近红外光谱和聚类分析法无损快速鉴别不同辅料奶粉

以添加不同辅料奶粉的近红外图谱作为聚类分析的对象,化学成分的含量不同,红外的谱图就会有差异.在建立混合成分模型的基础上,采用SIMCA聚类分析法对添加不同辅料奶粉进行了快速的分类研究.对市场250种不同种类奶粉进行近红外扫描,并做了重现性测定.含有乳糖或蔗糖的不同辅料的奶粉的近红外谱图,从表观上难以进行指纹特征提取,需采用模式识别技术来进行智能识别.从中随机抽取160张谱图进行聚类分析,并对未知样品进行预测.结果表明:尽管各样品的近红外谱图很相似,难以直接区别,但采用近红外光谱和聚类分析相结合的方法可以鉴定添加不同辅料的奶粉.从模型图上看,两个不同辅料奶粉之间没有重叠,互不干扰,各样品之间光谱聚类的结果较理想,盲样检测的正确率可达90%以上.如果能够获得足够多的样本,增加训练集样本数和采样的代表性,加强操作的标准程度,该法的准确率将会大大提高.近红外光谱与聚类分析法相结合可以快速、无损识别奶粉中添加的不同辅料,是一种有效的奶粉质量检测技术.     

小波聚类方法和近红外光谱技术用于药片种类判别

对310个药片样品的近红外光谱数据进行了聚类分析。首先使用小波变换对光谱数据矩阵进行多尺度分解,在进行有效压缩之后,采用经典分类方法对合适选取的小波系数组合进行聚类分析,提出了小波聚类方法。该方法分别用于实验室药片、中试药片和规模生产药片样品的分析,按药片样品的组成得到4个类别。结果表明,对实验室药片和中试药片样品分类的精确度均达到100%;对于规模生产药片的分类,共120个样品中只有1个样品被错误划分,精确度也高达99.2%。近红外光谱技术结合小波聚类方法的聚类性能是令人满意的,相比经典聚类分析,更加快速、易于使用,对制药行业药片质量以及成本控制均有积极作用。     

近红外光谱法对不同蒸制时间地黄的鉴别研究

建立近红外光谱技术鉴别不同蒸制时间地黄的方法。以近红外光谱聚类分析法对不同蒸制时间的地黄样品进行了聚类鉴别,并与薄层色谱法进行了对比研究。结合TLC实验结果,近红外光谱聚类分析结果中不同炮制时间的地黄样品被准确、快速的区分开。用近红外漫反射光谱技术应用于地黄的鉴别分类是可行和有效的,具有独特的优点。     

一种基于近红外光谱与化学计量学的绿茶快速无损鉴别方法

绿茶是我国饮用范围最广、最受欢迎的一类茶叶。不同品种绿茶叶外观上差别较小，非专业人员难以直接用肉眼进行辨别。传统化学方法操作复杂、检测费用较高，对样品具有破坏性，无法实现快速无损分析。近红外光谱技术是一种简便、快速、无损、重现性好、可直接用于在线定性定量分析的新型分析技术。由于种植方式以及土壤、气候等生长环境的差异，不同品种绿茶叶中含氢基团有机物的种类和含量也不相同，因此可以通过扫描样品的近红外光谱，得到不同品种绿茶叶的特征信息，实现对不同品种绿茶叶的快速鉴别。研究提出了一种基于近红外光谱与化学计量学技术对不同品种绿茶的快速无损鉴别方法。使用近红外光谱仪得到了八个品种绿茶样品的光谱图，用主成分分析方法对不同品种绿茶样品数据进行了聚类分析。使用连续小波变换方法消除了光谱信号中的基线干扰，从而提升聚类效果。利用基于标准偏差与相对标准偏差的变量筛选方法进一步提高了聚类结果的准确性。结果表明：主成分分析后样品的第一主成分和第二主成分的方差贡献率之和在90%以上，可以选取前两个主成分进行聚类分析。直接采用原始数据进行聚类分析的准确率较低，难以满足应用需要；连续小波变换可以有效地消除光谱信号中的基线干扰。与直接使用原始光谱聚类结果相比，采用连续小波变换后聚类效果有显著提升，但依旧不能实现所有品种茶叶样品的准确鉴别。为了进一步提高方法的稳健性和分类结果的准确性，选取了标准偏差和相对标准偏差较大的波长数据进行聚类分析。在符合平均值大于1%的波长范围内，剔除标准偏差小于5‰的波长，进一步选择较大相对标准偏差值对应的波长点进行聚类分析。采用这种方式，可以仅使用几十个甚至是几个波长即可实现绿茶样品品种的准确聚类分析。波长筛选方法可以大大提高主成分分析结果的准确性，采用近红外光谱分析技术与化学计量学方法可以实现对不同品种绿茶的快速鉴别。经过对各个光谱吸收区域波长所对应官能团分析后，初步得出多酚、酰胺类以及氨基酸类物质的种类不同或含量差异是形成绿茶品种差异的重要原因。所提出的基于近红外光谱与化学计量学技术的方法具有较强的鉴别能力，为绿茶的快速无损分析提供了一种新手段。     

