近红外光谱分析中异常值的判别与定量模型优化

介绍了利用马氏距离、Cook距离、光谱特征异常值、光谱残差比、化学值绝对误差等指标结合数理统计检验来判断光谱和化学值的异常 ,并利用这些方法进行近红外光谱定量分析中模型优化 ,取得了很好的效果     

近红外光谱技术检测植物木质素纤维素研究进展

近红外光谱技术可用来检测植物木质素、纤维素及半纤维素含量,与传统的湿化学方法相比具有快速、操作简单、准确、无损等优点,是一种新型的测定方法,近年来在检测木本植物及草本植物木质纤维素组成成分中被广泛应用。综述了国内外利用近红外光谱技术快速检测木本植物(用作造纸原料的木材、竹材以及潜在的可用作生物质能源的木材)及草本植物(饲草及草类能源植物)木质素、纤维素、半纤维素含量的研究进展,并从样品前处理、光谱预处理及波长选取方法、化学计量学方法三个方面对利用近红外光谱技术快速检测植物木质素、纤维素方法研究上的进展进行了总结,并结合国内木材、牧草及能源草行业发展现状提出了四点展望: 建立适用性更强的模型;建立全面的草产品品质指标近红外光谱数据库;建立能源植物能用品质指标相关模型并对建模方法进行进一步的探索和完善;推动应用近红外光谱技术检测植物木质纤维素的方法从实验阶段走向实际应用。随着对近红外光谱检测植物木质纤维素方法的不断成熟和完善,它必将对造纸、饲草及能源草行业的发展产生巨大的推动作用。     

实用化商品玉米籽粒的近红外光谱品种判别方法研究

近年来利用近红外光谱进行农作物品种判别成为农产品检测的一个新兴方向.该文提出一种基于近红外光谱的新的实用化商品玉米品种判别系统,此系统既能对系统学习过的品种做出准确判别也能对未学习过的品种做出准确拒识.首先采用一阶导数法对原始光谱进行预处理,光谱数据经主成分分析后,根据仿生模式识别理论建立判别模型.在建市模型时文章使用了基于二维单形的Ψ-3神经元作为覆盖单元,并提出了包含指数的概念以辅助判定样品的唯一归属.测试结果表明,该系统对参与建模的品种有较强的判别能力,即使建模品种达到34个时系统平均正确判别率仍达到91.8%.同时对于未参与建模的品种也有较强的拒识能力,平均正确拒识率达到95%以上.     

近红外光谱分析技术在茶叶鉴别中的应用研究

茶叶快速准确鉴别方法研究是当前茶叶行业亟待解决的一个重要课题。该研究采用近红外光谱结合主成分-马氏距离模式识别方法鉴别了龙井、碧螺春、毛峰和铁观音4种中国名茶。研究结果表明,在6 500～5 300 cm-1波数范围内的光谱,通过MSC预处理方法,用8个主成分建立的模型最好,模型对校正集样本和预测集样本的鉴别率分别达到98.75%和95%。该研究为快速准确鉴别茶叶提供了一种新思路。     

近红外光谱技术鉴别海面溢油

为快速了解和掌握海面溢油的种类,以便采取应急措施,提出了近红外光谱技术结合模式识别鉴别海面溢油的方法。自行配制了56个汽油、柴油、润滑油的模拟海水样品,用有机溶剂萃取出海水中的溢油后记录其近红外光谱,将原始光谱进行多元散射校正(MSC)和Norris一阶导数平滑预处理后,在主成分分析(PCA)提取不同种类溢油样品特征的基础上引入马氏距离建立溢油样品的识别模型。研究了光谱预处理对溢油鉴别的影响;探讨了马氏距离阈值的确定。结果表明,主成分分析可将原始数据压缩而马氏距离判别可给出离群点的阈值,本文建立的校正模型能正确判别浓度在0.4 μL·mL-1以上的溢油类别,为近红外光谱结合化学计量学方法建立校正模型进行海面实际溢油样品的分类提供了思路。     

