两种近红外光谱仪的番茄可溶性固形物含量定量模型比较研究

以番茄可溶性固形物含量(SSC)的无损速测为例,分别采用线性渐变分光(LVF)、数字光处理(DLP)近红外光谱仪对大、小番茄采集近红外光谱数据;分别基于两种近红外光谱仪数据计算大、小番茄平均光谱及差谱,并比较两种近红外光谱仪所采集大、小番茄近红外光谱数据的特征;对两种近红外光谱仪的数据分别进行主成分分析(PCA),并比较了大、小番茄前3主成分的得分分布;按SSC梯度对数据进行分级,采用偏最小二乘(PLS)回归结合全交互验证算法分别基于两种近红外光谱仪数据建立番茄SSC定量校正模型。结果表明：(1)大、小番茄LVF近红外光谱的平均光谱及其差谱的光谱特征分别与DLP近红外光谱的平均光谱及其差谱的光谱特征相似。(2)大、小番茄LVF近红外光谱数据PCA前3主成分得分散点分离趋势不明显,而DLP近红外光谱数据PCA前3主成分得分散点基本上不具有分离趋势。(3)基于LVF近红外光谱数据所建各模型的相对预测性能(RPD)皆不低于2.11,其中标准化预处理所建模型具有最佳性能,模型维数(N_f)、校正测定系数(R_C²)、校正均方根误差(...     

便携式中波近红外光谱仪在线无损检测生鲜猪肉胆固醇

应用便携式近红外光谱仪采集320份生鲜猪肉在近红外光谱中波区的光谱信息,采用不同优化方法建立猪肉胆固醇预测模型,并对异常样品的剔除及组合预处理方法对模型性能的改善进行了分析。研究表明：通过对异常值的二次剔除,并使用SG一阶导数(savitzky-golay first derivative, SG 1stD)、SG平滑(savitzky-golay smoothing, SGS)和正交信号校正(OSC)的组合预处理方法,可获得最佳生鲜猪肉胆固醇预测模型,其参数如下：校正集相关系数(R_c)=0.9137,校正标准差(standard error of calibration, SEC)=2.5607,验证集相关系数(R_p)=0.656 7,预测标准差(standard error of prediction, SEP)=4.985 5,主因子数(principal factor, PF)=4,范围误差比(ratio of performance to standard deviation, RPD)=2.5032,相对预测标准差(relative standard error of prediction, RSEP)=8.625 4%,SEP/SEC=1.946 8,说明模型在近红外光谱中波区对猪肉胆固醇的分辨能力和预测准确度较好,通过向校正集中补充代表性样品可使模型稳健性进一步改善。对检验集样品预测值(prediction value, PV)与参比值(reference value, RV)的t检验显示二者之间无显著性差异(p＞0.05),检验集样品总体预测准确率为62.5%,其中50～70 mg·(100 g)-1区段的局部预测准确率达到91.7%,可以用于生鲜猪肉胆固醇浓度的在线快速初步定量分析。该研究将便携式近红外光谱用于在近红外中波区对生鲜猪肉及肉制品中胆固醇浓度的分析和检测,通过进一步的研究和改进,可将其应用于产品的原料分级、品质和过程控制及市售产品的抽检等。     

不同颜色冬枣可溶性固形物可见-近红外光谱分析模型构建

冬枣品质受其品种和生长环境等因素的影响,引起采后化转红指数不同,导致果实的颜色差异较大,从而影响其可溶性固形物（SSC）检测模型的分析精度。采用可见-近红外（Vis-NIR）光谱结合Norris-Williams平滑（NWS）、连续小波导数（CWD）、多元散射校正（MSC）、标准正态变量变换（SNV）和NWS-MSC五种光谱预处理方法构建不同颜色（红绿相间MJ,绿色GJ和红色RJ）冬枣SSC的偏最小二乘（PLS）定量分析模型,分别采用MJ,GJ,RJ,MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型,并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价;以不同建模样品集（校正集）的校正相关系数（R_c）和交互验证均方根误差（RMSECV）作为构建最优模型的评价指标;测试集的预测相关系数（R_p）和预测均方根误差（RMSEP）用于模型预测精度的评价。研究结果表明：分别采用MJ,GJ和RJ的独立样品集进行建模时,模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测;分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时,MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果,其RMSECV,R_c,RMSEP,R_p分别为1.108,0.698,0.980,0.724和1.108,0.698,0.983,0.822,而对RJ样品的预测误差较大,模型的RMSECV,R_c,RMSEP,R_p为1.108,0.698,1.928,0.597;而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果：MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.077,0.668;对GJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,0.881,0.861;对RJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.140,0.841;采用蒙特卡罗无信息变量消除（MCUVE）方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后,模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922,模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721,模型具有较好的分析精度。采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时,当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时,模型具有更好的通用性。     

