基于近红外光谱的汽油辛烷值预测与模型优化

在波长12000~4000 cm-1范围内采集了60组汽油样品的近红外光谱数据,并基于此数据研究汽油辛烷值预测过程中的模型优化问题:采用五折交叉验证法,比较了最小均方二乘法(PLS)、神经网络(ANN)和支持向量机(SVM)的辛烷值预测模型,发现SVM算法较稳定可靠,更适合于小样本情况下的光谱分析;SVM模型下分别采用网格寻优(Grid)、遗传算法(GA)和粒子群算法(PSO)进行惩罚参数C和RBF核函数参数gamma两个参数优化,总体最佳M SE分别为0.00444,0.0038和0.03262,GA优化参数能力最强;基于GA参数优化下SVM模型,研究了主分量分析(PCA)和连续投影算法(SPA)的特征优化方法,发现PCA泛化能力优于SPA,采用4个主分量(PCs)已经能达到原始光谱相当的预测性能。优化得到组合模型:PCA-GA-SVM,基本上满足工业级辛烷值预测的需要,方法对石油组分精确解析具有积极意义。     

近红外光谱技术用于花生油中棕榈油含量的测定

本文采用近红外光谱技术采集样品的近红外光谱数据,光谱经一阶求导后,采用偏最小二乘法(PLS)建立花生油中棕榈油含量的定标模型,并用交互验证法对模型进行了验证。模型相关系数为0.9963,校正均方根(RMSEC)为0.937。该模型应用于实际样品的检测,结果令人满意。     

近红外光谱结合CARS变量筛选方法用于液态奶中蛋白质与脂肪含量的测定

采用CARS(Competitive adaptive reweighted sampling)变量筛选方法建模,显著提高了液态奶中蛋白质与脂肪近红外模型的预测精度。用蒙特卡罗采样(Monte-Carlo sampling)方法先剔除奇异样本,再对光谱进行中心化与Karl Norris滤波降噪处理,通过CARS方法筛选出与样本性质密切相关的变量,建立预测蛋白质与脂肪含量的偏最小二乘法(PLS)校正模型,并与未选变量的PLS模型进行比较。以定标集相关系数(r2)及交互验证均方残差(RMSECV)和预测误差均方根(RMSEP)作为判定依据,确定了蛋白质与脂肪的最佳建模条件。蛋白质与脂肪校正模型的相关系数分别为0.975 0、0.995 1,RMSECV分别为0.194 8、0.136 3,RMSEP分别为0.113 3、0.140 1,预测结果优于未选变量的PLS模型及其他选变量方法,有效简化了模型,适于液态奶中脂肪和蛋白质的快速、无损检测。     

可见-近红外傅里叶变换光谱仪

本文介绍了我们研制的波长范围400至1000nm的可见一近红外傅里叶交换光谱仪。通过四倍频电路使激光条纹间隔四等分,给出158.2nm等光程差间隔进行干涉图采样。使用Apple Ⅱ微计算机控制仪器操作,数据采集和数据处理。对光谱测量结果进行了讨论。     

瞬态可见和近红外光谱计量技术获新突破

国防科技工业局光学计量一级站依托在研军工计量项目,不断进行技术创新。不久前,科研人员成功掌握了具有自主知识产权的瞬态紫外、可见和近红外光谱计量技术,制订出一套可用于校准瞬态光源和瞬态光谱仪的计量标准。目前,该项目正准备向国防科技工业局申请验收。     

近红外光谱模型转移新算法

模型转移是解决分析仪器或分析方法通用性的关键技术。近红外光谱受测量仪器或测量条件的影响较大,模型转移对近红外光谱技术的实际应用尤为重要。本文综述了近年来近红外光谱分析中被广泛应用和新提出的模型转移算法,从计算原理角度梳理了有标样和无标样算法的联系和区别。有标样算法重点介绍了基于多元校正、因子分析、人工神经网络、多任务学习的模型转移方法,无标样算法重点介绍了基于光谱校正、模型参数校正和稳健建模的模型转移方法。从算法的角度分析了各种模型转移方法的特点和转移效果,并展望了模型转移算法的进一步发展。在综述的众多方法中分段直接标准化及其变体仍是模型转移的黄金标准,但是,基于因子分析的算法正变得受欢迎且基于神经网络和多任务学习的方法近年来也吸引了越来越多的注意。但是,在实际应用中,获得标准样品以在主机和子机上测得其光谱比较困难甚至是不可能的,无标样模型转移则更加实用。此外,随着仪器小型化、成像及超光谱成像的发展,模型转移在未来会变得愈加必不可少。     

人工神经网络用于近红外光谱预测汽油辛烷值

本文对BP人工神经网络(ANN)方法在汽油的辛烷值与其近红外光谱光谱吸光度的关系之间进行关联预报方面进行了研究。采用35个汽油实际样本数据,建立了利用汽油的近红外光谱光谱吸光度预测汽油辛烷值的BP人工神经网络模型。对所有辛烷值的计算结果与实测值进行了比较,得到的预测值与实测值计算误差小于1.55%。     

