人工神经网络用于近红外光谱测定柴油闪点

采用主成分－人工神经网络对不同留程柴油的近红外光谱进行校正,预测其闪点。采用监控集控制网络训练过程,以避免过训练。探讨了人工神经网络（ＡＮＮ）、直接线性连接人工神经网络（ＬＡＮＮ）的校正效果,并与局部权重回归（ＬＷＲ）、主成分回归（ＰＣＲ）及偏最小二乘（ＰＬＳ）等校正方法进行了比较,认为人工神经及直接线性关联的较好手段。     

近红外光谱快速测定混胺组分含量

研究了用近红外光谱分析混胺组分三乙胺和二甲苯胺含量的方法。对波长范围的选择和基线处理方法进行了研究,用偏最小二乘法线性回归分析建立三乙胺和二甲苯胺的校正模型。将近红外法测定结果与标准方法测定结果进行了比较,对光谱测量的重复性进行了考察,对温度的影响进行了分析。所有分析研究结果表明：在试样恒温的条件下,近红外光谱分析简单、快速、准确。     

近红外光谱定量校正模型的建立及应用

介绍了近红外光谱定量校正模型的建立步骤,从样品集的选择,光谱的采集,定量校正模型的建立和验证,到模型适用性判据的建立.在此基础上,剖析了影响近红外光谱分析结果的因素,并讨论了在实际应用过程中应注意的关键性问题.     

近红外光谱法快速测定生物柴油调和比及理化指标

通过比较偏最小二乘法(PLS)处理调和生物柴油近红外光谱图与标准方法测定调和生物柴油所获得的基础数据,确立了调和生物柴油的调和比、密度、运动黏度、热值、闭口闪点及冷凝点之间的相互关系。结果表明:经优化后,在OPUS光谱分析软件推荐维数(Rank)下,各指标模型的预测值与标准测定值之间线性相关关系均显著。在用于测定未知调和生物柴油样品的上述指标方面具有测定快速简便、误差小、成本低等优点,并用马氏距离限制异常项,每份生物柴油各指标的马氏距离都处于允许范围内。对于新类型生物柴油,可向模型添加10个以上调配样本,扩充模型后即可用于测定这类型调和生物柴油相关理化指标,可成为测定调和生物柴油相关理化指标新方法。在此基础上,可进一步开发出生物柴油近红外光学理化指标测定仪,实现低成本与快速测定。     

近红外与中红外光谱技术在土壤分析中的应用

传统的土壤分析方法周期长、成本高,不能在短时间内获取所需的土壤信息,如何快速、准确地获取土壤信息成为农业现代化的必然要求。漫反射光谱技术以其快速、廉价、非破坏与无污染等特点,已成为环境研究中获取相关土壤信息的重要技术手段,其中的近红外(NIR,780~2 500 nm)和中红外(MIR,2 500~25 000 nm)光谱技术预测土壤理化特性逐渐成为国内外学者研究的重点领域。文章介绍了近红外和中红外光谱技术的基本原理和分析方法,综述了该技术在土壤分析方面的具体应用,并对此提出了一些观点和展望。     

近红外光谱分析技术的最新进展与展望

在过去的几十年,近红外光谱是发展最为迅速的分析技术之一。振动光谱基础理论、光谱仪器硬件和化学计量学是现代近红外光谱分析技术的3大支柱,近些年,近红外光谱技术在这3个方面均取得了显著进展。该文结合上述3个方面的应用研究情况,对近红外光谱分析技术的最新进展进行了综述,并对未来发展趋势进行了展望。     

基于近红外光谱分析技术的栽培香菇产地快速鉴别

建立了一种基于近红外光谱分析技术的香菇产地鉴别方法。利用近红外光谱仪扫描不同主产地的香菇干样,获得样品的近红外漫反射光谱。利用偏最小二乘判别分析(PLSDA)分别建立了吉林、湖北、福建3个省份栽培香菇的产地判别模型,同时使用光谱预处理和波长筛选技术对判别模型进行优化,最后使用预测样品对模型进行验证。结果表明,使用原始光谱建立的模型能够初步实现对产地的判别,使用光谱预处理技术扣除光谱中的背景信息,同时利用波长筛选技术选择特定波长对模型进行优化后,可进一步提高预测正确率。该方法为香菇产地真实性溯源提供了一种新方法,对香菇产业发展具有重要的实际意义。     

生物柴油中脂肪酸甲酯的成分分析

以正二十烷为内标物,建立了一种简便、精确的定量分析生物柴油中脂肪酸甲酯含量的气相色谱方法.在实验条件下,各脂肪酸甲酯标准曲线的线性相关系数均在0.998 0以上,相对标准偏差为1.0%~5.3%.采用该方法分析生物柴油中脂肪酸甲酯含量的准确度和精密度较高,方法简单,重复性好,为生物柴油的成分分析和应用开发提供参考.     

