粗皮桉制浆性能的近红外光谱检测

传统的木材性状测量方法难以同时测量大量林木群体的多个材性性状。本研究旨在探索近红外光谱（NIRs）快速预测粗皮桉（Eucalyptus pellita）制浆性能的准确性和可靠性。用手持式近红外仪扫描了粗皮桉木粉的NIRs。同样的样品交由合作公司测量其静曲强度、弹性模量、纤维素含量、木质素含量和制浆得率5个性状值。对原始NIRs的导数平滑、多元散射校正等预处理表明,导数平滑能够提高光谱特征峰的分辨率。偏最小二乘法建立的模型参数也表明单独的导数平滑即可提高粗皮桉制浆性能NIRs模型的性能。导数处理后的建模效果显示,粗皮桉5个制浆性能NIRs模型的决定系数R²为0.7～0.9。模型经独立样本的预测检验显示,5个性状预测值的变异系数基本小于真实值的变异系数,表明NIRs可用于桉树制浆性能的快速预测。研究也为NIRs用于桉树目标性状的遗传差异分析提供了启示。     

自适应蚁群优化算法的近红外光谱特征波长选择方法

为提高近红外光谱预测模型的精度和适用性,同时简化模型,提出了自适应蚁群优化偏最小二乘法优选特征波长的方法,建立不同产地苹果可溶性固形物含量混合分析模型。收集山东、陕西和新疆的富士苹果,采集3800~14000 cm"1范围的近红外光谱,并对其重要品质指标可溶性固形物含量进行测定。利用蚁群算法启发式全局搜索的特点,结合蒙特卡罗轮盘赌随机选择机制,优选苹果可溶性固形物含量的近红外光谱特征波长,然后用偏最小二乘法建立分析模型。与全光谱偏最小二乘模型和遗传偏最小二乘模型相比,蚁群优化算法选择的波长数最少,模型预测能力最强,预测的相关系数R和预测均方根误差RMSEP分别为0.9708和0.5144。研究结果表明,自适应蚁群优化算法可以有效选择近红外光谱特征波长,提高模型的稳健性和适用性。     

近红外光谱用于过氧化氢含量的定量分析研究

用长波近红外光谱仪（傅里叶变换,InGaAs检测器）和短波近红外光谱仪（光栅分光,CCD检测器）对比研究了25％～30％过氧化氢水溶液中过氧化氢含量的定量分析方法。结果表明,应用短波近红外光谱结合长光程样品池对25％-30％过氧化氢水溶液样品中过氧化氢含量进行定量分析,可以显著减少过氧化氢分解对定量分析的干扰,使定量分析的准确度和重复性显著提高。短波近红外光谱定量分析模型RMSECV和RMSEP分别为0．06和0．05;长波近红外光谱定量分析模型RMSECV和RMSEP分别为0．10和0．09。     

基于近红外光谱技术的亚麻纤维化学成分含量快速测定

在推进亚麻纤维的纺纱及其产业化生产过程中,快速、准确的定量分析纤维的化学成分是重要趋势。该研究利用近红外光谱技术分析亚麻纤维化学成分,以化学分析法测定值为对照,采用偏最小二乘法(PLS)建立亚麻纤维化学成分的近红外模型,从而实现了其化学成分的高效、快速定量分析。结果表明,建立的亚麻纤维纤维素、半纤维素、木质素和果胶近红外模型的校正相关系数(R_C)与验证相关系数(R_(CV))均在0.9以上,校正均方根误差(RMSEC)小于预测均方根误差(RMSEP)且均小于1。外部验证和双尾t检验表明模型预测结果较为准确,预测值与化学分析法得到的实测值无显著性差异,故该模型可用于相关化学成分含量的快速预测。     

多模型共识偏最小二乘法用于近红外光谱定量分析

将多模型共识偏最小二乘法用于近红外光谱定量分析。利用随机抽取的训练子集建立一系列偏最小二乘模型,选取其中性能较好的部分模型作为成员模型,用这些成员模型来预测未知样品。将该方法用于一组生物样本的近红外光谱与样品中人血清白蛋白、γ-球蛋白以及葡萄糖含量之间的建模研究,并与单模型偏最小二乘法了进行比较。结果 PLS对独立测试集中三种组分进行50次重复预测的平均RMSEP分别为0.1066,0.0853和0.1338,RMSEP的标准偏差分别为0.0174,0.0144和0.0416;而本方法重复预测的平均RMSEP分别为0.0715,0.0750和0.0781,RMSEP的标准偏差分别为0.0033,0.2729×10-4和0.0025。     

