小波变换-偏最小二乘法用于Co,Ni,Zn的分光光度法同时测定

建立了以 2 (5 溴吡啶偶氮 ) 5 二乙氨基苯酚 (5 Br PADAP)作显色剂 ,溴代十六烷基吡啶 (CPB)为增溶增敏剂 ,用小波变换—偏最小二乘分光光度法同时测定钴 ,镍 ,锌的方法。在波长 5 30～ 5 90nm范围内每隔 2nm测定其吸光值 ,将测定结果分别用偏最小二乘法处理和经小波变换后用偏最小二乘法处理。结果表明 ,经小波变换后处理结果回收率明显提高。     

二维相关近红外谱结合NPLS-DA判别掺杂牛奶的研究

将二维相关近红外谱与多维偏最小二乘判别分析方法结合起来,建立了掺杂牛奶与纯牛奶的判别模型.分别配置掺杂尿素牛奶(1～20 g/L)和掺杂三聚氰胺牛奶(0.01～3 g/L)样品各40个,采集纯牛奶及掺杂牛奶样品的近红外光谱.在量化二维相关近红外同步谱的基础上,采用多维偏最小二乘判别分析法分别建立了掺杂尿素、掺杂三聚氰胺及两种掺杂牛奶与纯牛奶的判别模型对未知样品进行判别,其判别正确率分别为95％、90％和92.5％,并与偏最小二乘判别和隐变量正交投影判别建模方法进行了比较.结果表明:多维偏最小二乘判别分析法具有更强的预测能力可推广到其它食品的掺杂检测中.     

基于小波核偏最小二乘回归方法的混沌系统建模研究

基于核学习的强大非线性映射能力,结合用于回归建模的线性偏最小二乘(PLS)算法,提出一种小波核偏最小二乘(WKPLS)回归方法. 该方法基于支持向量机使用的经典核函数技巧,将输入映射到高维非线性的特征空间,在特征空间中,构造线性的PLS回归模型. PLS方法利用输入与输出变量之间的协方差信息提取潜在特征,而可允许的小波核函数具有近似正交以及适用于信号局部分析的特性. 因此,结合它们优点的WKPLS方法显示了更好的非线性建模性能. 将WKPLS方法应用在非线性混沌动力系统建模上,并与基于高斯核的核偏最小二乘 关键词： 小波核 偏最小二乘回归 混沌系统 建模     

基于TDLAS技术的天然气中痕量硫化氢分析的PLS算法应用

基于可调谐二极管激光吸收光谱技术的光谱分析仪测量天然气中硫化氢浓度的过程中,各种轻烃和二氧化碳等背景成分对光谱产生干扰,导致多个吸收峰叠加,对提取吸收光谱真实特征造成影响.应用偏最小二乘法消除背景成分的干扰,设计了检测天然气中硫化氢气体的可调谐二极管激光吸收光谱实验系统,采用偏最小二乘法和最小二乘法模型,分别检测了天然气中0~50ppm硫化氢成分的直测光谱和差分光谱.偏最小二乘法算法的测量结果均优于最小二乘法算法,且偏最小二乘法算法对于直测谱的测量误差保持在±1ppm范围内,满足分析仪器2%的准确度要求.利用偏最小二乘法算法避免了最小二乘法所必须的大量参考光谱数据的存储,分析仪可省掉复杂的差分光谱系统,从而达到降低成本、提高系统鲁棒性和实时性的效果.     

基于近红外光谱和偏最小二乘法的慈竹纤维素结晶度预测研究

将近红外光谱技术和化学计量学相结合分析慈竹纤维素结晶度。通过区间偏最小二乘法(iPLS)、联合区间偏最小二乘法(siPLS)和反向区间偏最小二乘法(biPLS)优化建模区域,建立经多元散射校正后光谱的结晶度分析模型,并与全光谱范围350～2 500nm建立的偏最小二乘(PLS)模型进行比较。结果表明,三种改进偏最小二乘法建立的结晶度模型预测效果均优于PLS模型,并且当采用联合区间偏最小二乘法将全光谱进行30个子区间划分,选择三个子区间[8 12 19]组合时,建立的siPLS模型预测效果最好,相关系数(r)达到0.88,预测标准差(RMSEP)为0.0117。因此,采用联合区间偏最小二乘法可以有效选择建模光谱区域,提高模型预测能力,实现慈竹纤维素结晶度的快速预测。     

