近红外光谱结合LSTSVM算法判别不同等级烟叶

本文用近红外光谱结合最小二乘双胞胎支持向量机(LSTSVM)算法建立了烟叶等级分类模型。从三个等级共210个烟叶样品中,取出120个样品作为建模集,剩余90个样品作为预测集。为了建立最优模型,对光谱预处理方法和模型参数进行筛选优化,最优模型对预测集样品的平均识别率为95.56%,结果表明该方法可以作为烟叶等级分类的一种有效方法。此外,将该算法与SIMCA、PLS-DA、SVM等三种常见的模式识别算法进行了比较,结果表明基于样品的原始光谱,同等条件下,LSTSVM算法的预测效果优于其他三种算法。     

烟叶中六种成分OSC-PCR定量模型的研究

采用近红外光谱技术对烟草中常规化学成分总糖、 还原糖、 烟碱、 总氮、 淀粉和挥发性碱进行测定。利用正交信号校正法(OSC)对烟叶的近红外光谱进行预处理,再使用主成分回归方法(PCR)建立烟叶中六种化学成分的定量分析模型,采用蒙特卡洛交互验证作为集成的建模策略优化模型参数,使用外部预测的相对预测性能(RPD)评价模型。结果表明,OSC有效解决了PCR投影方向并非浓度相关性最大方向的问题,同时解决了噪声、 基线漂移、 杂散光等问题。OSC-PCR建立的模型能够有效检测烟草常规化学成分。该研究方法通过确定化学值的波动范围初步监控烟叶中常规成分的含量,对于烟草品质评价和控制质量稳定性以及烟草香气成分分析具有重要意义。     

近红外光谱法结合最小二乘支持向量机测定烟叶中钙、镁元素

钙、镁是植物体内两种重要的无机元素,不直接吸收近红外光,但在植物体内与有机物结合(果胶酸钙、叶绿素)使得钙、镁元素可被近红外光谱技术(NIR)间接测定。使用NIR结合最小二乘支持向量机(LS-SVM)这一非线性回归方法实现对烟叶中钙、镁的快速定量分析。设计了混合的建模策略将500个烟叶样本划分多个校正集和验证集,主成分分析-马氏距离方法用于选择建模样本,蒙特卡洛交互验证在多元散射校正、标准正态变量变换(SNV)、Savitzky-Golay平滑、求导、去趋势算法和标准化等多种算法及其组合中选择最佳的光谱预处理方法并优化光谱波长范围,多层网格搜索和十折交互验证确定LS-SVM模型的核函数参数σ2和正则化参数λ。最终使用LS-SVM分别建立钙和镁的定量模型,光谱预处理均选用SNV。钙元素的LS-SVM模型校正集决定系数R2c为0.975 5,外部验证集决定系数R2p为0.942 2;镁元素的R2c为0.996 1,R2p为0.930 1。钙、镁的LS-SVM模型结果均优于偏最小二乘回归模型结果(R2c钙=0.959 3,R2p钙=0.934 4,R2c镁=0.9582,R2p镁=0.894 2)。结果说明了使用近红外光谱结合LS-SVM技术准确测定烟叶中钙、镁元素是可行的。     

无信息变量消除法变量筛选优化烟草中总氮和总糖的定量模型

应用近红外光谱技术对烟草常规化学成分中总氮和总糖进行了测定。无信息变量消除(UVE)剔除光谱矩阵中没有有效信息的数据点,并用偏最小二乘方法(PLS)建立总氮和总糖的定量分析模型,外部检验对模型效果进行了评价。总氮定量模型校正集的决定系数R2为93.35%,标准偏差SEC为0.10;外部检验集的决定系数R2为94.09%,标准偏差SEP为0.11,相对标准偏差RSD为6.12%;总糖的定量模型校正集的决定系数R2为98.20%,标准偏差SEC为0.95;外部检验集样品的决定系数R2为98.01%,标准偏差SEP为0.78,相对标准偏差RSD为2.93%。结果表明:采用UVE建立的总氮与总糖的模型优于用全谱建立的模型,UVE提高了PLS模型的预测能力。