基于最小二乘支持向量机的番茄汁糖酸度分析研究

近红外光谱应用于农产品内部品质无损检测的方法引起人们的广泛关注,在分析过程中建立一个稳定可靠的模型用于处理非线性数据集是十分重要的,也是有一定难度的。目前常用的偏最小二乘(PLS)、主成分回归(PCR)以及逐步多元线性回归(SMLR)等方法还不能解决这类问题。文章提出了将基于统计学原理的最小二乘支持向量机(LS-SVM)回归方法用于番茄汁的近红外(NIR)光谱分析,预测番茄汁品质(糖度和有效酸度)。运用LS-SVM方法以67个番茄汁样本建模,采用高斯径向基函数(RBF)为核函数,对33个样本进行糖酸度预测,糖度的相关系数为0.990 25,均方根标准预测误差为0.0056° Brix;有效酸度的相关系数为0.967 5,均方根标准预测误差为0.024 5。结果表明,LS-SVM方法要优于PLS和PCR建模方法,是一种快速、准确的近红外光谱分析方法。     

基于近红外光谱技术检测除草剂胁迫下油菜叶片中脯氨酸含量的方法

应用近红外光谱技术实现除草剂胁迫下油菜叶片中脯氨酸含量的检测。对248个经过除草剂丙酯草醚处理后的油菜叶片,经过烘干、磨碎后进行光谱扫描。经过Savitzky-Golay平滑、变量标准化(SNV)、二阶求导预处理后,应用偏最小二乘法(PLS)建立脯氨酸含量的预测模型,同时提取有效特征变量作为神经网络(BPNN)和最小二乘-支持向量机(LS-SVM)的输入值,并建立相应的模型。用186个样本建模,62个样本预测。结果表明,最小二乘-支持向量机能够获得最优的预测效果,预测的相关系数(r)、预测标准差(RMSEP)和偏差分别为0.995,0.041和0.000。说明应用近红外光谱技术结合最小二乘-支持向量机能够定量获得油菜叶片中脯氨酸的含量。     

近红外光谱法对甲醇柴油中甲醇含量测定

应用近红外光谱结合化学计量学方法实现了对甲醇柴油中的甲醇含量的定量分析。以实验室配制的32种不同浓度[浓度范围为2%～25.8%(φ)]的甲醇柴油溶液为研究对象,在4 500～7 000 cm-1光谱范围内,建立偏最小二乘(PLS)、支持向量机(SVM)和最小二乘支持向量机(LS-SVM)三种定量分析模型。在建立SVM模型时,经过比较分析,径向基函数(radial basis function,RBF)作为SVM模型的核函数时可以获得更高的预测精度。最终获得甲醇含量的PLS, SVM和LS-SVM三种模型的预测相关系数R_P分别为0.985 9, 0.990 3, 0.998 9,预测均方根误差RMSEP分别为0.405 2, 0.356 3, 0.062 4,可以看出,三种预测模型都可以达到很好的效果,最优的预测模型是使用LS-SVM建模。研究结果表明,利用近红外光谱法结合化学计量学方法对甲醇柴油中甲醇含量的检测具有可行性,并可以达到很好的效果。采用近红外光谱技术结合化学计量方法对甲醇柴油中甲醇含量进行定量分析,也为近红外光谱技术快速无损检测甲醇柴油甲醇含量提供参考和应用价值。     

牛奶中三聚氰胺的可见/近红外光谱快速判别分析方法的研究

为探讨基于可见一近红外光谱技术快速检测牛奶中是否含有三聚氰胺的可行性.文章通过往液态奶中添加不同含量的三聚氰胺,共制备样本160个.利用Handheld Field Spec光谱仪获取样本光谱,其后采用不同的预处理方法对光谱数据进行预处理,然后分别建立数学模型,比较模型的好坏,得到采用移动平均平滑作为数据的预处理方法较好.从160个样本中随机的取出120个样本建模,剩下的40个样本作为独立的验证集.采用偏最小二乘回归法(PLS)和最小二乘支持向苗机法(LS-SVM)方法分别建立判别分析模型,利用独立的验证集对判别模型进行了预测验证.预测结果的预测相关系数(R2)分别为0.917 4(PLS)和0.910 9(LS-SVM),预测标准误差(RMSEP)分别为0.030 4(PLS)和0.046 7(LS-SVM).研究结果表明近红外反射光谱可以作为一种快速检测牛奶中三聚氰胺的方法.     

