净信号的局部建模算法及其在近红外光谱分析中的应用

提出了一种基于净信号分析的局部建模算法,以克服光谱定量分析中样本间差异性过大和样本待测性质与光谱之间存在非线性等问题。首先利用净信号分析方法得到校正样本和待测样本的净信号,然后用待测样本净信号和校正样本净信号之间的欧式距离作为样本相似性判据,选取一定数量的与待测样本最相似的校正样本组成局部校正子集,建立局部PLS回归模型。针对一组猪肉近红外光谱数据集的实验结果表明,该方法的预测精度显著优于全局建模方法和基于光谱欧式距离的局部建模方法。     

基于光谱分析技术的黄瓜与茎叶识别研究

为了能够快速实时地识别温室中的黄瓜,研究了黄瓜和其茎叶的近红外反射光谱特性。利用近红外光谱仪在室内共采集138个样本(黄瓜46个,茎46个,叶46个)的反射光谱,进行Savitzky-Golay平滑后,抽取光谱中的108个样本作为校正集,采用偏差权重法选择信息量较大的光谱波段690~950 nm进行研究。在主成分分析(PCA)的基础上,结合马氏距离建立识别模型,剔除了7个异常样本。用剩余的101个样本进行偏最小二乘法建模,对校正集之外的30个样本进行预测。结果显示预测值和实际值的相关性达0.994 1,正确识别率达100%。说明黄瓜、茎和叶的近红外反射光谱特性之间有一定差异,可以用近红外光谱技术进行鉴别,为黄瓜识别提供了一种新的方法和思路。     

生化废水COD的近红外光谱法测定

采用近红外光谱测定在紫外光谱区表现为弱吸收响应的生化废水的化学需氧量（COD）。通过主成分分析-欧氏空间距离类聚法筛选出具有代表性的样本,从系统独立变量数的角度判断了主成分数,结合变量标准化-基线扣除的预处理方法消除光谱信号背景干扰,建立了偏最小二乘校正模型。在系统主成分数为6时,水样的COD实测值与预测值之间的相关系数为0.9348,预测标准差（RM SEC）为61.89m g/L,模型有较好的预测能力。     

基于近红外光谱技术和人工神经网络的玉米品种鉴别方法研究

提出了一种采用近红外光谱技术结合人工神经网络对玉米品种进行鉴别的方法.在3 800～10 000cm-1(波长1 000～2 632 nm)范围内采集四种玉米单粒完整籽粒的近红外漫反射光谱,经Savitky-Golay平滑和多重散射校正预处理后,对数据进行主成分分析,再结合人工神经网络技术进行品种鉴别.主成分分析表明,前8个主成分的累积贡献率达到99.602%.以前8个主成分作为网络输入,品种类型作为输出,建立三层LMBP神经网络模型.每个品种各取30粒共120个样本用于建模,10粒共40个样本用于预测.模型对建模集120个样本鉴别率为100%,对预测集40个样本的鉴别率为95%.实验结果说明该方法能快速无损地鉴别玉米品种,为玉米的品种鉴别提供了一种新方法.     

近红外光谱分析技术在茶叶鉴别中的应用研究

茶叶快速准确鉴别方法研究是当前茶叶行业亟待解决的一个重要课题.该研究采用近红外光谱结合主成分-马氏距离模式识别方法鉴别了龙井、碧螺春、毛峰和铁观音4种中国名茶.研究结果表明,在6 500～5 300cm-1波数范围内的光谱,通过MSC预处理方法,用8个主成分建立的模型最好,模型对校正集样本和预测集样本的鉴别率分别达到98.75%和95%.该研究为快速准确鉴别茶叶提供了一种新思路.     