近红外光谱技术测定紫花苜蓿青贮鲜样的发酵品质

及时了解青贮饲草的发酵品质,如青贮饲草中氨态氮(NH₃-N),乳酸(LA), 乙酸(AA),丁酸(BA)含量,对畜牧业生产具有重要意义。应用偏最小二乘回归法(PLS)、傅里叶变换近红外光谱技术和液氮冷冻制样技术,建立了适合不同品种,不同生育期,不同茬次和不同青贮方法即时测定青贮苜蓿鲜样中氨态氮,乳酸,乙酸,丁酸的近红外校正模型,以期对NIRS在测定紫花苜蓿青贮样品中这些物质的可行性进行分析。所建模型的交叉检验决定系数(R2_CV)为0.602 4～0.949 7,交叉检验标准误(RMSECV)为0.559～3.78 g·kg-1鲜重。用检验集样品对模型进行外部检验,预测相关系数(r)为0.882 6～0.985 3,预测标准误为0.571～3.15 g·kg-1鲜重。结果表明,采用适当的样品处理方法和光谱分析技术可以实现近红外光谱技术对苜蓿青贮样品发酵品质的评定。     

近红外光谱的主成分分析-马氏距离聚类判别用于卷烟的真伪鉴别

为了快速准确的鉴别卷烟真伪,以A牌和假冒A牌卷烟为实验材料,采用近红外光谱法结合主成分分析-马氏距离判别分析方法建立了鉴别模型.首先对经过预处理的光谱数据进行主成分分析,分析结果表明,前4个主成分的累积贡献率已达98.46%,说明这4个变量能够代表原始光谱的主要信息.从120个样品中随机抽取100个用于建立4个主成分变量的定性判别模型,模型的相关系数达到了0.95,对20个未知样品的预测结果准确率为100%.说明近红外光谱结合模式识别方法进行卷烟真伪定性鉴别在技术上是可行的,可以作为卷烟真伪鉴别的一种辅助手段.     

局部建模方法用于烟草样品的近红外光谱定量分析

采用近红外光谱在主成分空间的距离作为样本相似性的判据,建立了一种用于近红外光谱定量分析的局部建模方法。该方法首先对校正集的光谱进行主成分分析(PCA),然后基于主成分空间中预测样本与校正集样本的距离选择校正子集并建立局部偏最小二乘(PLS)回归模型。对欧氏距离和马氏距离的比较表明,欧氏距离可以更好地表达样本之间的相似性。将所建立的方法用于烟草样品中氯和尼古丁含量的测定,结果表明局部建模方法比常用的全局建模方法具有更好的预测准确性,特别是在低含量成分的预测中具有明显优势。     

应用近红外光谱技术定量分析杂交玉米纯度的研究

利用近红外光谱分析技术结合定量偏最小二乘法对农大108玉米的纯度进行了定量测定,首先通过在农大108杂交种子加入不同量的母本178种子,获得纯度60%~100%范围内的样本123份,然后测定粉碎后样本的光谱,根据2:1的比例划分建模集和检验集。结果表明:6 000~10 000 cm-1为适宜的建模光谱范围,主成分为8时,建模集内部交叉验证的决定系数达96.61%、校正标准差(SEC)2.15%,平均相对误差(RSD)2.04%;检验集的决定系数达到97.67%,校正标准差(SEP)1.78%,平均相对误差(RSD)1.94%。采用该方法建模时,采用不同比例的建模样品和检验样品,建模集平均决定系数为96.21%,校正标准差2.29%,平均相对误差为2.81%。检验集的平均决定系数为95.75%,预测标准差2.23%,平均相对误差为2.73%,进一步证明模型的稳定性。     

近红外高光谱的活体玉米叶片水分成像研究

无损检测植物叶片水分对植物生理生化研究及灌溉管理和旱情监测等均具有重要意义。利用Gaia Sorter近红外高光谱仪(900～1 700 nm),以不同生育期的60个鲜活玉米叶片为试验材料,对叶肉不同区域的平均光谱及烘干称重法得到的水分含量分别用偏最小二乘法(PLS)及逐步多元线性回归(SMLR)进行建模分析。结果表明,验证集决定系数/标准偏差分别为0.975/1.18和0.980/1.02,均取得较好的预测效果,可实现单个玉米叶片平均含水量的测定;SMLR优选的特征波长(1 406和1 692 nm)建模预测结果表明,利用高通量近红外相机结合滤光片方法实现玉米叶片冠层或高空遥感测量的可行性。同时,进行了叶片不同区域水分含量的成像分析,结果表明,验证集中6个叶片的叶肉与主叶脉区域水分含量的参考均值和预测均值的相关系数均达到0.85以上,预测结果与实际情况相符合。     

