近红外光谱法快速测定植物油中脂肪酸含量

应用近红外光谱技术建立了快速测定植物油中4种脂肪酸含量的方法。应用气相色谱法测定52个植物油样品中棕榈酸(C16∶0)、硬脂酸(C18∶0)、油酸(C18∶1)和亚油酸(C18∶2)的含量作为其化学值(真值)。建模集样品数为41,检验集样品数为11,通过对模型的优化,结果表明建模样品集脂肪酸的化学值(真值)与近红外预测值的相关系数r分别为:r(C16∶0)=0.891,r(C18∶0)=0.837,r(C18∶1)=0.982,r(C18∶2)=0.971。检验样品集脂肪酸的化学值与近红外预测值的相关系数分别为0.921,0.891,0.946和0.949。实验结果表明气相色谱法测得的植物油中四种脂肪酸含量与近红外预测值之间存在较好的线性关系。应用近红外光谱法测定植物油中主要脂肪酸的含量是可行的。该方法既快速、方便,又可进行同一样品的多组分分析,有很好的应用前景。     

柑橘品质的近红外光谱无损检测

选择不同谱区范围的近红外光谱,利用偏最小二乘法对柑橘中总酸、总糖和维生素三种组分建立数学预测模型并进行优化,三种组分的化学值与近红外预测值的相关决定系数分别为:总酸r2=0.959,总糖r2=0.970和维生素C r2=0.973,所建模型具有实际应用价值.     

透反射近红外光谱法快速测定大豆油中的脂肪酸

应用透反射技术在1 100～2 500nm波谱段采集大豆油近红外光谱,采用改进的偏最小二乘法算法,建立了近红外光谱快速测定大豆油中五种主要脂肪酸含量的方法。以气相色谱法测定的158个大豆油样品中棕榈酸(C16∶0)、硬脂酸(C18∶0)、油酸(C18∶1)、亚油酸(C18∶2)和亚麻酸(C18∶3)含量作为其化学值,建模集样品数为138,检验集样品数为10,盲样验证集样品数为10;通过对定标模型的优化,五种脂肪酸的交互定标决定系数(1-VR)分别为0.883 9,0.583 0,0.900 1,0.977 6,0.959 6,交互定标标准误差(SECV)分别为0.42,0.29,0.83,0.46,0.21;盲样验证集样品五种脂肪酸的近红外预测值与化学值的相对标准误差均小于5.50%。结果表明,近红外预测值与化学值之间存在较好的线性关系,所建立的方法快速、方便、可靠,可用于大豆油的掺伪鉴别。     

六味地黄丸指纹图谱的近红外光谱分析方法的建立

建立了一种近红外光谱测定六味地黄丸指纹图谱的方法。应用毛细管电泳法建立六味地黄丸指纹图谱,计算其相似度,同时测定其近红外光谱,建立六味地黄丸指纹图谱相似度与近红外光谱之间的数学模型。通过对模型的优化,建模集样品的相关系数(r)、校正标准差和平均相对误差分别为0.9046,0.058和6.12%,表明六味地黄丸指纹图谱相似度实测值与预测值之间有较好的线性关系。研究结果表明以基于指纹图谱的近红外光谱法用于六味地黄丸的质量控制具有可行性。     

近红外光谱法预测云南香料烟中总糖、还原糖和总氮

应用近红外光谱法预测云南香料烟的总糖、还原糖和总氮。250份样品作为建模样品,41份作为验证样品,结果表明:总糖、还原糖和总氮的近红外预测值与化学测定值之间的最大绝对误差分别为1.07%、0.90%、0.10%;两测定值配对t检验结果显示近红外光谱法(预测值)与行标法(实测值)之间差异不显著;从验证样品中选择一个样品,进行总糖、还原糖和总氮含量的重复性测定,RSD均小于1%,所建模型能进行香料烟中总糖、还原糖和总氮含量的快速测定并可作为实验室质量控制的一种方式。     

傅里叶变换近红外全谱回归分析的应用研究

文章以66个小麦样品为实验材料,其中33个为建模集,剩余33个为预测集,利用广义逆矩阵直接确定傅里叶变换近红外全谱分析回归模型中的回归系数,建立了用于蛋白质定量分析的近红外全谱回归模型。用此模型对预测集中的样品进行预测,结果与凯氏定氮法测定结果间的相关系数为r=0．9799,平均相对误差为1．76％,表明由广义逆矩阵方法所建近红外全谱定量分析回归模型有较好的分析结果。所建模型不仅可用于对样品的实际分析,而且可根据回归模型中各个系数了解各个波长点处的光谱信息对模型预测值的贡献,从而可理解并解释傅里叶变换近红外全谱回归模型的物理学与化学意义。     

