近红外光谱技术快速无损测定带鱼糜及其制品中磷酸盐含量

通过拟合带鱼糜及其鱼糕制品的近红外漫反射光谱与建立近红外的定量模型,用于带鱼糜及其鱼糕制品中磷酸盐含量的快速无损检测。以定标集和验证集的相关系数(r_C, r_V)及标准误差(SEC, SEP)作为评价模型优劣的根据。结果表明,采用偏最小二乘法(PLS)所建立的模型效果最佳,带鱼糜及其鱼糕制品的定标模型的相关系数分别为0.983和0.960,预测标准误差分别为0.032和0.101;验证集的相关系数分别为0.951和0.954,预测标准误差分别为0.058和0.097。利用近红外光谱技术快速无损测定带鱼糜及其鱼糕制品中的磷酸盐含量是可行的。     

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.     

利用近红外光谱技术建立土壤水分含量定标方程

应用近红外漫反射光谱技术（波长为1100—2498nm,分辨率为2nm）,以温县和郑州市郊的土壤为材料建立土壤水分含量分析系统。结果表明,优化各项参数后,光谱经过标准正态变换校正和一阶导数处理后,回归分析采用修正的偏最小二乘法（M PLS）得到的定标模型效果最佳。最终得到的预测方程定标相关系数（RSQ）、交叉验证标准误差（SECV）、交叉验证相关系数（1-VR）分别为0.98,0.92,0.97。数学模型经过验证样品集检验,预测相关系数达到0.96,达到了快速、准确分析土壤水分含量的要求。     

稻米淀粉崩解值的近红外透射光谱法测定

以203份稻米为样品,近红外透射光谱分析仪,对样品进行光谱扫描,并用快速粘度分析仪测定稻米淀粉崩解值.采用改进的偏最小二乘法进行定标模型的建立,得到了稻米淀粉崩解值测定的近红外分析模型的定标标准偏差(SEC)、交叉检验标准误差(SECV)和定标决定系数(RSQ)分别为:10.62、10.8和0.984,内部交叉验证的经校正的工作标准差(SEP)、检验偏差(BIAS)和交叉检验相关系数(1-VR)分别为:6.139、-0.362和0.939,相关性达极显著水平.内部交又验证和外部验证结果表明近红外定量分析崩解值有很高的准确度.近红外透射光谱技术为快速准确无损测定黏滞特性指标提供了一条新途径.     

基于SVM算法的近红外光谱技术在鱼糜水分和蛋白质检测中的应用

采用支持向量机(support vector machine,SVM)建立了鱼糜样品中水分和蛋白质含量的近红外光谱校正模型,并采用独立样本集进行了预测。光谱数据经间隔两点一阶导数(DB1G2)、标准正态变换(SNV)、多元散射校正(MSC)相结合的方法预处理后,用偏最小二乘(PLS)降维处理,取前15个投影变量为自变量。获得水分模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP; 蛋白质模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP,有较好的预测准确性。基于SVM算法的近红外光谱技术可用于鱼糜水分和蛋白质含量的快速检测。     

近红外漫反射光谱法测定整粒小麦单株蛋白质含量

应用近红外漫反射光谱技术(波长为1 100～2 498 nm,分辨率为2 nm),以整粒小麦为材料建立适合于小麦单株分析的蛋白质含量分析系统。首先选取籽粒蛋白质含量具有梯度差异的小麦样品,然后对样品扫描得到原始光谱信息,通过散射校正及数学处理来消除原始光谱噪声,最后分别采用多元线性回归、主成分分析法和偏最小二乘法法建立回归方程。结果表明,优化各项参数后,光谱经过标准乘性散射校正和一阶导数处理后,回归分析采用修正的偏最小二乘法(MPLS)得到的定标模型效果最佳。最终得到的预测方程定标相关系数(RSQ)、交叉验证标准误差(SECV)、交叉验证相关系数(1-VR)分别为0.94,0.42,0.87。数学模型经过验证样品集检验,预测相关系数达到0.88。该模型达到了快速、无损分析单株小麦的要求,非常适合于品质育种的早代选择。     

紫苏种子品质的近红外光谱分析

为加快紫苏优质育种进程,采用近红外光谱(NIRS)技术,结合线性偏最小二乘法(PLS),以250份全国范围内收集的紫苏资源为研究材料,分别较好的建立其种子中含油量,棕榈酸(C16∶0),硬脂酸(C18∶0),油酸(C18∶1),亚油酸(C18∶2),a-亚麻酸(C18∶3)含量的六个近红外光谱校正模型。结果显示,六个模型的校正决定系数(RSQ1)分别为：0.98,0.91,0.92,0.92,0.85,0.93;交叉验证决定系数(1-VR)分别为：0.97,0.89,0.89,0.91,0.85和0.91;外部验证相关系数(RSQ)分别为：0.98,0.91,0.89,0.90,0.80和0.89,且定标标准误差(SEC)分别为0.99,0.21,0.1,0.94,0.81,0.92;交叉验证标准误差(SECV)分别为1.16,0.23,0.11,1.05,0.92,1.02和预测标准误差(SEP)分别为0.97,0.21,0.11,1.12,0.99,1.14。结果表明,此六个校正模型质量均较高。这些首次建立的快速无损的近红外分析模型,可为紫苏资源开发提供指导,对紫苏油分品质育种具有重要意义。     

近红外透射技术分析大豆籽粒

本文建立了近红外透射技术 (NIT)分析大豆样本的新方法 ,批量地分析了大豆子粒的水分、蛋白、脂肪 ,定标误差分别为 0 .36 9、0 .5 78、0 .4 6 0 ,相关系数分别为 0 .95 8、0 .913、0 .912。通过 30个样本的独立样品集的定标验证 ,预测误差分别为 0 .4 0 4、0 .6 2 2、0 .5 0 8,相关系数分别为 0 .95 2、0 .90 1、0 .90 8。结果表明 ,近红外光谱技术用于测试大豆品质是可行的 ,可用于育种的早代选择     

Determination of Lignin,Ash and Protein in Corn Fiber by Near Infrared Spectroscopy

研究一种基于近红外(NIR)光谱法的玉米皮渣组分中木质素、灰分及蛋白质的快速检测分析,采用偏最小二乘法(PLS)建立数学模型,比较了不同预处理方法对建立的木质素、灰分及蛋白质模型的影响,建立的校正模型所构建的木质素、灰分及蛋白质模型的定标集相关系数(Rc)分别为0.922887、0.902713和0.973160,验证集相关系数(Rv)分别为0.944109、0.916882和0.900532,定标集标准偏差(SEE)分别为0.304609、0.109288和0.697201,验证集标准偏差(SEP)分别为0.307115、0.0800459和0.96164.所建模型有较高的拟合和预测能力,可用于木质素、灰分及蛋白质含量的快速检测分析.     

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像,提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集,其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型,并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长,并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型,但是仅用12个变量代替了全波段的151个变量,大大简化了模型,更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(R_p)分别为0.92和0.93,预测均方根误差(RMSEP)分别为1.31%和1.18%,取得了满意的结果。研究表明,近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量,为鱼肉品质的快速监测提供重要的参考。