近红外漫反射光谱法测定玉米秸秆NDF与ADF含量

应用主成分空间和傅里叶变换近红外光谱技术,采用偏最小二乘回归法(PLS),在国内首次建立了适合不同品种类型、不同生长发育时期和不同部位且适配范围广的近红外漫反射光谱(NIRS)测定玉米秸秆中性洗涤纤维(NeutralDetergentFiber,NDF)和酸性洗涤纤维(AcidDetergentFiber,ADF)含量的稳定校正模型。结果表明,采用一阶导数 矢量归一化预处理和一阶导数 多元散射校正预处理,谱区均为7502～5450cm-1和4601～4247cm-1,所建立的NDF与ADF校正模型,其校正和预测效果最佳。其校正决定系数(R2cal)均大于094,交叉验证和外部验证决定系数(R2cv,R2val)为092～096,各项误差(RMSEE,RMSECV和RMSEP)为149%～181%。该结果对青贮玉米秸秆材料快速鉴定和筛选具有重要的意义。     

近红外光谱法测定紫花苜蓿青贮鲜样的营养价值

应用近红外光谱技术(NIRS)直接分析新鲜饲草的营养价值,如饲草中干物质(DM),粗蛋白(CP),中性洗涤纤维(NDF),酸性洗涤纤维(ADF)含量,对畜牧业生产具有重要意义。鲜草中由于含有较多的水分,不易制备均一的样品和进行光谱中有用信息的提取,因此难于进行近红外光谱分析。本试验应用偏最小二乘回归法(PLS)、傅里叶变换近红外光谱技术和液氮冷冻制样技术,建立了适合于不同品种,不同生育期,不同茬次和不同青贮方法即时测定青贮苜蓿鲜样中DM,CP,NDF,ADF的模型,以期对NIRS在测定紫花苜蓿青贮鲜样品这些成分测定的可行性进行分析。所建DM,CP,NDF和ADF模型的交叉检验决定系数(R2_cv)为0.884 6～0.989 8,交叉检验标准误(RMSECV)为3.9～9.7 g·kg-1鲜重。用50个样品对模型进行外部检验,预测相关系数(r)为0.939 7～0.994 9,预测标准误为1.9～8.3 g·kg-1鲜重。结果表明： 采用适当的样品处理方法和光谱分析技术可以实现近红外光谱技术对苜蓿青贮鲜样的营养价值评定。     

基于近红外光谱的玉米籽粒CNCPS组分分析及预测研究

试验旨在研究应用近红外光谱技术快速测定玉米籽粒粉末CNCPS组分的可行性。65个样品来自黑龙江省,选用偏最小二乘法(PLS)为建模方法,采用二阶导数和Norris导数滤波法处理光谱数据后,建立了玉米籽粒粉末中干物质(DM)、粗蛋白质(CP)、粗脂肪(Fat)、粗灰分(Ash)、淀粉(Starch)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、可溶性蛋白(SP)、酸性洗涤不溶蛋白(ADIP)和中性洗涤不溶蛋白(NDIP)等的近红外预测模型。其中DM,CP,Fat,Ash,Starch,NDF和ADF的决定系数分别为0.974 3,0.968 3,0.947 8,0.909 8,0.977 7,0.935 4和0.926 9,标准差(SD)与预测均方根(RMSEP)的比值(SD/RMSEP)值分别为3.96,4.78,3.75,4.25,4.13,3.88和3.12。SP的决定系数为0.857 5,SD/RMSEP值为3.06。ADIP和NDIP的决定系数分别为0.531 9和0.683 3,SD/RMSEP值分别为5.50和2.85。试验结果表明,近红外技术可以用于玉米籽粒粉末CNCPS组分的快速测定,但降低ADIP和NDIP测定误差有待进一步研究。     

