基于滤波器-机器学习的食欲抑制剂光谱信号预处理比较

对现场缴获的食欲抑制剂进行快速检验能够为案件调查提供线索和方向,同时机器学习算法开展物证的快速无损检验是法庭物证学的重要研究之一。红外光谱是最经典的快速无损检验方法,滤波器能够有效地除去原始谱图的噪声和背景干扰,从而提高模型的识别效果。本文收集了从实际案件中缴获的4种食欲抑制剂样本共计291份,运用快速傅里叶变换滤波器和希尔伯特变换滤波器对样本原始光谱数据进行降噪处理,同时借助朴素贝叶斯和随机森林模型建立分类模型,开展识别工作,从而筛选除噪效果最优的滤波器,同时比较了朴素贝叶斯和随机森林模型的识别效果。结果表明,经滤波器处理后原始光谱数据的识别率和稳定性显著提升,希尔伯特变换滤波器的除噪效果要比快速傅里叶变换滤波器好,随机森林模型的识别率和稳定性均要比朴素贝叶斯模型强,随机森林模型对经希尔伯特变化滤波器处理后的训练集识别率为96.33%,测试集识别率为95.89%。该方法通过滤波器有效地滤除谱图的噪声,提高了模型定性识别能力,对法庭科学中食欲抑制剂的快速鉴定有一定的参考意义。     

基于近红外光谱分析技术的食品包装塑料的定性分析

该文基于近红外漫反射光谱分析技术对食品包装材料聚乙烯、聚丙烯进行定性判别试验研究,选取不同波段范围、采用不同光谱预处理方法,使用主成分分析法(Principal component analysis,PCA)结合SIMCA、贝叶斯判别、K-近邻3种模式识别方法建立定性预测模型,并根据正确识别率比较了各模型预测性能。结果表明：使用SIMCA方法、贝叶斯判别、K-近邻3种方法建立的定性校正模型均在1 050~1 550 nm波长范围内效果较好;采用矢量归一化、标准正态变量变换、中心化、滑动均值滤波、多项式平滑滤波、一阶微分6种光谱预处理方法和上述3种模式识别方法对塑料样品近红外光谱进行了数据处理,其中在1 050~1 550 nm范围内,主成分因子数为3,采用原始光谱建立的K-近邻定性校正模型较优,对样品校正集和预测集的正确识别率均为100%。可为食品包装材料聚乙烯、聚丙烯的快速鉴别研究提供参考。     

偏最小二乘法在红外光谱识别茶叶中的应用

采用漫反射傅立叶变换红外光谱(FTIR)法结合主成分分析(PCA)、偏最小二乘法(PLS)、簇类的独立软模式(SIMCA)识别法对十三种茶叶进行了分类判别研究。研究结果表明,通过多元散射校正(MSC)对原始光谱进行预处理,可以提高模式识别技术的分类判别效果。在此基础上,选取1 900~900 cm-1波长范围内的茶叶红外光谱建立识别模型,三种方法都得到了满意的分类判别效果。在对检验集中全部130个样本的判别中,PCA仅有两类样本无法判别,SIMCA的识别率和拒绝率都在90%以上,而PLS的识别效果最佳,全部样本都得到了正确的归类。这一研究结果表明傅立叶变换红外光谱法与化学计量学方法相结合可以实现茶叶品种的快速鉴别,这为茶叶的客观评审提供了一种新思路。     

近红外光谱结合模式识别方法所建模型分析卷烟烟丝配方比例北大核心CSCD

为卷烟配方替代和产品质量稳定性评价奠定基础,利用近红外光谱结合模式识别方法,建立了卷烟烟丝配方比例的识别模型。在某牌号卷烟成品烟丝中添加5种不同比例的A模块烟丝,采集其近红外光谱信息,采用求导法(一阶求导、二阶求导)和平滑法(Savitzky-Golay平滑、Norris平滑)对样品近红外光谱进行预处理,结合主成分分析-马氏距离(PCA-MD)、偏最小二乘法-判别分析(PLS-DA)和正交偏最小二乘法-判别分析(OPLS-DA)建立上述5种成品烟丝的识别模型。结果显示,最佳光谱预处理方式为一阶求导+Savitzky-Golay平滑,最佳模式识别方法为OPLS-DA。当主成分数为4时,最佳识别模型的光谱变量累计解释能力为0.995,分类变量累计解释能力为0.953,特征值为0.196,累计交叉有效性为0.912,模型外部验证的整体识别率为99%。置换验证结果表明该模型稳定可靠,未出现过拟合现象。对5种成品烟丝进行感官评吸,该模型对不同卷烟烟丝配方比例的识别效果更好。     

