪的预测标准差(RMSEP)分别为2.41和2.95,蛋白质为5.44和4.25,水分为2.37和2.38。由此可见,可见/近红外光谱分析方法能够很好的检测冷鲜猪肉中的脂肪和水分,蛋白质的检测结果较差是由冷鲜肉加工工艺引起的。另外,两种温度下光谱曲线在770 nm附近产生了波长漂移,漂移量约10 nm。     

基于温度修正模型的柴油凝点快速检测方法

便携式近红外光谱仪现场快速检测是近红外光谱分析领域的一个重要的发展趋势。为了实现快速检测,便携式近红外光谱仪一般不配备温控装置,因此环境温度的变化会带来较大的测量误差。如何降低环境温度对检测结果带来的误差,是便携式近红外光谱仪在现场快速检测领域大规模推广所需要解决的一个重要问题。柴油的凝点值是评价柴油品质和适用范围的一个重要指标,对柴油凝点进行快速检测有重要的经济意义。通过便携式光谱仪采集了50种具有不同凝点的柴油样品在近红外波段（950～1 650 nm）的吸收光谱,研究了环境温度变化下的基于近红外光谱分析的柴油凝点快速检测方法。此光谱仪为基于数字微镜设计的便携式光谱仪,针对现场快检而研发,未配备温控样品池。在环境温度T₀=25 ℃时基于偏最小二乘法建立了柴油凝点的预测模型,并分别将不同环境温度（T_E=-10,0,10,20,30,40和50 ℃）条件下测量的近红外光谱带入上述凝点预测模型,分析预测偏差随环境温度相对参考值变化(T_E-T₀)的依赖关系。通过一次函数对预测误差随环境温度的变化关系进行拟合,发现凝点预测偏差的平均值随环境温度的变化关系为Δｃ＝-0.019 8(T_E-T₀)。将环境温度的修正因子带入25 ℃条件下预测模型,建立了针对环境温度变化的温度修正模型。在温度修正以后,10 ℃条件下预测凝点的均方根误差由原来的14.6降为8.8,相关系数由原来的0.4提升为0.7。研究表明,本温度修正模型可以有效降低环境温度对预测结果带来的误差。基于此温度修正模型,可以显著降低近红外光谱分析建模过程的工作量,在某一特定温度条件下建立预测模型后将此温度修正项带入模型即可用于在其他环境温度条件下进行柴油凝点值的预测,而不需要在其他多个温度条件下分别建立预测模型,可显著提高建模效率和便携式近红外光谱快速检测的温度适应性。     

MAXR回归法在近红外光谱定量分析及最优波长选择中的应用研究

介绍了运用MAXR回归法建立傅里叶变换近红外光谱定量分析模型的原理和方法。以此方法,由Matlab语言设计程序,进行近红外光谱定量分析建模的波长信息选择。并以小麦样品为实验材料,建立了蛋白质含量的近红外光谱定量分析模型,其中优选出2个和3个波长点处光谱信息建立的多元回归模型的预测结果与凯氏定氮法分析结果相关系数分别为0.977 1和0.976 5,标准差分别为0.335和0.340。MAXR回归法在进行波长信息,选择时可建立分别包含1,2,…,k个波长点信息的最优回归模型,且计算量适中,因此是一种实用的选择“最优”波长信息的回归方法。该方法不仅可少而精选择波长信息,建立抗共线性信息干扰的光谱定量分析模型,而且对于特定样品、特定待分析组分,选择最优波长信息建模分析的工作,可指导专用近红外分析仪器的设计。     

