近红外光谱技术定量分析连作滁菊土壤中的阿魏酸含量

应用近红外光谱(NIRS)技术定量分析连作滁菊土壤样品中阿魏酸的含量.通过标准杠杆值、学生残差和马氏距离判断异常光谱,经二阶导数和Norris平滑滤噪预处理后,在6000~4000 cm-1范围,最佳因子数为7,采用偏最小二乘法(PLS)构建数学模型.结果表明,模型校正集和验证集与高效液相色谱仪(HPLC)测定的参考值之间均呈现良好相关关系,校正相关系数Rc为0.9914,交叉验证相关系数Rcv为0.9935,校正集误差均方根(RMSEC)为0.484,预测误差均方根(RMSEP)为0.539,交叉验证误差均方根(RMSECV)为0.615.研究结果表明,NIRS分析技术能够实现连作土壤中阿魏酸的快速检测,结果准确可靠.     

基于色谱和光谱数据融合的不同植物源食用油判别方法与模型

利用气相色谱和近红外光谱技术对不同植物源的4种食用油(葵花籽油、大豆油、玉米油和花生油)进行表征分析,基于表征数据分别建立了偏最小二乘判别分析(PLS-DA)模型,并在此基础上探究了数据级数据融合方法,构建了基于色谱和光谱数据融合的不同植物源食用油判别方法与模型。主成分分析(PCA)结果显示,气相色谱判别分析主要是依据脂肪酸组成信息,近红外光谱主要是基于样本中含氢化学键的表征进行分类。数据融合模型的灵敏度和特异度均为1000,分类误差为0000,降低了交互验证的平均分类误差,模型具有良好的稳健性。与基于单一数据的模型结果相比,数据融合分析策略提高了模型的分类精度和鲁棒性。     

基于多光谱特征融合技术的面粉掺杂定量分析方法

提出了一种基于拉曼光谱技术(Raman)和激光诱导击穿光谱技术(LIBS)的多光谱特征融合技术(MFFT),利用拉曼光谱中分子组分信息和激光诱导击穿光谱中原子组分信息之间的互补特性,采用自适应小波变换(AWT)-竞争性自适应加权(CARS)-偏最小二乘回归(PLS)建模技术,获取了面粉体系更为全面的特征信息。在多光谱特征融合技术中,首先采用AWT-CARS方法分别提取拉曼光谱和激光诱导击穿光谱中的特征变量,然后将两者的特征变量融合为一个向量,采用PLS方法构建MFFT模型,实现了面粉掺杂物的定量分析。通过对二氧化钛、硫酸铝钾等面粉掺杂体系建模分析,考察MFFT模型的有效性。结果表明,与单一拉曼光谱技术或激光诱导击穿光谱技术建立的预测模型相比,MFFT模型显著提升了模型的预测性能,二氧化钛和硫酸铝钾预测模型的线性相关系数分别从相对较差的Raman模型的0.884、0.877提升到0.981、0.980,其预测均方根误差分别从相对较差的Raman模型的0.151、0.154降低到0.069、0.068。表明多光谱特征融合技术可以准确提取Raman光谱中的分子信息和LIBS光谱中的元素信息,使其互为补充、互为校正,进而有效克服面粉基质对掺杂组分定量分析的干扰,显著提高模型的预测精度。     

基于遗传算法和偏最小二乘法的土壤激光诱导击穿光谱定量分析研究

在空气环境下,采用激光诱导击穿光谱(LIBS)技术对土壤成分进行检测,建立了基于遗传算法(GA)和偏最小二乘法(PLS)的定量分析模型。将配制的58个土壤样品分为定标集、监控集和预测集,对11种组分Mn,Cr,Cu,Pb,Ba,Al2O3,Ca O,Fe2O3,Mg O,Na2O和K2O的含量分别进行预测。结果表明,GA作为一种谱线选择的预处理方法,可以有效减少用于PLS建模的光谱谱线的数目,从而简化模型。对于土壤中的大部分组成成分,GA-PLS模型能够显著改善传统PLS模型的预测能力。以Mn元素为例,浓度预测均方根误差(RMSEP)从0.0215%降低至0.0167%,平均百分比误差(MPE)从8.10%降低至5.20%。本研究为进一步提高土壤的LIBS定量分析准确度提供了方法参考。     