近红外光谱和聚类分析法无损快速鉴别小儿抽风散

以小儿抽风散不同缺味复方的近红外图谱作为聚类分析的对象,在建立混合成分模型的基础上,采用SIMCA聚类分析法对小儿抽风散不同缺味复方进行了快速的分类研究。实验中,在保证其他配伍组分完整的基础上,分别设缺少蜈蚣、全蝎、僵蚕、土鳖虫和蝉蜕的5个阴性样品。结果表明:尽管各样品的近红外谱图很相似,难以直接区别,但采用近红外光谱和聚类分析相结合的方法可以鉴定小儿抽风散的不同缺味复方。各样品之间光谱聚类的结果较理想,盲样检测的正确率可达90%以上。此外,如果能够获得足够多的样本,增加训练集样本数和采样的代表性,加强操作的标准程度,该法的准确率将会大大提高。因此,近红外光谱与聚类分析法相结合可以快速、无损识别中药复方。     

基于光谱技术鉴别机油品种的新方法

提出了一种用可见-近红外透射光谱技术快速鉴别机油品种的新方法,应用可见-近红外光谱仪测定三种机油的光谱曲线,然后用主成分分析法对不同品种的机油样本进行聚类分析,并获取机油可见-近红外光谱的特征信息,再结合多类判别分析技术建立机油占占种鉴别的模型.对经过预处理的光谱数据进行主成分分析.结果表明,以样本在第一主成分和第二主成分卜的得分做出的二维散点图,对不同种类机油具有很好的聚类,能定性区分不同种类机油;经过主成分分析得到的前8个主成分的累积可信度已达95.38%,说明这8个变量能够代表绝大部分原始光谱的信息.从180个样本中随机抽取150个样本用于建立多类判别分析品种鉴别模型,余下的30个样本用于验证.对未知的30个样本进行品种预测,准确率为100%.证明本方法具有明显的分类和鉴别作用,为不同品种的机油鉴别提供了一种新方法.     

FT-NIR与主成分分析在中药贝母鉴别和聚类中的应用研究

近红外漫反射光谱和主成分分析法相结合,选取不同范围内的近红外光谱数据,对川贝、浙贝以及东北平贝共48个样品进行了主成分分析,作二维线性投影图和三维线性投影图,比较了48个样品在红外光谱上的差异程度,发现基于傅里叶变换近红外光谱的主成分分析投影图能够较好的表征48个样品的类别关系.结果表明:应用近红外漫反射光谱法能够鉴别贝母及其近缘物种,具有较好的聚类和鉴别作用,作为一种药材质量检测手段,该方法具有一定的应用价值.     