基于UVE-ICA和支持向量机的南丰蜜桔可溶性固形物可见-近红外检测

利用可见-近红外光谱技术联合变量选择新方法对南丰蜜桔的可溶性固形物(SSC)进行快速无损检测研究,以简化南丰蜜桔SSC预测模型和提高预测模型性能。试验共采用300个南丰蜜桔样本,校正集、验证集及预测集样本分别为150,75和75个。采用QualitySpec型光谱仪在350~1 000 nm波段范围内采集样本光谱,利用无信息变量消除(UVE)剔除无用信息波长变量,再采用独立成分分析(ICA)提取光谱的独立成分,最后应用最小二乘支持向量机(LS-SVM)建立南丰蜜桔的SSC预测模型,并利用未参与建模的预测集样本对模型进行评价。研究结果表明,可见-近红外光谱技术联合UVE-ICA- LS-SVM对南丰蜜桔的SSC检测精度高。UVE-ICA可以有效剔除无用信息波长变量,提取特征光谱信息,简化预测模型及提高预测模型性能。UVE-ICA- LS-SVM所建立的南丰蜜桔SSC预测模型性能优于PLS,PCA-LS-SVM及ICA-LS-SVM预测模型,其校正集、验证集及预测集的决定系数和均方根误差分别为0.978,0.230%,0.965,0.301%及0.967,0.292%。     

基于紫外光谱的水体硝酸盐浓度混合预测模型研究

水体中的硝酸盐浓度过高不仅会造成水环境污染而且会对人类身体健康造成很大威胁,传统的检测硝酸盐的方法检测时间长且操作复杂。针对水体中硝酸盐氮难以快速在线检测的问题,基于紫外吸收光谱,提出了一种混合预测模型结合光谱积分快速定量检测水体中硝酸盐浓度的方法。混合预测模型为低浓度样本建立的双波长法预测模型与高浓度样本建立的偏最小二乘支持向量机(LS-SVM)预测模型数据融合之后的模型。按照合适的浓度梯度配备了19组硝酸盐氮标准溶液,通过实验测得不同浓度硝酸盐氮样本的光谱数据。首先基于双波长法对所有样本进行回归分析,按照A=A₂₂₀-2A₂₇₅计算不同实验样本的吸光度A,其中A₂₂₀和A₂₇₅是220和275 nm处样本的吸光度,将吸光度A与样本浓度值进行线性回归,拟合出样本浓度的预测值。结果显示当样本浓度较小时,相关性很好,r为0.997 4,随着实验样本浓度的上升,曲线发生严重的非线性漂移,因此双波长法只适合低浓度样本预测模型的建立。对于高浓度样本,光谱重叠严重,适合建立非线性的预测模型,支持向量机(SVM)与LS-SVM都适合小样本的非线性数据建模,LS-SVM预测精度稍高,运算速度稍快。通过对所有的实验样本进行全波长光谱积分,比较相邻样本光谱积分的变化率可以筛选出样本的临界浓度值,4 mg·L-1的硝酸盐样本积分值前后变化率最大,因此选择4 mg·L-1作为临界浓度值较为合适。浓度高于4 mg·L-1的实验样本建立LS-SVM预测模型,通过交叉验证的方法选择出合适的参数,正则化参数γ=50,核函数选择高斯核,核函数宽度σ２=0.36,训练样本之后进行回归;其余样本建立双波长法预测模型,最后进行两种模型的数据融合,形成从低浓度到高浓度的水体中硝酸盐浓度的检测。为了验证混合预测模型的预测精度,另外建立了SVM,LS-SVM,偏最小二乘(PLS)等模型,并求出r,预测值与真实浓度值平均绝对误差(MAE)和均方根误差(RMSE)对模型进行评价。验证结果表明,相比于SVM,LS-SVM和PLS等模型,提出的混合模型回归的相关系数为0.999 86,分别提高了1.8%,1.6%和0.45%,预测值与真实浓度的平均绝对误差为2.55%,分别降低了6.27%,4.49%和1.01%,均方根误差为0.303,为四种预测模型中最小,SVM与LS-SVM的相对误差相对较高,PLS模型相对误差上下波动比较大,混合预测模型相对误差最为稳定,并保持在较低水平,由此可见混合预测模型的预测效果明显优于其他几种模型。并与文献[5-7]中的测量方法进行对比,该混合预测方法可以简单快速的测量水体中硝酸盐氮的浓度,且不需要试剂,无二次污染,与文献[9]中的预测模型相比,预测精度明显提高。因此提出的混合模型可正确快速地预测水体中硝酸盐氮的浓度,可为在线监测水体中硝酸盐浓度提供有效的技术参考。     

