近红外光谱与化学计量学方法用于镉污染稻米的定性鉴别

采用近红外光谱漫反射模式结合化学计量学方法对稻米镉含量是否超标进行可行性鉴别分析.本研究收集了120个样本,测定其镉含量值(合格49个,不合格71个).对光谱数据预处理方法优化,确定了平滑,一阶导数以及自归一化后的数据作为输入变量.采用竞争性自适应重加权算法筛选了45个关键变量,并对上述变量的光谱吸收带进行归属.比较了主成分分析-判别分析法、偏最小二乘识别分析、线性判别分析、K-最近邻法与簇类独立软模式法5种模式识别方法.确定采用偏最小二乘识别分析建模效果最好,模型训练集与预测集鉴别准确率分别达到98.8％与91.7％.结果表明,近红外光谱作为初筛方法可用于鉴别稻米中镉含量是否超标.     

近红外光谱结合化学计量学快速测定羊栖菜抗氧化活性

基于近红外光谱技术建立了快速、高效的羊栖菜抗氧化活性评价方法。采用紫外-可见分光光度法测定了6批共150个羊栖菜样本的抗氧化活性,包括1,1-二苯基-2-三硝基苯肼（DPPH）自由基清除能力、2,2'-联氮-双-3-乙基苯并噻唑啉-6-磺酸（ABTS）自由基清除能力和铁离子还原能力（FRAP法）。采用NIRS和偏最小二乘法（PLS）建立了3个抗氧化活性指标的定量校正模型,并采用不同光谱预处理方法和竞争性自适应重加权采样（CARS）方法优化模型性能。将校正集相关系数（R_C）、预测集相关系数（R_P）、校正集均方根误差（RMSEC）和预测集均方根误差（RMSEP）作为校正模型的评价指标。结果表明,3个定量校正模型的预测精度均较理想,R_P和RMSEP分别为0.968和2.42%、0.967和0.73%、0.979和3.60μmol/L。基于NIRS和CARS-PLS所构建的方法可以成功用于羊栖菜的抗氧化活性测定,具备分析快速、操作简便、经济环保的优点,对保障羊栖菜品质、提升羊栖菜品质控制水平有一定的指导意义。     

用于近红外光谱分析的化学计量学方法研究与应用进展

分析模型的建立是近红外光谱分析的核心技术之一,本文综述了近些年在近红外光谱分析方法中出现的一些新算法和模型建立策略,如基于核函数的非线性校正方法、集成(或共识)的建模策略、多维分辨和校正方法、基于局部样本的建模策略以及二维相关光谱等,并给出了一些方法的具体算法。     

基于FT-NIR技术结合化学计量学方法快速准确鉴别天麻不同栽培品种

采用傅里叶变换近红外光谱（FT-NIR）与二维相关光谱（2DCOS）技术,结合化学计量学方法和深度学习算法,分别构建了偏最小二乘判别分析（PLS-DA）模型和残差卷积神经网络（ResNet）模型,快速准确鉴别了3种栽培品种天麻（Gastrodia elata Blum）样本（共计447份）。结果表明：FT-NIR数据经一阶导数（1st Der）和多元散射校正（MSC）组合预处理后建立的PLS-DA模型综合性能最好（准确率99.00%）。同时,基于FT-NIR同步2DCOS图像结合ResNet模型的鉴别方法,无需筛选最佳预处理和进行复杂的数据转换,即可实现对不同栽培品种天麻的快速精确鉴别（准确率100.00%）。该研究为鉴别不同栽培品种的天麻提供了一种快速、准确的新方法,可为天麻种质资源研究与新品种选育进一步奠定基础。     

近红外光谱分析中的化学计量学算法研究新进展

近红外光谱是一种绿色、快捷的分析技术,在科学研究、工业生产以及日常检测中得到广泛应用。化学计量学算法的应用在近红外光谱技术的发展过程中发挥了重要作用。化学计量学方法通过寻找测量变量之间的相关性,构建数学模型,量化样本间的差异性,并发现事物变化的内在规律,实现较合理准确的未知预测。这也是“大数据”战略的重要环节和主旨所在。该文针对近红外光谱吸收信号较弱、谱峰重叠严重,以及光谱测量过程中易受背景、噪声、无信息变量和外界环境因素干扰等,导致借助化学计量学方法建立的光谱与研究目标的定性定量分析模型变差问题,总结了近年来在近红外光谱领域所提出的一些化学计量学新方法,包括光谱预处理、变量选择、多元校正和模型转移,从不同角度阐述了这些方法在消除近红外光谱模型的干扰因素,提高模型的可靠性、预测准确性和适用性等方面的作用。     