茶叶傅里叶近红外光谱的混合模糊极大熵聚类分析

茶作为世界最受欢迎的三大饮料之一，不仅能够提神醒脑，而且还有帮助消化和降低血压等作用。随着人们对茶叶品质要求的日益提高，需要对不同品种的茶叶实现准确的鉴别分析以防止茶叶市场里茶叶品牌名不副实和以次充好等现象的发生。为实现对茶叶快速精准的鉴别分析，设计了一种综合采用傅里叶近红外光谱和新的模糊极大熵聚类（FEC）分析算法的茶叶品种鉴别系统。传统模糊极大熵聚类分析在聚类含噪声数据时，聚类结果往往容易出现错误，即FEC对噪声数据敏感。为解决这个问题，在FEC分析算法的基础上引入可能C均值聚类分析（PCM），提出了一种混合模糊极大熵聚类（MFEC）分析算法。MFEC可通过迭代计算得到模糊隶属度值，能实现对含噪声的茶叶傅里叶近红外光谱数据的准确聚类分析。首先，使用傅里叶近红外光谱仪（Antaris Ⅱ型）采集岳西翠兰、六安瓜片、施集毛峰三种安徽茶叶的傅里叶近红外光谱数据，光谱波数范围为10 000~4 000 cm-1。其次，对采集到的光谱数据使用多元散射校正（MSC）进行预处理，预处理后先用主成分分析（PCA）将光谱数据维数降至10维，然后再用线性判别分析（LDA）对降维后的近红外光谱数据进行特征提取。最后，通过混合模糊极大熵聚类分析和传统的模糊极大熵聚类分析对三种茶叶的光谱数据进行聚类分析，并对两种聚类分析算法得到的聚类准确率、收敛速度等进行对比分析。实验结果表明：混合模糊极大熵聚类（MFEC）分析算法与传统的模糊极大熵聚类（FEC）分析算法相比较，在相同的权重指数m下MFEC具有更高的聚类准确率。在m=2条件下，MFEC的聚类准确率达到了100%，而传统的模糊极大熵聚类在相同条件下聚类准确率仅为37.98%。MFEC收敛过程中仅需迭代10次即可达到收敛，而FEC需要迭代100次，因此MFEC可以更高效的进行模糊聚类分析，MFEC相比于FEC聚类性能具有明显的优越性。通过傅里叶近红外光谱技术，混合模糊极大熵聚类分析结合PCA与LDA算法构建的茶叶品种鉴别系统能够高效快速的完成对岳西翠兰、六安瓜片、施集毛峰三种茶叶的准确分类，为茶叶检测领域提供了一种创新的方法与设计思路，具有一定的理论价值和良好的市场应用前景。     

基于FTIR指纹光谱的牛肉产地溯源技术研究

在中国牛肉4个产区吉林省榆树市,贵州省安顺市、宁夏自治区同心县、河北省张北县屠宰场采集了58个肉牛牛肉样品,进行脱脂、干燥、粉碎.利用近红外光谱分析技术,对牛肉样品的近红外光谱进行主成分分析、聚类分析、判别分析,建立了判别牛肉产地来源的傅里叶变换红外光谱定性分析模型.分析结果显示4个产区的牛肉的平均近红外光谱存在有差异,牛肉样品的主成分空间分布也位于不同的区域.根据光谱距离,对样品进行聚类分析,初步判定了牛肉的产区,其中贵州的牛肉光谱比较复杂,与河北牛肉样品的光谱距离很近,存在一定交叉.利用来源于4个产区的18个独立样品对模型进行了验证,正确识别率为100%.说明应用近红外光谱分析技术可准确、快速、低廉地追溯牛肉的产地来源.     

牻牛儿苗科11种中药材红外光谱鉴定及聚类分析

结合傅里叶变换红外光谱技术与聚类分析法,建立牻牛儿苗科11种中药材的快速鉴别方法。采用傅里叶变换红外光谱法鉴别牻牛儿苗科11种中药材;在建立主成分分析模型的基础上,采用SIMCA聚类分析法对三种中药材进行了快速的分类研究。红外光谱结合聚类分析技术对牻牛儿苗科中药材聚类结果较理想,识别率和拒绝率达到98%以上,盲样的预测率达到91%。红外光谱与聚类分析法相结合可以快速、无损识别牻牛儿苗科中药材。     

