特征根回归法近红外光谱定量分析研究

本文以大豆样品为实验材料，研究了特征根回归法近红外光谱定量分析。用40个大豆样品的近红外光谱数据建立了测定大豆蛋白质含量的特征根回归模型，预测另外32个大豆样品的蛋白质含量，结果同PLS回归方法进行了比较，表明特征根回归模型可用于生物样品的近红外光谱定量分析。特征根回归法是对PCR建模方法改进的又一种化学计量学定量分析校正方法，该方法在对样品光谱提取主成份时考虑了待分析组分的作用，因此所建立的定量分析模型有好的分析效果。研究结果进一步表明，以样品近红外光谱建立定量分析模型，提取主成份时充分考虑被定量分析成份的作用是完全必要的。     

岭回归在近红外光谱定量分析及最优波长选择中的应用研究

以66个小麦样品为试验材料,研究岭回归方法在近红外光谱定量分析中的应用。用44个小麦样品的近红外光谱数据建立测定蛋白质含量的近红外-岭回归模型,预测其余22个小麦样品的蛋白质含量。预测结果与凯氏定氮法分析结果(化学分析值)的平均相对误差为1.518%,与偏最小二乘法(PLS)预测结果进行比较,显示岭回归方法可用于近红外光谱定量分析;进一步,为了减少无关信息对定量分析模型预测能力的干扰,一种有效的方法就是进行波长信息的选择。从1297个波长点中优选出4个波长点,利用这4个波长点处的光谱信息建立近红外-岭回归模型预测22个样品的蛋白质含量,预测结果与凯氏定氮法分析结果之间的平均相对误差为1.37%,相关系数达到0.9817。结果表明岭回归方法从大量光谱信息中筛选出了最重要的波长信息、不仅简化了模型,有效的减少了光谱信息共线性的干扰,而且对特定分析选择出适用的波长对指导设计专用近红外定量分析仪器亦有实际意义。     

近红外光谱温度修正定量分析模型的研究

以小麦粉末样品为实验材料,研究了环境温度对近红外光谱定量分析结果的影响。将环境温度作为外部变量,使用不同温度下的45个样品建立了测定小麦蛋白质含量的温度修正模型,预测不同温度下的小麦样品的蛋白质含量,结果同以22℃恒温下45个样品建立的模型进行了比较。分析结果表明：温度修正模型的预测标准差(SEP)平均为0．333,而恒温模型(22℃)的预测标准差随着环境温度与建模时温度差的增大而增大,当环境温度4℃时,SEP=0．6016。温度修正模型可以有效的提高近红外光谱定量分析精度。     

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。     

有监督主成分回归法在近红外光谱定量分析中的应用研究

介绍了运用有监督主成分回归法建立近红外光谱定量分析模型的原理和方法.利用该方法先进行近红外光谱定量分析建模的波长信息选择,达到降低光谱数据维数的目的,然后建立数学模型,并用其分析预测集样品.文中以66个小麦样品为实验材料,随机选择其中40个样品建立小麦样品中蛋白质含量的近红外光谱定量分析模型,首先优选出4个波长点:4 632,4 636,5 994,5 997 cm-1,利用这4个波长点处光谱信息建立主成分回归模型预测26个样品的蛋白质含量,其结果与凯氏定氮法分析结果的相关系数为0.991,平均相对误差为1.5%.该方法从大量光谱数据中筛选出最重要的部分波长信息,实现了"少而精"的波长点选择,对建立抗共线性信息干扰的光谱定量分析模型,同时对指导专用近红外分析仪器设计中波长点的选择等方面都有一定的意义.     