基于遗传算法和间隔偏最小二乘的苹果硬度特征波长分析研究

利用傅里叶近红外光谱(FT-NIRS)测定了苹果的硬度。通过使用几种基于遗传算法和间隔偏最小二乘法的特征波长选取方法,包括动态向后间隔偏最小二乘(dynamic backward version of interval PLS,dynamic biPLS)、动态向后间隔偏最小二乘结合遗传算法(dynamic biPLS & GA-PLS)和反复的遗传算法(iterative GA-PLS),分析了苹果硬度的特征波长。结果表明,运用遗传算法和间隔偏最小二乘选择特征波长后,不但可以降低模型的复杂度,同时能够达到提高模型预测精度的效果。在此基础上,研究分析了苹果硬度特征波长的物理化学意义。由于果胶是在苹果成熟过程中一种和硬度有很大关联的物质,通过比较苹果硬度的特征波长和果胶的特征吸收峰,发现两者具有有很好的一致性。因此,采用遗传算法和间隔偏最小二乘法得到的苹果硬度的特征波长能够反映果胶的吸收信息,从而解释了近红外技术检测苹果硬度的机理。     

近红外光谱法快速检测猪肉中挥发性盐基氮的含量

为了实现快速无损地检测猪肉新鲜度的目的,应用近红外光谱法测定猪肉新鲜度重要指标一挥发性盐基氮(TVB-N)的含量.猪肉原始光谱经标准偏差归一化方法(SNV)预处理后,用联合区间偏最小二乘法(siPLS)建立猪肉预处理后光谱和TVB-N含量的校正模型并与经典偏最小二乘法(PLS)模型、间隔偏最小二乘法(iPLS)模型作比较.试验结果表明,利用联合区间偏最小二乘法所建的预测模型最佳,其校正集相关系数(Rc)和交瓦验证均方根误差(fRv)分别为0.8332和3.75,预测集的相关系数(Rp)和预测均方根误差(fRP)分别为0.8238和4.17.研究结果表明利用近红外光谱和联合区间偏最小二乘法可以快速地测定猪肉中挥发性盐基氮的含量.     

葡萄糖溶液近红外光谱分析中两种常用化学计量学方法的比较

采用主成分回归和偏最小二乘法分别对葡萄糖溶液近红外光谱分析 ,建立数学校正模型。主成分回归模型的相关系数为 0 .9780 ,偏最小二乘法模型相关系数为 0 .9986。对两种方法进行比较 ,确定对葡萄糖溶液近红外光谱分析的方法。     

改进偏最小二乘法在近红外牛奶成分测量中的应用

采用NicoletNexus870红外-近红外傅里叶变换光谱仪测量了36个市售巴氏杀菌纯牛乳样品的透射光谱。在近红外光谱1254～1875nm和2045～2372nm波段内,为了选择携带信息量大的波长区域,采用改进偏最小二乘回归法,包括间隔偏最小二乘法、移动窗口偏最小二乘法和可变窗宽移动窗口偏最小二乘法对巴氏杀菌纯牛乳中脂肪、蛋白质及乳糖成分分别建立模型,进行了分析和比较,结果表明,采用改进偏最小二乘法所选出的波长区与目标值的相关程度高,可以较好地建立牛奶的预测模型。     