CCD近红外光谱快速测定柴油中的芳烃含量

研究了采用电感耦合器件（ＣＣＤ）近工外光谱仪在短波近红外区域（７００－１１００ｎｍ）、利用偏最小二乘回归（ＰＬＳ）测定柴油中芳烃含量的方法。考虑样品颜色对短波近红外光谱的影响,对波长范围的选择和基线处理方式进行了研究。考察了样品进入光路的时间对测定结果的影响。将ＣＣＤＮＩＲ对未知样品的预测结果与傅里叶变换近红外光谱（ＦＴ－ＮＩＲ）在长波近红外范围（１０００－２０００ｎｍ）的预测结果及液相色谱的测定     

小波变换用于近红外光谱数据压缩

近红外光潜数据量大,需要较大数据存储空间和较长的建模时间、本文以成品柴油性质分析为例．将小波变换用于近红外光谱数据压缩处理,详细考察了小波压缩参数,比较了压缩前后潜图差异以及性质分析偏差的变化。研究结果表明．采用Daubechies小波函数(N=2)为母函数．进行3次分解,直接采用其逼近系数(Ca3)作为谱图压缩数据,其重构光谱与原始光谱基本一致直接利用逼近系数进行性质分析,其分析精度与原始光谱数据基本相当,存储空间减少至原来的1／8,且能够明显缩短其建模时间和分析时间。     

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。     

近红外光谱快速分析青贮饲料pH值和发酵产物

采用近红外光谱技术,结合偏最小二乘回归法,研究了142个不同种类的秸秆青贮饲料样品的pH值和发酵产物(乳酸、乙酸、丙酸、丁酸和氨态氮),建立了干燥粉碎和新鲜样品的近红外漫反射光谱定量分析模型以及浸提液样品的近红外透射光谱定量分析模型。研究发现,pH值的近红外漫反射光谱和透射光谱的分析效果均较好,校正模型决定系数R2和验证集样品预测值与化学值的相关关系决定系数r2都大于0.80,并且干燥粉碎、新鲜和浸提液样品的RPD值分别为3.44、2.50和2.27;3种状态样品的乳酸、乙酸、丁酸和氨态氮的定量分析模型精度需进一步提高;R2在0.64~0.85之间;RPD值在1.38~1.93之间;丙酸含量的测定结果较差。方差分析显示,3种状态样品的测定结果之间均无显著性差异(P>0.05)。     

近红外光谱法定性描述酵母菌的生长过程

提出了一种基于近红外光谱分析技术的酵母菌生长过程描述方法.利用Antaris Ⅱ型傅里叶变换近红外光谱仪获取酵母菌培养过程中,发酵物样本在10000~4000 1范围内的光谱数据,同时采用光电比浊法测定各样本的光密度(Optical density, OD)值;运用竞争性自适应重加权采样(Competitive adaptive reweighted sampling, CARS)算法优选特征光谱,再利用极限学习机(Extreme learning machine, ELM)建立酵母菌生长过程4个阶段的分类模型.研究结果显示,参与CARS-ELM模型建立的波长个数为30,其10次运行在训练集和测试集中的平均识别率分别为98.68%和97.37%.研究结果表明,利用近红外光谱分析技术结合适当的化学计量学方法描述酵母菌生长过程是可行的.     

Prediction of Rheological and Chemical Properties of Different Starches Used in the Paper Industry by Near Infrared Spectroscopy (NIRS)

Starch is one of the most abundant biopolymers, consisting of the polysaccharides amylose and amylopectin and other minor but characteristic constituents depending on the origin. Potatoes, maize, wheat, rice and tapioca are the sources of commercial interest with a large variety of applications both in food and non food areas. The measurements of over hundred starch samples were accomplished over a range of 4000–10000 cm⁻¹ in diffuse reflectance and transmission mode. Quantitative prediction models, based on a partial least squares (PLS) algorithm for the determination of fat content, the main fatty acids, water content, tendency to retrogradation and viscosity were developed. All models are characterized by high correlation coefficients (R² > 0,98). Principal components analysis (PCA) was applied successfully to distinguish starches regarding their source, provenience and their degree of modification. Both quantitative and qualitative models are cross validated.     

Enhanced Characterization of Naproxen Formulation by Near Infrared Spectroscopy

Near infrared spectroscopy in combination with appropriate chemometric methods is an effective technique for quantitative analysis of parameters of interest for the pharmaceutical industry. In this study, the artificial neural network (ANN) was applied to monitor critical parameters (compression force, tablet hardness, mean particle size, and active pharmaceutical ingredient concentration of tablets) in the process of naproxen pharmaceutical preparation. The performance of ANN was compared to linear methods (partial least squares regression (PLS) and synergy interval partial squares (siPLS)). The ANN models for compression force, tablet hardness, mean particle size, and active pharmaceutical ingredient concentration of tablets yielded the low root mean square error of prediction (RMSEP) values of 0.936 KN, 0.302 kg, 4.49 mg, and 2.14 µm, respectively. The predictive ability of the PLS model was improved by siPLS with selection of spectral regions and the best performance among all calibration methods was showed by the nonlinear method (ANN). Effective models were built by using these approaches using near infrared spectroscopy.     

