基于UV-Vis-SWIR漫反射光谱的土壤多属性同时快速测定

采用紫外-可见-短波近红外漫反射光谱(UV-Vis-SWIRDRS)结合化学计量学对土壤中有机质(SOM)、总氮(TN)、碱解氮(AN)、速效钾(AK)、缓效钾(SAK)、有效磷(AP)及pH共7种属性建立了快速同时低成本的定量分析方法。土壤样本共81个,其中50个分为校正集,另16个为验证集,剩余15个为测试集。对每种土壤属性,考察了多种光谱预处理,变量选择以及它们的组合方法处理土壤光谱后建立的PLSR模型预测效果,选择出了最佳的光谱数据处理方法及其对应的最佳PLSR预测模型,并以独立的测试集样本对最佳模型预测性能进行客观评价。对于有机质和总氮,测试集决定系数(R2t)分别为0.94和0.97,模型可用于准确定量分析;对碱解氮和pH,R~2t分别为0.76和0.66,模型定量预测结果良好;对于有效磷,速效钾及缓效钾,R~2t小于0.6,但模型的预测效果和以往报道中的预测效果相差不大。研究表明,利用UV-Vis-SWIR DRS对土壤多属性进行快速同时低成本定量分析是可行的,有望用于土壤信息检测。     

一种茶多酚含量的快速测定方法

基于茶多酚的紫外吸收特性提出了一种快速测量茶多酚含量的方法。利用Y型光纤搭建了用于快速测量茶多酚含量的测量系统,通过测量两个深度的反射光强对应的电压V1和V2,然后求取ln(V2/V1)值,建立了茶多酚浓度与测量结果 ln(V2/V1)之间的定标模型。方法的定量限为0.83 mg/L,检出限为0.27 mg/L,对检验集中样品茶多酚浓度进行了预测,预测的回收率在96.6%~108.2%之间,同时实现了市售不同品牌茶饮料中茶多酚含量的快速有效测量。     

基于局部加权偏最小二乘的近红外光谱分析方法研究

针对近红外光谱分析技术中分析对象非线性现象突出的情况,提出了一种新的模型计算方法——局部加权偏最小二乘法(LWPLS)。以安胎丸为研究对象,采用LWPLS算法进行其近红外定量模型的建立,并比较偏最小二乘法(PLS)与LWPLS两种算法建立定量模型的精度。结果测得两种算法建立的校正模型中,阿魏酸的模型相关系数(R~2)分别为0.785 5、0.971 9,预测误差均方根(RMSEP)分别为0.126 6、0.043 8,相对预测误差(RE)分别为12.66%、9.18%;洋川芎内酯A的R~2分别为0.886 4、0.964 9,RMSEP分别为0.114 8、0.077 1,RE分别为14.01%、7.81%,显示LWPLS算法建立的模型精度更高。研究表明,采用LWPLS算法可提高安胎丸定量模型的准确性,具有可推广性和广泛的应用性。     

烟草组分的近红外光谱和支持向量机分析

测定了120个产自福建、安徽和云南烟草样品的近红外光谱. 在利用支持向量机(SVM)技术建立其定量、定性分析模型之前, 用小波变换技术对光谱变量进行了有效的压缩, 然后采用径向基核函数建立了75个烟草样品的分类模型, 同时建立了总糖、还原糖、烟碱和总氮4个组分的定量分析模型, 并利用45个烟草样品对模型进行了检验. 仿真实验表明, 建立的SVM分类模型分类准确率达到100%, 而4个组分的定量分析模型的预测决定系数(R2)、预测均方差(RMSEP)和平均相对误差(RME)3个指标值显示其模型泛化能力非常强, 预测效果良好, 可见这是一种有效的近红外光谱的建模分析方法.     

原料乳中蛋白质与脂肪的近红外光谱快速定量研究

本文对快速无损检测原料乳中蛋白质与脂肪含量的近红外光谱(NIRS)技术进行了研究。对采集的250组蛋白质及脂肪含量不同的原料乳近红外光谱进行马氏距离(Mahalanobis Distance)剔除异常光谱,结合主成分分析(Principal Component Analysis,PCA),筛选出最佳建模光谱区间,采用反向传播神经网络(Back Propagation Neutral Network,BPNN)建立原料乳中蛋白含量与脂肪含量的定量模型,获得了较好的预测结果,预测模型R2分别为0.9883、0.9878,预测均方根差(RMSEP)分别为1.83%、1.85%。研究结果表明,通过合理选择光谱范围及建模方法,可得到预测精度与稳定性均较高的近红外光谱定量模型,适用于原料乳中蛋白质与脂肪含量的测定。     

