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 000cm-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。     

甘蔗清糖浆锤度近红外光谱分析的模型优化

采用偏最小二乘法(PLS)和光谱Savitzky-Golay(SG)平滑方法,建立甘蔗清糖浆锤度近红外光谱分析的优化模型。基于最优单波长模型预测效果划分定标集和预测集。全谱(400—2500nm)经过SG平滑处理后用PLS方法建模。建立计算机算法平台,把483种SG平滑模式和1—40的PLS因子数任意组合分别建立PLS模型,根据预测效果选出最优模型,最优模型的SG平滑模式为二阶导数平滑、4、5次多项式类型、43平滑点数,PLS因子数为13,预测均方根偏差(RMSEP)、相对预测均方根偏差(RRMSEP)和预测相关系数(rP)分别为0.433%、0.69%和0.978。预测精度很高,并且大幅度优于未做SG平滑处理直接PLS建模的预测效果。从而表明,SG平滑模式和PLS因子数的联合大范围筛选能够有效地应用于近红外光谱分析的模型优选。     

太赫兹时域光谱技术对紫米掺假的检测研究

紫米是生活中常见的食材,具有丰富的营养价值。由于紫米价格较高导致染色紫米大量流入市场。本文使用太赫兹时域光谱技术结合化学计量学方法探索紫米掺假的快速检测方法。采用太赫兹时域光谱技术(THz-TDS)采集0～7 THz范围内紫米掺假的光谱数据,并选择0.5～2.5 THz波段的吸收系数谱和折射率谱进行分析并采用化学计量学方法对光谱数据进行建模分析。分别采用Savitzky-Golay卷积平滑(SG Smoothing,SG平滑)、基线校正(Baseline)、归一化(Normalization)、多元散射校正(MSC)等方法进行光谱预处理,结合偏最小二乘判别分析(PLS-DA)对紫米、紫米掺染色大米和紫米掺染色黑米进行定性分析。定性分析结果显示,通过主成分分析(PCA)的三种样品平面分布存在明显差异;经过基线校正的光谱数据建立的PLS-DA模型效果最佳,误判率为0。接着使用偏最小二乘法(PLS)结合SG平滑、 Baseline、 Normalization、 MSC等预处理方法分别对紫米中掺染色大米和紫米中掺染色黑米的光谱数据建立PLS定量模型。结果显示,采用基线校正预处理方法的PLS建模效果最佳,紫米掺染色大米的预测集相关系数为0.936,预测集均方根误差(RMSEP)为0.095。紫米掺染色黑米的预测集相关系数为0.914,预测集均方根误差为0.096。为对比分析线性(PLS)与非线性(LS-SVM)两种定量模型方法的预测精度,采用相同预处理方法后的紫米掺假含量光谱数据建立最小二乘支持向量机(LS-SVM)预测模型,选用径向基函数(RBF)作为核函数。结果表明采用基线校正处理后LS-SVM模型效果最佳,紫米中掺染色大米的预测集均方根误差(RMSEP)为0.092,预测集相关系数(R_p)为0.979;紫米中掺染色黑米的预测集均方根误差(RMSEP)为0.093,预测集相关系数(R_p)为0.948。对比发现对紫米掺假的含量建立LS-SVM预测模型较PLS模型的稳定性更好、精确度更高。研究表明,太赫兹时域光谱结合化学计量学方法可为紫米掺假的定性定量分析提供快速精确的分析方法。     

一种基于近红外光谱的天然产物抗氧化活性预测评价方法

提出了一种基于近红外(NIR)光谱的黄酮类提取物抗氧化活性计算预测新方法.采用1,1-二苯一2-苦肼基(DPPH)法测定28种黄酮类中药材提取物的抗氧化活性,并在4 000～10 000 cm-1范围扫描样品的红外光谱,采用偏最小二乘(PLS)算法建立了黄酮类组分近红外光谱与抗氧化活性之间的校正模型.建模过程中,以交叉验证相关系数(R2),交叉验证误差均方根(RMSECV)为指标,确定了用于建模的最优近红外波段和光谱预处理方法.校正模型的RSECV为9.50%,R2为0.901 7,预测误差均方根(RMSEP)为14.8%.该方法快速无损、操作简便,可用于中药及天然产物提取物抗氧化活性的快速评价.     