酥梨货架期的高光谱成像无损检测模型研究

水果新鲜度是反映水果是否新鲜、饱满的重要品质指标,为了探讨水果不同货架期的预测和判别方法,以酥梨为研究对象,利用高光谱成像技术,结合偏最小二乘判别法（PLS-DA）和偏最小二乘支持向量机（LS-SVM）算法对酥梨货架期进行判别。由光源、成像光谱仪、电控位移平台和计算机等构成的高光谱成像装置采集样品光谱,装置光源采用额定功率为200 W四个溴钨灯泡成梯形结构设计,光谱范围为1 000～2 500 nm,分别率为10 nm。选取优质酥梨30个,货架期设置为1, 5和10 d,对30个样品完成3次光谱图像的采集,并矫正原始图像。实验结果表明：基于图像的酥梨货架期定性分析时,对不同货架期样品的原始图像进行PCA压缩,得到三种不同货架期的权重系数数据,PC1图像提取特征波长点为1 280,1 390,1 800,1 880和2 300 nm,以特征图像的平均灰度值作为自变量且以货架期作为因变量建立定性判别模型,建模集68个,预测集22个。最小二乘支持向量机以RBF为核函数时,预测集中样品的误判个数为1,误判率为4.5%。而当采用lin核函数时,样品的误判个数为0,误判率为0。PLS-DA定性分析时RMSEC为1.24,R_c为0.93。RMSEP为1,R_p为0.96,预测集误判率为0。特征图像对酥梨货架期判别LS-SVM中的lin核函数所建立的模型结果较好,优于RBF核函数的建模效果,也优于PLS-DA判别模型。ENVI软件提取实验样品光谱后建立LS-SVM和PLS-DA判别模型,LS-SVM利用RBF和lin核函数误判率分别为4.5%和0。与RBF核函数相比,lin核函数所建立的模型预测酥梨货架期的效果更好。PLS-DA方法主成分因子数为12,RMSEC和RMSEP分别为0.48和0.78,R_c和R_p分别为0.99和0.97,建模集与预测集的误判率均为零。LS-SVM中的lin核函数所建立的模型结果较好,依然优于PLS所建立的检测模型。酥梨的光谱信息结合LS-SVM可以实现对酥梨货架期的检测和判别。基于图像建立酥梨的货架期预测模型与光谱相比,都实现了酥梨货架期的判别,而特征图像法,选择区域较少流失部分信息,计算量小,建模结果相对略差。酥梨货架期的高光谱成像检测模型研究为消费者正确评价水果新鲜度提供了理论指导, 也为后期果水果货架期检测仪器的开发提供了技术支持。     

近红外光谱技术结合RCA和SPA方法检测土壤总氮研究

基于近红外光谱技术结合连续投影算法和回归系数分析对检测土壤总氮含量进行研究。采集农田土壤样本近红外光谱数据,土壤样本数量共394个。由于原始光谱数据量大,在500～2 500 nm光谱波长范围基础上,为简化模型,在原始光谱基础上采用连续投影算法和回归系数分析提取特征变量,以两种变量选择方法提取的特征变量作为输入,分别采用偏最小二乘回归(PLS)、 多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)建模方法建立总氮预测模型,共建立了9个预测模型,最优预测集的决定系数为0.81,剩余预测偏差RPD为2.26。研究表明,基于连续投影算法和回归系数分析选择的特征波长可以应用于近红外光谱检测土壤总氮含量,同时可以大大简化模型,适合开发便携式土壤养分检测仪。     