便携式近红外光谱仪的苹果糖度模型温度修正

样品温度对近红外光谱有很大影响,在近红外技术评价水果品质的实际应用时,需要修正温度变化对模型预测结果的影响。便携式近红外光谱仪采集不同温度下(0～30℃)苹果的漫透射光谱,采用二阶导数和卷积平滑进行预处理。选取20℃下代表性样本的光谱数据,建立基准PLS模型。斜率/偏差法分别计算苹果糖度PLS模型在0,10和30℃下的修正方程。分析结果表明:斜率/偏差法对0,10和30℃下外部样本预测结果进行修正,预测精度得到显著提高,其修正前后的Q值分别为0.525cv 0.810,0.680cv0.822,0.669cv 0.802。温度修正模型可以有效提高预测精度,也扩展了近红外仪器的适用性,为自主研发便携式近红外光谱仪提供参考。     

小麦品质近红外检测系统的设计与试验研究

为实现快速无损地检测小麦品质设计了基于光栅技术的近红外检测系统,测试了该系统的准确性、重复性和稳定性,选取MPA光谱仪为参比仪器,分别采集56份小麦样品的光谱,建立偏最小二乘回归模型并验证。该系统的四个模型的决定系数R2分别为92.38%,93.48%,93.16%,94.44%,交叉验证标准差RESECV为0.405,0.374,0.383,0.346,相对分析误差RPD为3.62,3.39,3.82,4.24;预测集验证模型的R2为96.97%,94.22%,96.62%,96.34%,预测标准差RMSEP为0.221,0.305,0.233,0.243。MPA光谱仪的建模结果R2 为95.99%,RESECV 为0.293,RDP为5;预测集验证模型的R2为98.31%,RMSEP为0.165。实验表明：小麦品质近红外检测系统所得模型具有良好的预测性,稳定性和重复性;所得光谱波长与吸光度具有重现性;其模型对平均光谱的预测效果优于单张光谱;该系统工作稳定,性能优良,可应用于小麦品质质量检测。     

基于OSC-PLS算法对大麦蛋白质含量进行定量分析的研究

用色散扫描型仪器采集大麦样品的近红外光谱,扫描出的光谱携带了大量样品化学值信息,采用正交信号校正(OSC)预处理方法对这些原始光谱进行处理,剔除噪声等不相关因子以后建立偏最小二乘(PLS)近红外光谱分析模型(OSC-PLS),预测大麦蛋白质的含量,并与传统PLS建模方法进行对比。基于OSC-PLS算法的蛋白质含量近红外光谱分析模型的测定系数R2为0.901,检验集的化学值与模型预测值的相关系数r达到0.971 7,分析模型的预测标准偏差SD为0.545 0,相对标准偏差RSD为4.2%。结果表明,OSC-PLS回归方法能在较大程度上消除无关因素的影响,在简化模型的同时提高了模型的可解释性,能够建立准确的大麦蛋白质含量近红外预测模型,可代替经典分析方法,满足农产品快速分析的需要。     

基于近红外光谱的杂交水稻种子发芽率测试研究

现阶段水稻种子发芽率测试仍然按照传统的农作物种子发芽技术规定进行发芽试验,此方法存在试验周期长、成本高、专业性要求高等缺点,本研究提出一种基于近红外光谱技术的快速、无损测试杂交水稻种子发芽率的新方法。采用人工老化方法在温度45 ℃、湿度100%的条件下分别老化处理2个品种杂交水稻种子0,24,48,72,96,120,144 h;用近红外光谱仪分别采集2个品种不同老化时间段杂交水稻种子光谱数据共280份,随机分成校正集(168份)和检验集(112份);测试不同老化时间段的水稻种子发芽率;以偏最小二乘算法(PLS)建立了回归模型,分析不同光谱波段和比较不同光谱预处理方法对模型精度的影响。2个品种的水稻种子光谱数据采用全波段和标准化＋正交信号校正预处理时模型最优,模型校正集决定系数(R_C)与验证集相关系数(R_P)分别为0.965和0.931,校正标准误差(SEC)与预测标准误差(SEP)分别为1.929和2.899,验证集预测值与真实值之间的相对误差在4.2%以内。研究结果表明利用近红外光谱分析技术进行杂交水稻种子发芽率的快速无损检测是可行的。     