用近红外透射光谱技术测定精米蛋白质含量研究

应用近红外透射光谱技术．采用3种不同回归统计分析方法建立业米蛋白质含量(PC)定量回归方程。结果表明,用改进的最小二乘法(MPLS)、偏最小二乘法(PLS)和主成分回归法(PCR)进行饺正时．校正标准误差(SEC)、交叉检验标准误差(SECV)分别为0．1258、0．134O(MPLS)．0．1177、0．1175(PLS)．0．1207、0．1275(PCR)校正相关系数(RSQ)和交叉验证相关系数(1-VR)分别为0．9941、0．9931(MPLS)．0．9950、0．9942(PLS)．0．9947、0．9942(PCR)。由此可见,3种回归统计方法在建立业米蛋白质含量回归方程时差异不明显．都具有较好的预测效果。近红外透射光谱法作为一种快速而准确的定量分析手段,在稻米加工企业品质管理、大米品质分析和大米贸易检测上有广阔的应用前景。     

高粱籽粒中多酚类物质的傅立叶变换近红外光谱分析

利用高效液相色谱(HPLC)法测定高粱籽粒中阿魏酸、原儿茶醛和花青素的含量,比色法测定总酚、总黄酮、缩合单宁的含量;运用偏最小二乘法建立NIR光谱与HPLC法和比色法分析值之间的多元校正模型,预测高粱籽粒中主要酚类物质的含量.结果表明,各成分近红外预测值与实测值之间的校正模型相关系数(R)、内部交叉验证均方差(RMSECV)、最佳主因子数分别为:总酚0.9737, 0.288, 4;总黄酮0.9660, 0.00671, 8;缩合单宁0.9558, 0.0289, 6;阿魏酸0.9818, 0.0391, 6;原儿茶醛0.9979, 0.0118, 5;花青素0.9977, 0.0523, 4;预测相对偏差(RSEP)分别为:总酚6.99%、总黄酮4.54%、 缩合单宁7.13%、阿魏酸2.68%、原儿茶醛5.46%、 花青素5.81%.结果表明,模型对样品NIR的预测值与其相应的化学值有较好的相关性,此模型可用来预测高粱籽粒中的各酚类物质的含量,在高粱优质育种和品质分析中具有广泛的应用价值.     

白酒基酒中酮类物质的近红外光谱检测方法

应用近红外光谱技术建立了白酒基酒中2,3-丁二酮和3-羟基-2-丁酮的快速检测模型。从洛阳杜康酒厂选取182个白酒基酒样品为材料,运用气相色谱法测得两种物质的化学值,同时采集其在12 000～4 000 cm^-1范围内的光谱数据,采用偏最小二乘法(PLS)结合内部交叉验证建立校正模型。通过对比不同光谱预处理下PLS模型效果对其进行优化,确定2,3-丁二酮和3-羟基-2-丁酮的最佳预处理方法分别为一阶导数+多元散射校正和二阶导数,最佳光谱区间分别为9 403.2～7 497.9 cm^-1和9 403.2～7 497.9 cm^-1+6 101.7～5 449.8 cm^-1。优化后2,3-丁二酮和3-羟基-2-丁酮校正集样品的化学值和近红外预测值的决定系数(R²)分别为0.960 2和0.963 2,交叉验证均方根误差(RMSECV)分别为0.39、0.22mg/100 mL;通过外部检验,验证集样品的R²分别为0.957 6和0.957 8,预测均方根误差(R...     

Characterization of Chickpea Flour by Near Infrared Spectroscopy and Chemometrics

Near infrared (NIR) spectrometry was used for the rapid characterization of quality parameters in desi chickpea flour (besan). Partial least square regression, principal component regression (PCR), interval partial least squares (iPLS), and synergy interval partial least squares (siPLS) were used to determine the protein, carbohydrate, fat, and moisture concentrations of besan. Spectra were collected in reflectance mode using a lab-built predispersive filter-based instrument from 700 to 2500?nm. The quality parameters were also determined by standard methods. The root mean square error (RMSE) for the calibration and validation sets was used to evaluate the performance of the models. The correlation coefficients for moisture, fat, protein, and carbohydrates in chickpea flour exceeded 0.96 using PLS and PCR models using the full spectral range. Wavelengths from 2100 to 2345?nm had the lowest RMSE for quality parameters by iPLS. The error was further decreased by 0.41, 0.1, and 1.1% for carbohydrates, fats, and proteins by siPLS. The NIR spectral regions yielding the lowest RMSE of prediction were 1620–2345?nm for carbohydrates, 1180–1590?nm and 1860–2094?nm for fat, and 1700–2345?nm for proteins. The study shows that chickpea flour quality parameters were accurately determined using the optimized wavelengths.