基于近红外光谱技术的生物炭组分分析

建立了基于近红外光谱技术的生物炭组分快速定量分析方法。采集了163个样品在10000~3800cm~(-1)范围内的近红外光图谱,测定了样品中的固定碳(Fixed carbon,FC)、挥发分(Volatile matter,VM)和灰分(Ash)3种组分含量。在优化建模波段,确定最佳因子数,采用多元散射校正与二阶导数光谱法对原始光谱预处理后,利用偏最小二乘法(Partial least squares,PLS)构建了生物炭样品中3种组分的模型,并对模型的预测性能进行了评价。结果表明,PLS模型具有良好的预测能力,FC、VM和Ash的真实值和预测值的相关系数(Predicted coefficient,R_p~2)分别达到0.9423,0.9517和0.9265,预测均方差(Root mean square error of prediction,RMSEP)值分别为0.1074,0.1201和0.1243,相对预测误差(Ratio of prediction to deviation,RPD)值分别为3.51,4.28和2.03。模型对FC和VM的精度较高,可以作为定量分析方法。根据RPD值,模型对Ash的预测精度较差,需要进一步提高模型预测精准度。本方法为生物炭组分的定量分析提供一种快速有效的技术手段。     

基于近红外光谱和OPLS-DA的不同牌号卷烟分类识别方法研究

为了对卷烟牌号进行准确分类鉴别,提出了一种基于近红外光谱(NIRS)分析技术结合有监督的模式识别快速鉴别卷烟牌号的新方法。利用标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数(FD)、二阶导数(SD)和Savitzky-Golay平滑(SG)及其相结合的光谱预处理方法对烟丝光谱进行预处理,通过近红外光谱结合主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)和正交偏最小二乘判别分析(OPLS-DA) 3种模式识别方法对不同牌号烟丝进行分类识别研究,并采用分类识别正确率作为评价指标。实验结果表明：(1)烟丝近红外光谱主成分得分图交叉重叠,区分不明显,PCA无法识别出5种牌号的成品烟丝;(2)烟丝光谱经MSC+FD预处理后的PLS-DA模型可得到较好的识别效果,校正集和测试集的分类识别正确率分别为100%和98.3%;(3)烟丝光谱经MSC+SD预处理后的OPLS-DA模型的模式识别效果最好,模型对自变量拟合指数(R2X）,因变量的拟合指数(R2Y)和模型预测指数(Q2)分别为0.485、0.907 和0.748,近红外光谱校正集和测试集的分类识别正确率均为100%。说明近红外光谱技术结合有监督模式识别方法OPLS-DA建立的烟丝牌号分类模型具有高效快速、准确无损的优点,为卷烟烟丝分类提供了一种新的快速鉴别方法。     

基于拉曼光谱法所建的多元校正模型预测烟草中绿原酸和芸香苷的含量北大核心CSCD

为了满足现场批量检测的需求,基于拉曼光谱建立了多元校正模型,实现了烟草中绿原酸和芸香苷含量的预测。120个烟草样品(包含90个校正集样品和30个验证集样品)用50%(体积分数)甲醇溶液萃取后注入拉曼光谱液体池中,在325 nm激发波长下采集800~2000 cm^(-1)内的拉曼光谱,采用Savitzky-Golay卷积平滑法预处理所得原始拉曼光谱,用Monte-Carlo交互检验法选择隐变量数目,并在1555.8~1652.9 cm^(-1)波段内建立偏最小二乘法(PLS)多元校正模型,以避免绿原酸和芸香苷拉曼光谱在1600 cm^(-1)附近的光谱重叠干扰。结果显示,所建绿原酸和芸香苷模型的预测均方根误差(RMSEP)分别为0.88和0.67,预测集决定系数(R_(p)^(2))分别为0.948和0.970,说明基于拉曼光谱和PLS所建模型,可以对烟草中多酚类化合物绿原酸和芸香苷含量实现准确可靠的预测。     

