特征谱区筛选在多元混合物的太赫兹光谱定量分析中的应用

用特征谱区筛选法结合太赫兹时域光谱(THz-TDS)技术对多元混合物成分含量进行了定量分析研究。实验利用太赫兹时域光谱系统测量了由乳糖一水合物(LAC)、对乙酰氨基酚(APAP)、可溶性淀粉(starch)以及微晶纤维素(MCC)四种材料组成的混合物样品的太赫兹吸收光谱,并分别尝试采用常规区间偏最小二乘(iPLS)、向后区间偏最小二乘(biPLS)、联合区间偏最小二乘(siPLS)和移动窗口偏最小二乘(mwPLS)四种特征谱区筛选法对多元混合物的太赫兹吸收光谱进行特征子区间优选,建立了太赫兹吸收谱与四元混合物中乳糖一水合物含量之间的定量回归模型。通过比较四种谱区筛选算法模型及全光谱偏最小二乘(PLS)模型所得结果,表明采用移动窗口偏最小二乘法建立的谱区筛选模型得到的结果相对最优,其交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)、校正集相关系数(R_C)和预测集相关系数(R_P)分别为0.980 3,1.114 1,0.996 0和0.995 1。实验结果表明,采用特征谱区筛选方法可以有效选择多元混合物太赫兹吸收光谱的特征区间,提高模型精度和降低模型复杂性,为实现多元混合物成分含量的快速检测提供了一种有效的方法。     

荒漠土壤全磷含量热红外发射率光谱估算研究

土壤磷素为植物提供营养元素,是评价土壤质量的重要参数之一。传统的土壤全磷含量的测定方法不能实现对荒漠土壤养分有效监测,而运用遥感手段能够弥补传统手段的不足。有学者开展了通过近红外光谱来估算土壤全磷含量的研究,但由于土壤磷素近红外吸收系数小、吸收峰不明显等原因,使得土壤磷素估算的模型精度欠佳。为解决荒漠土壤全磷含量近红外光谱估算存在的不足,提高荒漠土壤全磷含量估算的精度,对准噶尔盆地东部荒漠土壤进行采样、化验分析和发射率光谱测量、处理,分析土壤热红外发射率特征,建立多种荒漠土壤全磷含量热红外发射率估算模型。结果表明:在土壤全磷含量高于0.200g·kg-1的条件下,在8.00~13μm波长范围内,热红外发射率随全磷含量的增加而增加,9.00~9.60μm波段范围内土壤热红外发射率对全磷含量最敏感;多元逐步回归建立的估算模型的估算效果差,不能用于荒漠土壤全磷含量热红外发射率的估算,经过偏最小二乘回归建立的估算模型效果优于多元逐步回归建立的模型;偏最小二乘回归建立的连续去除一阶导数模型最优,校正和验证的R2分别达到了0.97和0.82,校正和验证的RMSE仅有0.010 6和0.015 7,RPD为2.62,模型能够极好的对土壤全磷含量进行估算。该研究的成果为荒漠土壤全磷含量定量遥感估算提供有效支撑,通过有效监测荒漠土壤全磷含量的时空动态变化,为区域生态环境的修复提供依据。     

用遗传区间偏最小二乘法建立苹果糖度近红外光谱模型

为了简化苹果糖度预测模型和提高模型的精度,用遗传区间偏最小二乘法(GA-iPLS)建立苹果近红外光谱预测模型。应用结果表明,整个光谱划分为40个子区间, GA-iPLS选择其中的第4,6,8,11,18号共5个子区间联合建立苹果糖度模型。遗传区间偏最小二乘法所建的模型,其校正时的相关系数r_c和交互验证均方根误差RMSECV分别为0.962和0.334 6,预测时的相关系数r_p和预测均方根误差RMSEP分别为0.932和0.384 2。与全光谱模型相比,该方法建立的模型不论对校正集还是预测集,模型的预测能力都提高了许多,且模型得到了很大的简化：其实际采用的波数点个数比全光谱模型采用的波数点个数大大减少,主因子数也比全光谱少,由此建立的模型更加简洁、数据运算量也更少。     