基于土壤光谱库和光谱相异度的局部模型构建

掌握土壤在空间和时间上的表征至关重要。土壤可见-近红外（Vis-NIR）光谱可以估算土壤有机碳（SOC）等属性,与传统的实验室理化分析相比,光谱技术能有效实现土壤信息的快速获取。土壤光谱库为建立经验模型提供了大量具有丰富变异性和多样性的样本作数据基础。但受限于库中土壤样本的异质性和模型的适应性,通常区域或局部尺度模型的稳健性欠佳。已有的研究主要通过目标样本部分入库的方式改善库的性能,但影响了光谱技术的低成本优势。该研究在不入库的前提下基于土壤光谱的相异度,探究经典距离算法结合土壤光谱库构建局部预测模型的可行性,并比较分析局部模型样本容量对预测精度的响应。基于全球土壤光谱库（GSSL）的677个土柱,从每个国家随机取十分之一的土柱（97个）组成局部目标测试集（Test）,其余580个作土壤光谱库（SSL）。分别采用欧氏距离（ED）、马氏距离（MD）、和光谱角（SAM）来分别度量Test与SSL间的光谱相异度并生成距离矩阵。按距离矩阵的前0.04%,0.05%,0.1%,0.2%,0.3%,0.4%,0.5%,1%和5%从SSL中提取与Test最相似的光谱样本构建共计9个容量的局部建模集（Local）,使用偏最小二乘回归（PLSR）建立Vis-NIR和SOC含量的预测模型并通过Test验证模型精度,通过光谱的主成分空间考察并解释各种距离算法下Local的“容量–精度”变化。结果表明,在待测样本不入库的情况下,三种距离算法构建的Local模型相较于全局模型的预测精度均有一定提升,但三者的“容量-精度”的拐点存在显著差异。SAM兼顾了光谱的波形和幅度因此较MD、ED更具优势;其前0.2%比例的Local不仅预测精度最优,且用于建模所需的样本容量最少。因此认为,SAM法更适用于从土壤光谱库中构建局部模型,距离矩阵的前0.2%可作为局部模型的容量参考。     

基于集群方法(ER)的近红外光谱转移集优化法

近红外光谱因为具有小成本、易操作、低耗时等优点,所以广泛用于食品领域。作为一种间接的检测方法,近红外光谱检测需要建立光谱和浓度之间的统计模型。但是,一种条件下建立的模型在另一种检测条件下会失效。针对此问题,重新建模可以加以解决,但是重新建立光谱与浓度之间的模型非常繁琐耗时。此时,模型转移可以在避免重新建模的情况下,通过光谱校正,保证预测精度。在模型转移中,已经建立好模型的光谱称为主光谱(A),不用建立模型,而只用主光谱模型预测的光谱称为从光谱 (B)。模型转移方法的步骤是,先在校正集中选择一些样本作为主光谱的转移集(A_t),然后选择从光谱中浓度和A_t相同的光谱,以此作为从光谱的转移集(B_t)。通过A_t和B_t构建模型转移矩阵。最后将需要校正的从光谱(B_v)乘以上述的转移矩阵中,即可获得校正后的从光谱(B_new)。此时,B_new就可以用主光谱的模型来直接预测。在模型转移中,转移集样本的选择对模型校正至关重要。目前,转移集的样本通常从光谱之间的距离而非模型转移误差获得。但是,转移误差对模型转移结果的验证至关重要,故该研究出了基于集群分析的集群优化法(ER)并将其用于优化KS方法产生的转移集样本。ER先用随机方法建立转移集的多个子集合,并计算每个子集合的转移误差。然后,对某一个样本,计算包含这个样本的子集合转移误差均值。最后,选择转移误差均值较低的样本作为新转移集样本进行模型转移。以玉米数据测试了ER算法。结果显示,对于典型相关分析-有信息成分提取法(CCA-ICE)、直接校正法(DS)、分段直接校正法(PDS)、光谱空间转化法(SST)这些常见的模型转移方法,相比于KS样本选择方法,ER方法可以找出重要的转移集样本,进而显著降低模型转移误差。     

基于近红外光谱和化学计量学的驴肉鉴别方法研究

驴肉具有极高的食用价值,资源的缺乏使其价格持续走高,由此引发的欺骗和掺假亟待解决。选取了不同部位(脖子、肋板、后墩和腱子)的驴肉样品(n=167)及牛肉(n=47)、猪肉(n=51)和羊肉(n=32)样品在4 000~12 500cm-1光谱范围上建立了驴肉的近红外光谱鉴别模型。比较了马氏距离判别分析、簇类独立软模式分类法、最小二乘-支持向量机方法分别结合平滑(5点、15点及25点)、一阶和二阶微分、多元散射校正和标准归一化的光谱预处理方法对肉块样品及大中小三个不同粉碎粒径(7,5,3mm)肉糜样品的分类模型结果发现,原始光谱前11个主成分得分作为输入的马氏距离判别及前6个主成分作为输入的最小二乘-支持向量机肉块样品分类模型较优,校正集和预测集正确率分别为100%和98.96%;原始光谱前5个主成分作为输入的LS-SVM大粒径肉糜样品分类模型结果较优,校正集和预测集判别正确率为100%和97.53%;原始光谱前8个主成分得分作为输入的簇类独立软模式分类法中粒径肉糜样品分类模型结果较优,校正集和预测集的判别正确率均为100%;而对于小粒径肉糜样品,原始光谱前7主成分输入的马氏距离判别和前9主成分输入的簇类独立软模式分类法模型均得到了校正集和预测集100%的判别正确率。以上模型中的驴肉样品均得到了100%的判别正确率。研究结果表明,使用近红外光谱分析技术结合化学计量学方法鉴别驴肉是可行的。     