Gath-Geva联合模糊聚类的生菜近红外光谱聚类分析

生菜的新鲜程度是影响生菜品质的最重要因素之一,其主要取决于生菜的储藏时间,因此,对不同储藏时间的生菜进行准确鉴别具有重要研究价值。由于不同储藏时间生菜的近红外光谱数据具有差异性的特点,因而使用近红外为不同储藏时间的生菜进行鉴别分类是可行的。通过将联合模糊C均值聚类（allied fuzzy c-means, AFCM）中的欧式距离测度替换为指数距离测度从而提出了一种GG联合模糊聚类（Gath-Geva AFCM, GGAFCM）分析算法。GGAFCM通过迭代计算得到模糊隶属度值和典型值,再结合近红外光谱实现了对不同存储时间生菜的高效精准鉴别。以新鲜的生菜样本作为研究对象,使用傅里叶近红外光谱仪（Antaris Ⅱ型）每隔12 h对生菜样本采集漫反射光谱数据,光谱的波数范围介于10 000~4 000 cm-1之间。首先,通过主成分分析（principal component analysis, PCA）对采集到的1 557维生菜近红外光谱数据进行数据压缩将其降至22维,然后通过模糊线性判别分析（fuzzy linear discriminant analysis, FLDA）对降维后的近红外漫反射光谱数据的鉴别信息进行提取。设定鉴别向量数为2,即通过FLDA将22维的生菜近红外光谱数据转换为了2维数据。最后将模糊C均值聚类（fuzzy c-means, FCM）的聚类中心作为GGAFCM和AFCM的初始聚类中心,通过运行FCM,GGAFCM和AFCM完成对不同储藏时间生菜的鉴别分类,并对三种模糊聚类算法得到的聚类准确率、模糊隶属度、迭代次数进行分析。实验结果表明：在初始化条件相同的情况下,采用的GGAFCM算法与FCM和AFCM算法相比具有更高的鉴别准确率。在m=2的情况下,GGAFCM的鉴别准确率达到了95.56%,而AFCM的聚类准确率为91.11%。GGAFCM迭代4次达到收敛,而AFCM与FCM均需要8次迭代计算才能达到收敛。基于近红外光谱技术,通过GGAFCM结合PCA与FLDA算法可以高效快速且无损的完成对储存时间不同的生菜的准确鉴别分类,为生菜储存时间的准确、快速鉴别提供了实验依据和参考方法,具有一定的实际应用价值。     

近红外光谱结合偏最小二乘判别对硫熏浙贝母的无损鉴别

浙贝母(Fritillariae thunbergii Bulbus)是一种常用的化痰止咳中药,为浙江著名的"浙八味"之一。硫熏能够使浙贝母增白、防虫蛀以及延长保质期,然而过度的硫熏不仅会影响浙贝母的品质,还会危害人体健康。因此,进行硫熏浙贝母的无损鉴别分析有利于浙贝母的品质监测,保障中药质量。采用近红外光谱结合化学计量学方法进行六种不同硫熏程度浙贝母的鉴别分析,在近红外(900~1 700nm)光谱条件下,采用"boxplot"统计分析1 000~1 100nm内样本间的光谱反射值的差异。同时采用主成分分析(PCA)进行六种样本的聚类分析。应用连续投影法(SPA)进行数据挖掘获得10条特征波段,建立其偏最小二乘判别分析(PLS-DA)模型。结果表明,建立的PLS-DA模型可达到与全谱类似的判别结果。近红外光谱技术结合化学计量学方法能够实现不同硫熏程度浙贝母的无损鉴别分析,这为后续进行硫熏浙贝母品质分析以及研发相应贝母便携检测仪提供参考。     

近红外漫反射光谱法快速无损鉴别阿胶真伪

采用近红外光谱漫反射光谱技术和模式识别技术快速鉴别阿胶真伪.收集来源不同的阿胶(真品8个,伪品6个),采集其近红外漫反射光谱,使用多重散射校正和小波变换对光谱进行预处理后,分别应用相似度匹配和马氏距离方法建立质量鉴别模型.相似度法使用真品谱图作为标准谱图,用样品谱图与标准谱图的相似度值来鉴别阿胶质量;对阿胶样品进行重复扫描得到28张谱图,随机分为3组后应用马氏距离法建立交叉验证鉴别模型.两种模式识别方法均能准确无误的鉴别阿胶真伪,表明近红外光谱和模式识别技术结合可快速、准确、客观地进行阿胶质量鉴别,可推广到其他中成药的质量鉴别.     