阵列式光纤光谱仪的小麦霉变在线检测

小麦是我国战略性储藏粮食品种，但小麦易受霉菌感染而发生霉变，影响其食用安全。加强小麦有害霉菌侵染程度的早期检测是控制其危害的需要措施。然而，现有的平板计数和荧光染色等检测方法，普遍存在前处理繁杂、时效性差等不足。故此，拟运用阵列式光纤光谱仪结合化学计量学方法，建立霉变小麦的实时在线检测方法，并为进一步开发粮食品质与安全在线检测装备提供参考。小麦样品经辐照灭菌后分别接种五种谷物中常见有害霉菌：串珠镰刀菌83227、层出镰刀菌195647、雪腐镰刀菌3.503、寄生曲霉3.3950和赭曲霉3.3486，并置于28 ℃和85%相对湿度环境中储藏7 d以加速霉变。在样品储藏的第0，1，3，5和7 d，运用阵列式光纤光谱仪和漫反射探头在线采集样品的漫反射特征光谱，并依据国标平板计数法测定样品菌落总数水平。光谱采集步骤为：在线检测平台上，设置样品运动速度0.15 m·s-1和光谱仪积分时间20 ms，采集波段为600~1 600 nm，重复测量3次。然后，首先对小麦原始光谱进行平滑、多元散射校正和导数变换等预处理以消除光谱噪音；随后，运用主成分分析(PCA)对受不同霉变程度(储藏阶段)的小麦样品进行区分；最后，利用线性判别分析(LDA)和偏最小二乘回归分析(PLSR)建立小麦有害霉菌侵染程度的定性定量分析模型。小麦在储藏期内经历未霉变、开始霉变和严重霉变三个阶段。原始和二阶微分光谱显示霉菌侵染引起小麦光谱特征发生显著改变，PCA结果表明不同储藏阶段(霉变程度)小麦样品存在一定分离趋势。利用前十个主成分得分建立的LDA判别模型，对不同霉变程度小麦样品的识别率达90.0%以上。结果表明：小麦样品菌落总数的PLSR定量预测模型的预测决定系数(R2_p)为0.859 2，预测均方根误差(RMSEP)为0.401 Log CFU·g-1，相对分析偏差(RPD)达2.65。应用阵列式光纤光谱仪结合计量学方法在线评估小麦霉变具有一定可行性。下一步研究中，应扩大样品量，补充自然霉变及受更多代表性霉菌侵染的小麦样品，以不断增强模型的鲁棒性和方法的适用性。     

小麦呕吐毒素污染可见/近红外光谱快速筛查方法研究

小麦不仅是我国主要的粮食品种,也是一种重要的饲料和工业原料。小麦易受赤霉病感染从而产生呕吐毒素,学名脱氧雪腐镰刀菌烯醇（DON）,具有一定致癌性,对人畜健康构成严重威胁。尤其近年来极端异常气候频发,小麦DON污染风险呈不断上升趋势,已成为影响其产品质量安全的主要因素。然而,传统DON检测方法过程繁琐、耗时费力,因此发展一种快速、低成本且适用于在线的检测方法对小麦安全生产及加工具有重要意义。首先从江苏各地收集不同赤霉病感染程度的小麦样品200份,磨粉后利用超高效液相色谱-串联质谱联用法（UPLC-MS/MS）测定小麦中DON含量,再利用光谱仪在线采集小麦的可见/近红外光谱。数据处理步骤为：采用多元散射校正以及二阶导数对光谱进行预处理,同时根据竞争性自适应权重取样算法提取特征波长,最后利用线性判别分析（LDA）与偏最小二乘判别分析法（PLS-DA）建立小麦粉样品的定性分析模型（以国家标准1 000 μg·kg-1为界限）,根据偏最小二乘回归（PLSR）建立小麦粉样品DON含量定量分析模型。UPLC-MS/MS结果表明小麦DON污染风险较高,所测样品超标率约为50%。可见/近红外光谱分析表明不同DON含量小麦样品光谱特征具有一定的差异,原始光谱和二阶导数谱图可看出1 420 nm处DON含量越高,吸光度越低。由于DON绝对含量低而光谱仪的检测限有限,通过主成分分析未能发现明显的聚类趋势,但根据全光谱以及特征光谱所构建的LDA与PLS-DA判别模型均能够对超标和未超标样品进行快速识别与筛查,最佳识别率达87.69%。从定量分析结果来看,所构建的小麦样品DON含量的PLSR模型结果不太理想,最优模型结果：预测集相关系数（r_p）为0.688,均方根误差（RMSEP）为727 μg·kg-1,相对分析偏差（RPD）值为1.38,模型精度和稳健性有待进一步提升。利用可见/近红外光谱和化学计量学方法,实现小麦DON含量超标与否的在线判别与筛查,为我国小麦产品质量安全快速检测提供了技术参考。但对DON含量的定量分析还需要进一步研究,探究外部因素对模型的影响,并拟扩大样品量,收集不同地区、不同品种的小麦样品,提高模型的精度及普适性。     

