烟叶中六种成分OSC-PCR定量模型的研究

采用近红外光谱技术对烟草中常规化学成分总糖、 还原糖、 烟碱、 总氮、 淀粉和挥发性碱进行测定。利用正交信号校正法(OSC)对烟叶的近红外光谱进行预处理,再使用主成分回归方法(PCR)建立烟叶中六种化学成分的定量分析模型,采用蒙特卡洛交互验证作为集成的建模策略优化模型参数,使用外部预测的相对预测性能(RPD)评价模型。结果表明,OSC有效解决了PCR投影方向并非浓度相关性最大方向的问题,同时解决了噪声、 基线漂移、 杂散光等问题。OSC-PCR建立的模型能够有效检测烟草常规化学成分。该研究方法通过确定化学值的波动范围初步监控烟叶中常规成分的含量,对于烟草品质评价和控制质量稳定性以及烟草香气成分分析具有重要意义。     

烤烟的近红外光谱检测模型

对杀青烟叶蛋白质和水溶性总糖含量的光谱检测,发现近红外光谱（1100-2500nm）的检测模型优于可见-近红外光谱（350-2526nm）,烟粉检测模型优于片状烟叶的检测模型.通过对烟叶全部光谱数据不同的预处理来探究其蛋白质和水溶性总糖的近红外光谱的检测模型,并利用近红外有效波长对施木克值的含量进行预测.利用偏最小二乘法（PLS）通过训练集的交叉验证建立回归模型,结果表明：（1）对原始光谱进行二阶导数变换后,得到蛋白质含量预测模型的预测集r=0.9768、RMSE=0.6843;（2）对原始光谱每隔51个点进行移动平滑处理及主成分数为8时,水溶性总糖含量预测模型的预测集r=0.9495、RMSE=0.9049;（3）基于82个波长对施木克值的预测模型的预测集r=0.9356、RMSE=0.1060.     

稻米淀粉崩解值的近红外透射光谱法测定

以203份稻米为样品,近红外透射光谱分析仪,对样品进行光谱扫描,并用快速粘度分析仪测定稻米淀粉崩解值.采用改进的偏最小二乘法进行定标模型的建立,得到了稻米淀粉崩解值测定的近红外分析模型的定标标准偏差(SEC)、交叉检验标准误差(SECV)和定标决定系数(RSQ)分别为:10.62、10.8和0.984,内部交叉验证的经校正的工作标准差(SEP)、检验偏差(BIAS)和交叉检验相关系数(1-VR)分别为:6.139、-0.362和0.939,相关性达极显著水平.内部交又验证和外部验证结果表明近红外定量分析崩解值有很高的准确度.近红外透射光谱技术为快速准确无损测定黏滞特性指标提供了一条新途径.     

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。     

灰度关联分析结合支持向量机用于近红外光谱研究

灰度关联分析是通过关联度的计算来理清系统中各因素之间的主次关系,找出影响较大的因素。简述了灰度关联分析的基本原理,并利用其对180个烟草样品的近红外谱进行了谱区优化,选取其中120个样品用于建模,另外60个样品用于模型检验。进一步利用偏最小二乘法和径向基支持向量机法分别建立了烟草样品的总糖、还原糖、烟碱及总氮的定量分析模型。结果表明,将灰度关联分析与支持向量机法联合用于烟草近红外光谱四个组分的定量分析,其模型的泛化能力和预测精度均有较明显的提高,从而能够有效地提高建模效率。     

涩柿可溶性单宁的可见/近红外漫反射光谱无损检测研究

旨在建立可见/近红外漫反射光谱与涩柿内部可溶性单宁之间的关系,以评价可见/近红外漫反射光谱在测量涩柿内部指标可溶性单宁的应用价值.在可见/近红外光谱区域(570～1848 nm),实验对比分析了不同数学建模算法、不同导数处理方法和不同散射及标准化处理的涩柿可溶性单宁定标模型.结果表明,应用改进偏最小二乘回归算法、一阶导处理和去散射处理所建涩柿可溶性单宁定标模型的预测性能较优,其定标交互验证相关系数(Rcv)和预测相关系数(Rp2)分别为0.722 7和0.678 5,定标交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.148 4和0.176 3.研究表明,可见/近红外漫反射光谱对涩柿可溶性单宁的快速无损检测具有一定的可行性,但模型精度有待提高.     