MAXR回归法在近红外光谱定量分析及最优波长选择中的应用研究

介绍了运用MAXR回归法建立傅里叶变换近红外光谱定量分析模型的原理和方法。以此方法,由Madab语言设计程序,进行近红外光谱定量分析建模的波长信息选择。并以小麦样品为实验材料,建立了蛋白质含量的近红外光谱定量分析模型,其中优选出2个和3个波长点处光谱信息建立的多元回归模型的预测结果与凯氏定氮法分析结果相关系数分别为0．9771和0．9765,标准差分别为0．335和0．340。MAXR回归法在进行波长信息,选择时可建立分别包含1,2,…,k个波长点信息的最优回归模型,且计算量适中,因此是一种实用的选择“最优”波长信息的回归方法。该方法不仅可少而精选择波长信息,建立抗共线性信息干扰的光谱定量分析模型,而且对于特定样品、特定待分析组分,选择最优波长信息建模分析的工作,可指导专用近红外分析仪器的设计。     

基于Elastic net主成分优选的近红外光谱定量分析模型

Elastic net是对最小二乘方法的一种改进,在最小二乘法的基础上增加了L1和L2惩罚,具有变量选择和模型可提高预测精度的良好性质。此研究以89个小麦样品为实验材料,通过Elastic net方法优选光谱主成分,建立近红外光谱与小麦中蛋白质含量之间的定量分析模型,考证了Elastic net优选主成分建立定量分析模型的可行性。实验中将89个小麦样品随机分成两组,60个样品做建模集,其余29个做预测集。60个样品所建模型预测29个样品的蛋白质含量,预测值和化学测量值间的相关系数(r)为0.9849,平均相对误差为2.48%。为进一步考察该方法建模的可行性和稳定性,对89个样品分别进行5次随机划分,60个样品做为建模集,29个样品做为预测集,5次建模所选光谱的主成分基本一致;同时与PCR和PLS方法作对比,结果显示5次所建模型的预测效果明显好于PCR,且与PLS方法相近。鉴于Elastic net具有变量选择的功能,且所建模型具有较好的预测效果,表明该方法是一种可行的建立化学计量学定量分析模型的方法。     

近红外光谱法非破坏性测定黄豆籽粒中蛋白质、脂肪含量

采用傅里叶近红外漫反射光谱非破坏性分析 ,能够提供完整籽粒黄豆样品成分的含量信息 ,结合偏最小二乘回归法 (PartialLeast Squares,PLS) ,以 39个不同品种的完整籽粒黄豆样品建立蛋白质和脂肪含量近红外定量分析模型 ,其中蛋白质、脂肪含量分析模型的测定系数R2 分别为 99 30 ,97 5 2 ,相对标准偏差RSD分别为 0 76 %和 1 3% ,检验集的化学值与模型预测值的相关系数r分别为 0 94 73,0 86 95。用所建模型对 2 6 4个不同品种的黄豆样品进行预测 ,并采用R error指标来估计分析结果的误差 ,其中蛋白质和脂肪模型预测的最小相对误差分别为 0 0 4 %和 2 4 6 % ,最大相对误差分别为 2 4 5 %和 4 2 5 %。该结果对育种过程中的早代筛选工作有重要意义     

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.     

PLS-GRNN法近红外光谱多组分定量分析研究

研究了偏最小二乘(partial least squares,PLS)与广义回归神经网络(generalized regression neural networks,GRNN)联用在近红外光谱多组分定量分析中的应用.以饲料样品为实验材料,采用PLS-GRNN法建立了饲料中水溶性氯化物、粗纤维、脂肪三项组分含量近红外光谱定量分析模型.马氏距离法剔除强影响点和奇异点,用PLS法将原始数据压缩为主成分,取8个主成分吸收峰与4个原始图谱特征峰值输入GRNN网络,网络光滑因子σi为0.1.PLS-GRNN模型对样品3个组分含量的预测决定系数(r2)分别为:0.984 0,0.987 0,0.983 0;样品平行扫描光谱预测值的标准偏差分别为:0.003 26,0.065 5,0.031 4.结果表明所建PLS-GRNN模型通过近红外光谱能够准确预测饲料中水溶性氯化物、粗纤维、脂肪三项组分含量,为近红外光谱进行多组分定量分析提供了新思路,同时为解决近红外快速检测技术在预测组分含量较低的样品时误差相对较大的问题提供了可靠的方法.     