近红外光谱-径向基神经网络在异烟肼片无损定量分析中的应用

应用异烟肼片粉末的近红外漫反射光谱数据分别结合偏最小二乘法(PLS)和径向基神经网络(RBFNN)建立定量分析模型,并用所建模型对预测集样品进行了预测,结果表明:应用RBFNN所建立的定量分析模型优于PLS模型,相关系数(r)值由0.99593提高到0.99734,交互验证均方根误差(RMSECV)值由0.00523下降到0.00423,预测均方根误差(RMSEP)值由0.00614下降到0.00501。     

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。     

近红外光谱测定溶液中甲醇的含量

测量了含微量甲醇(体积分数为0.04%～0.24%)的系列乙醇水溶液的近红外光谱,利用近红外光谱分析建立了预测甲醇含量的定量分析模型。比较了用外部检验法(Test Set-Validation)和交叉检验法(Cross-Validaton)建立的数学模型,研究了使用外部检验法时,校正集和检验集样品数的改变对模型预测结果的影响。结果发现,当校正集样品数为15检验集样品数为6(总样品数为21)时,使用外部检验法建立的数学模型预测结果较好,其校正集的均方根误差和检验集的预测均方根误差(分别为RMSEE和RMSEP)均较小(分别为0.0115和0.0105),而且很接近。结果表明,近红外光谱方法简单,准确而且实用。     

不同光谱预处理对激光诱导击穿光谱检测猪肉中铅含量的影响

为了研究适合激光诱导击穿光谱(LIBS)检测猪肉中重金属铅(Pb)元素含量的光谱预处理方法,将配制的84个猪肉腿肌样品分为校正集和预测集,以相关系数(R)、内部交叉验证均方差(RMSECV)和预测均方根误差(RMSEP)作为评价指标,比较了5种光谱预处理方法对偏最小二乘法(PLS)建模预测效果的影响.结果表明,多元散射校正(MSC)预处理效果最好,定标模型预测值与实验室分析元素检测值的相关系数(R)达到0.9908,RMSECV为0.302,RMSEP为0.282,主成分数为16,18个预测集样品的验证结果的平均相对预测误差(ARPE)为7.8％.说明MSC是LIBS检测猪肉Pb含量的有效光谱预处理方法,该研究为进一步实现食品中重金属快速定量分析提供了方法和数据参考.     

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。     

近红外光谱法分析盐酸雷尼替丁胶囊

应用化学计量学与近红外光谱方法相结合,分析了盐酸雷尼替丁胶囊。以交叉验证均方根误差(RMSECV)、预测均方根误差(RMSEP)和决定系数为评价指标,分别建立了上述药物的定性和定量分析的模型。在定性判别分析方面,当采用多元散射校正(MSC)和一阶导数法对NIRS谱图进行预处理,并确定样品判别模型的主成分数为6,波长范围在波数为9 090.92~4 008.81cm~(-1)之间时误判数为0;在定量分析方面,选定的建模条件为:光谱的预处理方法为一阶导数法,建模波段在9 090.92~4 008.81cm~(-1)波数之间,主因子数为5。对13批次样品进行验证,测定值与预测值的相对偏差在-4.20%~4.04%之间。     