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。     

基于近红外技术快速测定不同鲜肉中脂肪含量

随着畜禽肉和肉制品食用量的迅速增长,人们对肉品质量提出了更高的要求;对于肉制品,消费者最为关心是肉品质量, 当前中国对肉品品质在线检测方面的研究和应用则相对较少,尚无针对肉品品质在线无损检测开发的设备。也没能真正投入到肉品的生产加工过程。研究不同肉品脂肪的近红外快速检测模型。并采用标准化学方法进行差异分析。通过近红外技术对猪肉、牛肉、羊肉进行扫描,采用国标法(索氏提取法)对鲜肉脂肪含量进行化学值的测定,以PLS(偏最小二乘法)作为建模方法,并通过不同的光谱预处理手段分别建立了猪牛羊肉的近红外光谱参数与样品的脂肪含量之间的对应关系模型。结果表明,对于猪肉来说,选择4 260～6 014 cm-1波段+一阶导+Norris所建的模型效果最好,其校正相关系数和预测相关系数分别为0.955 6和0.961 6;对于牛肉来说,选择5 226～7 343 cm-1波段+一阶导+S-G所建的模型效果最好, 其校正相关系数和预测相关系数分别为0.923 5和0.942 7;对于羊肉来说,选择5 207～7 362 cm-1波段+一阶导+Norris所建的模型效果最好,其校正相关系数和预测相关系数分别为0.915 7和0.939 6;对于鲜肉来说,选选用波段为5 156～6 065 cm-1+二阶导+S-G所建模型效果最好,其校正相关系数和预测相关系数分别为0.916 3和0.919 4。以上所有模型的校正相关系数均大于0.91,模型都具有较高的精密度,符合不同肉制品在实际生产的需求,具有分析速度快、检测成本低、分辨率高、无损的优点。     

基于Adaboost及谱回归判别分析的近红外光谱固态发酵过程状态识别

为了实现固态发酵过程状态的快速监测,以饲料蛋白固态发酵为实验对象,开展了基于近红外光谱分析技术的饲料蛋白固态发酵过程状态定性识别研究。首先利用Antaris Ⅱ型傅里叶变换近红外光谱仪采集140个固态发酵物样本的近红外光谱,并采用标准正态变换(SNV)光谱预处理方法对获得的原始光谱进行预处理;其次,采用谱回归判别分析(SRDA)法对预处理后的近红外光谱进行特征提取;最后,采用最近邻(NN)分类算法作为弱分类器建立固态发酵过程状态识别模型,并对测试集样本进行识别。结果显示,与利用主成分分析(PCA)法和线性判别分析(LDA)法提取的光谱特征建立的识别模型结果相比较,SRDA-NN识别模型获得的结果最佳,在测试集中的正确识别率达到94.28%;为了进一步提高识别模型的准确率,将自适应提升法(Adaboost)与SRDA-NN方法结合,提出了Adaboost-SRDA-NN集成学习算法来建立饲料蛋白固态发酵过程状态的在线监测模型。通过Adaboost算法提升后的SRDA-NN模型预测性能得到了进一步增强,Adaboost-SRDA-NN模型在测试集中的正确识别率达到100%。试验结果表明：在近红外光谱定性分析模型校正过程中,SRDA方法能有效地对近红外光谱数据进行特征提取,以实现维数约简;另外,Adaboost算法能很好地提升最终分类模型的预测精度。     

Logistic回归算法结合近红外光谱对子宫内膜癌组织切片分类的研究

子宫内膜癌是一种常见的妇科癌症。实验将Logistic回归作为一种建模方法引入到子宫内膜癌分类诊断模型中。77个样本通过主成分判别分析和支持向量机判别分析进行降维,应用拉丁配分方法选择训练集和测试集并确定Logistic回归模型参数。结果表明,Logistic回归模型不仅能够对样本进行正确的分类,而且能将样本的分类归属趋势与临床诊断结果很好的一致。主成分判别分析结合Logistic回归有望发展为一种近红外光谱检测癌症组织的新方法。