基于小波变换动态时间规整的近红外光谱模型传递方法

为解决因测量环境及仪器差异而导致的近红外光谱模型通用性较差的不足,提出一种基于小波变换动态时间规整算法的模型传递方法(Wavelet transform combined with dynamic time warping,WDTW),从而实现不同仪器之间模型的共享。首先,该方法将光谱进行小波变换预处理,然后利用动态时间规整算法(Dynamic time warping,DTW)找到近红外光谱波长点之间最优的对应关系并建立回归方程。使用近红外药品光谱数据集和汽油数据集建立传递模型,验证了基于小波变换动态时间规整模型传递方法的有效性。汽油光谱数据集C7、C8、C9和C10成分的预测标准偏差(SEP)分别为0.414 4、0.801 1、1.090 4和1.290 8;药品光谱数据集活性、硬度和重量的SEP分别为2.585 6、0.434 5和2.270 3,均小于传统方法。上述实验结果表明,所建立的模型传递方法能有效消除源机光谱和目标机光谱之间的差异,提高模型的稳定性和准确性,实现模型传递的效果。     

白酒基酒中酮类物质的近红外光谱检测方法

应用近红外光谱技术建立了白酒基酒中2,3-丁二酮和3-羟基-2-丁酮的快速检测模型。从洛阳杜康酒厂选取182个白酒基酒样品为材料,运用气相色谱法测得两种物质的化学值,同时采集其在12 000~4 000 cm-1范围内的光谱数据,采用偏最小二乘法(PLS)结合内部交叉验证建立校正模型。通过对比不同光谱预处理下PLS模型效果对其进行优化,确定2,3-丁二酮和3-羟基-2 丁酮的最佳预处理方法分别为一阶导数+多元散射校正和二阶导数,最佳光谱区间分别为9 403.2~7 497.9 cm-1和9 403.2~7 497.9 cm-1+6 101.7~5 449.8 cm-1。优化后2,3-丁二酮和3 羟基-2-丁酮校正集样品的化学值和近红外预测值的决定系数(R2)分别为0.960 2和0.963 2,交叉验证均方根误差(RMSECV)分别为0.39、0.22 mg/100 mL;通过外部检验,验证集样品的R2分别为0.957 6和0.957 8,预测均方根误差(RMSEP)分别为0.40、0.24 mg/100 mL。结果表明,应用近红外光谱技术结合化学计量学方法所建立的模型有较高的准确度,能够满足白酒生产中酮类物质的快速检测需要。     

废旧涤/棉混纺织物近红外定量分析模型的建立及预测

将中红外光谱筛选出的598个纯涤、纯棉及涤/棉混纺样本采用GB/T 2910.11-2009法测定其涤、棉准确含量,其中校正集样本252个,验证集样本346个。使用便携式近红外光谱仪获取样本的原始近红外光谱(NIRS)。校正集样本依据回归系数的分布趋势和范围选取最佳建模谱区,并采用差分一阶导、S-G平滑和均值中心化相结合的方法对原始光谱进行预处理,利用偏最小二乘法(PLS)建立涤/棉混纺织物中涤含量的近红外(NIR)定量分析模型。同时分析了样本颜色对NIRS的影响,探讨了斜线光谱样本、奇异样本和不同组织结构织物对模型预测效果的影响。结果表明:利用PLS法建立的涤/棉混纺织物定量分析模型最优组合包含1个光谱区间和9个主成分因子,校正集相关系数(RC)为0.998,标准偏差(SEC)为0.908。为验证所建模型的有效性和实用性,对346个未参与建模的涤棉样本进行了预测,并将预测结果与国标法测定值进行方差分析,两种方法结果无显著差异,预测正确率达97%以上。模型的建立为废旧涤/棉混纺织物快速、无损分拣提供了基础数据库。     

基于主成分分析和小波神经网络的近红外多组分建模研究

将小麦叶片原始光谱经过预处理后,采用主成分分析(PCA)对数据进行降维,取前3个主成分输入小波神经网络,建立了基于主成分分析和小波神经网络的近红外多组分预测模型(WNN);进一步研究了小波基函数个数的选取(WNN隐层节点数)对小波神经网络模型性能的影响,并将WNN模型与偏最小二乘法(PLS)和传统的反向传播神经网络(BPNN)模型进行了比较.结果表明,所建立的WNN模型能用于同时预测小麦叶片全氮和可溶性总糖两种组分含量,其预测均方根误差(RMSEP)分别为0.101%和0.089%,预测相关系数(R)分别为0.980和0.967.另外,在收敛速度和预测精度上,WNN模型明显优于BPNN和PLS模型,从而为将小波神经网络用于近红外光谱的多组分定量分析奠定了基础.     

