基于dbiPLS-SPA变量筛选的固态发酵湿度近红外光谱检测

为了提高基于近红外光谱技术的固态发酵关键过程参数——湿度快速检测的精度和稳定性,研究采用动态反向区间偏最小二乘（dbiPLS）法结合连续投影算法（SPA）进行最佳光谱子区间和特征组合变量的筛选,通过交互验证法确定偏最小二乘（PLS）模型的主成分因子数,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型的评价标准。试验结果显示,最佳dbiPLS-SPA模型筛选的组合变量个数为8,其RMSEP和Rp分别为1.1795%（质量分数）和0.9430。试验结果表明,dbiPLS-SPA是一个有效的波长组合变量筛选方法,可简化模型结构、增强模型精度和稳健性。     

特征波长筛选在近红外光谱测定梨硬度中的应用

为了提高应用近红外光谱分析技术快速测定梨硬度的精度和稳定性,该研究采用联合区间偏最小二乘和遗传算法（siPLS-GA）在校正模型中用来筛选特征光谱区域和波长,通过交互验证法确定模型的主成分因子数和筛选的波长,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型的评价标准。基于siPLS-GA的最优模型包含4个光谱区、96个变量和10个主成分因子。该模型结果显示：最佳预测模型相关系数（Rp）和RMSEP分别为0.9083和0.5573。研究结果表明,近红外光谱技术结合siPLS-GA建模用于无损、快速测定梨的硬度是可行的。     

基于变量选择的蚕茧茧层量可见-近红外光谱无损检测

以蚕茧茧层量为研究对象,研究了基于可见-近红外光谱技术的蚕茧茧层量无损检测方法。采用最小二乘支持向量机（least square-support vector machine,LS-SVM）建立可见-近红外光谱模型。采用无信息变量消除算法（uninformative variable elimination, UVE）与连续投影算法（successive projections algorithm, SPA）相结合选取光谱有效波长。结果表明,基于UVE-SPA法进行变量选择,最终将原始光谱的600个光谱变量减少到了8个（673,937,963,982,989,992,995和1 008 nm）。基于此8个变量建立的LS-SVM模型得到了预测集的确定系数（Rp2）为0.5354,误差均方根（RMSEP）为0.0373的预测结果。表明可见-近红外光谱可以用于对蚕茧的茧层量进行无损检测,同时UVE-SPA是一种有效的光谱变量选择方法。     

光源光斑直径对苹果霉心病近红外检测的影响

为实现中早期霉心病苹果的有效剔除以提高苹果的整体品质，该研究利用近红外光谱技术对苹果霉心病进行快速无损检测，从光谱和分类模型两方面探究光源光斑直径对苹果霉心病检测的影响。在30、50 及70 mm光源光斑直径条件下采集了苹果样本的透射光谱，分析不同光源光斑直径下健康苹果和霉心病苹果的光谱差异，然后应用支持向量机（support vector machines，SVM）和粒子群算法优化-最小二乘支持向量机（particle swarm optimization-least squares support vector machine，PSO-LSSVM）方法建立苹果霉心病的分类模型，并对不同光源光斑直径下的分类模型性能进行对比。在此基础上，采用竞争自适应重加权采样（competitive adaptive reweighted sampling, CARS）方法筛选特征波长变量并建立分类模型。研究结果表明，30 mm光源光斑直径对苹果霉心病的检测效果最好，建立的SVM和PSO-LSSVM分类模型性能均最优。30 mm光源光斑直径下，最优PSO-LSSVM模型的预测集的灵敏度、特异度和正确率分别为89.5%、95.5%和92.7%。CARS-PSO-LSSVM分类模型性能比全波段的分类模型性能略有下降，预测集的灵敏度、特异度和正确率分别为89.5%、90.9%和90.2%，但建模变量数仅占原波长变量数的4.2%，有效地简化了分类模型。该研究为苹果霉心病的快速无损高精度检测提供技术支撑。     

基于高光谱成像技术的青贮玉米饲料pH值无损检测

为实现青贮玉米饲料pH值的快速、无损检测,该研究采用高光谱成像技术建立不同品质青贮玉米饲料pH值的定量检测模型。采集青贮玉米饲料样本936～2 539nm的平均光谱,采用6种预处理方法对青贮玉米饲料平均光谱进行处理,通过建立偏最小二乘回归（partialleastsquaresregression,PLSR）模型得出多元散射校正（multiplicativescatter correction,MSC）和卷积平滑（savitzky-golay,SG）两种预处理方法效果较好,使用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、变量组合集群分析算法（variable combination population analysis,VCPA）以及迭代保留信息变量（iteratively retains informative variables,IRIV）算法对经MSC和SG卷积平滑预处理光谱进行特征波长提取,利用PLSR和极限学习机（extreme learning machines,ELM）分别建立饲料全波段、特征波长...     