用遗传算法快速提取近红外光谱特征区域和特征波长

提出了一种遗传区间偏最小二乘法(GA-iPLS),并用该方法快速提取苹果糖度近红外光谱的特征区域,在此基础上采用遗传偏最小二乘法(GA-PLS)提取苹果糖度近红外光谱的特征波长,进行苹果糖度预测。结果表明,整个光谱等分为40个子区间,遗传区间偏最小二乘法能快速寻找出5个特征子区间(第4,6,8,11,18号);在5个特征子区间的基础上用遗传偏最小二乘法继续优化,从中提取44个特征波长。建立在5个特征子区间和44个特征波长上的偏最小二乘法模型精度均优于全光谱偏最小二乘法模型,对预测集的预测相关系数提高了近10%;且模型得到了很大的简化,用于建模的主因子数减少了7个。这些结果表明,用这两种方法不但可以建立简洁、数据运算量少的模型,还可以快速地提取近红外光谱的特征区域和特征波长。     

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。     

基于特征波段的黄酒近红外光谱检测模型递归更新方法

近红外光谱是一种快速、无损的定量分析工具。为了提高黄酒关键参数的检测水平,采用近红外光谱法进行定量分析。检测过程中,由于受环境波动、仪器老化、原料变化等因素的影响,基于旧样品所建的模型的精确度逐渐下降。为保持模型的预测精度,引入递归偏最小二乘(recursive partial least square, RPLS)对模型进行更新。以往此方法多使用全谱信息扩充建模集并进行递归计算,光谱的变量多,且包含环境影响等干扰信息,更新计算量大,且精度的提升效果不明显。考虑到黄酒生产过程中特征波段变化小的特性,提出了一种基于特征波段的黄酒近红外光谱检测模型递归更新方法。先采用相关系数法提取特征波段建立低维模型,在采集到新样品理化值后,再利用其特征波段光谱信息,使用递归偏最小二乘对低维模型进行更新。此方法被应用于黄酒总酸的近红外检测模型更新。模型评价使用相关系数r,预测标准偏差RMSEP和预测相对分析误差RPD三个指标。结果表明：采用本方法后,模型稳定性显著优化,计算效率有所提升,模型预测效果良好,三个评价指标分别达到0.965 7,0.184 3和3.736 2,较全谱PRLS时分别提高3%,24%和31%,在实际应用中有一定的参考价值。     

蜂蜜真伪的近红外光谱鉴别研究

如何有效鉴别蜂蜜真伪是目前我国蜂产品质量控制的难题之一。提出了一种用傅里叶变换近红外光谱结合判别偏最小二乘法(DPLS)快速鉴别蜂蜜真伪的新方法。首先采集了71个商品蜜样品的近红外光谱数据,其中包括27个纯蜂蜜和44个掺假蜂蜜,然后5次随机划分建模集样本和验证集样本,并对建模样本进行不同光谱预处理,选择并优化不同波段范围和主成分数,用DPLS法建立了5组蜂蜜样本的真伪鉴别模型,外部交叉验证法预测模型。通过对结果进行比较分析,5组校正模型中真蜂蜜和掺假蜂蜜的总体识别准确率分别为91.49%,94.68%,92.98%,93.86%,94.87%;预测样本的识别准确率为86.96%～93.75%,其中模型2,3,4中掺假蜜的识别准确率达100%。研究结果表明,该方法可作为鉴别商品蜜真伪的一种快速筛选技术,在我国蜂蜜质量监控中具有重要意义。     

基于叶片光谱分析的小麦白粉病与条锈病区分及病情反演研究

小麦条锈病和白粉病作为我国麦区两种重要病害,在田间常同时发生,为病害防治管理带来困难。基于实验测试获得白粉病、 条锈病叶片光谱数据,探讨采用光谱分析对两种病害进行区分识别及严重度监测的可行性。通过相关分析和独立T检验,筛选出对白粉病和条锈病敏感度差异较显著的波段及光谱特征,包括665～684,718～726 nm等6个波段范围,以及DEP_550-770,SIWSI等11个光谱特征。基于这些波段和特征,采用FLDA构建病害判别模型;借助PLSR分析构建病情严重度反演模型。研究结果表明,筛选得到的反射率波段和光谱特征能够较好地区分两种病害,判别模型总体精度达到80%以上,准确度较高。其中,染病比率超过20%的病叶区分和识别精度可达95%。同时,分别基于两种病害敏感光谱特征构建的病情严重度反演模型能够较好地估测病情严重度,两种病害估测均方根误差均低于15%。上述叶片尺度小麦白粉病和条锈病区分和严重度反演模型为进一步研究两种病害冠层尺度的区分和监测提供基础。     