典型半干旱区土壤盐分高光谱特征反演

选取陕北典型半干旱区为研究对象,利用土壤高光谱特征对盐分进行反演研究。在研究区域选取样点,采集土壤样品测定土壤光谱特征,以土壤反射率(R)、反射率对倒数(Log(1/R))及去包络线的反射率(R_cr)三个光谱特征进行土壤盐分反演研究,分析其与土壤盐分的相关性,遴选特征波段,并通过Matlab编程利用最小偏二乘回归方法(partial least squares regression,PLSR)建立土壤盐分定量反演模型,然后利用检验样点进行精度检验和比较。结果表明,利用经包络线去除后光谱反射率进行定量反演的均方根预测误差最小(1.253<1.367<1.575),其预测精度最高;利用土壤高光谱特征进行盐分反演的预测值与实测值相关性良好(r2=0.761),趋势线接近于y=x。总之,研究发现,土壤反射率经过包络线去除后,利用偏最小二乘回归方法建立的反演模型具有良好的精度,这将有利于提高土壤盐渍化的监测效率。     

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。     

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.     

可见和近红外透射光谱结合区间偏最小二乘法(iPLS)用于橄榄油中掺杂煎炸老油的定量分析

为探寻一种快速可靠的分析方法用于橄榄油中掺杂煎炸老油含量的测定,实验采用可见和近红外透射光谱分析技术结合区间偏最小二乘法(interval partial least squares, iPLS)、联合区间偏最小二乘法(synergy interval partial least squares, SiPLS)和反向区间偏最小二乘法(backward interval partial least squares, BiPLS),对掺杂不同含量煎炸老油的橄榄油建模分析,并对不同模型比较优选。采集样品400~2500 nm范围内的光谱,对光谱数据进行Savitzky-Golay(SG)平滑去噪。剔除奇异样本后,采用sample set partitioning based on joint X-Y distance(SPXY)法划分样本集,以不同的iPLS优选建模区域,建立煎炸老油含量预测模型。结果表明：对掺杂不同含量煎炸大豆油的橄榄油,采用划分20个区间,选择2个子区间[4, 16]建立的SiPLS模型预测效果最好,相关系数(R_p)达0.998 9,预测均方根误差(RMSEP)为0.019 2。对掺杂不同含量煎炸花生油的橄榄油,采用划分20个区间,选择2个子区间[2, 16]组合建立的SiPLS和BiPLS模型具有相同的预测效果,预测均方根误差(RMSEP)为0.0120,均优于iPLS模型。此外,与SiPLS模型相比,BiPLS模型运算量少,速度快。由此可见,基于掺杂油样品的可见和近红外透射光谱,分别采用组合区间偏最小二乘法(SiPLS)和反向区间偏最小二乘法(BiPLS)优选建模光谱区域,可以对橄榄油中掺杂煎炸大豆油和煎炸花生油含量进行准确测定。而且,实验过程无需对掺杂油样品进行预处理,无环境污染,操作简单,快速无损。     

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。     

赣南脐橙果园土壤全氮和有机质近红外漫反射光谱检测

选取赣南脐橙果园土壤作为研究对象,探讨在4 000～7 500 cm-1范围内的光谱分析土壤全氮和有机质的可行性。采集的近红外光谱采用多元散射校正、一阶微分、二阶微分、七点平滑等多种预处理对比分析,分别建立了有机质和全氮含量偏最小二乘模型。实验得出全氮预测模型在4 000～7 500 cm-1范围内采用七点平滑(SG)进行预处理模型较为理想,校正集相关系数(r_c)为0.802,校正均方根误差(RMSEC)为2.754,预测集相关系数(r_p)为0.715,预测均方根误差(RMSEP)为3.077;有机质预测模型在4 000～7 500 cm-1范围内采用标准正态变量变换(SNV)预处理模型较为理想,r_c为0.848,RMSEC为0.128,r_p为0.790,RMSEP为0.152。研究表明近红外漫反射光谱可快速用于赣南脐橙果园的土壤中全氮和有机质含量的快速检测。     