近红外漫反射光谱法测定整粒小麦单株蛋白质含量

应用近红外漫反射光谱技术(波长为1 100～2 498 nm,分辨率为2 nm),以整粒小麦为材料建立适合于小麦单株分析的蛋白质含量分析系统。首先选取籽粒蛋白质含量具有梯度差异的小麦样品,然后对样品扫描得到原始光谱信息,通过散射校正及数学处理来消除原始光谱噪声,最后分别采用多元线性回归、主成分分析法和偏最小二乘法法建立回归方程。结果表明,优化各项参数后,光谱经过标准乘性散射校正和一阶导数处理后,回归分析采用修正的偏最小二乘法(MPLS)得到的定标模型效果最佳。最终得到的预测方程定标相关系数(RSQ)、交叉验证标准误差(SECV)、交叉验证相关系数(1-VR)分别为0.94,0.42,0.87。数学模型经过验证样品集检验,预测相关系数达到0.88。该模型达到了快速、无损分析单株小麦的要求,非常适合于品质育种的早代选择。     

基于小波压缩的马铃薯全粉还原糖近红外光谱检测研究

为探讨小波压缩算法结合近红外光谱技术在马铃薯全粉还原糖含量检测中的可行性,采用傅里叶变换近红外光谱仪采集了250份马铃薯全粉样品的近红外光谱。分别优化了消失矩、小波系数和主成分因子数,优化结果为10,100和20。基于db小波函数将1 501个马铃薯全粉的近红外光谱变量压缩成100个小波系数。分别以1 501个光谱变量和100个小波系数为变量分别建立了偏最小二乘(PLS)校正模型。以62个未参与建模的样品作为预测集,考察模型的预测能力。经比较,小波压缩结合PLS的校正模型预测结果最优,模型预测相关系数为0.98,预测均方根误差为0.181%。实验结果表明小波压缩算法结合近红外光谱技术有效地保留了有效光谱信息,实现了光谱数据降维,简化了马铃薯全粉还原糖PLS校正模型,提高了模型的预测能力。     

智能优化算法应用于近红外光谱波长选择的比较研究

近红外光谱(NIRS)是一种间接分析技术,其应用需建立相应的校正模型。为了提高模型的解释能力、预测准确度和建模效率,需要对NIRS进行波长选择,优选最小化冗余信息。智能优化算法是以生物的行为方式或物质的运动形态为背景,经过数学抽象建立算法模型,通过迭代计算来求解组合最优化问题,其核心策略是以某种目标函数为标准,基于多元校正建模并以逐步逼近的方法筛选出有效的波长点。选用蚁群优化(ACO)、遗传优化(GA)、粒子群优化(PSO)、随机青蛙(RF)和模拟退火(SA)5种智能优化算法对烟叶总氮和烟碱近红外光谱数据进行特征波长选择,结合偏最小二乘(PLS)算法,构建了多个烟叶总氮和烟碱的校正模型,结果显示：所选用两个数据集的总氮最优模型分别为PSO-PLS和GA-PLS模型,烟碱最优模型分别为GA-PLS和SA-PLS模型,五种智能优化算法所建模型预测性能并非全部优于全谱PLS模型,但是通过智能优化算法进行波长选择后建立的PLS模型大大简化,模型的预测精度、可解释性和稳定性均有所提高。同时也对优选波长进行了解释和分析,烟叶总氮特征波长优选组合为4 587~4 878和6 700~7 200 cm-1;烟叶烟碱特征波长优选组合为4 500~4 700和5 800~6 000 cm-1,优选出来的特征波长具有实际物理意义。     