近红外光谱与组合的间隔偏最小二乘法测定清开灵四混液中总氮和栀子苷的含量

应用近红外光谱分析技术结合化学计量学方法, 建立了中药清开灵注射液中间体总氮和栀子苷含量测定的新方法. 首先采用Kernard-Stone法对训练集样本和预测集样品进行分类, 然后应用组合的间隔偏最小二乘法(Synergy interval partial least squares, siPLS)对所得近红外透射光谱进行有效谱段范围的选择以及二者定量校正模型的建立, 并对光谱预处理方法进行了详细的讨论. 所建立的总氮和栀子苷校正模型的预测相关系数(R)分别为0.999和0.708; 交叉验证误差均方根(RMSECV)均为0.023; 预测误差均方根(RMSEP)分别为0.074和0.159; 预测结果表明, 本实验所建方法快速、无损且可靠, 可推广并应用于中药注射液中间体的在线质量控制.     

近红外光谱结合CARS变量筛选方法用于液态奶中蛋白质与脂肪含量的测定

采用CARS(Competitive adaptive reweighted sampling)变量筛选方法建模,显著提高了液态奶中蛋白质与脂肪近红外模型的预测精度。用蒙特卡罗采样(Monte-Carlo sampling)方法先剔除奇异样本,再对光谱进行中心化与Karl Norris滤波降噪处理,通过CARS方法筛选出与样本性质密切相关的变量,建立预测蛋白质与脂肪含量的偏最小二乘法(PLS)校正模型,并与未选变量的PLS模型进行比较。以定标集相关系数(r2)及交互验证均方残差(RMSECV)和预测误差均方根(RMSEP)作为判定依据,确定了蛋白质与脂肪的最佳建模条件。蛋白质与脂肪校正模型的相关系数分别为0.975 0、0.995 1,RMSECV分别为0.194 8、0.136 3,RMSEP分别为0.113 3、0.140 1,预测结果优于未选变量的PLS模型及其他选变量方法,有效简化了模型,适于液态奶中脂肪和蛋白质的快速、无损检测。     

基于高光谱图像的生菜叶片氮素含量预测模型研究

为了便于更经济合理地为作物施肥,建立一种无损检测作物氮营养元素的高光谱图像模型。本实验以生菜为研究对象,无土栽培各氮素水平的生菜叶样本,在莲座期,采集生菜叶片样本的高光谱图像(390~1050 nm),同时采用凯氏定氮法测定对应生菜叶片样本的全氮含量。通过ENVI软件提取出生菜叶片中感兴趣区域的平均光谱作为该样本原始光谱信息,分别使用平滑处理(Smoothing)、多元散射矫正(MSC)、标准正态变量变换结合去趋势(SNV detrending)、一阶导数法(First derivative)、二阶导数法(Second derivative)、正交信号矫正(OSC)等预处理方法对样本原始光谱进行处理,然后利用偏最小二乘回归法(Partial least squares regression,PLSR)分别建立样本全波段光谱信息与氮含量的关系模型,研究各预处理方法对氮含量模型的影响,结果表明,使用OSC预处理的模型效果最好。为了简化模型,根据OSC预处理光谱后的模型的PLSR回归系数优选出敏感波长,利用训练集中样本的敏感波长光谱信息与氮含量数据重新构建PLSR回归模型,并利用测试集样本进行测试试验。结果表明,该模型得到校正集和预测集的决定系数(R2p)分别为0.89,0.81;均方根误差RMSEC,RMSEP分别为0.33,0.45。该回归模型大大降低了自变量个数,简化了模型,并且取得了较优的效果,这为生菜氮素含量预测提供了一种新的快速有效方法。     

近红外光谱法快速测定柴胡提取过程中的药效成分

利用近红外光谱(NIRS)技术对柴胡提取过程中的药效成分进行快速定量分析。共收集126个柴胡提取液样品,采用紫外-可见分光光度法测定总黄酮和多糖的含量,高效液相色谱法(HPLC)测定柴胡皂苷A及柴胡皂苷D的含量,以透射模式采集提取液的近红外光谱,运用偏最小二乘法(PLS)分别建立了近红外光谱与4种药效指标参考值之间的定量校正模型,并采用不同的预处理方法、光谱波段和主因子数对模型进行优化。结果表明,总黄酮、多糖、柴胡皂苷A和柴胡皂苷D 4种定量模型的近红外预测值与参考值之间的拟合性良好,模型预测精度较高,其中预测集相关系数(RP)均大于0.9;预测集误差均方根(RMSEP)分别为3.46 μg/mL、0.743 mg/mL、1.53 μg/mL、0.406 μg/mL;预测集相对偏差(RSEP)分别为1.65%、8.28%、5.74%、7.52%。该研究证实了NIRS结合PLS可成功应用于监测柴胡提取液中药效成分的含量变化,且方法具有快速、准确、无损和环保的特点。     