GC-MS结合化学计量学方法鉴别再生PET

采用气相色谱-质谱联用（GC-MS）法分析原生和再生聚对苯二甲酸乙二醇酯（PET）中的挥发性物质,并基于多种化学计量学方法比较原生和再生PET之间的差异,进而建立一种可根据特征物质及其含量判断原生和再生PET的鉴别模型。收集了不同塑料化工公司提供的26种再生PET粒子样品与48种原生PET粒子样品,采用二氯甲烷作为提取溶剂,在50℃、1 000 W超声条件下提取1 h。使用GC-MS从提取溶液中检出21种挥发性有机化合物,主要为酚类和脂类物质,来源复杂。随后,采用主成分分析（PCA）、正交偏最小二乘-判别分析（OPLS-DA）、线性判别分析（LDA）、人工神经网络（ANN）、决策树（DT）等化学计量学方法,对原生和再生PET予以分析鉴定并比较不同模型的准确率。结果表明,GC-MS结合ANN模型和DT模型对再生PET的判别准确率达96%以上,适用于原生和再生PET的有效鉴别。所建模型可为再生PET在市场中的应用与监管提供技术借鉴,从而有利于行业和环境的可持续性。     

核磁共振技术结合化学计量学方法用于蜂蜜的掺假鉴别

采用核磁共振技术（NMR）结合化学计量学分析手段研究了真蜂蜜和掺假蜂蜜的指纹图谱变化情况。采用无监督的主成分分析（PCA）和有监督的偏最小二乘判别分析（PLS-DA）、正交偏最小二乘判别分析（OPLS-DA）等多元统计分析方法从核磁信号中提取各组的分类信息。结果表明：建立的OPLS-DA模型能够区分真假蜂蜜,所建模型对蜂蜜真假判别的解释能力为90.5%,对未知样本的预测能力为75.5%、识别率为89.7%。置换测试验证表明,化学计量学模型具有很好的稳定性和预测性,可信赖性强,且模型稳健。通过OPLS-DA模型的载荷图和相关系数分析找到了对区分掺假蜂蜜有显著作用的标志物。结合相关系数分析,建立了辨别真假蜂蜜的多元线性回归方程。该方法可简单、快速地用于未知蜂蜜的掺假鉴别,为规范蜂蜜市场提供有利的依据。     

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。     

紫外光谱结合化学计量学用于青稞酒的判别分析

青稞酒是源自青藏高原、以青稞为原料的著名酒类饮品。然而,随着其市场不断扩大、品种不断增多,掺假问题已成为亟待关注的焦点。该研究聚焦于运用紫外光谱法快速鉴别地理标志保护产品互助青稞酒,提出主成分分析-支持向量机（PCA-SVM）和多模型偏最小二乘判别分析（MPLS-DA）两种方法。研究涉及中国互助青稞酒（CHQL）、其他品牌青稞酒（OBQL）和非青稞白酒（NQBL）3类样品。SVM采用两个主成分解决二元分类问题,而MPLS-DA对虚拟变量Y的每一列使用PLS1算法建模后,整合子模型的预测结果。PCASVM和MPLS-DA均成功构建了CHQL的判别模型。PCA-SVM能区分CHQL与OBQL、NQBL,但无法区分OBQL和NQBL。相比之下,MPLS-DA能正确识别所有3类样品,可以解决多分类问题。结果表明,所提方法可作为CHQL的一种简便快速鉴别手段,且MPLS-DA展现出更优的样品识别能力。     

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。     

汽油族组成的近红外光谱快速测定

以荧光指示剂吸附色谱法（FIA）测定汽油族组成结果为基础,采用近红外光谱和化学计量学方法建立了快速、准确测定催化裂化馏出口汽油族组成（饱和烃、烯烃和芳烃）的分析模型;试验表明,该法分析速度快、重复性好、成本低,特别适用于生产中间控制分析。     

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.     

Tea Classification by Near Infrared Spectroscopy with Projection Discriminant Analysis and Gene Expression Programming

Traditional gene expression programming for classification is designed for binary decisions. Herein, projection discriminant analysis for direct multiclass categorization using gene expression programming is described. Gene expression programming was first employed to examine new synthetic variables that were built as nonlinear combinations of the original features. The data were projected on planes spanned by these new synthetic variables and the nearest centroid was employed to classify new samples. A new objective function was formulated to determine optimum synthetic variables. Direct multiclass categorization using a gene expression programming algorithm was used to classify six tea varieties analyzed by near infrared spectroscopy. Compared with traditional gene expression programming, principal component analysis, and linear discriminant analysis, direct multiclass categorization with gene expression programming algorithm was more efficient. Visual inspection of high dimensional data by this approach also facilitated classification and comprehension of data.     