近红外光谱结合改进鲸鱼算法优化模型BAS-WOA-SVR检测藤椒油掺伪

鉴于藤椒油市场良莠不齐,以近红外光谱技术为基础,藤椒油为研究对象,展开对藤椒油掺伪检测研究。首先将纯藤椒油作为基底油,按比例配置掺入大豆油、玉米油、葵花籽油得到油样,采集藤椒油掺伪样品的近红外光谱数据;光谱数据经归一化处理后采用标准正态变换(SNV)、多元散射矫正(MSC)进行预处理,然后采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)进行特征数据提取,组合不同预处理算法与特征数据提取算法,通过支持向量机回归(SVR)建立藤椒油掺伪预测模型。结果表明：MSC-CARS-SVR模型校正集和预测集的决定系数(R²)最高,校正集R²达到了0.756 1,预测集R²达到0.705 2;均方根误差(RMSE)最小,校正集RMSE达到0.743,预测集RMSE达到0.794。为了提高模型的准确性,采用鲸鱼算法(WOA)和改进鲸鱼算法(BAS-WOA)优化SVR模型,改进的鲸鱼算法以每一次鲸鱼群的最优鲸鱼作为当前天牛须的出发位置,分别探索左右须前进,计算前进后的目标函数,如果目标函数优于当前最优鲸鱼的值,则用前进后的天牛...     

橡胶添加剂瓦斯炭黑的太赫兹光谱定量研究

瓦斯炭黑是橡胶中重要的添加剂之一,其含量对橡胶性能有重要的影响。丁腈橡胶是工业生产中应用比较广泛的合成橡胶,研究丁腈橡胶中瓦斯炭黑的含量具有重要意义。利用太赫兹时域光谱技术,对八种不同含量瓦斯炭黑与丁腈橡胶组成的混合物样本中的瓦斯炭黑含量进行测试,获取了混合物样本在0.3~1.4 THz频段的吸收光谱数据。分别利用偏最小二乘(PLS)和支持向量回归(SVR)建立混合物中瓦斯炭黑的定量分析模型,使用均匀梯度法来选择模型的校正集和预测集,获得瓦斯炭黑预测集的相关系数与均方根误差。偏最小二乘模型相关系数与均方根误差分别为0.985 8和2.098 9%,支持向量回归模型相关系数与均方根误差分别为0.998 0和0.785 4%。实验结果表明,支持向量回归定量分析模型的预测结果优于偏最小二乘模型。为进一步证明支持向量回归模型的稳定性,多次使用随机选择法选择它的校正集和预测集,并求得其相关系数与均方根误差。结果表明,无论是利用均匀梯度法还是随机选择法对支持向量回归定量分析模型的校正集和预测集进行选择,求得的相关系数和均方根误差均优于偏最小二乘模型。     

特征提取算法在福美双表面增强拉曼光谱定量分析中的应用

表面增强拉曼散射(SERS)技术具有快速、指纹效应与极低的检测限等优点,被越来越多地应用到有害污染物、有毒物质、危险物质的检测与分析中。在SERS光谱的测量过程中,易受基底、仪器、宇宙射线与测量环境等因素影响,出现波动现象,对后续的分析与检测造成较大的干扰。基于农药福美双SERS光谱数据,尝试利用多种特征提取算法,如主成分分析(PCA)、离散余弦变换(DCT)、非负因式分解(NMF) ,对光谱的主分量进行提取,以减弱光谱数据波动对其后续的定量分析结果的影响。然后将提取后的分量分别结合线性回归算法——偏最小二乘法回归(PLSR),非线性回归算法——支持向量机回归(SVR)建立定量模型。最后,利用5-折交叉验证方法对比不同特征提取算法在不同类型的回归算法下的效果。通过实验验证可知,SVR对福美双溶液的分析精度要明显高于PLSR,这主要是由于SERS光谱强度与被分析物浓度之间为非线性关系。同时针对两种类型回归算法,特征提取算法都能明显地提升了分析结果,主要是由于其提取了源数据的主体信息,去除干扰信息。其中在线性回归中使用PCA效果最佳,在非线性拟合中使用NMF结果最佳,分析误差最好时可降低近3倍。最优回归模型(NMF+SVR)的交叉验证均方误差(RMSECV)为0.0455 μmol·L-1(10-6 mol·L-1),达到国家对福美双的检测标准,为农药快速检测提供一种新的方法。     

