便携式近红外仪检测牛奶中脂肪、蛋白质及干物质含量

采用便携式近红外光谱仪,结合偏最小二乘回归法,研究了牛奶脂肪、蛋白质和干物质含量的测定方法,建立了近红外漫反射定最分析模型.结果显示,脂肪、蛋白质和干物质模型相关系数(R2)分别为0.98,0.95,0.98,建模集标准残差(RMSEC)分别为0.187,0.105,0.217,验证集标准残差(RMSEP)分别为0.1...     

基于OSC-PLS算法对大麦蛋白质含量进行定量分析的研究

用色散扫描型仪器采集大麦样品的近红外光谱,扫描出的光谱携带了大量样品化学值信息,采用正交信号校正(OSC)预处理方法对这些原始光谱进行处理,剔除噪声等不相关因子以后建立偏最小二乘(PLS)近红外光谱分析模型(OSC-PLS),预测大麦蛋白质的含量,并与传统PLS建模方法进行对比。基于OSC-PLS算法的蛋白质含量近红外光谱分析模型的测定系数R2为0.901,检验集的化学值与模型预测值的相关系数r达到0.971 7,分析模型的预测标准偏差SD为0.545 0,相对标准偏差RSD为4.2%。结果表明,OSC-PLS回归方法能在较大程度上消除无关因素的影响,在简化模型的同时提高了模型的可解释性,能够建立准确的大麦蛋白质含量近红外预测模型,可代替经典分析方法,满足农产品快速分析的需要。     

多因变量LS-SVM回归算法及其在近红外光谱定量分析中的应用

以LS-SVM算法为基础,建立了权重可优化的多因变量LS-SVM回归模型,给出了相应的算法(MIS-SVM),并从理论上说明了它与IS-SVM的关系.以64个高粱样品为实验材料,其中建模集与预测集中样品的比例为51:13.从区间[0,1]之间均匀地随机选取5组权重,根据预测平均相对误差最小的准则,按照LOO方式确定了一组合适的权重及参数,建立了近红外光谱同时分析三个化学组分蛋白质、赖氨酸和淀粉的多因变量定量分析模型.结果得到三个组分模型的预测值与实际值的平均相对误差分别为1.65%,6.47%和1.37%,相关系数分别为0.994 0,0.839 2和0.882 5,而LS-SVM算法建模预测三个组分的平均相对误差分别为1.68%,6.25%和1.47%,相关系数分别为0.994 1,0.831 0和0.880 0.可见MIS-SVM算法与LS-SVM算法的建模分析效果相当,且都取得了较满意的结果,验证了MLS-SVM算法同时定量分析多组分含量的可行性.另外,文章也验证了不同权重对MLS-SVM算法的预测性能有一定影响,由此表明在实际多因变量建模分析中对权重进行优化是必要的.     

岭回归在近红外光谱定量分析及最优波长选择中的应用研究

以66个小麦样品为试验材料,研究岭回归方法在近红外光谱定量分析中的应用。用44个小麦样品的近红外光谱数据建立测定蛋白质含量的近红外-岭回归模型,预测其余22个小麦样品的蛋白质含量。预测结果与凯氏定氮法分析结果(化学分析值)的平均相对误差为1.518%,与偏最小二乘法(PLS)预测结果进行比较,显示岭回归方法可用于近红外光谱定量分析;进一步,为了减少无关信息对定量分析模型预测能力的干扰,一种有效的方法就是进行波长信息的选择。从1297个波长点中优选出4个波长点,利用这4个波长点处的光谱信息建立近红外-岭回归模型预测22个样品的蛋白质含量,预测结果与凯氏定氮法分析结果之间的平均相对误差为1.37%,相关系数达到0.9817。结果表明岭回归方法从大量光谱信息中筛选出了最重要的波长信息、不仅简化了模型,有效的减少了光谱信息共线性的干扰,而且对特定分析选择出适用的波长对指导设计专用近红外定量分析仪器亦有实际意义。     