连续投影算法在近红外光谱校正模型优化中的应用

主要从减少变量、提高校正速度的角度,采用了一种新的变量提取方法——连续投影算法(successive projections algorithm)来优化白酒酒精度的近红外光谱定量模型,对于异常样品的剔除沿用了T2椭圆法,使模型更具代表性和稳健性,只用了全部变量的1.17%(9个变量)建立模型,其预测相关系数0.9477,得到了较好的预测效果,并与采用经无信息变量消除法进行波长优选后的偏最小二乘(partial least-squares)方法建立的校正模型做了比较,进一步证明这种算法是切实可行的。     

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(R_cv²)、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。     

变量选择方法对近红外光谱校正模型优化极限的研究

变量选择经常被用于优化近红外光谱线性校正模型,消除冗余信息,提升回归的准确性和可解释性。该文研究并设计了一种基于蒙特卡洛的方法,用于评估不同线性校正方法在变量选择的子空间中能达到的最优程度,寻找变量选择对线性校正模型的优化极限。该方法通过获得验证指标——预测均方根误差（RMSEP）的分布图,揭示变量选择方法在数据集上的优化效果与优化极限。将该方法应用于3组样品的近红外光谱建模研究,结果表明：在烟草-果胶数据集上的可优化率约为24.98%,RMSEP降低了15.2%;在小麦-蛋白质数据集上的可优化率约为13.90%,RMSEP降低了9.5%;在玉米-淀粉数据集上的可优化率约为14.05%,RMSEP降低了57.1%。应用该方法可以快速得到变量选择方法在模型上的优化极限,为变量选择方法的设计、应用和评估提供参考。     

近红外光谱方法预测生物柴油主要成分

采用近红外光谱快速测定法对生物柴油的成分(脂肪酸甲酯、单甘酯、二甘酯、三甘酯和甘油)进行了研究.采用气相色谱方法获得其成分的基础数据,通过偏最小二乘方法与近红外光谱数据进行回归运算,分别建立以文冠果油生物柴油为例的单原料油校正模型及多种原料油生物柴油的混合校正模型,并以花椒油生物柴油为例考察了校正模型的适用性.结果表明: 通过偏最小二乘方法可以建立适合多种原料油生物柴油的通用校正模型.对于新型生物柴油,向校正集中添加10个以上样本,扩充校正模型后,便可较为准确地测定这类新生物柴油样本的成分含量.此方法分析速度快、成本低、操作便捷、重复性好,适合于生物柴油生产过程的中间控制分析.     

基于近红外光谱技术的日照绿茶茶鲜叶模型的优化

建立一种茶鲜叶中茶多酚含量的快速测定方法。采取日照市2个主要茶叶产区60个茶园的茶鲜叶,利用近红外光谱技术结合化学计量学方法建立优化模型进行预测。茶多酚的参考值采用国家标准方法进行测定。结果表明,采用Savitzky-Golay平滑和一阶导数处理光谱,能够有效消除光谱中的噪音及非目标因素的影响。遗传算法(Genetic Algorithm,GA)选择了针对目标组分茶多酚的200个信息变量,简化了模型。同时,采用主成分回归(PCR)和偏最小二乘(PLS)两种建模方法进行预测,其预测均方根误差(RMSEP)及剩余预测偏差(RPD)分别为0.6158、0.6743和4.7238、4.3141;决定系数(R2)分别为0.9514和0.9451。     

近红外光谱技术结合教与学算法优化极限学习机实现烤烟等级判定

该研究基于近红外光谱（NIRs）技术,以2016～2018年来自13个省份的937个烟叶样本为研究对象,比较了竞争性自适应重加权采样方法（CARS）、蒙特卡洛无信息变量消除法（MC－UVE）以及随机青蛙算法（RF）3种变量筛选方法的极限学习机（ELM）模型效果,与常规判别方法偏最小二乘判别分析（PLS－DA）比较,验证了ELM模型的优势。并通过教与学优化（TLBO）算法对ELM模型进行优化,建立烤烟样本的等级判定模型。结果表明,验证集的分类正确率达到90.16%,测试集的外部验证表现良好,TLBO－ELM模型收敛速度快,泛化能力强,可应用于烤烟等级判定。近红外光谱技术结合教与学算法优化极限学习机为智能化实现烟叶等级判定提供了一种新方法。     

近红外光谱结合化学计量学评价胚胎发育潜能

使用近红外光谱分析方法测量培养后的胚胎培养液,结合偏最小二乘判别分析对胚胎发育潜能进行评价,鉴别具有妊娠能力与不具妊娠能力的胚胎。为了提高模型的判别能力,消除无信息变量对模型稳定性影响,分别采用基于蒙特卡罗的无信息变量消除法(MC-UVE)、竞争性自适应加权抽样法(CARS)与基于变量稳定性的竞争性自适应加权抽样法(SCARS),对光谱进行波长选择。结果表明,与采用全谱74%的正判率相比较,采用这3种波长选择方法,模型独立检验集的正判率分别提高至74.24%,77.12%与80.10%,建模使用变量数降至50以内。比较发现,SCARS的模型优化能力和稳定性均好于MC-UVE和CARS方法。采用近红外光谱结合化学计量学方法预测胚胎的发育潜能是可行的。     