一种用于可见-近红外光谱特征波长选择的新方法

提出了一种基于模拟退火(SA)算法和最小二乘法支持向量机(LS-SVM)选择可见一近红外光谱特征波长的新方法(SA-LS-SVM).该方法用LS-SVM作为识别器,用识别率作为SA的目标函数,提取合适的特征波长数以及对应的特征波长.3种不同品牌的润滑油可见-近红外光谱的特征波长分别用SA_LS-SVM,主成分回归分析(PCA)和偏最小二乘法(PLS)进行处理,提取特征波长或主成分,然后结合反向传播人工神经网络(BP-ANN)对各种处理方法进行识别预测.结果发现,SA-LS-SVM只需从751个数据光谱中提取4个特征波长,就可以使三种品牌润滑油的识别率达到了100%,而其他所有的方法发现预测率都达不到100%,由此验证了SA_LS-SVM的优越性.实验结果表明,SA-LS-SVM不仅能有效地减少建模的变量数,而且可以提高预测精度.     

基于LS-SVM建模方法近红外光谱检测土壤速效N和速效K的研究

应用可见/短波近红外光谱(Vis/SW-NIRS)测量土壤速效氮(N)和速效钾(K)含量。光谱预处理包括标准正态变换(SNV),多元散射校正(MSC)和Savitzky Golay平滑结合一阶导数,以消除系统噪声和外部干扰,分别应用偏最小二乘(PLS)和最小二乘支持向量机(LS-SVM)方法建立校正模型。最小二乘支持向量机(LS-SVM)输入分别包括主成分分析得到的主成分(PCs)和PLSR建模得到的潜在变量(LVs)和由PLSR模型回归系数得到有效波长(EWs)。结果表明,三种输入的LS-SVM模型都优于PLS模型, 其中EWs-LS-SVM模型最佳,速效氮(N)的相关系数(R2)和预测均方误差RMSEP分别0.82和17.2,速效钾(K)为0.72和15.0。结果表明,利用可见光和短波近红外光谱(Vis/ SW-近红外光谱)(325～1 075 nm)的LS-SVM的结合,可以作为一个精确的土壤理化性质的测定方法。     

基于近红外光谱技术的油菜叶片丙二醛含量快速检测方法研究

应用近红外光谱技术实现了油菜叶片中丙二醛(MDA)含量的快速无损检测.对90个油菜叶片样本进行光谱扫描,用60个样本建模,30个样本验证.经过平滑、变量标准化、一阶及二阶求导、去趋势等预处理后,建市了MDA预测的偏最小二乘法(PLS)模型.将PLS提取的有效特征变馈(LV)和连续投影算法(SPA)提取的有效波长作为最小二乘-支持向量机(LS-SVM)的输入变量,分别建立了LV-LS-SVM和SPA-LS-SVM模型.以预测集的预测相关系数(r),预测标准偏差(RMSEP)作为模型评价指标.结果表明,油菜叶片中MDA含量预测的最优模型为LV-LS-SVM模型,LV-LS-SVM在去趋势处理后的预测效果为r=0.999 9,RMSEP=0.530 2;在二阶求导处理后的预测效果为r=0.999 9,RMSEP=0.395 7.说明应用光谱技术检测油菜叶片中MDA的含最是可行的,并能获得满意的预测精度,为油菜大田生长状况的动态连续监测提供了新的方法.     