采用可见/近红外光谱检测大麦叶片过氧化氢酶与过氧化物酶含量的研究

采用可见/近红外光谱对丙酯草醚胁迫下大麦叶片过氧化氢酶(catalase, CAT)与过氧化物酶(peroxidase, POD)含量预测进行研究。对500～900 nm光谱采用移动平均法(moving average, MA)11点平滑方法进行预处理。采用蒙特卡罗-偏最小二乘法(monte carlo-partial least squares, MCPLS)方法分别对于CAT与POD的含量预测剔除7个与8个异常样本。基于全部光谱建立了CAT与POD含量预测的PLS,最小二乘支持向量机(least-squares support vector machine, LS-SVM)与极限学习机(extreme learning machine, ELM)模型,ELM模型对CAT含量预测效果最好,建模集相关系数(correlation coefficient of calibration, R_c)为0.916,预测集相关系数R_p为0.786;PLS模型对POD含量预测效果最佳,R_c为0.984,R_p为0.876。采用连续投影算法(successive projections algorithm, SPA)算法分别为CAT与POD预测选择了8个与19个特征波长,基于特征波长建立的PLS,LS-SVM与ELM模型中,ELM模型对CAT与POD含量预测效果均最佳,CAT含量预测的相关系数为R_c=0.928,R_p=0.790;POD含量预测的相关系数R_c=0.965,R_p=0.941。基于全谱与基于特征波长的回归分析模型预测效果相当,且对POD含量的预测效果优于对CAT含量的预测效果,而这需要进一步研究以得到精度和稳定性更高的预测模型。研究结果表明,采用可见/近红外光谱结合化学计量学方法可以实现对除草剂胁迫下大麦叶片CAT与POD含量的预测。     

高光谱成像技术的柑橘植株叶片含氮量预测模型

氮素是果树生长发育的一种大量必需元素,及时准确地监控果树的氮营养状况,对果树的合理施肥、增产、优化果实品质以及减缓过量施氮引起的水资源污染具有重要意义。利用高光谱成像技术结合多变量统计学方法,建立了柑橘植株叶片的含氮量预测模型。研究步骤为：高光谱扫描、提取平均光谱曲线、预处理原始光谱数据、采用连续投影法提取特征波段和建立含氮量预测模型。从SG平滑、SNV、MSC、1-Der等11种预处理方法中筛选出的较优预处理方法是SG平滑、Detrending和SG平滑-Detrending。对应这三种最优预处理方法,先采用连续投影法挑选出各自的特征波长,然后将各特征波段下的光谱反射率作为偏最小二乘、多元线性回归和反向传播人工神经网络模型的输入,各自建立三个预测模型。从以上获得的9个预测模型中,得出两个最优模型SG平滑-Detrending-SPA-BPNN(R_p：0.851 3,RMSEP：0.188 1)和Detrending-SPA-BPNN(R_p：0.8609,RMSEP：0.159 5)。结果表明,利用高光谱数据测定柑橘叶片含氮量具有可行性。这为实时、准确地监控柑橘植株生长过程中叶片含氮量的变化以及合理科学的氮肥施加提供了一定的理论基础。     