波长筛选结合直接校正法用于近红外光谱模型传递研究

该文提出了一种新的传递方法模型--波长筛选结合直接校正法(WSDS).首先利用样品的性质信息筛选出最有代表性的波长点信息,然后用直接校正法消除这些信息中包含的仪器间差异,以预测标准偏差(SEP)考察模型传递的效果.利用此算法对航空煤油的近红外光谱分析模型在不同仪器之间进行传递研究.经WSDS校正后,对航空煤油密度预测的...     

近红外光谱结合新型模型传递方法用于糖料的在线质量监控

当采用近红外光谱技术对糖香料的生产过程进行在线质量监控时,糖香料的温度变化严重影响近红外光谱校正模型的预测性能,使其对糖浆样本中主要成分预测结果的平均均方根误差从2.4%增大到29.2%。本研究将近红外光谱技术与载荷空间标准化新型模型传递方法相结合,有效消除了温度变化对近红外光谱校正模型定量分析结果的影响,使其对糖浆样本中主要成分预测结果的平均均方根误差维持在3.8%的水平,实现了利用近红外光谱技术对糖香料的质量进行快速准确的监测和控制。本研究的研究结果为糖料的配制和使用提供了技术保障。     

基于可见/近红外透射光谱的番茄红素含量无损检测方法研究

针对番茄内外部结构特征,搭建了可见/近红外透射检测系统,利用完整番茄透射光谱信息,对番茄红素含量进行无损伤快速检测研究。采集的原始光谱曲线经去趋势(DT)、标准正态变量变换(SNV)、多元散射校正(MSC)、归一化(NOR)、一阶导数(FD)预处理后分别用偏最小二乘(PLS)进行建模分析。其中SNV预处理后的模型效果最好,校正集和验证集相关系数分别为0.9771和0.9504,校正集和验证集均方根误差为0.9711和1.0496 mg/kg。为进一步提高模型的精度和稳定性,采用无信息变量消除法(UVE)、连续投影算法(SPA)、竞争性自适应重加权算法(CARS)3种方法单独或联合处理(UVE-SPA,UVE-CARS),对全光谱进行变量优选。经UVE-CARS处理后番茄红素预测模型效果最好,其校正集和验证集相关系数分别提高至0.9830和0.9741,均方根误差分别降低至0.6919和0.7680 mg/kg。最后,选用25个番茄样品对所建立模型进行了外部验证,UVE-CARS-PLS模型的预测集相关系数为0.9812,预测集均方根误差为0.7071 mg/kg,平均相对误差为4.3%。而作为比较的PLS模型的预测集相关系数为0.951,均方根误差为1.0610 mg/kg,平均相对误差6.0%,相比于全光谱PLS模型,UVE-CARS可以很大程度地简化模型,提高模型精度,降低检测的误差限。结果表明,基于自行搭建的番茄可见/近红外透射检测系统结合光谱处理方法,可以实现对生鲜番茄中番茄红素含量的快速、无损检测,为番茄红素定量检测提供了新方法。     

衰减全反射-紫外/可见光谱技术应用

本文对衰减全反射法(ATR)的光学测定原理、衰减全反射-紫外/可见光谱方法(ATR-UV)的特点以及它们在一些典型的工业过程溶液,如高浓度和含有大量固体颗粒和微乳液聚合等体系检测的应用进行了综述。ATR-UV光谱技术适宜实时地反馈工业过程溶液的组分改变和浓度变化,从而帮助我们了解该过程的进展。这些优良的特性能帮助我们开发在线的传感器,因此可用于监测许多典型的工业过程溶液。其方法简单、迅速,一般无需对试样进行预处理或稀释。ATR-UV作为光谱学测定的重要波段,其技术开发将在化工过程检测方面具有重要的意义。     

衰减全反射-紫外/可见光谱技术应用

本文对衰减全反射法(ATR)的光学测定原理、衰减全反射-紫外/可见光谱方法(ATR-UV)的特点以及它们在一些典型的工业过程溶液,如高浓度和含有大量固体颗粒和微乳液聚合等体系检测的应用进行了综述.ATR-UV光谱技术适宜实时地反馈工业过程溶液的组分改变和浓度变化,从而帮助我们了解该过程的进展.这些优良的特性能帮助我们开发在线的传感器,因此可用于监测许多典型的工业过程溶液.其方法简单、迅速,一般无需对试样进行预处理或稀释.ATR-UV作为光谱学测定的重要波段,其技术开发将在化工过程检测方面具有重要的意义.