近红外光谱小波分析在土壤参数预测中的应用

从田间采集了150个田间土壤样本,在分析了所有样本的土壤参数统计特征之后,对原始近红外光谱数据进行了聚类分析,分别得到了50个土壤全氮和50个土壤有机质的等价样本及其对应光谱.对样本光谱曲线进行8层Biorthogonal小波包分解,分解得到的最低低频[80]结点对应着土壤水分以及土壤质地的光谱变化趋势.最高高频[8 255]结点对应着土壤粒度、光谱仪精度等引起的高频震荡.对以上两个结点进行重构并从样本光谱曲线中剔除以上影响成分,得到了对应的土壤参数特征光谱.基于特征光谱建立了土壤参数偏最小二乘回归模型:全氮偏最小二乘预测模型的预测系数rc达到了 0.960,验证系数rv达到了0.920;有机质偏最小二乘预测模型的预测系数rc达到0.922,验证系数rv达到0.883.模型精度明显提高,满足实际生产的需要.     

主成分分析排序和模糊线性判别分析的生菜近红外光谱分类

贮存时间是影响生菜品质的一项重要因素,传统的贮存时间鉴别方法主要依靠人工经验,但是这种方法的准确率和可信度并不高。研究的目标是建立一种基于模糊识别的模型进行生菜光谱分析以实现生菜贮存时间的鉴别,并与其他鉴别方法作比较。为此,在当地超市购买60份新鲜生菜样品,存放于冰箱中待用。首先,通过Antaris Ⅱ近红外光谱检测仪采集生菜样品的近红外光谱数据,每隔12小时检测一次,每个样本检测重复三次,并取三次平均值作为实验数据。其次,利用多元散射校正（MSC）减少近红外光谱中的冗余信息。为了进一步去除近红外光谱中的无用信息以及简化随后的数据分类过程,分别运用主成分分析（PCA）和排序主成分分析 (PCA Sort)。其中,PCA Sort通过改进对主成分的排序方法能提高分类准确率,同时便于模糊线性鉴别分析（FLDA）进一步提取特征。PCA和PCA Sort的计算仅运用了前15个主成分（能充分反映光谱的主要信息）。最后,利用模糊线性鉴别分析算法（FLDA）和K近邻算法（KNN）进一步分类所得的低维数据。基于PCA和KNN算法的模型鉴别准确率达到43%,而基于PCA,FLDA和KNN算法的模型鉴别准确率可达83%。上述结果说明基于PCA,FLDA和KNN算法的模型鉴别准确率已经得到较大程度提高。当用PCA Sort替代了模型中的PCA算法后,结合FLDA和KNN算法则鉴别准确率达到98.33%。实验结果表明PCA Sort结合FLDA和KNN所建立的模型是有效的生菜贮存时间鉴别模型。     

不同产地虎杖根FTIR主成分分析研究

借助于傅里叶变换红外光谱分析仪,采用主成分分析法对来自7个产地的虎杖根在植化组成上的相似性进行了聚类分析.结果表明:虎杖样品在4 000～1 700 cm-1区域有相似的红外光谱特征,而在1 700～900 cm-1区域不同产地的样品又存在一定的差异.据此将虎杖的产地分为6个区,分区与各产地的地理位置和气候条件有一定的相关性,同一区内虎杖的化学组分相似.红外光谱法可以快速、简便、直观地对中药材进行聚类分析和质量鉴别.     