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。     

近红外光谱技术实时测定土壤中总氮及磷含量的初步研究

及时、准确探测土壤中的氮、磷含量,有利于精准施肥决策,提高肥料利用率。研究表明近红外技术能够探测土壤的物理和养分状况。针对不同土地利用类型,在北京大兴地区采集85份土壤样品,测定土壤氮、磷养分及其近红外漫反射光谱,并利用傅里叶变换光谱技术和偏最小二乘回归法建立了土壤总氮(N)和总磷(P)的近红外光谱校正模型。所建模型的交叉检验决定系数(R2CV)分别为0.8626(N),0.6685(P)。用未参与建模的10个样品对模型进行外部检验,总N、总P的预测相关系数(r)分别为0.9698,0.8307,预测标准误差(RMSEP)分别为0.0095%(N),0.0086%(P),RPD值(检验集样品化学测定值标准差/预测标准误差)分别为3.78(N),1.69(P)。结果表明,采用适当的光谱分析方法可以实现用近红外技术对土壤总N的精确探测及对土壤总P的粗略估测。     

近红外光谱法测定有机混合物中的正己烷、环己烷、甲苯的含量

用近红外光谱法对具有不同含量水平的环己烷、正己烷、甲苯、苯的四氯化碳混合溶液中的环己烷、正己烷、甲苯进行了定量分析。对于体积百分含量在1.4％～20％之间的环己烷,校正集真值与预测值相关系数r=0.9969,RSD=0.34％;对于体积百分含量在0.04％～0.96％的正己烷,校正集真值与预测值相关系数r=0.9999,RSD=0.83％;对于含量在26.0～259.8mg·L~(-1)的甲苯,校正集真值与预测值相关系数r=0.9921,RSD=4.63％。近红外光谱可以检测到26.0mg·L~(-1)的含量水平,其预测值为25.9mg·L~(-1),相对误差为0.38％。结果表明,用近红外光谱快速、准确、同时测定不同含量水平的组份可以获得较理想的结果。     

近红外光谱技术在快速测定连翘提取物中连翘苷含量的应用

本文主要对近红外光谱技术在快速测定连翘提取物中连翘苷含量的应用进行了研究。利用近红外漫反射光谱法采集样品的近红外光谱,以HPLC分析值作为参考值,采用偏最小二乘法(PLS)建立连翘苷含量的定量校正模型,并用未知样品对该模型进行验证。所建模型的相关系数(R2)、校正均方差(RM-SEC)和内部交叉验证均方差(RMSECV)分别为0.9745、0.117和0.2392;经外部验证,预测相关系数(r2)和预测均方差(RMSEP)分别为0.9788和0.0776。结果表明该方法操作简便,无污染,结果准确可靠,可用于连翘提取物中连翘苷含量的快速测定。     

近红外光谱法快速测定毛竹Klason木质素的含量

研究了用近红外漫反射光谱法对毛竹Klason木质素含量的快速预测.选取了代表不同竹龄、不同高度和横向不同位置的54个竹材粉末样品,用常规实验室方法测定了54个样品的Klason木质素含量,用近红外光谱仪漫反射方式在350～2 500 nm范围内采集相应样品的光谱,利用多变量统计分析软件建立样品木质素含量和光谱数据之间的相关性模型.结果表明,对原始光谱进行二阶导数预处理后,选择1 011～1 675 nm和1 930～2 488 nm波长区间,用偏最小二乘法(PLS1)和完全交互验证方式建立了的校正模型和预测模型的相关系数分别为0.99,和0.97,校正标准误差SEC=0.36%,预测标准误差SEP=0.59%,说明毛竹Klason木质素含量和近红外光谱之间存在非常好的相关性,用近红外光谱技术可以实现对竹材样品中Klason木质素含量的快速预测.     

神经网络模型在LED便携式近红外整粒小麦成分测量仪上的建立

采用三层反向传播人工神经网络,在LED便携式近红外整粒小麦成分测量仪上,建立了测定整粒小麦中粗蛋白含量的定量分析模型.给出了LED便携式近红外整粒小麦成分测量仪的结构框图、光路结构图及所采集的整粒小麦样品光谱图.简介了人工神经网络的原理并给出了建模的结果.用人工神经网络建立模型,得到校准集和预测集的相关系数分别为0.90和0.96,相对标准偏差分别为3.77%和4.46%.在所使用的有限个分立波长的测定仪上,由于仪器光路、电路及整粒样品状态的影响,存在着一定的非线性.采用人工神经网络建立的模型,其结果优于线性模型的结果.     