基于高光谱成像技术的油菜叶片SPAD值检测

以油菜叶片为研究对象,利用高光谱成像技术,成功建立了叶绿素相对值SPAD值的预测模型。共采集了160个油菜叶片样本在380～1030 nm范围内的高光谱图像。选择500～900 nm之间的平均光谱作为油菜叶片样本的光谱。利用蒙特卡罗最小二乘法(monte carlo partial least squares, MC-PLS)剔除了13个异常样本,基于剩余的147个样本光谱数据与SPAD测量值进行分析,采用了不同的方法建立了多种预测模型,包括：全光谱的偏最小二乘法(partial least squares, PLS)模型,连续投影算法(successive projections algorithm, SPA)选择特征波长的PLS预测模型,“红边”位置(λ_red)的简单经验估测模型,三种植被指数R₇₁₀/R₇₆₀,(R₇₅₀-R₇₀₅)/(R₇₅₀-R₇₀₅)和R₈₆₀/(R₅₅₀*R₇₀₈)分别建立的简单经验估测模型,以及基于这三种植被指数的PLS预测模型。建模结果显示,全光谱的PLS模型预测效果最为精确,其预测相关系数r_p为0.833 9,预测均方根误差RMSEP为1.52。而使用SPA算法选出的8个特征波长所建立的PLS模型其预测结果可达到与全光谱的PLS模型非常接近的水平,而且在保证一定精度的条件下减少了大量运算,节省了运算时间,大幅提高了建模的速度。而基于红边位置和选择的三种植被指数而建立的简单经验估计模型其预测结果虽与基于全光谱的PLS预测模型有一定差距,但模型简单、运算量小,适合用于对精度要求不高的场合,对后续的便携仪器设备开发有一定的指导作用。     

SG平滑和IBPLS联合优化水中油分析方法的研究

快速准确地检测水中矿物油的种类与含量对污染源及时排查和控制具有重要的意义,而红外光谱分析技术检测水中矿物油具有高效、快速、无污染的优势。为获得更加可靠的分析结果应用傅里叶变换衰减全反射红外光谱(FTIR-ATR)技术获取矿物油样品的光谱信息,采用SPXY法划分样本集。对偏最小二乘法(PLS)和迭代Bagging偏最小二乘法(IBPLS)这两种建立回归模型的方法进行对比分析,还比较了采用Savitzky-Golay(SG)平滑方法与迭代Bagging偏最小二乘法(IBPLS)相结合和单一采用迭代Bagging偏最小二乘法建立回归模型的区别。通过对预测回归曲线进行对比,得出通过SG平滑的预测效果明显优于未做的。而且采用SG平滑方法和IBPLS相结合的方法建立回归模型时,汽油模型参数RMSEP为0.001 125 g·mL-1,r为0.992 5;柴油模型参数RMSEP为0.001 384 g·mL-1 ,r为0.989 3。     

基于近红外光谱法的大佛龙井茶品质评价研究

为探索科学、客观的茶叶品质评价方法,以大佛龙井茶为分析对象,采用近红外光谱偏最小二乘法(NIRS-PLS),分别建立了干茶色泽、汤色、香气、滋味、叶底单因子得分及五因子总分、六因子总分共7个定量分析模型。结果表明,在主成分因子数不大于10的情况下,各模型校正相关系数R_c为90.48%～98.43%,校正均方根误差RMSEC为1.14～2.09,预测相关系数R_p为90.00%～96.65%,预测均方根误差RMSEP为1.52～2.84,7个模型校正集和预测集均获得较高的拟合度;其中五因子总分模型预测性能最好(R_p为96.65%、RMSEP为1.52),同时,总分模型精度均高于单因子模型。研究结果表明应用近红外光谱法进行大佛龙井茶的品质评价是可行的。     