发酵冬虫夏草菌粉水分腺苷的近红外光谱定量分析及波段选择

研究发现基于800～2 500nm波段的近红外光谱可对发酵冬虫夏草菌粉中水分和腺苷进行良好的定量分析。选取了4 277.63～4 316.20cm-1,4 887.06～4 941.07cm-1,5 056.78～5 172.50cm-1和5 218.78～5 303.64cm-1四个特征波段;4 902.49～4 817.64cm-1和4 740.49～4 107.91cm-1两个特征波段,分别对水分和腺苷建立了偏最小二乘法(partial least-square,PLS)回归模型。采用全波段建模水分和腺苷的预测相关系数r分别为0.868 3和0.788 2,预测均方根误差RMSEP分别为0.001 999和0.000 134,剩余预测偏差RPD分别为1.974 4和1.640 7。而采用特征波段建模,其对水分和腺苷的预测相关系数r分别为0.869 1和0.829 0,预测均方根误差分别为0.001 934和0.001 250,剩余预测偏差分别为2.040 7和1.847 6。结果表明,采用对这两项指标特征波长建模后,不仅预测效果有不同程度的提高,还提高了建模速度,为检测仪器的开发提供了依据。     

基于高光谱图像和偏最小二乘的羊肉pH值特征波段筛选研究

波段筛选方法的选取以及随后的光谱特征波段的提取对高光谱模型效果的影响较大。为了快速准确检测羊肉的pH值,开展并讨论了利用两种特征波段筛选方法对羊肉pH值高光谱模型的影响研究。本研究采用二阶导数(2D)、多元散射校正(MSC)和中心化处理(mean-centering)相结合的方法对所提取纯肌肉部分的代表性光谱进行预处理,利用联合区间偏最小二乘(siPLS)和联合区间偏最小二乘结合遗传算法(siPLS-GA)对全波段473~1000nm范围光谱进行特征波段的提取,并分别建立相对应特征波段范围羊肉pH的PLS预测模型,同时与全波段的PLS模型效果相比较。结果表明采用siPLS-GA提取的特征波长建立的PLS模型效果最优,其选取的特征波长点数为56,校正集相关系数(Rcal)和均方根误差(RMSEC)分别为0.96和0.043,预测集相关系数(RP)和均方根误差(RMSEP)分别为0.96和0.048。siPLS-GA方法既能够减少建模使用的光谱变量,又可以提高模型精度,因此利用高光谱图像技术结合siPLS-GA可以实现羊肉pH的特征波段筛选和快速准确检测。     

潜变量机器学习方法在咖啡NIR定量分析中的应用

采用近红外（NIR）光谱快检技术实现对咖啡蛋白质的定量检测,研究支持向量机（SVM）和极限学习机（ELM）等机器学习方法在建模分析中的实用性。结合潜变量分析技术,建立潜变量SVM（LV-SVM）模型和潜变量ELM（LV-ELM）模型,通过调试潜变量个数和机器学习关键参数的联合优选,实现数据降维和机器学习关键参数的同过程优化。运用定标-验证-测试机制,利用定标集样本建立咖啡蛋白质的NIR分析模型,随参数变动形成三维随动优选结构的建模预测结果,结合验证集样本对模型进行联合优选,然后将优化模型应用于测试集样本进行模型评价。LV-SVM建模优选的验证集预测均方根误差为6.797,对应的测试集预测均方根误差为8.384。LV-ELM建模优选的验证集预测均方根误差为6.118,对应的测试集预测均方根误差为7.837。与常规偏最小二乘（PLS）方法相比较,LV-SVM和LV-ELM方法均取得更好的预测结果,验证了潜变量机器学习方法在近红外定量分析中的应用优势,该方法有望应用于不同类型的咖啡各成分含量检测。     