近红外光谱检测蜂蜜中可溶性固形物含量和水分的应用研究

提出了一种利用近红外光谱技术定量分析蜂蜜中可溶性同形物含量(SSC)的新方法,同时对蜂蜜中的水分也进行了研究.在不同光谱范围内,通过对原始光谱的不同预处理,用偏最小二乘法分别建立了SSC和水分的近红外透反射光谱校正模型,所有模型都有高的的预测精度和水分的最优模型都为在全谱范围内,光谱预处理采用Norris平滑+一阶微分+多元信号校正,SSC模型的交互验证决定系数(RCV2)、交互验证误差均方根(RMSECV)、验证集决定系数(RP2)、验证误差均方根(RMSEP).SSC模型分别为0.998 6,0.190,0.998 5和0.127,水分模型分别为0.998 4,0.187.0.998 6和0.125.近红外光谱能实现蜂蜜中SSC和水分的准确测定.水分模型预测结果略好于相关文献的报道.     

基于拉曼光谱的乙醇柴油密度、粘度和乙醇含量分析研究

乙醇柴油作为清洁燃料是柴油很好的替代品,不同乙醇含量的乙醇柴油其粘度有差别,而乙醇的含量直接影响着柴油机燃烧性能。所以急需一种方法实现快速对乙醇柴油主要指标在线监测。对采集到的不同浓度的乙醇柴油的原始拉曼光谱数据使用Savitzkv-Golay平滑(S-G)、多元散射校正(MSC)、微分处理(1stD和2ndD)、标准正态变量校正(SNV)等四种方法以及他们的组合方法对光谱数据进行预处理后,分别建立了乙醇柴油密度、粘度和乙醇含量的偏最小二乘回归(PLSR)模型,比较不同的预处理方法发现,乙醇含量和粘度在S-G+2ndD预处理后所建立的PLSR模型效果最好,预测集R_p分别为0.930和0.918,RMSEP分别为1.237和0.034;S-G+1stD预处理后所建立的乙醇柴油密度PLSR模型结果最优,预测集R_p最大,为0.962,RMSEP最小,为0.14×10-2。将经过S-G+2ndD预处理后的光谱数据选用递归偏最小二乘算法(RPLS)、无信息变量消除(UVE)、正自适应加权算法(CRES)、连续投影算法(SPA)四种变量筛选方法以及将它们组合筛选得到的波长变量分别作为输入变量建立了PLSR模型,在使用SPA-CARS波长筛选方法所建立的乙醇柴油乙醇含量的预测模型效果最优,其预测集的R_p,RMSEP分别为0.978 1和0.825 5。结果表明使用该方法可以很好的对乙醇柴油的密度、粘度以及乙醇含量等主要指标进行预测。     