波长优选对土壤有机质含量可见光/近红外光谱模型的优化

可见光/近红外光谱模型是土壤属性预测的有效工具。波长优选在光谱建模过程中起着重要作用。文中首先利用从安徽省涡阳县采集的130个砂姜黑土土壤样本获得可见光/近红外光谱,然后利用平滑与多重散射校正联合的光谱预处理方式消除光谱中的无关变量和冗余信息以提高模型预测结果的相关性,再利用SPXY方法挑选建模集样本,分别利用连续投影算法和遗传算法进行波长优选,最后利用留一法进行交互验证建立有机质含量的主成分回归模型。研究结果显示：连续投影算法和遗传算法都可以有效地减少参与建模的波长数并提高模型的准确度,尤其是遗传算法能够更好地提高土壤有机质含量预测精度,其相关系数、预测均方根误差和相对分析误差分别达到0.9316,0.2142和2.3195。通过合适的特征波长选取,不仅计算量可以大大减少,预测精度也会有效提高。     

应用可见/近红外光谱技术快速检测果珍中二氧化钛的含量

为了实现快速检测果珍中的二氧化钛含量,提出了应用近红外光谱技术结合化学计量学的快速检测方法。研究采用了320份果珍样本进行光谱特性的检测,其中200个样本用来建模,120个样本进行预测。首先比较了标准正态变量校正(SNV)、变量标准化(Normalize)、多元散射校正(MSC)等6种不同的数据预处理方法对偏最小二乘法(PLS)建模预测效果的影响。然后将PLS模型与应用主成分(PC)建立的主成分-神经网络校正(PC-ANN)模型进行比较。结果表明,MSC预处理的效果最好,PLS模型的最佳主成分数为7,预测值与标准值的相关系数R~2达0.900 8,预测标准误差RMSEP为0.05。PC-ANN模型预测值与标准值的R~2为0.868 4,RMSEP为0.04。说明PLS模型比PC-ANN模型的预测效果好。同时本研究也说明能够应用可见/近红外技术对二氧化钛进行快速定量测定。     

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。     

近红外光谱判别分析滤波器的设计与应用

近红外光谱（NIRS）在定量和判别分析中已得到广泛应用,化学计量学在其中发挥了重要作用,但仍需要建立基于新原理的方法,简化数据处理和建模过程,使近红外光谱分析更加方便、更加快速。多元光学计算（MOC）技术通过设计合适的光学滤波器可以在光谱测量的同时,根据光谱的整体形状得到定性定量结果。作为一种新的测量和计算方式,近年来在光谱分析领域逐渐得到应用。基于多元光学计算的原理,基于主成分分析和Fisher判别准则设计了近红外光谱的判别滤波器,将近红外光谱投影到二维空间,并在二维空间中计算每一类样品的置信椭圆作为模型进行判别分析。预测样本在二维空间的投影与模型的距离可以作为判别参数,判别值小于等于1时预测样品与模型样品判别为同一类别,否则判别为不同类别,且距离越大,差异性越大。采用460个不同部位的烟叶样品和73个不同生产厂家的药品对所建立的方法进行了测试,表明了方法的准确性。对于三类不同部位烟叶样品和四类不同厂家生产的药品,预测结果的真阳性率可以达到90%以上（除上部烟叶样品外）,药品的真阳性率高达95%以上。但烟叶样品的假阳性率仍有些偏高,对于光谱极为相似的实际生产样品结果仍属可接受范围。所建立的方法可推广到其他应用领域,广泛用于基于近红外光谱的质量控制、产品检测、生产一致性监控等。     

基于红外与近红外光谱的烟叶部位识别

以烟叶样品的红外及近红外光谱为基础,采用基于主成分分析的马氏距离判别模型,研究了不同类型仪器、建模区间、模型参数及光谱预处理方式对烟叶部位识别准确率的影响.结果表明根据红外和近红外光谱均可对烟叶部位进行良好识别,近红外光谱因包含的样品信息更为丰富,可以得到比红外光谱更好的识别效果.其中仪器A的二阶导数光谱给出的烟叶部位识别准确率最高,可达94.11%;仪器B的一阶导数及SNV光谱给出的烟叶部位识别准确率次之,为88.24%;Nicolet公司的Antaris360傅里叶红外仪的一阶导数光谱给出的烟叶部位识别准确率为82.35%.对于同一仪器,最佳建模区间及主成分个数随样本情况及光谱预处理方式而变.     