土壤金属元素近红外光谱定量校正模型适应性初步研究

为研究土壤金属元素近红外光谱定量校正模型适应性,采用近红外光谱结合偏最小二乘算法,针对风干土壤中的K,As,Hg,Cu,Zn,Pb,Cr,Cd元素,在剔除异常值后,建立定量校正模型;并对风干、烘干处理的外部验证集样品分别预测上述元素含量。结果表明,风干外部验证集样品的预测值-参考值相关系数皆大于相应烘干外部验证集样品的预测值-参考值相关系数;风干外部验证集各元素的预测值-参考值均具有显著的相关关系,烘干外部验证集中K,Hg,Cr的预测值-参考值之间不具有显著的相关关系。对土壤金属元素近红外光谱定量校正模型的适应性进行了初步研究,可为土壤中金属元素快速定量监测方法以及农产品产地环境监测等提供一定的参考。     

近红外光谱法定量测定小麦粉中的石灰类添加物的研究

小麦粉的质量安全一直备受社会各界关注。在比较生石灰、熟石灰和碳酸钙的近红外光谱特征的基础上,采集了掺入不同含量的生石灰、熟石灰和碳酸钙的小麦粉样品的近红外漫反射光谱。采用偏最小二乘算法结合交互验证算法建立了石灰和碳酸钙的近红外定量校正模型,采用外部检验集对各模型进行外部验证。结果表明,石灰、碳酸钙的模型测定系数(R2)分别为99.80%和96.98%;校正集均方根误差分别为0.19和0.34;交互验证集均方根误差分别为0.26和0.75;预测集均方根误差分别为0.63和0.44;相对预测性能RPD分别为8.57和5.24。模型具有较高的精度,可以满足小麦粉中石灰含量的现场快速检测要求。F检验结果表明,模型的校正集、外部检验集的预测值-化学值之间具有极显著的相关关系。本研究可为小麦粉快速质量安全筛查提供参考方法,对小麦粉质量监控具有重要意义。     

Comparison of Spectral and Molecular Analyses for Classification of Long Term Stored Wheat Samples

This study aimed to determine whether NIR spectroscopy and protein band analysis can differentiate the grain samples of 15 wheat genotypes stored for different periods:Group Ⅰ(91weeks),Group Ⅱ(143weeks),Group Ⅲ(194weeks),and GroupⅣ(246weeks).Samples were harvested from previously-conducted field trials,and stored at+4 ℃.A-PAGE and SDS-PAGE methods were utilized to separate gliadin and glutenin fractions,respectively.A qualitative calibration model based on the Support Vector Machine(SVM)method was generated and validated using NIR spectra taken from samples.Results indicated storage length did not have an effect on molecular band fractions.Use of this method would not be considered an effective tool for discrimination of samples stored for different lengths of time.Spectral techniques may have potential in sorting samples based on their storage time.The SVM calibration model generated here had an acceptable true classification rate(over 80%)for separating all groups,while only GroupsⅡ andⅣ were precisely separated(100%true classification rate)in the validation step.     

局部建模方法用于烟草样品的近红外光谱定量分析

采用近红外光谱在主成分空间的距离作为样本相似性的判据,建立了一种用于近红外光谱定量分析的局部建模方法。该方法首先对校正集的光谱进行主成分分析(PCA),然后基于主成分空间中预测样本与校正集样本的距离选择校正子集并建立局部偏最小二乘(PLS)回归模型。对欧氏距离和马氏距离的比较表明,欧氏距离可以更好地表达样本之间的相似性。将所建立的方法用于烟草样品中氯和尼古丁含量的测定,结果表明局部建模方法比常用的全局建模方法具有更好的预测准确性,特别是在低含量成分的预测中具有明显优势。     