结合高光谱图像的光谱和纹理信息预测羊肉可溶性蛋白和GSH含量

可溶性蛋白和谷胱甘肽（GSH）是羊肉重要的生理生化指标，是衡量机体抗氧化能力大小的重要因素，传统检测方法程序复杂，检测费时。为此应用可见-近红外（400～1 000 nm）高光谱成像技术实现可羊肉可溶性蛋白和还原性谷胱甘肽（GSH）含量无损、快速检测。首先，对采集的180个羊肉样本的原始光谱信息采用4种方法进行预处理，再运用竞争自适应加权算法（CARS）、区间变量迭代空间收缩算法-迭代和保留信息变量法（iVISSA-IRIV）进行特征波段的提取。同时使用灰度共生矩阵法（GLCM）提取贡献率最高的主成分图像的纹理信息。最后将优选出的预处理方法和特征波长信息作为光谱信息和光谱-纹理融合信息分别结合多元线性回归（MLR）、最小二乘支持向量机（LS-SVM）模型建立羊肉可溶性蛋白和谷胱甘肽含量的预测模型。结果显示未经预处理的原始光谱建立的羊肉可溶性蛋白含量PLSR模型效果最佳，其R_c和R_p分别为0.875 7和0.854 7；采用SNV法预处理后光谱建立的羊肉GSH含量PLSR模型效果最佳，其R_c和R_p分别为0.804 8和0.826 5。利用iVISSA-IRIV共筛选出31个特征波长，建立的羊肉可溶性蛋白LS-SVM模型的R_c和R_p最优，分别为0.914 6和0.881 8；同时利用iVISSA-IRIV筛选出29个特征波长，建立的羊肉GSH-MLR模型的R_c和R_p最优，分别为0.844 6和0.870 5。最终经光谱特征信息和图谱信息融合模型对比发现，建立iVISSA-IRIV-LS-SVM模型对羊肉可溶性蛋白预测效果最佳，其R_c和R_p分别为0.914 6和0.881 8；利用SNV-iVISSA-IRIV法提取的光谱特征信息与纹理信息融合建立的MLR模型为预测羊肉GSH含量的最优模型，其R_c和R_p分别为0.849 5和0.890 4。利用最优iVISSA-IRIV-LS-SVM和iVISSA-IRIV-MLR模型和成像处理方法，结合伪色彩图像直观的表示羊肉样本的可溶性蛋白和GSH含量的空间分布情况。研究结果表明利用高光谱图像的光谱和纹理信息能够用来预测羊肉可溶性蛋白和GSH含量。     

便携式近红外光谱仪的苹果糖度模型温度修正

样品温度对近红外光谱有很大影响,在近红外技术评价水果品质的实际应用时,需要修正温度变化对模型预测结果的影响。便携式近红外光谱仪采集不同温度下(0～30℃)苹果的漫透射光谱,采用二阶导数和卷积平滑进行预处理。选取20℃下代表性样本的光谱数据,建立基准PLS模型。斜率/偏差法分别计算苹果糖度PLS模型在0,10和30℃下的修正方程。分析结果表明:斜率/偏差法对0,10和30℃下外部样本预测结果进行修正,预测精度得到显著提高,其修正前后的Q值分别为0.525cv 0.810,0.680cv0.822,0.669cv 0.802。温度修正模型可以有效提高预测精度,也扩展了近红外仪器的适用性,为自主研发便携式近红外光谱仪提供参考。     

特征变量优选在苹果可溶性固形物近红外便携式检测中的应用

为实现苹果可溶性固形物(SSC)的便携式快速检测,利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统,结合无信息变量消除(UVE)、遗传算法(GA)、竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。另外,采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量,分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。试验结果表明,经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好,其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。利用该检测装置结合GA-CARS筛选的特征波长,可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度,为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。     

基于高光谱技术的厌氧发酵液固形物含量检测的研究

实时监测发酵液中固形物含量的变化,对控制厌氧发酵过程的稳定性具有重要作用。研究中采用近红外高光谱技术结合化学计量学方法,对水葫芦和稻草秸秆混合厌氧发酵过程中的固形物含量进行定量检测研究。与传统2540G(APHA,1990)标准方法相比,近红外高光谱技术具有无损、快速的优点。实验过程中,首先获取发酵液样本的高光谱信息,应用移动平均平滑法(MAS)进行光谱预处理,并采用竞争自适应重加权采样算法(CARS)、连续投影算法(SPA)和Random frog算法提取光谱特征信息,然后基于全谱和所选特征波长下的光谱信息分别建立总固形物含量(TS)和挥发性固形物含量(VS)的校正模型,建模方法包括偏最小二乘回归(PLSR)和最小二乘-支持向量机(LS-SVM)。研究表明,SPA-LS-SVM模型的预测结果最好,其中TS的预测均方根误差(RMSEP)及相关系数(R_p)分别为0.005 8和0.841;而VS的RMSEP和R_p分别为0.004 1和0.874。结果表明,利用近红外高光谱结合化学计量学方法可以实现厌氧发酵液中的固形物含量的检测,为布置光谱传感器以便定量检测厌氧发酵过程中的固形物含量奠定了理论依据。     