基于机器学习和可见光光谱的冬小麦叶片氮积累量估算

在拔节期分4次采集了6个施氮水平下的冬小麦冠层图像,同步进行取样并以凯氏定氮法测定叶片含氮量,进而计算叶片氮积累量。利用随机森林算法分割冠层图像之后提取冠层覆盖度、可见光波段(R, G和B)三个分量及其衍生的5个色彩指数。以冠层覆盖度外加色彩指数、色彩分量的两种非线性回归,以及人工神经网络、支持向量回归、随机森林3种机器学习算法建立了冬小麦叶片氮积累量的估算模型。结果表明利用色彩指数的非线性回归模型的估算精度稍低于其他方法,而随机森林算法的拟合精度最高,但存在明显的过拟合现象。其他三种方法,即以冠层覆盖度及色彩分量为输入变量的非线性回归、支持向量回归和人工神经网络方法,均具有较高的拟合精度和泛化性能。     

基于LLE-SVR的鸡蛋新鲜度可见/近红外光谱无损检测方法

鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。为了能够实现鸡蛋新鲜度的快速无损检测,利用微型光纤光谱仪采集鸡蛋550～950 nm的透射率光谱曲线,与鸡蛋的哈夫单位值进行了定量分析。通过不同的预处理方式分别结合偏最小二乘回归(partial least squares regression, PLSR)与支持向量回归(support vector regression, SVR)建立模型,比较了不同模型的预测结果,发现一阶微分结合SVR能够实现较好地预测,且利用SVR建模要优于PLSR。为了提高运算效率,减少无用信息对建模的不良影响,分别利用线性降维主成分分析法(principal component analysis, PCA)与非线性降维局部线性嵌入(locally linear embedding, LLE)对一阶微分后的光谱数据降维,比较两种降维方法的预测效果,得出了LLE降维要优于PCA降维,其训练集和预测集的相关系数与均方根误差分别为92.2%,7.21和91.1%,8.80,训练集交叉验证的均方根误差相比减少了0.79。实验结果表明,利用局部线性嵌入结合支持向量回归进行非线性建模,能够提高鸡蛋新鲜度的预测能力,表明该方法对鸡蛋新鲜度的可见/近红外光谱检测可行。     

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE (φ×10－60较仅用SVR模型预测的RMSE (φ×10－6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。     

应用近红外光谱对低碳数脂肪酸含量预测

应用近红外光谱技术结合支持向量机回归(support vector machine regression, SVR)方法测量食用植物油脂低碳数脂肪酸(C≤14)含量。使用SupNIR-5700近红外光谱仪采集58个样品的近红外光谱图,通过偏最小二乘(partial least square, PLS)算法剔除奇异样品。选择其中具有代表性的52个样品进行主成分分析(principal component analysis, PCA),选取径向基(radial basis function, RBF)核函数建立支持向量机回归模型,并对光谱预处理方法和参数寻优方法进行了详细的分析和讨论。实验表明,经过粒子群算法(particle swarm optimization, PSO)优化后模型的性能都有所提高,泛化能力更强,预测的准确度和稳健性更好;其中预处理方法2经过PSO优化寻优后的参数C=2.085, γ=22.20时,预测集和校正集相关系数(correlation coefficient, r)分别达到了0.998 0和0.925 8,均方根误差(root mean square error, MSE)分别为0.000 4和0.014 3。研究结果表明,应用近红外光谱结合PSO-SVR方法进行食用植物油脂低碳数脂肪酸含量快速、准确的预测是可行的。     