基于LS-SVM紫外可见光谱检测水产养殖水体COD研究

采用紫外可见(ultraviolet/visible,UV/Vis)光谱技术对水体中有机物浓度的指标化学需氧量(chemical oxygen demand,COD)进行快速检测,将收集到的135份水样进行UV/VIS波段全光谱扫描,应用Savitzky-Golay (SG)平滑算法,经验模态分解算法(empirical modedecomposition,EMD)和小波分析(wavelet transform,WT)对提取出的光谱数据进行去除噪声处理,为了简化模型,PLSR建模得到的6个潜在变量(LVs)作为偏最小二乘支持向量机(LS-SVM)的输入建立COD预测模型,LS-SVM模型的预测集决定系数r2为0.82,预测均方根误差RMSEP为14.82 mg·L-1。说明使用LVs作为LS-SVM建模输入,可以准确快速检测水产养殖水体中的COD含量,为将来实现水产养殖水质COD含量的在线检测以及其他水质参数的快速测定奠定了基础。     

应用近红外光谱技术快速检测果醋糖度

为了对果醋糖度值进行快速准确检测,应用近红外光谱技术并结合最小二乘支持向量机分析方法建立了果醋糖度检测模型.应用近红外透射光谱获取五种类型共计300份果醋样本的光谱透射曲线,利用主成分分析方法对原始光谱数据进行降维处理,根据主成分的累计贡献率选取6个主成分.选取的主成分即作为光谱优化特征子集以替代原来复杂的光谱数据.随后将300份果醋样本数据随机分为定标集和预测集,利用最小二乘支持向量机在225个定标集样本数据基础上建立起果醋糖度预测模型,应用此模型对75个预测集样本进行糖度预测.根据预测均方根误差(RMSEP)和预测结果的相关系数(r)对预测模型进行评价,利用此模型得到的样本糖度预测值r=0.993 9,RMSEP=0.363,均达到了较好的预测效果.     

Evaluation of the Mooney Viscosity of Natural Rubber by Near‐Infrared Spectroscopy

Abstract

The direct near‐infrared spectroscopic reflectance measurements of prevulcanized natural rubber (brown crepe) was employed for determination of its Mooney viscosity. NIR reflectance spectra were obtained for a total of 100 samples whose Mooney viscosity (VM in the range 68–95 units) have been determined by the standard reference procedure using a commercial computerized Mooney viscometer. These samples were employed as the raw material or were treated to achieve better homogenization. A Fourier transform near infrared (FT‐NIR) spectrophotometer was employed, and the reflectance spectra were obtained with resolution of 4 cm^?1 in the range 4000–10,000 cm^?1 as an average of 75 scans. The samples were split in a calibration set containing 70 samples and in an external validation set consisting of the remaining 30 samples. The calibration and validation spectra sets were treated to correct for baseline shift, further transformed by first derivative and finally modeled by partial least squares (PLS) employing four latent variables. The model was evaluated with the external sample test set, and a RMSEP of 3.6 and 3.9 units of Mooney viscosity were obtained for homogenized and nonhomogenized samples, respectively. The NIR method is capable of determining the Mooney viscosity in few minutes in the non‐pretreated sample with an error that is satisfactory for quality control of natural rubber destined for automobile tire manufacturing.     

基于可见近红外光谱技术的车蜡品牌无损鉴别方法研究

探讨了可见-近红外光谱技术快速无损识别不同品牌车蜡的可行性。实验一共获得104 样本,其中40个样本(建模集)用于建立模型,剩余64个样本(预测集)被用于独立验证建立好的模型。基于五种不同品牌车蜡的可见-近红外光谱分别建立了线性判别分析(linear Discriminant Analysis,LDA)和最小二乘支持向量机(least square-support vector machine, LS-SVM)模型。基于两个算法的全波段光谱模型的预测集正确率分别达到了84%和97%。进一步采用连续投影算法(successive projections algorithm, SPA)算法从751波段中选取了7个特征波段(351, 365, 401, 441, 605, 926和980 nm)。基于SPA选择的变量建立LS-SVM模型,准确率依然保持在97%。说明SPA选择的特征波段包含了对于车蜡品牌鉴别最重要的光谱信息,而大多数无用信息则被有效剔除。将SPA与LS-SVM算法的车蜡识别模型在保证正确率的基础上,还可以大大降低模型计算复杂程度,说明该模型能快速准确的从车蜡可见-近红外光谱中提取有效信息,并实现车蜡品牌的无损鉴别。     