水果坚实度的近红外光谱检测分析试验研究

应用傅里叶漫反射近红外光谱技术探讨了水果坚实度无损检测的方法。利用偏最小二乘法建立了坚实度与漫反射光谱的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行了对比分析。结果表明：利用傅里叶变换光谱仪采集的原始光谱的平滑预处理对结果并没有太大影响;原始光谱在800～2 500 nm范围的模型得到了最好的预测结果：校正集样本的相关系数r为0.869,校正均方根误差RMSEC为3.88 N;预测集样本的相关系数r为0.840,预测均方根误差RMSEP为4.26 N。 通过本研究得出：应用近红外漫反射光谱检测水果坚实度是可行的,为今后快速无损评价水果成熟度提供了理论依据。     

基于UVE-ICA和支持向量机的南丰蜜桔可溶性固形物可见-近红外检测

利用可见-近红外光谱技术联合变量选择新方法对南丰蜜桔的可溶性固形物(SSC)进行快速无损检测研究,以简化南丰蜜桔SSC预测模型和提高预测模型性能。试验共采用300个南丰蜜桔样本,校正集、验证集及预测集样本分别为150,75和75个。采用QualitySpec型光谱仪在350~1 000 nm波段范围内采集样本光谱,利用无信息变量消除(UVE)剔除无用信息波长变量,再采用独立成分分析(ICA)提取光谱的独立成分,最后应用最小二乘支持向量机(LS-SVM)建立南丰蜜桔的SSC预测模型,并利用未参与建模的预测集样本对模型进行评价。研究结果表明,可见-近红外光谱技术联合UVE-ICA- LS-SVM对南丰蜜桔的SSC检测精度高。UVE-ICA可以有效剔除无用信息波长变量,提取特征光谱信息,简化预测模型及提高预测模型性能。UVE-ICA- LS-SVM所建立的南丰蜜桔SSC预测模型性能优于PLS,PCA-LS-SVM及ICA-LS-SVM预测模型,其校正集、验证集及预测集的决定系数和均方根误差分别为0.978,0.230%,0.965,0.301%及0.967,0.292%。     

高光谱技术结合特征波长筛选和支持向量机的哈密瓜成熟度判别研究

可溶性固形物含量(SSC)和硬度是哈密瓜划分等级的重要指标,同时也是其成熟度的表征因子。因此,为满足哈密瓜自动化分级和适宜采摘,采用高光谱技术结合特征波长筛选的方法,同时对哈密瓜的可溶性固形物含量、硬度及成熟度进行了无损检测研究。对多元散射校正(MSC)处理后的光谱分别利用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长,并将原始光谱、MSC预处理后的光谱和所筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机(SVM)预测模型及成熟度判别模型。结果显示,MSC-CARS-SPA方法所建立的可溶性固形物和硬度SVM预测模型最优,其R_pre, RMSEP和RPD分别为0.940 4, 0.402 7, 2.94 1和0.825 3, 35.22, 1.771。同时对哈密瓜成熟度进行了判别分析,并分别建立了基于全光谱、单一的可溶性固形物或硬度特征波长和主成分分析(PCA)特征融合的哈密瓜成熟度SVM判别模型。结果显示,CARS-PCA-SVM模型的判别结果与全光谱SNV-SVM模型相同,其校正集和预测集判别正确率分别为95%和94%。研究表明,利用高光谱技术结合特征波长筛选方法可实现同时对哈密瓜可溶性固形物和硬度的定量预测及成熟度判别。     

空间分辨光谱和可见/近红外光谱的番茄颜色等级判别

比较分析空间分辨光谱和单点可见/近红外光谱（可见/短波近红外光谱和中波近红外光谱）对番茄颜色的识别能力。根据番茄表面和内部颜色将600个样品分为6个等级（green, breaker, turning, pink, light red和red）。分别利用新型空间分辨光谱系统（550~1 650 nm）,可见/短波近红外光谱仪（400~1 100 nm）和中波近红外光谱仪（900~1 700 nm）采集番茄的空间分辨（spatially-resolved, SR）光谱和单点可见/近红外（SP Vis/NIR）光谱,建立番茄等级的偏最小二乘判别（PLSDA）模型,比较其对番茄颜色等级的预测效果。结果表明, SR光谱组合可在最佳单一SR光谱基础上进一步提高番茄颜色的识别能力,对番茄表面颜色和内部颜色的识别率可分别达到98.8%和84.6%。光源-检测器距离较近的SR光谱对番茄表面颜色的识别有帮助,而光源-检测器距离较远的SR光谱能较好的判别番茄内部颜色。SP NIR光谱在对番茄表面颜色判别中与SR光谱具有一定可比性,其分类准确率可达到95%,但SP Vis/NIR光谱在对番茄内部颜色识别中具有较低的分类准确率,分类结果远不如SR光谱,说明SR光谱比SP Vis/NIR光谱对番茄颜色的判别更具潜力。     