基于舌诊NIR反射光谱血清总蛋白含量的无创测量

采用舌诊近红外反射光谱对人体血清总蛋白(TP)含量进行无创检测。采集58例舌尖反射光谱进行反射率归一化并记录相对应的血清总蛋白生化分析值,将样本分为训练集和预测集,运用主成分分析结合BP神经网络法和偏最小二乘算法分别建立预测模型。主成分分析结合BP神经网络模型对预测集进行预测,平均相对误差为7.35%,均方根误差为3.069 1 g·L-1,相关系数为0.902 1。偏最小二乘模型对预测集进行预测,平均相对误差为4.77%,均方根误差为0.130 1 g·L-1,相关系数为0.971 8。实验结果证实了舌诊近红外反射光谱可以较为准确地用于总蛋白含量的无创检测。     

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473～1000 nm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(R_cal)和均方根误差(RMSEC)分别为0.96和0.043,预测集相关系数(R_P)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。     

玉米秸秆纤维素和半纤维素NIRS特征波长优选

预处理是提高玉米秸秆生物转化利用效率的有效途径。玉米秸秆经生物炼制转化为生物燃料时,转化率与其原料内的纤维素和半纤维素含量直接相关。为了实现对预处理后玉米秸秆的生物炼制过程的有效调控,提出使用近红外光谱(NIRS)对玉米秸秆的纤维素和半纤维素含量进行快速检测,解决传统化学方法测试速度慢、成本高的问题。为了提高NIRS检测的效率和精度,将遗传算法与模拟退火算法相结合构建遗传模拟退火算法(GSA)用于预处理后玉米秸秆纤维素和半纤维素含量NIRS特征波长优选。GSA算法以NIRS波长点数为码长进行二进制编码,以偏最小二乘法(PLS)回归模型的交叉验证均方根误差为目标函数,结合温度参数设计适应度函数,基于Metropolis判别准则实现扰动解的选择复制,能够在避免早熟的同时有效提高进化后期的搜索效率。采用碱预处理、生物预处理及其相结合的方法对采集的玉米秸秆进行预处理后制备样品120个,并测定其纤维素和半纤维素含量及NIRS。使用7点Savitzky-Golay平滑结合多元散射校正和标准正则变换对光谱进行预处理后,利用Kennard-Stone法按3∶1比例划分校正集和验证集。然后,使用GSA算法对NIRS全谱进行特征波长优选(记为Full-GSA)、对协同区间偏最小二乘法(SiPLS)优选后谱区进行特征波长优选(记为SiPLS-GSA)、对反向区间偏最小二乘法(BiPLS)优选后谱区进行特征波长优选(记为BiPLS-GSA),并使用PLS回归模型和验证集对特征波长优选结果进行评测。Full-GSA以全谱1 557个波长点为基因,执行16次算法,优选出118个纤维素特征波长点和164个半纤维素特征波长点。SiPLS-GSA经SiPLS优选的纤维素和半纤维素谱区波长点数分别为388个和160个,再经GSA进一步优选后得到157个纤维素特征波长点和148个半纤维素特征波长点。BiPLS-GSA经BiPLS优选的纤维素和半纤维素谱区波长点数分别为358个和180个,再经GSA进一步优选后得到130个纤维素特征波长点和153个半纤维素特征波长点。结果表明,通过波长优选,不仅参与建模的波长点数量显著减少,而且回归模型的性能显著优于全谱建模。其中,采用Full-GSA优选的纤维素特征光谱回归性能最佳,采用SiPLS-GSA优选的半纤维素特征光谱回归性能最佳。回归模型验证集的平均相对误差(MRE)分别为1.752 4%和2.020 8%,较全谱建模分别降低了13.636 6%和25.368 4%。基于结合温度参数设计适应度函数的策略构建的GSA具有良好的全局搜索性能,适用于玉米秸秆纤维素和半纤维素含量NIRS特征波长优选。GSA以全谱每个波长点为染色体基因的编码方案适用于NIRS全谱的特征波长优选。GSA同样适用于SiPLS和BiPLS优选后谱区的特征波长优选,能够有效实现优选后谱区的波长点优选。     