土壤碱解氮含量可见/近红外光谱预测模型优化

可见/近红外光谱技术是土壤成分检测的有效工具。波长筛选对可见/近红外模型土壤属性的预测精度有重要影响。以宁夏吴忠地区75个水稻土样为研究对象，利用可见/近红外光谱技术采集土壤样品光谱，采用SPXY （Sample set partitioning based on joint X-Y distance）方法选取了校正集和预测集样本，比较了分别采用Savitzky Golay平滑（SG smoothing）、多元散射校正（Multiple scatter correction，MSC）、标准正态变量变换（Standard normal variate，SNV）3种预处理方法对光谱数据处理后建立土壤碱解氮偏最小二乘法模型和原始光谱数据建模的效果。在此基础上，分别采用遗传算法（Genetic gorithms，GA）、连续投影算法（Successive projections algorithm，SPA）、竞争性自适应重加权算法（Competitive adaptive reweighted Sampling，CARS）、随机蛙跳（Random frog，RF）进行波长筛选，最后应用偏最小二乘法建立基于不同波长筛选方法的土壤碱解氮含量预测模型。研究表明，由于仪器性能稳定，样品的颗粒度比较小和均匀，本次实验原始光谱数据建模效果最好；各种波长筛选方法均可有效减少参与建模的波长数，且连续投影算法优于全谱建模，所选波长数仅为全谱波长数的1%，其预测决定系数（R²）、预测均方根误差和相对分析误差值分别为0.726，3.616，1.906。这表明连续投影算法可以有效筛选水稻土碱解氮敏感波段，为土壤碱解氮传感器开发提供技术支持。     

混合气体红外光谱支持向量机分析的新方法

介绍了一种基于支持向量机的混合气体红外光谱组分浓度和种类分析的新方法.利用核函数将组分气体特征吸收谱线重叠严重的混合气体光谱在高维空间变换后,建立SVM回归校正模型,进行混合气体浓度分析.在利用支持向量机回归校正模型进行混合气体组分浓度分析的同时,证明支持向量机回归校正模型也可用于混合气体组分种类分析.对不同组分和不同组分浓度的混合气体红外光谱数据进行了实验,研究了谱仪扫描间隔、分析特征波长范围、核函数和惩罚因子等因素对分析结果的影响.混合气体组分浓度实验结果的最大平均绝对误差Mean AE为0.132%;混合气体组分种类识别的准确率大于94%.解决了传统的光谱分析方法中光谱特征谱线重叠、光谱数据的维数大、定性和定量分析无法使用同一方法等问题,可用于其他混合气体的红外光谱分析,具有实际应用价值.     

基于冠层尺度的枣树色素含量的高光谱估算模型

植物冠层色素含量与氮素含量具有高度的相关性,是农业遥感中的关键研究因素。本研究的主要目的是:(1)对比偏最小二乘回归和支持向量机两种建模方法对枣树冠层色素的预测精度;(2)构建基于高光谱数据的枣树冠层色素含量定量反演模型,为枣树冠层色素含量的快速、无损、廉价、环保的测定提供一定的理论依据和技术支持。相关性分析结果表明,枣树冠层色素与高光谱数据之间具有较好的相关性,但叶绿素、叶绿素a要优于叶绿素b和类胡萝卜素。独立样本对模型的预测性能检验结果表明,偏最小二乘回归和支持向量机均能有效的估算枣树色素含量,但不同色素的偏最小二乘回归模型和支持向量机模型的预测精度存在一定的差异,叶绿素和类胡萝卜素的支持向量机模型的预测精度要高于偏最小二乘回归模型,而叶绿素a和叶绿素b则相反。比较不同色素的最佳反演模型的预测精度表明,叶绿素、叶绿素a和类胡萝卜素的预测精度要优于叶绿素b,前三者的决定系数大于0.8,残余预测误差高于2.0,平均相对误差低于13%,而叶绿素b的对应值分别为0.60%,20.79%和1.79%。