广义模糊K调和均值聚类的近红外光谱生菜储藏时间鉴别

生菜的储藏时间是影响生菜新鲜程度的重要因素。为了快速、无损和有效地鉴别生菜的储藏时间,以欧式距离的p次方代替模糊K调和均值聚类(FKHM)中欧式距离的平方提出了一种广义模糊K调和均值聚类(GFKHM)算法并将该算法应用于鉴别生菜的储藏时间。以60个新鲜生菜样本为研究对象,采用AntarisⅡ近红外光谱分析仪每隔12h检测生菜的近红外漫反射光谱,共检测三次,光谱扫描的波数范围为10 000~4 000cm~(-1)。首先用主成分分析(PCA)对1 557维的生菜近红外光谱进行降维处理以减少冗余信息,取前20个主成分,经过PCA处理后得到20维的数据。然后用线性判别分析(LDA)提取光谱数据的鉴别信息以提高聚类的准确率,取鉴别向量数为2,则LDA将20维的数据转换为2维数据。最后以模糊C-均值聚类(FCM)的类中心作为FKHM和GFKHM的初始聚类中心,分别运行FKHM和GFKHM计算模糊隶属度以实现生菜储藏时间的鉴别。结果表明,GFKHM的鉴别准确率能达到92.5%,FKHM的鉴别准确率为90.0%,GFKHM具有比FKHM更高的鉴别准确率。GFKHM的聚类中心比FKHM更逼近真实类中心。GFKHM的收敛速度明显快于FKHM。采用近红外光谱技术同时结合GFKHM,PCA和LDA为快速和无损地鉴别生菜储藏时间提供了一种新的方法。     

红外光谱与聚类分析法无损快速鉴别肉苁蓉

应用傅里叶变换红外光谱（FTIR）法测定了栽培和野生肉苁蓉,以450～2 000 cm-1范围内的吸收峰吸光度为指标,以红外光谱图为对象,应用SMICA聚类分析（Cluster analysis）法对栽培和野生肉苁蓉进行了聚类分析。结果表明,红外光谱结合聚类分析技术可对不同来源的肉苁蓉进行鉴别,识别率和拒绝率达到90%以上,盲样检测的准确率也在95%以上。因此,红外光谱与聚类分析法相结合可以快速、无损识别中药材。     

模糊K-Harmonic-Kohonen网络的FTIR光谱数据聚类分析

食品的品种不同则其含有营养成分和功效存在差异,得到的傅里叶变换红外光谱也存在差异。为了准确的实现品种分类,设计了一种将傅里叶变换红外光谱与模糊聚类分析方法相结合的品种鉴别方法。在模糊Kohonen聚类网络(FKCN)基础上将模糊K调和聚类(FKHM)引入到Kohonen聚类网络的学习速率和更新策略中,提出了模糊K-Harmonic-Kohonen网络(FKHKCN)算法。FKHKCN利用模糊C均值(FCM)聚类的模糊隶属度计算其学习速率,以FKHM的聚类中心为基础通过推导计算得到FKHKCN的聚类中心,可以解决模糊Kohonen聚类网络方法对于初始类中心敏感而导致聚类结果不稳定的问题。FKHKCN作为一种模糊聚类算法,可实现傅里叶变换红外光谱数据的聚类分析。采用三种数据集：(1)采集产自四川的三种茶叶(优质和劣质的乐山竹叶青以及峨眉山毛峰)作为实验样本,样本总数为96。(2)两个品种(robusta和arabica)的咖啡样本。(3)三个品种(鸡肉、猪肉和火鸡)的肉类样本。首先对三个光谱数据集进行预处理,利用多元散射校正降低茶叶样本原始光谱数据集的散射影响,使用Savitzky-Gol...     

近红外漫反射光谱信息分解的数量分析

近红外漫反射光谱分析中,一直认为近红外光可获取样品内部的物质信息,但近红外漫反射光谱包含样品内部信息量究竟是多少,一直未给出准确的数量描述.该研究以烤烟样品为实验材料设计样品,每个实验样品分别由表层片状烤烟与内部烤烟粉末两部分组合而成,测定样品近红外漫反射光谱,提取光谱主成分信息(principal component,PC),将所提取的各主成分的不同组合作为统计指标,对样品进行聚类分析,结合各主成分方差贡献率,初步给出了样品不同深度光谱信息分解量的描述.实验结果表明,近红外漫反射光谱第1和第2主成分包含的信息量约占总信息的98%,反映样品表层信息;第3和第4主成分约占1.5%,表征样品内部信息.这一结果将有助于我们对近红外光谱定性定量分析时主成分信息的选择有一个更深刻的理解.