基于PLS-GRNN的豆粕品质近红外光谱检测研究

豆粕是大豆浸提取豆油后经适当干燥和热处理所得副产品,是制作禽畜类饲料的主要原料,其品质决定营养价值。针对现有豆粕品质检测方法存在着有毒化学试剂使用多、操作复杂、分析时间长、无法满足实际生产线快速检测及调控需求等问题,提出一种基于近红外光谱分析的豆粕品质多组分检测方法,以期用于产品质量在线检测及调控。从大豆油脂加工生产线上采集豆粕样品449个,利用105 ℃烘箱法、凯氏定氮法和索氏提取法分别测定样品的水分、蛋白质和脂肪化学值,采用瑞士BuchiNIRMaster傅里叶变换近红外光谱仪采集样品漫反射光谱。首先利用马氏距离法剔除异常样本,然后用多种方法对光谱数据进行降噪处理,对比分析发现小波去噪效果最优。分别采用KS和SPXY两种算法确定豆粕不同组分的最佳样本分集。为了探讨豆粕组分的近红外吸收特性,剔除光谱冗余信息,降低模型计算复杂度,采用区间偏最小二乘法（iPLS）对4 000～10 000 cm-1全谱进行特征提取,优选出水分、蛋白质和脂肪的特征吸收波段分别为4 904～5 200,4 304～4 600和4 304～4 600 cm-1。最后建立豆粕组分含量的广义回归神经网络（GRNN）预测模型。为了减少网络的输入变量,缩小网络规模,提高运行速度,采用PLS对光谱数据降维,提取主因子得分作为GRNN输入变量。通过交叉验证循环法优选网络参数光滑因子spread值,建立豆粕多组分含量PLS-GRNN预测模型,并与经典的PLS和BP模型对比,发现PLS-GRNN模型效果更优,其水分、蛋白质和脂肪的预测集R2分别为0.976 9,0.940 2和0.911 1,RMSEP分别为0.091 2,0.383 4和0.113 4,RSD分别为0.79%,0.83%和8.53%。虽然脂肪的预测误差相对较大,但也在模型评定标准可用范围之内。实验表明基于PLS-GRNN的近红外光谱分析用于豆粕品质检测是可行的,能够用于实际生产过程中的品质监控。     

全血胆固醇、甘油三酯近红外光谱分析与模型优化

为验证近红外光谱测量全血中胆固醇和甘油三酯的可行性,采用近红外透射光谱结合化学计量学方法建立胆固醇和甘油三酯定量分析模型。获取全血在近红外全波段800～2500nm范围的透射光谱后,通过采用间隔偏最小二乘法(iPLS)进行特征波段的选择实现对分析模型的优化。经优化后的胆固醇、甘油三酯分析模型的特征吸收波段分别为1650～1730nm和2260～2340nm,预测相关系数分别为0.79和0.865,预测均方根误差分别为0.5mol/kL和0.28mol/kL。研究结果表明近红外光谱技术可用于测量全血胆固醇、甘油三酯的含量,运用间隔偏最小二乘法可确定特征吸收波段和优化分析模型。     

近红外光谱和化学计量学方法用于橄榄油品质分析与掺杂量检测

基于橄榄油的近红外光谱数据,用判别分析(Discriminant analysis)方法把20个样品成功地分为特级初榨橄榄油和普通橄榄油两类,正确率为100％。同时测定了纯橄榄油中分别掺入菜籽油、玉米油、花生油、山茶油、葵花籽油、罂粟油的混合油的近红外光谱,掺杂油体积百分数范围为0～100%。选择最佳的光谱波段组合用偏最小二乘(PLS)法分别建立定量分析模型,预测相对误差范围在-5.67%～5.61%之间。研究结果表明,基于化学计量学方法和近红外光谱数据可为橄榄油的品质鉴定和掺杂量检测提供了一种简便、快捷、准确的方法。