鱼粉近红外光谱模型传递应用研究

为探讨光栅型与傅里叶变换型近红外分析仪之间模型传递的应用效果,选取国产鱼粉为近红外光谱样本,DS2500F型近红外分析仪为源仪器,MPA型近红外分析仪为目标仪器,采用分段直接校正(PDS)方法实现近红外光谱传递。分别建立水分、粗蛋白质、粗脂肪、蛋氨酸和赖氨酸等组分的预测模型,通过交互验证决定系数(R2cv)、交互验证标准误差(RMSECV)、马氏距离(MD)、系统偏差(Bias)、预测均方根误差(RMSEP)和相对分析误差(RPD)等参数,多维度评估光谱传递后所建预测模型的效果。结果表明,DS2500F仪器的近红外光谱传递到MPA型仪器时,所建国产鱼粉的水分、粗蛋白质、粗脂肪、蛋氨酸、赖氨酸的预测模型与MPA型仪器原始预测模型各参数对比无显著差异,预测效果基本一致,说明国产鱼粉在DS2500F仪器上的近红外光谱通过传递可以替代MPA型仪器的原始光谱,间接实现了模型传递,且具有良好的适用性和共享性,可提高近红外预测模型的应用效率。     

基于马氏距离和稀疏矩阵技术的LIBS煤质灰分分析

为了提高激光诱导击穿光谱(LIBS)定量测量煤质的精度问题,先对原始数据进行预处理,包括异常值剔除、基线校正,谱线筛选,再将LIBS与偏最小二乘回归法(PLSR)结合建立定量模型以应用于煤质灰分的分析。结果表明,经过预处理后训练样品的拟合度(R²)从0.9740提高到0.9841,均方根误差(RMSE)从0.9613降低到了0.7527,预测均方根误差(RMSEP)从2.2731降到2.0017,同时平均绝对误差(MAE)和平均相对误差分别从1.9747、0.1094降低到1.5572、0.0757。研究表明,基于马氏距离(MD)的异常数据剔除算法结合基于稀疏矩阵技术的基线估计与降噪算法(BEADS),能够在一定程度上能够改善数据的稳定性和光谱信噪比,有利于提高数据建模的预测精度。     

多源光谱信息融合在水质分析中的应用

为解决现有单一光谱法用于水质有机污染综合指标分析精度较低的问题,提出一种基于多源光谱信息融合的水质分析新方法。本方法采用改进的参考独立成分分析方法分别提取紫外吸收光谱和三维荧光光谱对检测水样的多种有效信息特征,去除与水质分析无关的干扰信号;然后采用最小二乘支持向量机进行特征信息融合建模。采用总有机碳指标覆盖范围在3.4~125.3 mg/L内的32个城市地表水和生活污水样本为研究对象,对其紫外光谱、荧光光谱数据进行了信息融合分析实验。结果表明:采用融合分析方法后,对总有机碳指标的分析误差均方根比单一紫外光谱分析法和单一荧光光谱分析法分别下降36.1%和34.7%。     

基于导数光谱融合建模的红外光谱定量分析方法

设计了基于奇摄动技术的导数光谱估计器并提出基于不同阶次导数光谱空间的融合建模定量分析方法。方法充分利用导数光谱信息空间、区间最小二乘法和融合建模的优点,挖掘光谱深层次信息进行融合建模。分别利用麦汁浓度范围4.23~18.76° P (柏拉图度)的啤酒红外光谱公共数据集和配制的浓度为0.04%~5%范围的葡萄糖溶液实测光谱数据集进行定量分析方法的对比实验。实验结果表明,融合建模定量分析方法能获得最小的预测均方根误差(RMSEP),其值分别为0.121和0.087,能够准确地进行定量分析。与其它建模方法相比较,基于导数光谱的融合建模方法所建立的预测模型具有明显优越的性能。     

过程分析技术(PAT)在原料药生产中的应用

该文通过采用近红外光谱分析技术对原料药(API)的浓度调节过程进行实时监控,介绍了在良好生产规范条件下过程分析技术(PAT)的实施过程。利用偏最小二乘算法开发出两个校正模型分别用以监控原料药和水分含量,并通过模型校正均方根误差(RMSEC)、交叉检验均方根误差(RMSECV)和预测均方根误差(RMSEP)以及对应的决定系数(R~2)来评估模型的性能。为保证模型性能,按照分析方法验证要求对模型的线性和范围、准确性、精密度(重复性)、专属性以及稳健性指标进行验证。最后通过系统性能测试确认检测系统满足商业化运行的要求。结果显示,采用过程分析技术控制浓度调节过程,可以大幅度缩短浓度调节时间,节约蒸汽能耗和检测费用,减少生产过程中的偏差,提升产品工艺水平和批次间一致性。     