傅立叶变换近红外光谱法测定腐乳中总酸、蛋白质和水分

应用傅立叶变换近红外光谱技术,建立了腐乳中总酸、蛋白质和水分的分析模型。测定32份腐乳的近红外光谱数据,得到原始光谱信息,通过光谱预处理方法消除原始光谱噪声,最后采用偏最小二乘法建立回归方程。最终得到总酸、蛋白质和水分近红外光谱分析模型的决定系数(R2)依次为99.37%、99.70%、99.73%,交叉验证均方根差(RMSECV)依次为0.00871、0.11、0.0714。用该模型对11个未知腐乳样品进行外部验证,其总酸、蛋白质和水分外部验证的决定系数(R2)依次为98.74%、99.38%、99.48%,预测标准偏差(RMSEP)依次为0.00862、0.113、0.0683。内部交叉验证和外部验证均证明,近红外定量分析有较高的准确度,能满足腐乳生产中总酸、蛋白质和水分的检测精度要求。     

近红外光谱法非破坏性同时测定海洛因、O6单乙酰吗啡、乙酰可待因

提出了近红外漫反射光谱快速无损测定缴获白粉中海洛因、O6单乙酰吗啡、乙酰可待因含量新方法。采用GC-MS分析了缴获88份白粉中这3组分的质量百分含量范围分别为12.15%~79.54%,0.4%~18.56%,0.23%~9.11%。以交叉验证误差均方根(RMSECV)为指标,确定各组分用于建模的最优近红外波段和光谱预处理方法,采用偏最小二乘算法建立近红外光谱与这三组分GC-MS分析值之间的校正模型,并以此预测了35个白粉样本。δ代表预测样本NIR值/GC-MS值,海洛因、O6单乙酰吗啡、乙酰可待因δ值的均值为100.63%,100.35%和98.71%,RSD分别为3.96%,7.02%,8.54%。该方法快速无损,结果可靠。     

主成分分析-支持向量回归建模方法及应用研究

将主成分分析(PCA)用于近红外光谱的特征提取,并与支持向量回归(SVR)相结合,实现了主成分分析-支持向量回归(PCA-SVR)用于近红外光谱定量分析的建模方法。与单纯的SVR方法相比,不仅提高了运算速度,而且提高了模型的预测准确度。将PCA-SVR方法用于烟草样品中总糖和总挥发碱含量的测定,所得结果的预测均方根误差分别为1.323和0.0477;回收率分别为91.8%~112.6%和88.9%~120.2%。     

近红外光谱法分析格列齐特片

应用化学计量法处理光谱数据,用偏最小二乘法建立格列齐特片的近红外分析模型。通过光谱预处理和模型的逐步优化最终确定定量分析模型的相关系数为0.991,交叉验证均方差(RMSECV)为0.641,预测均方根误差(RMSEP)为0.980,主因子数为4。选取15个验证样品对模型进行检验,检测结果相对误差在-2.04%～3.52%之间。     

近红外反射光谱法分析玉米秸秆纤维素含量的研究

利用近红外反射光谱分析技术和偏最小二乘回归法（PLS）,通过比较不同光谱范围和光谱预处理方法,采用二阶导数光谱预处理,在7540．3-5361．1cm^-1和4882.9—4504．9cm^-1谱区内建立了近红外光谱测定玉米秸秆纤维素含量的校正模型。利用15个玉米秸秆样品对所建模型的实际预测效果进行了验证,预测值与化学值的相关系数（r）可达0．9953,最大相对误差仅为5．20。结果表明,近红外光谱技术可以快速、准确地测定玉米秸秆纤维素,该结果对玉米秸秆材料的快速鉴定和筛选利用具有重要的意义。     

ICA方法与NIR技术用于药片中活性成分含量的测定

用独立分量分析(ICA)方法提取药片近红外光谱数据矩阵的独立成分和相应的混合矩阵, 再用BP神经网络对混合矩阵和药片中活性成分的浓度矩阵进行建模, 提出了新的药片活性成分含量测定的基于独立分量分析-神经网络回归(ICA-NNR)的近红外光谱分析方法. 通过分析独立分量数和网络中间隐层的神经元数对模型性能的影响, 分别建立三类药片定量分析的最优模型. 该方法用于实测的三类药片中活性成分含量的测定, 测试样品集的化学检测值与近红外预测值的相关系数分别达到0.962, 0.980及0.979. 结果表明, 基于ICA-NNR的近红外光谱分析方法对制药业的药片进行定量分析是可行的.     