基于Adaptive Elastic Net方法的近红外光谱建模技术

当近红外光谱信息远远大于样本量时,对光谱信息进行自动变量选择进而建立光谱与微量成分含量之间的稀疏线性模型重要且具有挑战性。针对聚苯醚生产过程中微量成分邻甲酚难以测量的问题,将变量选择方法Adaptive Elastic Net用于建立近红外光谱与邻甲酚含量之间的定量校正模型,并将其模型性能与ElasticNet方法进行对比。在变量数目远远大于样本量的情形下,ElasticNet方法虽可以实现变量选择,但由于其系数估计不具备Oracle性质,使得模型的可解释性和预测精度受到影响,而Adaptive Elastic Net方法通过对L1惩罚项施加自适应权重从而很好的解决了上述问题并提高了模型性能。为了验证Adaptive Elastic Net方法的模型性能指标,用最终被选中的自变量数目来评价模型复杂度;利用复相关系数R2来评价模型的可解释性,利用平均相对预测误差MRPE(mean relative prediction error)和预测相关系数R_p来评价模型的预测精度。Elastic Net方法建立的模型性能指标为：NSIV=529,R2=0.96, MRPE=3.22％, R_p=0.97; Adaptive Elastic Net方法的性能指标为：NSIV=139, R2=0.99, MRPE=2.00％, R_p=0.99。结果表明：Adaptive Elastic Net所建立模型的性能指标优于Elastic Net方法,可以得到更加简单且具有较强可解释性和较高预测精度的稀疏线性模型。     

碲化物发光玻璃中银纳米颗粒表面等离激元增强铒离子发光的研究

有趣的贵金属表面等离激元的光学性质,尤其是在发光增强领域的表现,使得它已经成为全球的一个研究热点。表面等离激元就是光与贵金属中的自由电子相互作用时,自由电子和光波电磁场由于共振频率相同而形成的一种集体振荡态。该文研究了碲化物玻璃中银纳米颗粒的表面等离激元共振增强铒离子的发光。我们测量了吸收谱、激发谱、发光谱以及荧光寿命。首先,我们挑选365.5和379.0 nm吸收峰作为激发波长测量了385～780 nm波长范围的可见发光光谱,发现有4个发光峰,依次位于408.0,525.0,546.0和658.5 nm,容易指认出它们依次为铒离子的2H_9/2→4I_15/2,2H_11/2→4I_15/2,4S_3/2→4I_15/2和4F_9/2→4I_15/2的荧光跃迁;可以计算出[80 nm平均粒径纳米银的Er3+(0.5%)Ag(0.2%): 碲化物玻璃的样品A]的上述4个可见发光的峰值强度是[Er3+(0.5%): 碲化物玻璃的样品C]的大约1.44～2.52倍。同时,[50 nm平均粒径纳米银的Er3+(0.5%)Ag(0.2%): 碲化物玻璃的样品B]的上述4个可见发光的峰值强度是样品C的大约1.08～1.55倍。随后,我们挑选365.5和379.0 nm 吸收峰作为激发波长测量了928～1 680 nm波长范围的近红外发光光谱,发现近红外波段有两个发光峰,位于979.0和1 530.0 nm,容易指认出它们依次为铒离子的4I_11/2→4I_15/2和4I_13/2→4I_15/2的荧光跃迁;同样可以计算出样品A的上述2个近红外发光的峰值强度是样品C的大约1.43～2.14倍。同时,样品B的上述2个近红外发光的峰值强度是样品C的大约1.28～1.82倍。因此,发光的最大增强大约是2.52倍。从荧光寿命动力学实验,我们发现样品A的荧光寿命为τ_A(550)=43.5 μs,样品B的荧光寿命为τ_B(550)=43.2 μs,样品C的荧光寿命为τ_C(550)=48.6 μs。这些实验结果证实了τ_A≈τ_B ＜τ_C。它意味着样品(B)相对于样品(C)的发光增强是源于自发辐射增强效应。然而,它也意味着样品(A)相对于样品(B)的发光增强是源于纳米银颗粒的粒径尺寸r效应。也就是说当粒径尺寸r增大的时候,散射截面C_s和r6成正比,而吸收截面C_a和r3成正比,因此散射截面C_s增大的速度会远大于吸收截面C_a增大的速度,而散射截面C_s是荧光增强的原因,吸收截面C_a是荧光减弱的原因,所以随着银纳米颗粒尺寸的增大,其散射截面占主要部分,当发光材料和金属表面等离子体SP发生耦合时,能量快速的转移到金属表面等离子体SP上,而后被散射到远场,这有利于增强荧光。其综合的结果就导致了发光强度会随r的增大而增强。上述实验的结果对太阳能电池的光伏发电和生物物理应用等领域都有着很好的应用前景。     

