净信号预处理结合径向基偏最小二乘回归在血糖无创检测中的应用

为了提高人体血糖近红外光谱定量分析模型的预测精度,结合净信号预处理(NAP)算法和径向基偏最小二乘(RBFPLS)回归建立了一种适合于人体血糖测量的非线性建模方法NAP-RBFPLS。本文首先利用NAP对近红外光谱进行预处理来有效地提取原始光谱中仅与葡萄糖信号相关的光谱信息,从而有效地减弱了人体血液中水、白蛋白、血红蛋白、脂肪等成分的吸收干扰以及人体体温的变化、测量仪器本身的漂移、测量环境的变化和测量条件的变化引起的干扰因素与血糖变化的偶然相关问题;然后把净信号预处理后的近红外光谱数据通过RBFPLS建立了非线性定量分析模型来解决由于人体强散射引起的血糖浓度与近红外光谱之间的非线性关系,并与偏最小二乘(PLS)、基于净信号预处理的偏最小二乘(NAP-PLS)和RBFPLS这三种建模方法建立的定量分析模型进行了对比分析。实验结果表明,这两种方法相结合建立的非线性校正模型对预测集的预测精度有了很大的提高,这将对人体血糖浓度无创检测技术的研究具有实际应用价值。     

近红外光谱预测猕猴桃硬度模型的简化研究

为简化猕猴桃硬度的预测模型,利用标准正态变量变换对猕猴桃1 000～2 500 nm近红外光谱进行预处理,在优选建模波段和采用净分析物预处理（NAP）降低建模主因子数两个方面简化猕猴桃硬度偏最小二乘（PLS）模型。结果表明,优选5 189～5 370 cm^-1,4 549～4 620 cm^-1,6 049～6 230 cm^-1,6 999～7 730 cm^-1,6 249～6 614 cm^-1等5个波段进行建模,NAP/PLS模型性能最佳,主因子数为5,校正集相关系数R2和均方根误差RMSECV分别为0.819 41和0.701 77,预测集相关系数R2和均方根误差RMSEP为0.780 67和0.882 71。与简化前的PLS模型相比,模型不仅更加简洁,而且预测能力和精度均有所提高。     

Box-Behnken法冷鲜滩羊肉蛋白质的高光谱模型优化

高光谱成像技术是一种将成像与光谱相结合的新型无损检测技术,属于间接分析方法;光谱模型的建立非常关键,需综合考察各建模因素间的交互作用。应用Box-Behnken法设计响应面试验优化冷鲜滩羊肉蛋白质含量的可见/近红外高光谱定量检测模型。使用可见/近红外高光谱成像系统采集冷鲜滩羊肉样本的高光谱图像,分析肉样反射光谱特性。采用二维相关光谱技术（2DCOS）,以冷鲜滩羊肉中蛋白质含量为“外界扰动”,研究扰动条件下光谱信号的动态变化,解析二维相关光谱谱图特征,寻找与微扰相关的敏感变量。分别采用多元散射校正（multiplicative scatter correction,MSC）和标准正态变量变换（standard normalized variate,SNV）提取有用信号,优化所选特征波段光谱质量。为实现数据快速降维,减少大量光谱数据处理负担,采用变量组合集群分析法（variable combination population analysis,VCPA）和应用竞争性自适应加权算法（competitive adaptive reweighted sampling,CARS）对2DCOS范围内特征波段进行二次优选。根据Design-Expert软件中Box-Behnken法设计响应面试验,以特征优选、光谱预处理及多元校正方法为考察因素,各因素中3种不同方法为水平,建立冷鲜滩羊肉蛋白质含量分析的优化检测体系。结果表明,波长473,679,734和814 nm处存在较强的自相关峰,473~814 nm范围内的特征波段为冷鲜滩羊肉蛋白质检测的敏感区域;MSC和SNV能够消除肉样自身散射作用的干扰,CARS和VCPA对特征波段进行二次优选,分别优选出了16和9个特征波长;各因素对蛋白质可见/近红外光谱模型预测性能的影响顺序为特征优选方法>预处理方法>多元校正方法,优选出2DCOS-SNV-LSSVM模型具有较高的运行速率和预测能力,其R_c=0.858 8,RMSEC=0.005 8;R_p=0.860 4,RMSEP=0.005 7。研究表明,Box-Behnken法在可见/近红外高光谱（400~1 000 nm）建模参数优化选择中的应用,可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析,为分析对象光谱模型的优化及提高预测结果的准确性提供理论参考。     