基于近红外光谱的食用植物油中反式脂肪酸含量快速定量检测及模型优化研究

利用近红外光谱技术对食用植物油中反式脂肪酸(Trans fatty acids,TFA)含量进行快速定量检测,并通过波段选择、预处理方法、变量筛选及建模方法对TFA含量预测模型进行优化.采用AntarisⅡ傅里叶变换近红外光谱仪在4000~10000 cm-1光谱范围采集98个食用植物油样本的近红外透射光谱,然后采用气相色谱法测定TFA的真实含量.首先,对样本原始光谱进行波段、预处理方法优选;在此基础上,采用竞争自适应重加权法(Competitive adaptive reweighted sampling,CARS)筛选TFA相关的重要变量,最后应用主成分回归、偏最小二乘和最小二乘支持向量机方法分别建立食用植物油中TFA含量的预测模型.研究结果表明,近红外光谱技术检测食用植物油中的TFA含量是可行的,优化后的最佳预测模型的校正集和预测集R2分别为0.992和0.989,RMSEC和RMSEP分别为0.071%和0.075%.最佳预测模型所用的变量仅26个,占全波段变量的0.854%.此外,与全波段偏最小二乘预测模型相比,其预测集R2由0.904上升为0.989,RMSEP由0.230%下降为0.075%.由此表明,模型优化非常必要,CARS能有效筛选TFA相关的重要变量,极大减少建模变量数,从而简化预测模型,并较大提高预测模型的精度和稳定性.     

近红外光谱混合模型定量分析不同物理状态样品的研究

近红外光谱(NIRS)以漫反射模式对非均质样本进行测量时,由于其光谱散射和吸收系数差异较大,建立的校正模型准确性和稳健性较低,因此,本研究提出了一种基于均质样本和模型转移方法建立混合模型的策略,解决非均质样本近红外光谱检测的问题.以烟叶样本为研究对象,分别建立了基于Shenk专利算法(Shenk′s)、分段直接标准化(PDS)和基于典型相关分析的模型转移算法(CTCCA)的烟粉+烟丝、烟粉+烟片混合模型,用于烟丝和烟片样本中烟碱含量的预测.结果表明,混合模型对烟丝和烟片样本的预测均方误差(RMSEP)较直接建模分别降低了1.39%和2.73%,预测结果有一定的改善,稳健性提高,3种方法中CTCCA表现最优.因此,采用近红外光谱均质模型和模型转移方法建立的混合模型对非均质样本的测定具有可行性,有利于在线近红外光谱分析技术的发展,可为近红外光谱模型的共享提供参考.     

基于光谱比值分析的无标样近红外模型传递方法

测量环境及光谱仪台间差异导致近红外光谱(NIRS)模型传递到从机后,常产生较大误差。该文使用标准正态变量变换(SNV)+微分处理光谱消除光谱散射和基线漂移的影响,提出通过仪器间光谱信号比值分析筛选波长的方法(Screening wavelengths based on spectrum ratio analysis,SWSRA),选出仪器间一致性较好且样本间差异大的光谱特征波长,采用筛选出的波长信号建立待测性质的偏最小二乘近红外光谱定标模型。以80个玉米样品中水分、油、蛋白质含量及72个黄芩样品中黄芩苷含量的NIRS预测对该方法进行了检验。结果表明,SWSRA主机模型预测从机样品的各成分含量的平均相对误差均小于4.3%,明显优于全波长模型直接传递的结果,且其预测均方根残差RMSEP与文献报道的其他模型传递方法的结果相当或更优。SWSRA方法具有模型参数少、稳健、简便易行等优点,可以在同类型近红外光谱仪器之间实现模型的无标样传递。     

温控近红外光谱用于葡萄糖的高灵敏检测

温控近红外光谱在混合体系定量分析以及分子间相互作用分析中已得到应用.本工作利用互因子分析方法（MFA）探索了温控近红外光谱技术测定血清样品中低浓度葡萄糖含量的可行性.测量了不同温度下葡萄糖含量分别为1.0～15.0mmol/L和0.0～1.0 mmol/L的两组血清溶液的近红外光谱,并利用MFA进行了定量计算.结果表明,利用该方法可以实现样品中微量葡萄糖的准确定量,MFA提取的标准信号（SS）的相对强度和葡萄糖浓度之间的线性相关系数R分别为0.9923和0.9895,预测均方根误差（RMSEP）分别为0.35和0.07 mmol/L.     