果皮对脐橙可溶性固形物可见/近红外检测精度的影响

利用可见/近红外半透射光谱技术对未剥皮(完整)和剥皮脐橙的可溶性固形物(SSC)进行检测,探索果皮对脐橙SSC检测精度的影响。采用QualitySpec型光谱仪获取未剥皮和剥皮脐橙在350~1 000 nm波段的可见/近红外光谱,并从光谱和模型性能两方面分析果皮的影响。对未剥皮和剥皮脐橙平均光谱进行比较,并提取前20个主成分进行多元方差分析;应用偏最小二乘(PLS)回归结合不同预处理方法分别建立未剥皮和剥皮脐橙SSC的预测模型,对预测模型性能进行比较,并对预测集样本的预测残差平方进行方差分析。结果表明,在5%置信水平下,果皮对脐橙SSC检测精度的影响是显著的。未剥皮和剥皮脐橙SSC的最优PLS模型的预测集相关系数和预测均方根误差分别为0.888,0.456%和0.944,0.324%。     

近红外光谱Elastic Net建模方法与应用

当近红外光谱信息远大于样本量时，对光谱信息进行自动变量选择进而建立光谱与样品含量的稀疏线性模型重要且具有挑战性。利用近红外光谱，将变量选择方法Elastic Net用于聚苯醚生产过程中微量成分邻甲酚的测量，建立近红外光谱与邻甲酚含量之间的定量校正模型，并将其模型预测效果与Lasso方法进行对比。在变量数目远远大于样本量的情形下，Lasso方法虽可实现变量选择，但由于对系数的过度压缩，使得模型的预测精度受到影响，而Elastic Net通过增加L2惩罚项避免了过多删失数据，可以提高模型预测精度。为了验证Elastic Net方法的模型性能指标，用复相关系数R2和调整的复相关系数R2_a来评价模型的可解释性，利用平均相对预测误差MRPE(mean relative prediction error)和预测相关系数Rp来评价模型的预测精度。Lasso方法建立的模型性能指标为：R2=0.94，R2_a=0.93，MRPE=4.51％，R_p=0.96；Elastic Net方法的性能指标为：R2=0.97，R2_a=1，MRPE=3.25％，R_p=0.98。结果表明，Elastic Net所建立模型的性能指标优于Lasso方法，可以得到可解释性较强和预测精度较高的稀疏线性模型。     

可见/近红外漫透射光谱结合CARS变量优选预测脐橙可溶性固形物

可溶性固形物(SSC)是脐橙重要内部品质之一。采用QualitySpec型光谱仪在350～1000 nm波段范围采集脐橙的可见/近红外漫透射光谱,采用CARS(competitive adaptive reweighted sampling)变量选择方法筛选出与脐橙SSC相关的重要变量,并与无信息变量消除(UVE)及连续投影算法(SPA)比较。最后,对选择的38个重要波长变量应用偏最小二乘(PLS)回归建立脐橙SSC预测模型,并对未参与建模的75个样品进行预测。研究结果表明,CARS方法优于UVE及SPA变量选择方法,能有效地筛选出重要波长变量。CARS-PLS建立的SSC预测模型优于全光谱的PLS模型,其校正集及预测集的相关系数分别为0.948和0.917,均方根误差分别为0.347%和0.394%。因此,可见/近红外漫透射光谱结合CARS方法可以预测脐橙可溶性固形物,CARS变量选择方法能有效简化预测模型和提高模型的预测精度。