利用多元散射校正提高油菜籽脂肪酸近红外分析精度

近红外光谱技术可对完整油菜籽进行快速无损检测分析,但因受样品装填密度、颗粒大小及分布不均匀等物理因素的影响,光谱测量散射误差较大.本文利用MSC技术、相关分析和微分预处理光谱数据,结合PLS回归建模和交叉验证方法,建立了油菜籽脂肪酸近红外光谱分析模型.研究表明,MSC校正和其它光谱预处理方法相结合显著地提高了模型的分析精度,减少了模型的PLS主因子数.     

近红外漫反射光谱法测定川西高原产沙棘中异鼠李素含量

提出了用近红外光谱技术快速测定川西高原产沙棘中异鼠李素含量的方法。对异鼠李素含量在0.1%～0.8%范围内的川西高原产沙棘, 采用SiO₂拌样法,测定其在 12 000～4 000 cm-1的近红外吸收光谱, 采用偏最小二乘算法建立了校正模型, 比较了光谱不同预处理方法对校正结果的影响 。当采用消除常数偏移量处理方法时能最有效地提取光谱中的有效信息, 此时校正集相关系数(r2)为0.739 8, 校正集标准偏差(SEC)为0.107, 预测集标准偏差(SEP)为0.073。该方法与传统方法相比更加快速简便。     

应用GA-DOSC算法消除果皮影响近红外漫反射光谱分析苹果硬度的研究

通过偏最小二乘法(PLS)分别建立去皮前后苹果硬度的近红外回归模型.采用光谱附加散射校正(MSC)、微分处理(Derivative)、直接正交信号校正(DOSC)等预处理方法和基于遗传算法(GA)的有效波段选择方法来消除果皮对模型精度的影响.结果表明,苹果果皮对近红外光谱分析模型的预测能力有很大影响,但仅通过常规的光谱预处理方法(MSC、Derivative)很难有效消除.文章提出的遗传算法结合直接正交信号校正(GA-DOSC)方法能有效消除果皮的影响,不但使所建模型的波长点和最佳主因子数分别由1480和5降到36和1;其相关系数r由0.753提高到0.805,更重要的是模型的预测相对误差RSDp从16.71%显著下降到12.89%,并接近采用苹果果肉建模的预测性能(12.36%),达到了对苹果硬度的近红外无损检测要求.     

基于可见/近红外光谱技术的林地土壤氮含量测定

提出一种利用可见/近红外光谱技术进行杉木林土壤全氮测定的方法.利用不同方法实现了土壤光谱的预处理,并以偏最小二乘回归算法(PLS)建立土壤氮含量估测模型对其进行比较分析,发现小波除噪结合多远散射校正能最有效地消除原始光谱的噪声与背景信息,此时PLS模型校正集与预测集R2分别为0.891与0.885.为优化模型,对预处理后的光谱数据采用主成分分析法(PCA)降维,以最小二乘支撑向量机回归算法(LS-SVR)建立了土壤氮含量估测模型,其校正集与预测集R2分别提高至0.921与0.917,具有比PLS算法更高的精度.结果表明:以可见/近红外光谱技术进行林地土壤氮含量快速监测是可行的,其中小波去噪结合多元散射校正系光谱预处理的优选方法,而LS-SVR则是建模的优选方法.     