近红外光谱法对头孢氨苄粉末药品的非破坏定量分析

采用近红外漫反射光谱法对头孢氨苄粉末药品中主要成分头孢氨苄进行快速、无损定量分析.采用偏最小二乘法建立近红外光谱信息与待测组分含量间的最佳数学校正模型.对3种光谱(SNV光谱、一阶导数、二阶导光谱)的预测结果进行了比较,讨论了光谱的预处理方法和主成分数对偏最小二乘法定量预测能力的影响,并对预测集样品进行预测.     

基于近红外光谱和OPLS-DA的不同牌号卷烟分类识别方法研究

为了对卷烟牌号进行准确分类鉴别,提出了一种基于近红外光谱(NIRS)分析技术结合有监督的模式识别快速鉴别卷烟牌号的新方法。利用标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数(FD)、二阶导数(SD)和Savitzky-Golay平滑(SG)及其相结合的光谱预处理方法对烟丝光谱进行预处理,通过近红外光谱结合主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)和正交偏最小二乘判别分析(OPLS-DA) 3种模式识别方法对不同牌号烟丝进行分类识别研究,并采用分类识别正确率作为评价指标。实验结果表明：(1)烟丝近红外光谱主成分得分图交叉重叠,区分不明显,PCA无法识别出5种牌号的成品烟丝;(2)烟丝光谱经MSC+FD预处理后的PLS-DA模型可得到较好的识别效果,校正集和测试集的分类识别正确率分别为100%和98.3%;(3)烟丝光谱经MSC+SD预处理后的OPLS-DA模型的模式识别效果最好,模型对自变量拟合指数(R2X）,因变量的拟合指数(R2Y)和模型预测指数(Q2)分别为0.485、0.907 和0.748,近红外光谱校正集和测试集的分类识别正确率均为100%。说明近红外光谱技术结合有监督模式识别方法OPLS-DA建立的烟丝牌号分类模型具有高效快速、准确无损的优点,为卷烟烟丝分类提供了一种新的快速鉴别方法。     

支持矢量机和线性判别分析对细胞穿透肽的识别

选取25条CPP和16条非CPP作为训练集样本, 以61条CPP和21条非CPP为预测集样本. 利用氨基酸的z-Scale对肽链进行编码, 分别使用原始72个自交叉协方差变量和它们的主成分矢量进行线性判别(LDA)和支持矢量机(SVM)分类研究. 当采用LDA方法时, 对于训练集的预测以及它们的留一法交互检验, 均获得比较优越的结果, 但对预测集的预测总的识别率的最优结果仅为57.3%. 分别利用主成分和原始变量集作为SVM的输入建立的非线性识别模型, 对训练集的总识别率分别为85.4%和100%, 留一法交互检验的总识别率分别为80.5%和75.6%, 对预测集的最优总识别正确率为74.4%. 识别结果表明SVM能够比较好的提取原始变量间的细微模式变化, 对CPP总的识别结果优于LDA.     

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.     

基于质子转移反应-飞行时间质谱快速鉴别不同产地闽北水仙茶

采用质子转移反应-飞行时间质谱仪(PTR-TOF-MS), 构建了3个产地(武夷山、建阳、建瓯)113个闽北水仙茶样品香气的化学指纹图谱, 对所得的闽北水仙茶香气指纹图谱进行主成分分析(PCA), 获得了不同产地闽北水仙茶样品的质谱信息特征, 然后采用软独立建模分类法(SIMCA)、K最邻近结点算法(KNN)、偏最小二乘判别分析法(PLS-DA)对闽北水仙茶的质谱信息进行了模式识别.结果表明, PTR-TOF-MS结合分类识别模式能有效区分不同产地的闽北水仙茶.PCA 提取了3个主成分, 累计贡献率为84.66%;3个识别模型的校正集判别正确率分别为89.38%、100.00%和100.00%, 预测集的判别正确率分别为83.18%、 96.46%和95.57%.基于此成功建立了不同产地的闽北水仙茶识别模型.本方法无需样品预处理、分析速度快、灵敏度高、对茶叶无损伤, 为茶叶产地溯源提供了新方法.     

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.