有监督主成分回归法在近红外光谱定量分析中的应用研究

介绍了运用有监督主成分回归法建立近红外光谱定量分析模型的原理和方法.利用该方法先进行近红外光谱定量分析建模的波长信息选择,达到降低光谱数据维数的目的,然后建立数学模型,并用其分析预测集样品.文中以66个小麦样品为实验材料,随机选择其中40个样品建立小麦样品中蛋白质含量的近红外光谱定量分析模型,首先优选出4个波长点:4 632,4 636,5 994,5 997 cm-1,利用这4个波长点处光谱信息建立主成分回归模型预测26个样品的蛋白质含量,其结果与凯氏定氮法分析结果的相关系数为0.991,平均相对误差为1.5%.该方法从大量光谱数据中筛选出最重要的部分波长信息,实现了"少而精"的波长点选择,对建立抗共线性信息干扰的光谱定量分析模型,同时对指导专用近红外分析仪器设计中波长点的选择等方面都有一定的意义.     

可见/近红外光谱检测冷鲜猪肉中的脂肪、蛋白质和水分含量

采用可见/近红外光谱分析方法对冷鲜猪肉中的脂肪、蛋白质和水分含量进行了研究。光谱数据经多元散射校正(MSC)处理后,分别建立0～4 ℃和20 ℃下的原始光谱、一阶导数和二阶导数的偏最小二乘(PLS)定量分析模型,比较其相关系数(r)、校正标准差(RMSEC)和预测标准差(RMSEP),得到一阶导数处理后的模型最好,并且0～4 ℃下的模型优于20 ℃下的模型。0～4 ℃和20 ℃下脂肪的相关系数(r)分别为0.950和0.924,蛋白质为0.713和0.455,水分为0.944和0.914;脂肪的预测标准差(RMSEP)分别为2.41和2.95,蛋白质为5.44和4.25,水分为2.37和2.38。由此可见,可见/近红外光谱分析方法能够很好的检测冷鲜猪肉中的脂肪和水分,蛋白质的检测结果较差是由冷鲜肉加工工艺引起的。另外,两种温度下光谱曲线在770 nm附近产生了波长漂移,漂移量约10 nm。     

PLS-GRNN法近红外光谱多组分定量分析研究

研究了偏最小二乘(partial least squares ,PLS)与广义回归神经网络(generalized regression neural networks, GRNN)联用在近红外光谱多组分定量分析中的应用。以饲料样品为实验材料,采用PLS-GRNN法建立了饲料中水溶性氯化物、粗纤维、脂肪三项组分含量近红外光谱定量分析模型。马氏距离法剔除强影响点和奇异点,用PLS法将原始数据压缩为主成分,取8个主成分吸收峰与4个原始图谱特征峰值输入GRNN网络,网络光滑因子σ_i为0.1。PLS-GRNN模型对样品3个组分含量的预测决定系数(r2)分别为：0.984 0,0.987 0,0.983 0;样品平行扫描光谱预测值的标准偏差分别为：0.003 26,0.065 5,0.031 4。结果表明所建PLS-GRNN模型通过近红外光谱能够准确预测饲料中水溶性氯化物、粗纤维、脂肪三项组分含量,为近红外光谱进行多组分定量分析提供了新思路,同时为解决近红外快速检测技术在预测组分含量较低的样品时误差相对较大的问题提供了可靠的方法。     

基于Elastic net主成分优选的近红外光谱定量分析模型

Elastic net是对最小二乘方法的一种改进,在最小二乘法的基础上增加了L1和L2惩罚,具有变量选择和模型可提高预测精度的良好性质。此研究以89个小麦样品为实验材料,通过Elastic net方法优选光谱主成分,建立近红外光谱与小麦中蛋白质含量之间的定量分析模型,考证了Elastic net优选主成分建立定量分析模型的可行性。实验中将89个小麦样品随机分成两组,60个样品做建模集,其余29个做预测集。60个样品所建模型预测29个样品的蛋白质含量,预测值和化学测量值间的相关系数(r)为0.9849,平均相对误差为2.48%。为进一步考察该方法建模的可行性和稳定性,对89个样品分别进行5次随机划分,60个样品做为建模集,29个样品做为预测集,5次建模所选光谱的主成分基本一致;同时与PCR和PLS方法作对比,结果显示5次所建模型的预测效果明显好于PCR,且与PLS方法相近。鉴于Elastic net具有变量选择的功能,且所建模型具有较好的预测效果,表明该方法是一种可行的建立化学计量学定量分析模型的方法。     