二维相关光谱的猪肉TVB-N特征变量优选研究

为了探讨利用二维相关可见/近红外光谱法优选猪肉挥发性盐基氮(TVB-N)特征变量的可行性,以贮藏时间为外扰,研究了不同新鲜程度猪肉样本的二维相关光谱特性。首先,获取56个猪肉样本在贮藏1～14 d的400~1 000 nm范围的可见/近红外反射光谱,经过标准正态变量变换(SNV)处理后,基于全波段光谱建立TVB-N的偏最小二乘回归(PLSR)模型。然后,依据TVB-N实测值,从中挑选出10个具有一定浓度梯度的样本(贮藏时间分别为0,36,72,108,144,180,216,252,288和324 h),利用一阶导数对光谱进行预处理后,根据不同样本之间的光谱差异,选取7个波段用于二维相关光谱解析。分析各个波段的二维相关同步谱和自相关谱,从7个波段范围内共选取23个变量作为不同贮藏时间下与TVB-N相关的敏感波长,并建立简化的PLSR模型。相较于全波段光谱数据所建模型,模型效果有所改善,预测集决定系数R2_p由0.792 1上升至0.865 8,误差从3.658 2 mg·(100 g)-1下降至3.246 0 mg·(100 g)-1。表明基于二维相关光谱对猪肉TVB-N特征变量进行优选的思路是可行的,该方法能够从全光谱数据中筛选出与目标物质相关的敏感变量,这也为近红外光谱特征波长选择提供了一个新的方法。     

偏最小二乘法结合主成分分析对黑茶产地的研究

以黑茶为研究对象,采集5种产地黑茶的红外光谱数据。通过降维,选最优红外光谱波段,再利用卷积平滑SG Smoothing、多元散射校正MSC、标准正态变量变换SNV、去趋势Detrending等4种方法预处理黑茶原始红外光谱,将预处理光谱数据及原始光谱结合黑茶产地建立偏最小二乘回归模型,分析4种不同预处理对建模的优劣;利用近红外光谱技术对黑茶原产地进行区分。研究结果表明:利用SNV预处理的光谱建模效果最优,其R_p~2最高为0.962 7,RMSEP最低为0.025 5。本研究可为区分黑茶的产地、保护黑茶品牌、强化品牌国家地理标志提供一定的参考。     

番茄碰伤和可溶性固形物近红外光谱同时在线检测

可溶性固形物和碰伤是影响番茄品质的两个主要因素。研究的目的是探索可见近红外漫透射光谱同时在线检测番茄碰伤和可溶性固形物的可行性。在单通道送果速度5个每秒条件下,采集番茄近红外漫透射光谱。对比分析碰伤与正常番茄样品的近红外漫透射光谱特性,结果表明,碰伤与正常番茄样品的近红外漫透射光谱在光强上存在明显差异,碰伤果光强要强于正常果,其原因可能是碰伤后果肉变软,透光性变强;在650和675 nm处碰伤果比正常果要多两个吸收峰,可能是碰伤后,番茄表皮颜色发生变化所致。选取贡献率占比最多的前三个主成数,对正常果与碰伤果近红外漫透射光谱主成分定性分析,正常果与碰伤果不能有效聚类,故近红外漫透射光谱主成分定性分析效果不明显,需选择建立高维近红外漫透射光谱定性判别模型。故建立了碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型,误判率为0%,能正确判别碰伤果,故选用碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型作为番茄碰伤果在线剔除分选模型。通过对未参与建模的样品进行验证,能正确识别出碰伤果。经近红外漫透射光谱偏最小二乘定性判别模型剔除碰伤果后,按照可溶性固形物指标进行分级。分别使用全部波段和606～850 nm的波段进行建模预处理,且对全部波段和606～850 nm波段光谱进行2阶导数预处理,前后平滑设为9,利用连续投影算法与遗传算法优选可溶性固形物的光谱建模变量,对比发现,利用未经算法筛选过的606～850 nm波段光谱变量进行建模,效果最好,建立了可溶性固形物在线检测模型,预测集均方根误差为0.43 Brix°。采用未参与建模的样品进行碰伤和可溶性固形物同时在线检测验证,碰伤样品的分选准确率达96%,可溶性固形物样品的分选准确率达91%。表明：番茄碰伤和可溶性固形物近红外漫透射光谱同时在线检测是可行的。     

基于近红外漫反射光谱的香梨类别定性分析

基于近红外(near infrared, NIR)漫反射光谱分析技术对库尔勒香梨中的脱萼果和宿萼果进行了自动化判别试验研究。用对不同波段范围、不同光谱预处理方法(MSC、SNV、微分光谱)和不同主成分因子数对香梨类别判别结果的影响进行了对比分析,建立了香梨类别的定性判别模型。研究结果表明：用判别分析(discrimant analysis,DA)方法在9 091～4 000 cm-1范围结合原始光谱建立的DA判别模型最优,该方法对校正集正确分类率达100%,预测集正确分类率为95%。     