近红外光谱法快速检测何首乌炮制过程中多糖含量的研究

该研究基于近红外光谱技术建立了何首乌在蒸制过程中多糖含量变化的快速定量模型。采用蒽酮-浓硫酸法测定了不同蒸制时间何首乌的多糖含量并结合采集的近红外光谱数据建立模型,以校正集相关系数(R²_c)、预测集相关系数(R²_p)、交叉验证集均方根误差(RMSECV)和预测集均方根误差(RMSEP)作为评价指标,考察了不同预处理方法和变量筛选方法的效果。结果显示,随着蒸制时间的延长,何首乌多糖含量先上升后下降并趋于平稳,采用平滑+变量标准化+随机蛙跳变量筛选建立的偏最小二乘法回归模型的R²_c=0.96,RMSECV=0.74,R²_p=0.96,RMSEP=0.28;外部预测相对偏差小于3.0%。所建立的多糖含量定量模型质量较高,预测能力较强,可为探索何首乌炮制工艺标准化及质量评价提供参考。     

近红外光谱模型检测苯磺酸氨氯地平片中有效含量的研究

以12种苯磺酸氨氯地平片为研究对象,以高效液相色谱(HPLC)法准确测定出苯磺酸氨氯地平片中苯磺酸氨氯地平的有效含量为标准,利用近红外光谱技术,建立了苯磺酸氨氯地平片的近红外定量分析模型。结果表明,利用二阶导数谱图,在4070.89～4248.69cm~(-1)、4316.83～4656.56cm~(-1)、4749.74～5449.81cm~(-1)、7315.64～6942.53cm~(-1)等四个波段下,得到的样品粉末定量分析模型最优。模型的预测值与HPLC测定值的绝对误差为-0.12%～0.18%,相对误差为-3.51%～5.41%。建立了一种快速检测苯磺酸氨氯地平片含量的方法。     

基于稳定一致波长优选的综纤维素近红外分析模型传递

以实现纸浆材综纤维素含量的近红外分析模型在3台不同型号光谱仪上共享为目标,提出SWCSS-UVE及SWCSS-CARS联用算法。即分别利用竞争性自适应重加权采样算法（CARS）和无信息变量剔除（UVE）算法,减少SWCSS方法中入选的无信息或信息少波长的不利影响,以提高模型转移精度,并与单独的SWCSS和分段直接标准化算法（PDS）以及斜率截距（S/B）算法校正后的传递结果进行比较。结果表明,通过SWCSS-UVE方法最终可从稳定一致光谱信号中进一步优选出91个波长建立模型,该模型能同时应用于2台从机所测量光谱的分析,预测标准偏差（RMSEP）分别从模型转移前的2.0114和9.4518下降到了1.5919与1.6818,优于SWCSS, SWCSS-CARS和PDS以及S/B算法的结果。这表明SWCSS-UVE算法可以有效剔除SWCSS方法中包含的无效波长,简化模型传递过程,提高模型传递效率和稳健性。     

基于支持向量机的近红外特征变量选择算法用于树种快速识别

将稳定度自适应重加权采样特征变量选择算法用于支持向量机定性分析(Support vector machine-stability competitive adaptive reweighted sampling,SVM-SCARS)。该算法通过对数据多次采样建模计算各变量的稳定度值,稳定度值能更加客观准确地评估变量在建模中的作用,因此可作为变量重要性的评价依据。通过循环迭代方式,采用自适应重加权采样技术逐步筛选变量,然后以每次循环所得变量子集建立SVM模型,并以模型交叉验证分类正确率(Correct classification rate of cross validation,CCRCV)评估子集优劣,确定最优特征变量子集。将该算法结合漫反射近红外光谱技术建立了制浆造纸常用木材的树种识别模型,实现了对4种桉木和2种相思木的快速识别分类。最终共筛选出15个特征变量建立分类模型,模型对各树种分类的正确率达97.9%,具有较好的分类效果。与全光谱模型和递归特征消除支持向量机模型相比,SVM-SCARS能够筛选出更少的特征变量,且模型具有更好的预测性能和稳定性。研究结果表明,SVM-SCARS算法能够有效优化光谱特征变量,提高近红外在线分析模型在木材材性分析中的稳健性和适用性。     

利用傅立叶变换近红外光谱技术监测再造烟叶的主要化学成分

利用傅立叶变换近红外漫反射光谱和常规化学方法测定了再造烟叶生产过程中浓缩液的成分,基于偏最小二乘回归法建立了其常规化学成分的近红外分析模型,并用于测定再造烟叶浓缩液中的总糖、烟碱、氯离子和钾离子.现场运行结果表明,所建立的分析模型可用于快速、简便和大批量地测定浓缩液中化学成分的含量,可实现产品常规化学成分的及时调控.