Characterization of Paris polyphylla var. yunnanensis by Infrared and Ultraviolet Spectroscopies with Chemometric Data Fusion

Paris polyphylla var. yunnanensis has been used for its anti-tumor, anthelmintic, and hemostatic properties. In this investigation, Fourier transform infrared and ultraviolet spectroscopy combined with chemometrics were used for qualitative analysis of P. polyphylla var. yunnanensis from different geographical origins in Yunnan Province. A total of 82 samples for each region were divided into 57 in the calibration set and 25 in the validation set by Kennard–Stone algorithm. Support vector machine and partial least square discrimination on the basis of Fourier transform infrared, ultraviolet, and low- and mid-level data fusion were investigated. Different pretreatments were compared for the appropriate model. The results indicated that the combination of Savitzky–Golay (11 points), second derivative, and standard normal variation has the best performance for support vector machine and partial least square discrimination with the lowest root mean square error of estimation and root mean square error of cross validation and the highest cross validation accuracy rate. The accuracies of calibration and validation for mid-level data fusion in the model of support vector machine were 84.21 and 96% for the partial least square discrimination values of 96.49 and 84%, which was better performance than a single technique or low-level data fusion for the classification. Moreover, the chemical information of sample collected from Kunming and Xishuangbanna was distinguishable from the others. These results provide a rapid and robust strategy for quality control of P. polyphylla var. yunnanensis for further analysis.     

Application of genetic algorithm‐support vector regression (GA‐SVR) for quantitative analysis of herbal medicines

In this paper, a genetic algorithm‐support vector regression (GA‐SVR) coupled approach was proposed for investigating the relationship between fingerprints and properties of herbal medicines. GA was used to select variables so as to improve the predictive ability of the models. Two other widely used approaches, Random Forests (RF) and partial least squares regression (PLSR) combined with GA (namely GA‐RF and GA‐PLSR, respectively), were also employed and compared with the GA‐SVR method. The models were evaluated in terms of the correlation coefficient between the measured and predicted values (Rp), root mean square error of prediction, and root mean square error of leave‐one‐out cross‐validation. The performance has been tested on a simulated system, a chromatographic data set, and a near‐infrared spectroscopic data set. The obtained results indicate that the GA‐SVR model provides a more accurate answer, with higher Rp and lower root mean square error. The proposed method is suitable for the quantitative analysis and quality control of herbal medicines. Copyright © 2012 John Wiley & Sons, Ltd.     

Feasibility study on qualitative and quantitative analysis in tea by near infrared spectroscopy with multivariate calibration

This study attempted the feasibility to use near infrared (NIR) spectroscopy as a rapid analysis method to qualitative and quantitative assessment of the tea quality. NIR spectroscopy with soft independent modeling of class analogy (SIMCA) method was proposed to identify rapidly tea varieties in this paper. In the experiment, four tea varieties from Longjing, Biluochun, Qihong and Tieguanyin were studied. The better results were achieved following as: the identification rate equals to 90% only for Longjing in training set; 80% only for Biluochun in test set; while, the remaining equal to 100%. A partial least squares (PLS) algorithm is used to predict the content of caffeine and total polyphenols in tea. The models are calibrated by cross-validation and the best number of PLS factors was achieved according to the lowest root mean square error of cross-validation (RMSECV). The correlation coefficients and the root mean square error of prediction (RMSEP) in the test set were used as the evaluation parameters for the models as follows: R = 0.9688, RMSEP = 0.0836% for the caffeine; R = 0.9299, RMSEP = 1.1138% for total polyphenols. The overall results demonstrate that NIR spectroscopy with multivariate calibration could be successfully applied as a rapid method not only to identify the tea varieties but also to determine simultaneously some chemical compositions contents in tea.