基于数据挖掘技术的瓦斯气体红外光谱定量分析方法的研究

瓦斯气体的监测是影响煤矿安全的重要因素之一,对其的在线实时监测成为煤矿安全的重要保障。本文采用红外光谱分析技术,对瓦斯气体的红外定量分析算法进行了研究。为提高模型分析精度,将数据挖掘技术应用在分析算法中。通过增加基于K平均非分层聚类分析对数据进行处理发现,带聚类分析的偏最小二乘算法比单纯采用偏最小二乘算法在精度上明显占优。另外,为减少模型中个别定标样本误差对精度的影响,采用聚类分析的方式进行了数据预处理,发现这种去噪方法在分析精度上又有所提高。     

基于可见-近红外光谱技术预测茶鲜叶全氮含量

为快速无损监测茶树氮素营养及其生长状况,基于可见-近红外光谱技术建立了茶鲜叶全氮含量的预测模型。以茶鲜叶为对象,田间试验使用便携式光谱仪采集叶片漫反射光谱信息,通过不同预处理和统计分析,建立茶鲜叶全氮含量预测的光谱模型。试验共采集111个样品,其中86个样品作校正集,25个样品作预测集。通过一阶导数与滑动平均滤波相结合的预处理方法,用7个主成分建立的偏最小二乘模型最好,其校正集均方根误差(RMSEC)为0.097 3,预测集的相关系数为0.888 1,预测均方根误差(RMSEP)为0.130 4,预测的平均相对误差为4.339%。研究结果表明,利用可见-近红外光谱技术可以很好地预测茶鲜叶全氮含量,对于快速实时监测茶树长势和施肥管理具有重要指导意义。     

POSC-PLS方法及其在电子吸收光谱定量分析中的应用

针对光谱数据局部效应显著,变量个数多,彼此间常存在严重的复共线性,构建了一种基于分段正交信号校正(piecewise OSC)的偏最小二乘(PLS)回归,即POSC-PLS方法。它以近邻分段方式进行逐个波长点的正交信号校正,剔除光谱矩阵中所含的各种噪声信号,将去噪后的光谱矩阵作为新的自变量矩阵,再利用偏最小二乘方法建立校正模型。将该法应用于多环芳香烃电子吸收光谱的多组分定量关系建模,效果良好。所建模型的预报性能优于其他方法,而且模型所需PLS成分数减少,模型更简洁。     

基于QPSO-MLSSVM算法的拉曼光谱检测四组分调和油含量

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化多输出最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)的新混合优化算法。该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、芝麻油、葵花油和大豆油的快速定量鉴别。采用基线校正去除背景荧光,结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。构建基于QPSO-MLSSVM混合优化算法的定量分析模型,并采用20个组分组成的预测集对其进行模型校验。实验结果表明,基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好,均方差(mean square error, MSE)为0.0241,低于0.05,各油分预测相关系数均高于98%。研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法,对四组分调和油中各油分进行快速定量检测可行,具备较强的自适应能力和良好的预测精度,可以满足多组分调和油的成分鉴别。     