局部偏最小二乘回归建模参数对近红外检测结果的影响研究

报道了在局部加权(LWR)回归方法基础上,自主改进的更简单、实用的局部偏最小二乘回归(LPLS)的原理和方法.并以云南优质烤烟为实验材料,在国产光栅漫反射型近红外仪器上,研究了主成分数以及局部建模样品数对检测结果的影响.结果表明:应用交叉验证方法推荐的尼古丁组分模型主成分数并不是最优,通过适当降低主成分数可提高检测效果;局部建模样品数为30～50个时总糖、总氮、尼古丁预测准确度的提高幅度可分别达7%,14%,10%以上.该方法能有效提高近红外数学模型的预测准确度,是建立具有高度适应性近红外数学模型的有效方法.     

利用近红外光谱技术预测粗皮桉木材弹性模量

采用近红外光谱分析技术,对粗皮桉木材弹性模量进行了快速预测研究.使用快速傅里叶变换(FFT)分析法和常规力学测试方法测定了粗皮桉木材无疵小试样的弹性模量,并用近红外光谱仪采集试样径切面和弦切面的近红外漫反射光谱,对原始光谱进行二阶导数预处理,并选择410～2 480 nm光谱段建立回归模型.以2/3的试样作为校正集建立弹性模量的偏最小二乘法校正模型,以1/3/的试样作为预测集对模型进行验证.结果表明,粗皮桉木材的弹性模量与近红外光谱之间有较好的相关性,纵向弹性模量和抗弯弹性模量的预测模型的相关系数分别为0.93和0.81,相对分析误差分别为2.70和1.71.利用近红外光谱分析方法可以实现对粗皮桉木材无疵小试样弹性模量的快速预测.     

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。     

一种基于近红外光谱技术的熊胆粉鉴别方法

建立了一种基于近红外光谱分析技术的方法,对熊胆粉的真伪进行了签别,并对掺伪品中熊胆粉的掺入比例进行了定量分析.采集了四处不同产地的30份熊胆粉样品,六份猪胆粉份样品,以及65份按不同比例混合的熊胆粉与猪胆粉的混合样品的近红外光谱,对所采集的样品光谱进行主成分分析,观察到熊胆及其伪品和掺伪品之间存在明显的界限,不同产地的...     

可见／近红外漫反射光谱无损检测南丰蜜桔维生素C的研究

应用可见/近红外漫反射光谱对南丰蜜桔维生素C含量进行了无损检测研究.在谱区350～1 800nm,应用主成分分析和偏最小二乘法对经过预处理光谱进行数学建模,主成分数和光谱区间选择分别由完全交互验证和回归系数法确定.定标模型对10个未知样品的预测结果是:预测相关系数为0.813,预测均方差为2.112 mg(100 g)-1,预测偏差为-0.810 mg(100 g)-1.文章表明利用可见/近红外漫反射光谱技术无损检测南丰蜜桔维生素C具有可行性.     

GA-PLS结合PC-ANN算法提高奶粉蛋白质模型精度

提出一种偏最小二乘法（PLS）和人工神经网络（ANN）结合用于近红外光谱（NIRS）的分析方法，以提高奶粉蛋白质模型的预测精度。首先采用基于遗传算法的波长选择法（RS-GA）优化光谱数据，建立GA-PLS模型预测奶粉蛋白线性部分;然后在RS-GA法选择的波段上进行主成分分析（PCA），以主成分的得分矩阵作为ANN模型输入层，以GA-PLS预测值与真实值之差作为输出层，建立PC-ANN模型预测其非线性部分。最终预测结果为两个模型预测值之和，以模型的预测标准偏差（RMSEP）作为评价指标，以便考察新方法的有效性。同时建立线性的全谱模型（Fr-PLS），其Fr-PLS、GA-PLS和GA-PLS＋PC-ANN模型的RMSEP分别为0.511，0.440和0.235。结果表明：考虑奶粉蛋白含量近红外模型的非线性部分，可以显著提高模型的预测精度，该方法也可为其它复杂体系模型精度的提高提供借鉴。