Temperature dependence of proton relaxation times in vitro

Accurate measurement of tissue relaxation characteristics is dependent on many factors, including field strength and temperature. The purpose of this study was to evaluate the relationship between sample temperature, viscosity and proton spin-lattice relaxation time (T1) and spin-spin relaxation time (T2). A review of two basic models of relaxation the simple molecular motion model and the fast exchange two state model is given with reference to their thermal dependencies. The temperature dependence for both T1 and T2 was studied on a 0.15 Tesla whole body magnetic resonance imager. Thirteen samples comprising both simple and complex materials were investigated by using a standard spin-echo (SE) technique and a modified Carr-Purcell-Meiboom-Gill (CPMG) multi-echo sequence. A simple linear relationship between T1 and temperature was observed for all samples over the range of 20 degrees C to 50 degrees C. There is an inverse relationship between viscosity and T1 and T2. A quantity called the temperature dependence coefficient (TDC) is introduced and defined as the percent rate of change of the proton relaxation time referenced to a specific temperature. The large TDC found for T1 values, e.g. 2.37%/degrees C for CuSO4 solutions and 3.59%/degrees C for light vegetable oils at 22 degrees C, indicates that a temperature correction should be made when comparing in-vivo and in-vitro T1 times. The T2 temperature dependence is relatively small.     

利用高光谱扫描技术检测小麦叶片叶绿素含量

利用高光谱扫描技术对小麦叶片进行无损检测试验,探索精确测定小麦叶绿素含量的方法,为农作物生长状况、植物病理诊断等提供科学依据。研究选取90个样本作为校正集,30个样本作为预测集,获取叶片的高光谱反射图像,同时用传统的分光光度计方法测定其叶绿素含量。选取波长491～887 nm范围光谱,用多元散射校正、一阶导数、二阶导数3种方法处理,利用偏最小二乘法和逐步线性回归法分别建立了小麦叶片叶绿素含量与光谱信号间的数学模型。研究发现多元散射校正(MSC)结合二阶导数光谱的多元线性回归(SMLR)模型的效果较优,模型校正集和预测集决定系数分别为0.82和0.79,校正均方根误差和预测均方根误差分别为0.69和0.71。研究结果表明可以利用高光谱扫描技术检测小麦叶片叶绿素含量。     