木材种类的近红外光谱和模式识别

木材的种类识别是木材加工和贸易的一个重要环节,传统的木材种类识别方法主要有显微检测法和木材纹理识别法,其操作繁琐,耗时长,成本高,不能满足当前需求。本研究利用木材的近红外光谱(NIRS)结合模式识别方法,以期实现木材种类的快速准确识别。采用近红外光谱结合主成分分析法(PCA)、偏最小二乘判别分析法(PLSDA)和簇类独立软模式法(SIMCA)三种模式识别对58种木材进行种类鉴别研究;5点平滑、标准正态变量变换(SNV)、多元散射校正(MSC)、Savitzky-Golay一阶导数(SG 1st-Der)和小波导数(WD)五种光谱预处理方法用于木材光谱的预处理;校正集和测试集样品的正确识别率(CRR)用于模型的评价。采用PCA方法,通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。在建立PLSDA模型,原始光谱的正确识别率最高,分别为88.2%和88.2%;5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%;SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%;MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%;SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD(小波基为“Haar”,分解尺度为80)处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。可知,在PLSDA模型中,木材光谱未经预处理种类识别效果最后好。在建立SIMCA模型过程中,原始光谱的校正集和测试集的CRR分别为99.7%和99.4%;5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%;SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%;MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%;SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD处理的光谱校正集和测试集的CRR分别为100%和100%。可知,在SIMCA模型中,木材光谱经平滑和小波导数处理后的识别效果最好,且光谱的校正集和测试集CRR都为100%。采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时,由于木材样本属性复杂,主成分分布图相互交织,PCA无法识别出58种木材;原始光谱的PLSDA模型可以得到较好的判别模型,但校正集和测试集的CRR只有88.2%和88.2%;木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果,校正集和测试集的CRR均为100%,且WD-SIMCA模型因子数比5点平滑SIMCA模型小,模型更为简化,故WD-SIMCA为58种木材种类识别的最优模型。研究表明光谱预处理方法可以有效的提高木材种类识别精度,有监督模式识别方法SIMCA可以用来建立有效的木材识别模型,近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。     

小波多尺度正交校正在近红外牛奶成分测量中的应用

光谱分析中,干扰信号的存在直接影响所建分析模型的质量。基于信号和干扰的不同特性,提出了一种扣除背景和噪声干扰的新方法——小波多尺度正交校正(WMOSC)法。首先将原始光谱进行小波变换(DWT),消除噪声及背景信息,然后采用正交信号校正(OSC)滤除与待测组分浓度无关的全部信息。与单纯的小波变换及正交信号校正相比,WMOSC能有效地扣除背景和噪声干扰,使模型具有更强的抗干扰能力,提高了模型的预测精度。利用该方法对牛奶样品的近红外光谱进行处理,采用偏最小二乘法建立校正模型,其牛奶中脂肪、蛋白质和乳糖的预测均方根误差(RMSEP)分别为0.101 6%,0.087 1%和0.110 7%。实验结果表明该方法能有效地去除干扰,保留有用信息。     

多元散射校正预处理波段对近红外光谱定标模型的影响

利用近红外光谱对非均匀样品进行分析时,所得样品光谱中包含由光散射导致的干扰信息,通常需要借助多元散射校正算法(multiple scattering correction, MSC)对光谱进行预处理。由于不同波段光谱中所包含的散射信息、噪声水平、基线漂移程度等存在差异,利用MSC方法对光谱进行预处理时,基于不同波段的光谱数据会得到不同的校正结果,进而影响所得定标模型的可靠性。以60个全麦粉样品为研究对象,确定定标区间后,对包含定标区间的不同波段的原始光谱分别进行MSC处理,并利用固定区间内的光谱数据结合偏最小二乘回归(partial least square regression, PLSR)方法建立分析样品中蛋白质含量的定标模型,研究了MSC光谱预处理波段对定标模型的影响,并对MSC光谱预处理波段进行了优化,使定标模型的相关系数由0.96提高到0.98,交互验证均方根误差(root mean squares error of cross validation, RMSECV)由0.37%降低到0.32%。结果表明：利用MSC方法对样品光谱预处理时,光谱预处理波段会影响多元散射校正对光谱中非化学吸收信息的校正能力,确定合适的预处理波段是获得可靠分析结果的一个前提条件。     

一种基于近红外光谱的天然产物抗氧化活性预测评价方法

提出了一种基于近红外(NIR)光谱的黄酮类提取物抗氧化活性计算预测新方法。采用1,1-二苯-2-苦肼基(DPPH)法测定28种黄酮类中药材提取物的抗氧化活性,并在4 000～10 000 cm-1范围扫描样品的红外光谱,采用偏最小二乘(PLS)算法建立了黄酮类组分近红外光谱与抗氧化活性之间的校正模型。建模过程中,以交叉验证相关系数(R2),交叉验证误差均方根(RMSECV)为指标,确定了用于建模的最优近红外波段和光谱预处理方法。校正模型的RSECV为9.50%,R2为 0.901 7,预测误差均方根(RMSEP)为14.8%。该方法快速无损、操作简便,可用于中药及天然产物提取物抗氧化活性的快速评价。