近红外光谱法快速无损识别普通、高油、超高油玉米籽粒

以75粒普通玉米、72粒高油玉米和73粒超高油玉米共计220粒玉米籽粒样品为实验材料,通过玉米籽粒的近红外光谱结合主成分信息提取技术建立了不同油分含量的玉米籽粒样品的BPANN识别模型.为考察模型的实际应用效果,连续10次随机划分样品集,每次在各类别玉米籽粒中随机选取4/5作为建模集,剩余1/5作为预测集,选择光谱信息的第2～15个主成分作为网络输入,样品以3个类别值-1,0,1作为目标输出,10次建模的学习识别率均达到100%.以所建BPANN模型对预测集样品进行分类识别,普通玉米、高油玉米和超高油玉米籽粒平均正确识别率分别为99.33%,97.88%和91.43%,总体正确识别率平均达到95%以上.研究结果表明BP人工神经网络近红外光谱法建立玉米籽粒识别模型可对不同油分含量的玉米籽粒进行快速、无损识别,对于玉米籽粒的选育工作具有一定的指导意义.另外还探讨了选择主成分建模对不同油分含量的玉米籽粒种类识别效果的影响,结果显示具有方差贡献率99%以上的光谱第一主成分参与建模,对模型预测效果有负影响,说明不同主成分包含的区分普通、高油与超高油玉米籽粒的分类信息不同,因此近红外光谱法建立样品分类识别模型时选择不同主成分建模是有必要的.     

近红外水分稳健分析模型研究

样品水分含量差异对近红外光谱分析模型的稳健性影响最为严重。文章以全籽粒小麦蛋白质含量为研究对象,分析了光谱预处理、有效波数区间的选取和全局校正模型应用对建立近红外水分稳健分析模型的可行性。结果表明,仅通过光谱预处理方法不能减少样品水分差异对预测结果的影响;选择有效波数区间和建立全局校正模型对消除水分的影响均有效,建立全局校正模型的效果最佳。并从理论上初步分析了各种方法的作用机理。     

基于PLS-GRNN的豆粕品质近红外光谱检测研究

豆粕是大豆浸提取豆油后经适当干燥和热处理所得副产品,是制作禽畜类饲料的主要原料,其品质决定营养价值.针对现有豆粕品质检测方法存在着有毒化学试剂使用多、操作复杂、分析时间长、无法满足实际生产线快速检测及调控需求等问题,提出一种基于近红外光谱分析的豆粕品质多组分检测方法,以期用于产品质量在线检测及调控.从大豆油脂加工生产线...     

粉末样品颗粒大小对花椒挥发油近红外光谱定量预测的影响研究

为了快速有效评定花椒质量等级,应用近红外光谱分析技术,采用偏最小二乘法,对141份花椒样品粉碎成八种不同颗粒大小的粉末,对近红外光谱分别建立挥发油含量预测模型,当粉末样品颗粒大小为40目时,建立的模型最优,交叉验证测定系数r2141为0.9364,交叉验证误差均方根RMSECV141为0.421。使用105份40目粉末样品近红外光谱所建立的模型对36份样品的预测集进行预测,光谱预处理采用Meancentering vector normalization,谱区在6100.1~5774.2cm-1及4601.6~4424.2cm-1,则预测测定系数r326为0.9862,预测集验证误差均方根RMSEP36为0.192,预测相对标准差RSD36为4.95%,预测相对分析误差RPD36为8.517。研究结果表明,对花椒进行近红外光谱扫描前,粉碎到40目时所建立的近红外光谱模型最佳,使用近红外光谱技术快速有效检测花椒挥发油含量是可行的。     

