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.     

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.     

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。     

基于独立分量和神经网络的近红外多组分分析方法

采用小波变换对光谱数据进行压缩,用独立分量分析(ICA)方法提取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实测浓度矩阵进行建模,提出了基于独立分量分析-神经网络回归(ICA-NNR)的近红外分析建模方法。进一步研究了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,经优化后的ICA-NNR模型在相关系数与均方根误差两个指标上均优于直接用光谱矩阵作为输入所建立的模型。本方法用于玉米中水分、淀粉、蛋白质3种主要成分含量的同时测定,检验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:淀粉r=0.971,蛋白质r=0.976,水分r=0.975。     

近红外光谱测定人参与西洋参的主要皂甙总量

采用近红外光谱测定人参与西洋参的主要皂甙总量.采集人参与西洋参的漫反射光谱,分别对光谱进行正交信号校正(OSC)与常规预处理,建立了对应的偏最小二乘(PLS)回归模型.与常规最优预处理方法相比,OSC能很好地消除人参与西洋参的品种差异,显著提高了光谱与皂甙含量的相关系数,同时降低了PLS建模因子数,提高了模型的稳健性与...     

傅立叶变换近红外光谱法快速评价涪陵榨菜品质

应用傅立叶变换近红外光谱技术,建立了评价涪陵榨菜品质的定量分析模型.测定了58份涪陵榨菜的近红外光谱数据,通过光谱预处理方法消除噪声,以偏最小二乘法(PLS)建立回归模型.最终得到评价其品质的水分、总酸(以乳酸计)和氨基酸含量近红外光谱分析模型的决定系数(R2)依次为0.957 8、0.975 4、0.950 4,交叉...     

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%。     

用于近红外光谱分析的化学计量学方法研究与应用进展

分析模型的建立是近红外光谱分析的核心技术之一,本文综述了近些年在近红外光谱分析方法中出现的一些新算法和模型建立策略,如基于核函数的非线性校正方法、集成(或共识)的建模策略、多维分辨和校正方法、基于局部样本的建模策略以及二维相关光谱等,并给出了一些方法的具体算法。     

基于小波系数的近红外光谱局部建模方法与应用研究

局部建模方法使用与预测样本相似的样本建立模型,可解决光谱响应与浓度之间的非线性问题,扩大模型的适用范围,提高预测准确度。采用小波变换进行数据压缩并利用小波系数之间的欧氏距离作为光谱相似性的判据,实现了近红外光谱定量分析的局部建模方法,避免了样本之间的依赖性。将所建立的方法用于烟草样品中氯含量的测定,100次重复计算得到的预测集均方根误差(RMSEP)平均值为0.0665,标准偏差(σ)为0.0045,优于全局建模和基于主成分的局部建模方法。     

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.