哈密瓜坚实度的高光谱无损检测技术

提出利用高光谱对哈密瓜坚实度进行检测的方法,对比分析了不同波段范围、不同预处理法、不同光程校正法和不同定量校正算法对哈密瓜坚实度预测模型准确度的影响.实验结果表明,在500～820 nm波段光谱区域,采用偏最小二乘法对经过标准正则变换校正的一阶微分处理的光谱建模效果较优,其校正集相关系数为0.873,校正均方根误差为4.18N,预测集相关系数为0.646,预测均方根误差为6.40N.研究表明,应用高光谱对哈密瓜坚实度的无损检测研究具有可行性.     

基于变量优选和快速独立成分分析的黄花梨可溶性固形物可见/近红外光谱检测

为建立预测能力高、稳定性强的可见/近红外漫透射光谱无损检测黄花梨可溶性固形物(SSC)数学模型,对比各种预处理方法、变量优选方法、快速独立主成分分析(FICA)以及最小二乘支持向量机(LSSVM)对黄花梨SSC模型的影响,得出最佳的组合方法用于建立黄花梨可溶性固形物(SSC)预测模型。采用Quality Spec型光谱仪采集550~950nm波段范围内的黄花梨漫透射光谱并采用遗传算法、连续投影算法和CARS(competitive adaptive reweighted sampling)三种方法筛选黄花梨可溶性固形物的光谱特征变量,再结合FICA提取光谱主成分,最后采用LS-SVM建立黄花梨的SSC预测模型。结果显示,采用CARS筛选的21个变量,经FICA挑选出12个主成分数,联合LS-SVM所建立的CARS-FICA-LS-SVM黄花梨SSC预测模型性能最佳,建模集和预测集的决定系数及均方根误差分别为0.974,0.116%和0.918,0.158%,同直接采用PLS方法建模相比,变量数从401个下降到21,主成分数由14下降到12,建模集和预测集决定系数分别上升了0.023,0.019,而建模和预测均方根误差分别下降了0.042%和0.010%。CARS-FICA-LS-SVM建立黄花梨SSC预测模型能够有效地简化预测模型并提高预测模型精度。     

KF光谱优选的木材抗弯强度预测方法

木材抗弯强度是评价木材力学性质的重要指标，其快速准确预测具有工程应用价值和科学意义。重点研究了使用近红外光谱分析光谱特征优选的卡尔曼滤波(KF)方法进行PLS建模，完成木材抗弯强度的预测。试验用126个蒙古栎无疵试样，依据国家标准《木材物理力学性质试验方法》测量抗弯强度得到力学真值；在900～1 700 nm波段进行近红外光谱采集，一阶导数与S-G卷积结合进行光谱预处理；然后，将光谱及抗弯力学样本视为动态系统，光谱冗余波长视为噪声信号，通过KF迭代得到系数矩阵和标准方差，并运用二者比值实现特征优选；最后建立蒙古栎的偏最小二乘(PLS)抗弯强度近红外模型。结果表明，经过KF优选后，光谱变量数由117减小到18个，预测模型的相关系数ｒ=0.81、预测误差均方根RMSEP=6.59；为了进一步验证方法有效性，与无信息变量消除法(UVE)、连续投影方法(SPA)特征选择方法进行了对比，KF特征优选后的预测相关系数r分别提高了0.05和0.16，预测误差均方根RMSEP降低了2.33和7.66，采用KF特征选择建立的模型预测结果最佳。KF作为特征方法可有效选择近红外光谱特征波长，降低模型维度，提高模型的适用性与准确性。     