南疆冬枣偏振参量模型户外光照条件适应性研究

农业遥感检测时,晴朗的天气是采集光谱的必要条件。本研究主要目的是：（1）通过高光谱偏振探测技术,探究不同天气（晴天、阴天、多云）对不同波长下南疆冬枣二向反射分布函数（BRDF）的偏振参量（S₀,ε₀,f₀₀）、线偏振度（Dolp）与理化值模型的影响;（2）对比不同天气条件下的实验结果,为户外红枣品质的遥感探测提供一定的环境适应性参考和前景应用性参考。利用统计分析方法,分析了南疆冬枣水分与其光谱偏振特性的统计关系,分别建立了不同天气条件下S₀,ε₀,f₀₀, Dolp的一阶导数光谱形式与南疆冬枣水分含量的统计方程,选用相关系数R、校正集样本的标准差（RMSEC）、预测集样本的标准差（RMSEP）共3个指标对模型的性能和预测能力进行评价。相关性分析结果表明：户外晴天、阴天、多云三种天气条件检测南疆冬枣品质时,水分含量与高光谱偏振数据之间具有较好的相关性,但多云天气条件下偏振参量、线偏振度与水分含量的相关性要优于晴天和阴天条件下的相关性,前者模型的相关系数最大,其r值分别为：0.913和0.914,且最接近暗箱光谱与水分含量模型的相关系数R的值：0.926。模型的可行性分析结果表明：三种天气条件下偏振参量、线偏振度与水分含量模型的校正集样本的标准差最大值分别为0.009 71和0.008 73,RMSEC的值越小,表明模型回归的越好。模型对外部样本的预测能力分析结果表明：三种天气条件下偏振参量、线偏振度与水分含量模型的预测集样本的标准差最大值分别为0.012 3和0.011 7,RMSEP的值越小,表明模型的预测能力越强,结果越准确。不同天气实验结果表明：因偏振有“强光弱化,弱光强化”的作用,通过对比晴天、阴天、多云实验结果,该方法有较好的环境适应性,在户外红枣品质遥感探测方面有广泛应用前景。     

多成分有机气体的近红外光谱定量检测方法

在环境检测领域,运用近红外光谱分析技术对多成分挥发性有机物进行连续的在线监测具有重要意义。本文分析了三种挥发性有机物——丙烷、丙烯和甲苯的近红外光谱特征和丙烯浓度与吸光度的线性关系,采用线性回归建模方法——偏最小二乘法对丙烷、丙烯和甲苯混合气体存在特征吸收的近红外光谱(1620~1750 nm)进行了建模分析,基于该模型预测了验证集样品中三种气体的含量,并对模型进行了评价。实验结果表明,近红外光谱技术可以方便、准确的定量分析有机性挥发气体的多组分含量,可以应用于多成分挥发性有机物的连续在线监测。     

木材不同切面的近红外光谱信息与密度快速预测

用近红外光谱对木材密度进行了研究.发现木材三个不同切面(横切面、径切面、弦切面)的近红外光谱有较大的差异;结合偏最小二乘法(PLS),根据三个切面采集到的光谱数据与木材密度建立了校正模型,横切面预测集的相关系数r为0.94,径切面和弦切面分别为0.85和0.81.结果表明,从横切面采集到的光谱建立的预测模型效果最好.用该模型对随机抽取、未参与建模的15个样品的密度进行了预测,r2=0.977,标准偏差:STDEV=0.006.     

近红外光谱分析中建模校正集的选择

将极大线性无关组的概念及方法引入近红外光谱分析,探讨了在建立定量分析模删时代表性样品,即校正集样品的选择问题.以2 652个烟末样品为实验材料,随机选取1 001个样品构成预测集,其余1 651个样晶为代表性样晶备选集.用Matlab软件求出代表件样品备选集光谱矩阵的极大线性尤关组,以此作为代表性样品,构成建模的校正集.用PLS回归法建立了烟未样品总糖含量定量分析的预测模型,并将模型用于预测集中1 001个烟末样晶总糖含量的预测分析.实验结果表明,当选择的校正集包含的样品数最大于32时,所建各模型对预测集样品预测的平均相对误差均小于4%,平均相关系数大于0.96.其中选择32个代表性样品和146个代表件样品所建模型定量分析预测集中各样晶的总糖含量,两个结果经统计检验没有显著性差异(a=0.05),说明求极大线性无关组的方法用于校正集样晶的选择,可实现"少而精"选择样晶的目的.此外,我们用求极大线性无关组选择校正集样品和随机方法选择校正集样品两种方法,选择了同样数目28,32,41,76,146,163个样品建模进行预测效果的对比实验,结果显示,求极大线性无关组法选择校正集建模的预测效果优于随机选择校正集建模的预测效果.     

应用可见-近红外光谱技术进行白醋品牌和pH值的快速检测

提出了一种基于可见-近红外透射光谱技术快速判别白醋品牌和测定pH值的方法。应用可见-近红外透射光谱获取不同品牌白醋的透射光谱曲线,并对获得的原始光谱数据进行平滑、变量标准化以及一阶导数等预处理,然后利用主成分分析对原始光谱数据进行聚类分析,根据主成分的累计贡献率选取主成分数,并将所选取的主成分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,得到三层优化神经网络结构:5输入层节点,6隐含层节点和2输出层节点,各层传递函数均采用Sigmoid函数。利用该模型对预测集样本进行预测。实验结果表明在阈值设定为±0.1的情况下该模型对预测集样本品牌鉴别准确率达到了100%,pH预测值与实际测量值偏差小于5%,得到了理想的结果。所以利用可见-近红外光谱技术结合主成分分析和神经网络算法能够快速准确的判定白醋品牌和pH值。