人参叶总皂苷大孔树脂分离纯化工艺的近红外光谱在线监测模型及其含量测定

利用近红外(NIR)光谱技术研究并建立可在线监测人参叶皂苷类成分的大孔树脂分离纯化工艺的方法。建立人参皂苷Rg₁,Re和Rb₁的高效液相色谱(HPLC)含量测定方法,收集人参叶提取物的40%乙醇大孔树脂洗脱液,采集其近红外光谱信息,并用已建立的HPLC法测定其中人参皂苷Rg₁,Re和Rb₁的含量,结合偏最小二乘法(PLS)建立上述三种成分及人参总皂苷的定量分析模型。建模过程中,以决定系数(R2),交叉验证均方根误差(RMSECV)为指标,确定用于建模的最优近红外波段和光谱预处理方法,结果表明人参皂苷Rg₁,Re,Rb₁及人参总皂苷模型的最佳建模波段均为12 000.8~7 499.8 cm-1,R2分别为0.988 7,0.960 3,0.990 5和0.970 1,RMSECV分别为0.059 7,0.072 2,0.004 88和0.075 5。将1个批次的人参叶提取物大孔树脂分离纯化工艺样品用于验证人参总皂苷定量分析模型的预测性能,总皂苷的NIR预测值和HPLC测定值的相关系数为0.992 8,平均预测回收率为100.52%,表明所建的模型预测效果良好。该法快速、简便、准确,可用于生产工艺过程中人参总皂苷的含量测定和质量控制。     

土壤水分对近红外光谱实时检测土壤全氮的影响研究

利用近红外光谱技术实时预测土壤全氮含量是精细农业的研究热点之一,但是由于土壤水分在近红外波段的吸收系数较高,影响了土壤全氮含量的实时预测精度。使用布鲁克MATRIX_I傅里叶近红外光谱分析仪对不同土壤水分的土壤样本进行了近红外光谱扫描,定性和定量的分析了土壤水分对近红外光谱的影响,并提出了一种消除土壤水分对土壤全氮含量预测影响的方法。近红外光谱扫描结果显示在同一全氮含量水平下,随着土壤水分含量的增加,光谱吸光度呈逐渐上升的趋势,且变化趋势为非线性。通过对1 450和1 940 nm两个水分吸收波段的差分处理,设计了水分吸收指数MAI（moisture absorbance index）,再对土壤按照水分含量梯度进行分类,提出了相应的修正系数。修正后的6个土壤全氮特征波段处(940,1 050,1 100,1 200,1 300和1 550 nm)的土壤吸光度值作为建模自变量,使用BP神经网络建立了土壤全氮预测模型,模型的R_C,R_V,RMSEC,RMSEP和RPD分别达到了0.86,0.81,0.06,0.05和2.75;与原始吸光度所建模型相比较模型精度得到了显著提高。实验结果表明本方法可以有效地消除土壤水分对近红外光谱检测土壤全氮含量预测的影响,为土壤全氮含量实时预测提供了理论和技术支持。     

基于中红外光谱技术的香菇蛋白质含量测定

研究了中红外光谱预测香菇蛋白质含量的可行性。去掉明显噪声部分后,研究香菇3 581～689 cm-1中红外光谱与蛋白质含量的关系。以Savitzky-Golay(SG)5点平滑预处理光谱建立偏最小二乘法(partial least squares, PLS)的预测模型的效果不理想,模型的建模集和预测集的相关系数均高于0.85,但剩余预测偏差(residual prediction deviation, RPD)值仅为1.77。采用连续投影算法(successive projections algorithm, SPA)算法从3000个波数点中选择7个特征波数,并以七个特征波数分别建立PLS、多元线性回归(multiple linear regression, MLR)、反向传播神经网络(back-propagation neural network, BPNN)和极限学习机模型(extreme learning machine, ELM)。与全谱的PLS相比,以特征波数的PLS模型和MLR模型的预测效果相对较差,而以特征波数的BPNN和ELM模型的预测效果相对较好。其中SPA-ELM模型的预测效果最佳,预测集相关系数(correlation coefficient of prediction)R_p=0.899 5,预测集均方根误差(root mean square error of prediction)RMSEP=1.431 3,剩余预测偏差RPD=2.18。研究结果表明,中红外光谱分析技术可以用于预测香菇蛋白质含量,且SPA选取特征波数能用来代替原始光谱进行建模分析,为香菇蛋白质含量的检测提供了新的思路。