紫外光谱结合偏最小二乘法测定手性药物对映体的组成

利用R和S对映体与蔗糖间手性作用方式不同而产生的紫外吸收光谱差异分别测定了甲霜灵和布洛芬手性对映体的组成。采用偏最小二乘法(partial Least Squares,PLS)分别建立甲霜灵和布洛芬手性对映体摩尔分数的定量模型,并采用外部检验对模型效果进行评价。甲霜灵-蔗糖体系中精甲霜灵摩尔分数的定量模型校正集的决定系数R2为99.98%,标准偏差SEC为0.003;外部检验集的预测值与理论值的相关系数为0.999 8,标准偏差SEP为0.000 4,相对标准偏差RSD为0.05%。布洛芬-蔗糖体系中S-布洛芬摩尔分数的定量模型校正集的决定系数R2为99.82%,标准偏差SEC为0.007;外部检验集的预测值与理论值的相关系数为0.998 1,标准偏差SEP为0.002,相对标准偏差RSD为0.2%;结果表明本方法可以用于两种药物对映体组成的快速测定,对手性药物质量分析与控制有重要的参考价值。     

近红外光谱技术结合递归偏最小二乘算法对土壤速效磷与速效钾含量测定研究

土壤速效磷与速效钾在近红外区没有直接与它们相关的吸收峰,只能借助与其他拥有直接吸收峰物质(有机质,碳酸盐,粘土矿物,水分等)之间的相关关系而被近红外光谱技术所预测。这种相关关系会随着土壤样品构成的不同而不断变化,因此采用固定结构的近红外光谱模型很难对速效磷与速效钾取得较好的预测效果。提出采用递归偏最小二乘法(RPLS)在预测过程中递归更新土壤速效磷与速效钾的回归系数,以提高模型的预测能力;比较了偏最小二乘法(PLS),局部加权PLS(LW-PLS),滑动窗口LW-PLS(LW-PLS2)和RPLS对于土壤速效磷与速效钾含量的预测结果。194份土壤样品根据土壤类型分为建模集与预测集：建模集包含120份人为土样品;预测集则包含29份铁铝土样品,23份人为土样品和22份初育土样品。结果表明：RPLS模型取得了最优的预测结果,获得的决定系数(R2)分别为0.61与0.76,预测相对分析误差 (RPD)分别为1.60与2.05。说明RPLS通过不断更新模型的回归系数,能够适应新加入建模集样品的信息。相比于其他方法,预测精度更高,适用范围更广。     

甲霜灵手性异构体比例的紫外光谱法快速测定

用β-环糊精作为手性选择试剂,利用甲霜灵中R和S异构体与β-环糊精相互作用强弱不同而导致的紫外-可见光谱的差异来检测甲霜灵手性异构体的比例,偏最小二乘法建立甲霜灵手性异构体比例的定量模型,并对模型效果进行评价。甲霜灵-环糊精体系中甲霜灵R-异构体比例的定量模型校正集的决定系数R2为0.999 0,校正集标准偏差SEC为0.006 7,相对标准偏差RSD为0.89%;外部检验集6个样品的预测值与化学值的相关系数为0.998 5,外部检验集标准差SEP为0.008 9,相对标准偏差RSD为1.17%,本方法简单快速,具有重要的实际应用价值。     

近红外光谱检测不同贮藏期磨盘柿的内部品质

建立了近红外漫反射光谱检测不同贮藏期磨盘柿的内部品质的数学模型,并评价其应用价值.本文采用可溶性固形物和硬度作为评价指标,在全光谱范围内（400-2500nm）分别建立了常温贮藏期、冷藏期和常温与冷藏结合的定标模型,使用最优模型对35个未知样品进行预测.结果显示,应用改进偏最小二乘法和一阶导数处理的常温模型定标性能最优,可溶性固形物和硬度的预测均方根误差（RMSEP）分别为0.498和1.399,预测值与化学值的决定系数（R2）分别为0.831和0.911,相对分析误差（RPD）分别为2.15和2.75.本研究表明,近红外漫反射技术对不同贮藏期磨盘柿内部品质的快速无损检测具有可行性.     