紫外可见光谱的水产养殖水体有机物浓度快速检测研究

应用紫外可见（ultraviolet/visible,UV/Vis）光谱技术对表征水产养殖水体中有机物浓度的指标化学需氧量（chemical oxygen demand,COD）进行快速测量,对采集到的135份甲鱼养殖水样进行UV/Vis波段全光谱扫描,采用无信息变量消除（uninformative variable elimination,UVE）和连续投影算法（successive projections algorithm,SPA）相结合的变量选择算法选取全波段光谱中的特征波长,从201个UV/Vis光谱变量中选取了7个特征波长,只占全波段光谱变量的3.48%,降低了建模的时间和模型的复杂度。结合最小二乘支持向量机（least-square support vector machine,LS-SVM）算法进行COD预测建模,结果表明：使用特征波长建模的预测效果（相关系数r（correlation coefficient）=0.89,预测均方根误差（root mean square error of prediction,RMSEP）=15.46 mg·L-1）好于使用全波段光谱建模的预测效果（r=0.88,RMSEP = 15.71 mg·L-1）。使用UVE-SPA变量选择算法获取UV/Vis光谱特征波长,结合LS-SVM建模,可以快速、准确的测量水产养殖水体中的COD浓度,为进一步实现水产养殖水质的在线检测以及其他水质参数的快速测定奠定了基础。     

基于高光谱成像技术的多宝鱼肉冷藏时间的可视化研究

提出了一种应用可见-近红外高光谱成像技术快速无损检测多宝鱼肉冷藏时间并实现其可视化的新方法。采集8种不同冷藏时间的共160个鱼肉样本的高光谱图像,并提取样本感兴趣区域(ROI)的平均光谱。取120个建模集样本的光谱数据与其相应的冷藏时间建立偏最小二乘回归(PLSR)模型,对40个预测集样本的冷藏时间进行预测,预测决定系数(R2)为0.966 2,预测均方根误差(RMSEP)为0.679 9 d,获得了满意的预测精度。最后,用所建模型对预测集图像上每个像素点的冷藏时间加以预测,采用IDL图像编程技术将不同的时间用不同的颜色表示,最终以伪彩图的形式实现多宝鱼肉冷藏时间的可视化。结果表明,高光谱成像技术与化学计量学结合可以准确预测鱼肉的冷藏时间,与图像处理方法结合可以实现预测时间的可视化,能形象、直观地展示出鱼肉的新鲜度状态和分布情况,为实现水产品加工的自动化奠定了基础。     

基于变量优选和快速独立成分分析的黄花梨可溶性固形物可见/近红外光谱检测

为建立预测能力高、稳定性强的可见/近红外漫透射光谱无损检测黄花梨可溶性固形物(SSC)数学模型,对比各种预处理方法、变量优选方法、快速独立主成分分析(FICA)以及最小二乘支持向量机(LS-SVM)对黄花梨SSC模型的影响,得出最佳的组合方法用于建立黄花梨可溶性固形物(SSC)预测模型。采用Quality Spec型光谱仪采集550~950 nm波段范围内的黄花梨漫透射光谱并采用遗传算法、连续投影算法和CARS(competitive adaptive reweighted sampling)三种方法筛选黄花梨可溶性固形物的光谱特征变量,再结合FICA提取光谱主成分,最后采用LS-SVM建立黄花梨的SSC预测模型。结果显示,采用CARS筛选的21个变量,经FICA挑选出12个主成分数,联合LS-SVM所建立的CARS-FICA-LS-SVM黄花梨SSC预测模型性能最佳,建模集和预测集的决定系数及均方根误差分别为0.974,0.116%和0.918,0.158%,同直接采用PLS方法建模相比,变量数从401个下降到21,主成分数由14下降到12,建模集和预测集决定系数分别上升了0.023,0.019,而建模和预测均方根误差分别下降了0.042%和0.010%。CARS-FICA-LS-SVM建立黄花梨SSC预测模型能够有效地简化预测模型并提高预测模型精度。