苹果产地差异对可溶性固形物近红外光谱检测模型影响的研究

为更好地利用近红外光谱预测苹果可溶性固形物含量,减少产地差异对近红外光谱检测模型的影响,以4种不同产地的富士苹果为研究对象,采用基于x-y共生距离的样本划分方法分别对不同产地的苹果选取代表性样本作为校正集,利用偏最小二乘算法,建立和比较单一产地和混合产地下的苹果可溶性固形物近红外光谱检测模型,并结合竞争性自适应重加权算法(CARS)和连续投影算法(SPA)对苹果可溶性固形物的建模变量进行筛选。相比单一产地和其它混合产地模型,混合所有4种苹果产地的校正集样本建立的模型取得了最好的预测结果,另外,结合CARS-SPA筛选的16个特征波长,模型得到了进一步简化,其预测相关系数和预测均方根误差分别为0.978和0.441°Brix。结果表明,利用多个产地的苹果样本建立的混合模型,结合有效特征波长,可提高对苹果可溶性固形物含量的预测精度,减小产地差异对可溶性固形物近红外光谱检测的影响。     

航空煤油初馏点近红外光谱分析数学模型的预处理方法及波段优选

采用偏最小二乘法(PLS)建立近红外光谱法分析航空煤油初馏点的数学模型。重点研究了光谱预处理方法和建模波段的选择,结果表明:采用一阶微分无窗口平滑的预处理方法,利用764～960 nm和1 000～1 020 nm波段组合建立的模型效果最好,模型的相关系数(r)、校正标准偏差(SEC)和预测标准偏差(SEP)分别为0.910 2,1.01℃和2.69℃,其中r和SEC优于文献值(r=0.885 2,SEC=3.86℃),配对t检验验证该模型的预测准确度高。     

应用多模型共识偏最小二乘法和FTIR/ATR光谱技术建立苯丙酮尿症的筛查模型

利用多模型共识偏最小二乘法(cPLS)建立新生儿苯丙酮尿症(PKU)的红外光谱筛查模型,比较PLS和cPLS模型的性能。对原始光谱进行一阶微分预处理,分别用PLS和cPLS建立干血片中苯丙氨酸浓度的定量校正模型,各运行40次,以预测均方根误差(RMSEP)、平均相对误差(MRE)和预测准确率(Acc)为指标,考察两种模型对独立测试集的预测效果。PLS模型的RMSEP、MRE、Acc的平均值和标准差分别为103.3、0.32、97.1和30.0、0.07、4.4;而cPLS模型的RMSEP、MRE、Acc的平均值和标准差分别为88.4、0.26、99.3和19.8、0.04、2.4。cPLS较PLS模型预测更准确,稳定性更好,更适于建立PKU的红外光谱筛查模型。     

基于高光谱技术的培养基上细菌菌落分类方法研究

利用高光谱技术对培养基上细菌(大肠杆菌、李斯特菌和金黄色葡萄球菌)菌落进行快速识别和分类。采集琼脂培养基上细菌菌落的高光谱反射图像(390~1040 nm),在对波段差图像进行大津阈值分割的基础上自动提取细菌菌落光谱,并建立细菌分类检测的全波长和简化偏最小二乘判别( PLS-DA)模型。全波长模型对预测集样本的分类准确率和置信预测分类准确率分别为100%和95.9%。此外,利用竞争性自适应重加权算法( CARS)、遗传算法( GA)和最小角回归算法( LARS-Lasso)进行波长优选并建立对应简化模型。其中,CARS简化模型在精度、稳定性及分类准确率方面均优于GA和LARS-Lasso简化模型,其对预测集样本的分类准确率和置信预测分类准确率分别达到了100%和98.0%。研究表明,高光谱是一种细菌菌落高精度、快速、无损识别检测的有效方法。简化模型中优选的波长可以为开发低成本检测仪器提供理论依据。