紫外光谱法预测烤烟烟叶中的全氮

利用紫外光谱法测量不同等级烤烟烟叶的光谱,对样品在190～1 100 nm波长范围进行扫描,比较其光谱之间的差异。并利用多元分析中的逐步回归法、主成分分析法和偏最小二乘法来建立烤烟烟叶全氮含量的光谱预测模型。结果表明:(１)用多元分析中的逐步回归法、主成分分析法适合建立全氮预测模型;(２)在230～290 nm波长范围内建立不同等级烤烟的全氮模型,且模型效果较好;(３)主成分分析法预测烤烟烟叶全氮模型的准确性比逐步回归法预测烤烟烟叶全氮模型的准确性要好得多,且用主成分分析法预测烤烟烟叶全氮模型的准确性为78%; (４)不同的数据处理方法,得出的预测模型是不同的;(５)通过选择恰当的全氮特征谱线可以提高预测模型的准确性。说明可以用紫外光谱来预测烤烟全氮的含量,且该模型稳定性好,可用来快速、准确、无污染地测量烟草中的全氮含量。     

Predicting the contents of polysaccharides and its monosugars in Dendrobium huoshanense by partial least squares regression model using attenuated total reflectance Fourier transform infrared spectroscopy

An attenuated total reflectance Fourier transform infrared spectroscopy method combined with partial least square regression was established to rapidly quantify the total polysaccharide and its major monosugars in Dendrobium huoshanense. The results showed that the optimal predictive methods were the models established by the infrared spectroscopy files pretreated by standard normal transformation combined with the second derivative; the accuracy of the models selecting wavelength regions based on the assignments of Fourier transform infrared spectroscopy signals of polysaccharide was obviously higher than the models selecting wavelength regions suggested by Thermofisher Quantity Analyst software and other possible wavelength region selecting modes. The external validation and the complete external validation confirmed the robustness and reliability of the developed attenuated total reflectance Fourier transform infrared model. Our study might provide an efficient technique tool for the rapid, green, low-cost, and nondestructive quantification of the total polysaccharide and the main monosaccharides in Dendrobium huoshanense and other rich-in-polysaccharide plant food or medicines.     

热红外光谱的干旱区土壤含盐量遥感反演

干旱区土壤盐渍化已对生态环境构成严重威胁,通过遥感技术对土壤盐分含量进行定量反演具有重要意义。通过采集艾比湖流域的农田土壤和盐壳结晶,在室内配制成不同含盐量梯度（盐分占盐土比重：0.3%～30%）的土壤样品,利用102F FTIR光谱仪测量土壤样品的热红外光谱,并通过普朗克函数拟合得到土壤发射率数据。土壤发射率光谱曲线特征：不同含盐量土壤的发射率光谱曲线在形态和变化趋势上基本一致,发射率随含盐量增加而增大;盐分因子对Reststrahlen吸收特征有抑制作用,随着含盐量的增加,Reststrahlen吸收特征会减弱。通过发射率与含盐量相关性分析：土壤热红外发射率与盐分含量呈正相关关系,最大相关系数达到0.899,对应的波段为9.21 μm;8.2～10.5 μm是土壤盐分因子的最敏感波段。通过一元线性回归、多元逐步回归和偏最小二乘法建模分析比较,偏最小二乘法效果最佳,模型预测的R2达到0.958,RMSE为1.911%。选择ASTER,Landsat8和HJ-1B卫星传感器的热红外波段,进行发射率光谱模拟,通过相关性分析：ASTER的B10,B11和B12波段属于热红外光谱对盐分因子的敏感波段,与土壤含盐量相关性较高,相关系数分别为0.706,0.786和0.872。采用多元线性回归法建立基于ASTER热红外波段的土壤含盐量预测模型,模型预测的R2为0.833,RMSE为3.895%。结果表明,遥感传感器对土壤含盐量的预测能力,取决于传感器的光谱波段对盐分因子的敏感程度,通过卫星热红外遥感定量反演土壤含盐量是可行的,为干旱区土壤盐渍化遥感监测提供了新的途径和参考。