简化苹果糖度预测模型的近红外光谱预处理方法

采用正交信号校正法(OSC)和净分析物预处理法(NAP)分别对苹果的近红外光谱(1300~2100 nm)进行预处理,并结合偏最小二乘法(PLS)建立了糖度预测模型。应用结果显示,随着预处理过程中所用的正交信号校正因子或净分析物预处理因子的逐渐增加,偏最小二乘糖度模型(OSC/PLS模型和NAP/PLS模型)所采纳的最佳因子数也会随之减少,甚至可减至1。当采用10个正交信号校正因子预处理苹果光谱时,OSC/PLS糖度模型达到最佳性能,最佳模型采纳的因子数为2;采用11个净分析物预处理因子预处理光谱时,NAP/PLS糖度模型达到最佳性能,最佳模型采纳的因子数为1。从总体上评价,最佳OSC/PLS糖度模型和最佳NAP/PLS糖度模型的性能都明显优于原始光谱的最佳偏最小二乘模型。这些结果表明,正交信号校正法和净分析物预处理法都能在保证精度的同时有效地简化苹果糖度预测模型。     

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.     

FPXRF——偏最小二乘法定量分析土壤中的铅含量

在实验室条件下,利用 NITON XLt920型便携式X射线荧光光谱(field portable X-ray fluores-cence,FPXRF)仪获取土壤样品的X射线荧光光谱数据,并采用偏最小二乘法(PLS)建立土壤Pb含量的预测模型.模型所用的光谱范围为与土壤中Pb元素密切相关的两个波段:10.40～10.70 keV和12.41～12.80keV;最佳主成分数为6.模型经交互验证,其预测结果与实测值之间的相关系数为0.966 6,预测均方根误差(RMSEP)为0.873 2.另外为了与偏最小二乘法做比较,还分别利用仪器直接获取的Pb含量读数以及X射线荧光光谱数据中Pb的Lα和Lβ线的强度与ICP测定值进行一元线性和多元线性回归,相关系数分别为0.680 5和0.730 2,均低于PLS模型的预测结果.研究表明,相比较传统的原子吸收等测试方法,便携式XRF仪在保证一定测试精度基础上,具有方便、快速、无损和耗费少等优势,可作为进一步分析前有力的筛选手段.     

FTIR/ATR光谱应用于甘蔗糖蜜锤度的快速测定

采用FTIR/ATR光谱,偏最小二乘法(PLS)和Savitzky-Golay(SG)平滑方法建立甘蔗糖蜜锤度的快速测定方法和光谱分析的优化模型。基于全谱4500—600cm-1,利用计算机算法平台,把483种SG平滑模式和1—40的PLS因子数任意组合分别建立PLS模型。根据预测效果,最优模型为原谱平滑,2、3次多项式类型,45平滑点数,PLS因子数为6,预测均方根偏差(RMSEP)、预测相关系数(rp)和相对预测均方根偏差(RRMSEP)分别为0.978%、0.902%和1.05%,预测精度很高,并且大幅度优于未做SG平滑处理直接用PLS建模的预测效果。从而表明,FTIR/ATR光谱能够应用于甘蔗糖蜜锤度的快速准确测定,SG平滑模式和PLS因子数的联合大范围筛选能够有效地应用于FTIR/ATR光谱分析的模型优选。     

三维描述子用于咪唑衍生物类抗艾滋病药物QSAR研究

采用三维全息原子场作用矢量(3D-HoVAIF)对42个5-pheny-l-phenylamino-1H-imidazole 类抗艾滋病药物进行定量构效关系(QSAR)研究。运用偏最小二乘回归(PLS)建模,同时采用内部及外部双重验证的办法对所得模型稳定性能进行了深入分析和检验。PLS建模的复相关系数、留一法交互校验复相关系数和外部样本校验复相关系数分别为0.912、0.847、0.931。结果表明,3D-HoVAIF能较好表征5-pheny-l-phenylamino-1H-imidazole 类抗艾滋病药物分子结构信息,因而能建立具有良好稳定性和预测能力的QSAR模型,为抗艾滋病药物的研发提供一定的理论基础。     