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。     

温度变化对近红外光谱预测木材含水率的影响

为实现温度不稳定环境下木材含水率的近红外光谱检测,探究了不同温度下木材近红外光谱的变化规律及温度变化对近红外预测木材含水率的影响。对从林场采集的樟子松、水曲柳、大青杨和红松原木木块试样各75块,共计300块试样,进行了不同温度和含水率条件下的近红外光谱采集。采用单一温度下的校正集分别与各个温度下的验证集建立偏最小二乘含水率预测模型,探究温度变化对木材含水率模型预测准确性的影响。比较了不同光谱预处理的木材含水率预测温度全局模型。采集相同含水率下不同温度的近红外光谱数据,对光谱进行光谱平均、一次微分、主成分分析和偏最小二乘判别分析,以探究温度变化时,木材近红外光谱的变化规律。结果显示：（1）温度对木材样品光谱存在显著影响;主成分分析和判别分析表明不同温度下的样品有明显聚类趋势,温度判别准确率为96.1%。温度会影响木材的近红外光谱在特定波长吸收峰的位置及吸光度,在含水率相同的情况下,随着温度的升高,特定位置吸收峰有逐渐向高频波段转移的趋势且在零下低温时波峰移动变化更明显。（2）不同温度下的PLS含水率预测模型对温度变动的适应能力有差异,木材含水率预测模型更适应于检测与建模样本相同温度的样品。与单一温度模型相比,PLS温度全局模型对于温度变化具有很好的适应性和应用潜力,RMSEP低于大部分单一温度模型。基于SG平滑+多元散射校正+一次微分预处理联用的PLS含水率温度全局模型有较好的预测效果和温度适应性,RMSEP降为0.074。可见,温度变动是近红外法检测木材含水率的过程中不可忽视的扰动因素;基于光谱预处理的温度全局模型可以显著提高温度适用性。该研究可进一步促进近红外光谱技术在木材生产、加工过程中的应用。     

二维相关光谱的猪肉TVB-N特征变量优选研究

为了探讨利用二维相关可见/近红外光谱法优选猪肉挥发性盐基氮(TVB-N)特征变量的可行性,以贮藏时间为外扰,研究了不同新鲜程度猪肉样本的二维相关光谱特性。首先,获取56个猪肉样本在贮藏1～14 d的400~1 000 nm范围的可见/近红外反射光谱,经过标准正态变量变换(SNV)处理后,基于全波段光谱建立TVB-N的偏最小二乘回归(PLSR)模型。然后,依据TVB-N实测值,从中挑选出10个具有一定浓度梯度的样本(贮藏时间分别为0,36,72,108,144,180,216,252,288和324 h),利用一阶导数对光谱进行预处理后,根据不同样本之间的光谱差异,选取7个波段用于二维相关光谱解析。分析各个波段的二维相关同步谱和自相关谱,从7个波段范围内共选取23个变量作为不同贮藏时间下与TVB-N相关的敏感波长,并建立简化的PLSR模型。相较于全波段光谱数据所建模型,模型效果有所改善,预测集决定系数R2_p由0.792 1上升至0.865 8,误差从3.658 2 mg·(100 g)-1下降至3.246 0 mg·(100 g)-1。表明基于二维相关光谱对猪肉TVB-N特征变量进行优选的思路是可行的,该方法能够从全光谱数据中筛选出与目标物质相关的敏感变量,这也为近红外光谱特征波长选择提供了一个新的方法。     

Quantitative measurement of temperature by proton resonance frequency shift at low field: a general method to correct non-linear spatial and temporal phase deformations

MRI thermometry methods are usually based on the temperature dependence of the proton resonance frequency. Unfortunately, these methods are very sensitive to the phase drift induced by the instability of the scanner which prevents any temperature mapping over long periods of time. A general method based on 3D spatial modelling of the phase drift as a function of time is presented. The MRI temperature measurements were validated on gel samples with uniform and constant temperature and with a linear temperature gradient. In the case of uniform temperature conditions, correction of the phase drift proved to be essential when long periods of acquisition were required, as bias could reach values of up to 200 degrees C in its absence. The temperature uncertainty measured by MRI was 1.2 degrees C in average over 290 min. This accuracy is coherent with the requirements for food applications especially when thermocouples are useless.