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)。     

A Variable Selection Method of Near Infrared Spectroscopy Based on Automatic Weighting Variable Combination Population Analysis

Near-infrared spectroscopy (NIR) is widely used in food quantitative and qualitative analysis. Variable selection technique is a critical step of the spectrum modeling with the development of chemometrics. In this study, a novel variable selection strategy, automatic weighting variable combination population analysis (AWVCPA), is proposed. Firstly, binary matrix sampling (BMS) strategy, which provides each variable the same chance to be selected and generates different variable combinations, is used to produce a population of subsets to construct a population of sub-models. Then, the variable frequency (Fre) and partial least squares regression (Reg), two kinds of information vector (IVs), are weighted to obtain the value of the contribution of each spectral variables, and the influence of two IVs of Rre and Reg is considered to each spectral variable. Finally, it uses the exponentially decreasing function (EDF) to remove the low contribution wavelengths so as to select the characteristic variables. In the case of near infrared spectra of beer and corn, yeast and oil concentration models based on partial least squares (PLS) of prediction are established. Compared with other variable selection methods, the research shows that AWVCPA is the best variable selection strategy in the same situation. It has 72.7% improvement comparing AWVCPA-PLS to PLS and the predicted root mean square error (RMSEP) decreases from 0.5348 to 0.1457 on beer dataset. Also it has 64.7% improvement comparing AWVCPA-PLS to PLS and the RMSEP decreases from 0.0702 to 0.0248 on corn dataset.     

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.     

近红外光谱技术应用于摇头丸中MDMA、MA无损定量分析的研究

提出了用近红外漫反射光谱快速无损测定摇头丸中亚甲二氧基甲基苯丙胺(MDMA)、甲基苯丙胺(MA)含量的新方法。收集含MDMA摇头丸56份和含MA摇头丸58份,采用GC-MS确定其中MDMA和MA质量分数分别为0.64%~53.83%,0.37%~5.81%。在12000~4000 cm-1扫描样品,以交叉验证误差均方根(RMSECV)为指标,通过筛选,对各组分确定了用于建模的最优近红外波段和光谱预处理方法,采用偏最小二乘算法建立了近红外光谱与这2组分GC-MS分析值之间的校正模型,并以此分别预测21个样本。δ代表预测样本NIR值/GC-MS值,MDMA和MA在裸片和塑料包装中δ值的均值为99%、101%、100%、101%,RSD分别为7.33%、20.3%、4.52%、12.3%。该方法可对摇头丸裸片中MDMA和MA进行快速无损分析,结果可靠,为刑事案件中毒品成分的测定提供了一种新的分析手段。     

基于近红外光谱的食用植物油中反式脂肪酸含量快速定量检测及模型优化研究

利用近红外光谱技术对食用植物油中反式脂肪酸(Trans fatty acids,TFA)含量进行快速定量检测,并通过波段选择、预处理方法、变量筛选及建模方法对TFA含量预测模型进行优化.采用AntarisⅡ傅里叶变换近红外光谱仪在4000~10000 cm-1光谱范围采集98个食用植物油样本的近红外透射光谱,然后采用气相色谱法测定TFA的真实含量.首先,对样本原始光谱进行波段、预处理方法优选;在此基础上,采用竞争自适应重加权法(Competitive adaptive reweighted sampling,CARS)筛选TFA相关的重要变量,最后应用主成分回归、偏最小二乘和最小二乘支持向量机方法分别建立食用植物油中TFA含量的预测模型.研究结果表明,近红外光谱技术检测食用植物油中的TFA含量是可行的,优化后的最佳预测模型的校正集和预测集R2分别为0.992和0.989,RMSEC和RMSEP分别为0.071%和0.075%.最佳预测模型所用的变量仅26个,占全波段变量的0.854%.此外,与全波段偏最小二乘预测模型相比,其预测集R2由0.904上升为0.989,RMSEP由0.230%下降为0.075%.由此表明,模型优化非常必要,CARS能有效筛选TFA相关的重要变量,极大减少建模变量数,从而简化预测模型,并较大提高预测模型的精度和稳定性.