辐照处理对油菜籽光谱特性影响的研究

针对油菜籽经过核辐照处理后其光谱反射特性会发生改变的特点,提出了应用可见/近红外光谱技术进行油菜籽的快速无损鉴别。利用偏最小二乘法和BP神经网络建立鉴别模型,并比较了不同光谱预处理方法、主成分数据变换方式及隐含层节点数对模型预测结果的影响。实验采用五种剂量辐照(50,100,150,200Gy和不经核辐照处理)的油菜籽共135个样本进行建模,49个进行预测。结果显示,最优模型是原始光谱数据先经过中值滤波平滑法、附加散射校正及一阶求导法预处理。经PLS方法提取6个主成分经自然对数变换后,选取神经网络隐含层结点数为4个或9个。最优模型对是否经过核辐照处理的样本识别率达100%,对核辐照剂量预测精度为85.71%,说明提出的方法可以用于评估核辐照处理对油菜籽光谱特性产生的明显影响。     

基于Kalman滤波与DBN的油脂中TFAs含量近红外光谱分析

针对油脂脱臭过程中的反式脂肪酸（TFAs）含量控制问题,提出一种基于近红外光谱分析的油脂中TFAs含量快速检测方法。制备含不同TFAs的大豆油脂样本100个,利用气相色谱(GC)法精确测定其TFAs含量,扫描样本近红外光谱,然后利用不同方法对光谱数据进行降噪处理,发现多元散射校正的去噪效果最佳。为了探讨TFAs在近红外区域的吸收特性,采用多种iPLS方法对比分析,筛选出7 258～7 443/6 502～6 691/6 120～6 309 cm-1 TFAs的特征波段,再利用Kalman滤波算法进行特征波长变量的选择,优选出27个TFAs的特征波长变量;采用深度信念网络（DBN）建立校正模型,通过多次对比发现,当隐含层层数为3并且隐含层节点数为50-35-90时,DBN模型性能最佳。最后将DBN模型与PLS方法建立的反式脂肪酸含量回归模型进行对比分析,结果表明：对降噪后的全谱进行建模,DBN模型的预测效果优于PLS,DBN模型预测集R2为0.879 4、RMSEP为0.060 3、RSD为2.18％;对筛选出的特征波段建模,PLS模型的预测效果优于DBN模型;对优选出来的27个特征波长变量建模,DBN的预测效果较好,R2为0.958 4、RMSEP为0.035 0、RSD为1.31％,说明DBN模型的泛化能力更好,并且利用少量的波长变量就能达到较好的预测效果,能够满足实际检测需求,为实现油脂加工过程中TFAs含量的在线检测和调控,生产低/零TFAs油脂产品提供技术支撑。     

红外光谱结合偏最小二乘法定量分析毛竹/聚丙烯复合材料的主成分

木塑复合材料(wood plastic composites,WPC)中生物质和塑料的比例影响其物理力学性能和价格。建立一种快速、准确的方法预测WPC中生物质和塑料的含量对于WPC市场的进一步发展具有重要作用。现有的检测方法主要为热分析法,然而,热分析法固有的缺陷(包括检检测时间长、测精度低、操作复杂等)严重限制了其应用范围。为此,本研究采用红外光谱(FTIR)结合偏最小二乘法(PLS)对毛竹/聚丙烯(PP)复合材料样品中毛竹及PP的含量进行了快速测定。以毛竹为生物质填料、PP为基体材料,同时加入一定量的添加剂,采用挤出成型法制备了42个不同毛竹/PP比例的WPC样品。采用KBr压片法收集42个WPC样品的红外光谱数据,利用PLS-2和完全交互验证方式建立样品中毛竹及PP含量和光谱数据间的相关性模型。内部交互验证结果表明,对原始光谱进行一阶导数和SNV预处理后,选择1 800~800cm~(-1)波段建立的模型性能最佳。毛竹和PP含量的校正模型决定系数R~2均为0.955,校正标准偏差SEC分别为1.827和1.848。毛竹和PP含量的预测模型决定系数R~2均为0.950,交互验证标准偏差SECV分别为1.927和1.950,RPD值均为4.45。外部验证结果表明,毛竹和PP含量相对预测偏差均低于6%,FTIR结合PLS法可以同时快速、准确地预测毛竹/PP复合材料中毛竹及PP含量。