Quantitatively Determination of Available Phosphorus and Available Potassium in Soil by Near Infrared Spectroscopy Combining with Recursive Partial Least SquaresSCIEI北大核心CSCD

Soil available phosphorus (P) and available potassium (K) don't possess direct spectral response in the near infrared (NIR) region. They are predictable because of their correlation with spectrally active constituents (organic matter, carbonates, clays, water, etc.). Such correlation may of course differ between the soil sample sets. Therefore, the NIR calibration models with fixed structure are difficult to achieve good prediction performances for soil P and K. In this work, the method of recursive partial least squares (RPLS), which is able to update the model coefficients recursively during the prediction process, has been applied to improve the predictive abilities of calibration models. This work compared the performance of partial least squares regression (PLS), locally weighted PLS (LW-PLS), moving window LW-PLS (LW-PLS2) and RPLS for the measurement of soil P and K. The entire data set of 194 soil samples was split into calibration set and prediction set based on soil types. The calibration set was composed of 120 Anthrosols samples, while the prediction set included 29 Ferralsols samples, 23 Anthrosols samples and 22 Primarosols samples. The best prediction results were obtained by the RPLS model. The coefficient of determination (122) and residual prediction deviation (RPD) were respectively 0.61, 0.76 and 1.60, 2.05 for soil P and K. The results indicate that RPLS is able to learn the information from the latest modeling sample by recursively updating the model coefficients. The proposed method RPLS has the advantages of wider applicability and better performance for MR prediction of soil P and K compared with other methods in this work.     

近红外透射技术分析大豆籽粒

本文建立了近红外透射技术 (NIT)分析大豆样本的新方法 ,批量地分析了大豆子粒的水分、蛋白、脂肪 ,定标误差分别为 0 .36 9、0 .5 78、0 .4 6 0 ,相关系数分别为 0 .95 8、0 .913、0 .912。通过 30个样本的独立样品集的定标验证 ,预测误差分别为 0 .4 0 4、0 .6 2 2、0 .5 0 8,相关系数分别为 0 .95 2、0 .90 1、0 .90 8。结果表明 ,近红外光谱技术用于测试大豆品质是可行的 ,可用于育种的早代选择     

注射用头孢他啶中头孢他啶、水分和精氨酸近红外定量模型的更新

以注射用头孢他啶通用性定量分析模型为例,通过对新的预测样本光谱与原模型训练集光谱相似性的研究,寻找更为合理的用于判断模型更新的指标以及模型更新的一般方法。对注射用头孢他啶新的待测样品,首先使用聚类分析的方法将所有样品分成5类,依次加入每一类中代表性光谱到原模型中进行模型更新,计算模型更新前后的平均预测偏差,并以此作为评判模型更新是否有效的标准。同时以相似系数为指标探讨模型更新的一般方法。再应用注射用头孢他啶通用性定量分析模型(包括头孢他啶、水分及精氨酸的定量分析模型)以及新的预测样品对该方法进行验证。实验数据证明当新样本光谱与原模型训练集样本的平均光谱在原模型建模谱段上的相似系数(r_T)小于96.5%时,模型需要更新。使用上述判断指标对含碳酸钠为助溶剂的样品进行模型更新后,预测头孢他啶含量的平均偏差由8.1%变为2.3%,预测水分含量的平均偏差由2.2%变为0.3%;对含精氨酸为助溶剂样品,预测头孢他啶含量的平均偏差由7.0%变为1.9%,预测水分含量的平均偏差由0.6%变为0.3%,预测精氨酸含量的平均偏差由2.3%变为0.4%。经过更新的模型能够用于分析国内市场上常见的注射用头孢他啶中头孢他啶、水分及精氨酸含量。以r_T作为模型更新指标较为合理,必要时可以参考新预测样品光谱与原模型训练集光谱的PCA得分图进行判断,该模型更新方法具有一定的普适性,r_T=96.5%可以初步作为判断模型是否需要更新的阈值。     

微型近红外光纤光谱仪用于奶粉中蛋白质脂肪的定量检测研究

提出利用微型近红外光谱仪、结合Y型光纤探头,在900～1 700 nm范围内对奶粉中蛋白质、脂肪含量进行快速、无损检测的漫反射光谱检测方法。基于Unscrambler 9.7化学计量学软件,选择合适的光谱波段,通过PLS算法分别建立了蛋白质、脂肪的校正模型,得到蛋白质、脂肪校正模型的决定系数R2分别为0.987和0.986,均方根误差RMSC分别为0.385和0.419。利用所建模型对预测样本数据集进行预测验证,得到蛋白质的标准差SEP_Protein=0.768、脂肪的标准差SEP_Fat=1.109,表明所建模型具有较高的预测能力,已基本达到实用化要求。