苹果质地品质近红外无损检测和指纹分析

为了探索近红外光谱快速无损检测苹果质地品质的方法,采集240个苹果样本的近红外光谱( 波长 8002500 nm),通过解析光谱图和进行不同的预处理,利用偏最小二乘法(PLS)和多元线性回归(MLR)建立回归模型和确定特征指纹图谱.基于波长范围为1300～2500 nm,PLS结合多元散射校正(MSC)所建模型的预测效果最好,硬度模型的预测标准偏差(RMSEP)和决定系数(R2)分别为0.226 kg/cm2、96.52%,脆度模型的 RMSEP和R2分别为0.243 kg/cm2、97.15%.用权重法基于PLS模型选择的硬度特征波长为1657、1725、1790、2455、1929、2304 nm,脆度特征波长为1613、1725、1895、2304、2058、2087、2396 nm,经MLR模型检验,特征波长与苹果的硬度和脆度有很高的相关性,硬度的RMSEP和R2分别为0.271 kg/cm2、90.30%,脆度的RMSEP和R2分别为0.304kg/cn2、91.64%.结果表明,PLS模型和特征指纹光谱均能准确预测苹果的质地品质,为苹果质地品质的评价提供了快速、直观、简便、可行的新方法.     

近红外光谱联合CARS-PLS-LDA的山茶油检测

为了寻找快速判别山茶油掺假的检测方法,本研究利用近红外光谱技术对掺杂大豆没油山茶油进行掺假检测研究.试验在350～1 800 nm波段范围内采集样本的透射光谱,利用CARS方法筛选重要的波长变量,应用偏最小二乘-线性判别分析(PLS-LDA)建立山茶油掺假的判别模型,并与未经变量优选的判别模型进行比较.结果表明,近红外光谱技术联合CARS-PLS-LDA方法可以有效判别纯山茶油和掺假山茶油,校正集、预测集及独立样本组样本的判别正确率、灵敏度及特异性均为100％.CARS-PLS-LDA判别模型性能优于未经变量优选的判别模型,表明CARS方法可以有效筛选重要波长变量,能简化判别模型及提高判别模型的稳定性和判别精度.本研究可为山茶油掺假快速检测提供理论依据.     

漫透射法无损检测荔枝可溶性固形物

为了快速无损检测荔枝内部品质并为荔枝快速检测分级提供科学依据,研究荔枝可溶性固形物无损检测途径。该文首先针对荔枝果皮较硬而且凹凸不平的特征,比较了漫反射法和漫透射法的试验效果,接着采用多种预处理方式对漫透射光谱进行了处理,并采用连续投影算法结合相关系数法优选建模波长,最后比较了最小二乘法和神经网络法的建模效果。试验结果显示漫透射方式是较好的荔枝光谱采集方式;通过连续投影算法结合相关系数法,从全部500个波长变量中最终提取出11个优选波长,只占波长总数的2.2%;基于这11个波长的神经网络模型的预测相关系数为0.867,预测均方根误差为0.370%。结果表明基于漫透射法进行荔枝可溶性固形物无损检测是可行的。     

互花米草与土豆混合厌氧发酵产酸和产沼气特性（英）

研究了中温（35℃）批量发酵条件下互花米草与土豆VS配比分别为6∶1、7∶1和9∶1时混合厌氧发酵的产酸发酵和产沼气特性。试验结果表明：1）与互花米草单独发酵时的丙酸型产酸发酵不同,混合发酵的产酸发酵表现为丁酸型发酵;混合发酵时发酵液中总挥发性有机酸（TVFAs）的浓度比互花米草单独发酵时提高了1倍多;混合发酵时发酵液中各单一有机酸浓度依次为乙酸>丙酸>丁酸,而互花米草单独发酵时为丙酸>乙酸>丁酸;2）6∶1、7∶1和9∶1三种配比下的沼气产量分别为460、431和415 mL/g VS,比互花米草单独发酵时的361 mL/gVS分别提高了27.4%、19.3%和15.0%;3）6∶1、7∶1和9∶1三种配比下的沼气中的甲烷含量分别为60.3%、62.4%和62.7%,比互花米草单独发酵条件下57.4%的平均甲烷含量提高了大约3%～5%。总之,混合发酵显著改变了互花米草的产酸发酵特性,这些改变对促进互花米草的厌氧发酵和提高所产沼气的质量均具有积极的意义。     

利用高光谱透射图像检测鸡种蛋早期孵化

为了检测鸡种蛋孵化前期胚胎发育情况,构建了高光谱图像采集系统,在400～1000nm范围内获取90枚种蛋孵化前3天的高光谱透射图像。通过独立分量方法对高光谱数据进行分析降维,优选出571、614、661、691和716nm共5个特征波长,提取每个波长下的光谱平均值和标准偏差,获得每个样品10个特征变量。为了消除变量之间相关性,利用主成分分析提取了4个主成分变量,在此基础上构建了学习向量量化(LVQ)神经网络判别模型。验证性试验均表明该模型具有较高的稳定度(变异系数为1.7),对第1,2,3天的测试样本判别准确率分别为78.8%,90.3%和98.6%。结果表明高光谱图像技术可以检测种蛋孵化前期胚胎发育情况。     

猪粪中温半干法连续厌氧发酵产气性能

为改善猪粪在连续型沼气工程中的容积产气效率和降低其进出料过程的热损失,该研究拟采用高浓度和小体积喂料方式进行,将新鲜猪粪分别稀释成总固体质量分数(total solid,TS)为10%、12%和14%3个水平,通过逐级缩短水力停留时间(hydraulic retention time,HRT)(HRT:25 d→20 d→18.5 d)的方式来改变各组反应器的负荷。试验结果表明,当HRT:25 d时,各组平均日产气量均表现最高,约为460 m L/g,此阶段可获得85%以上的沼气转化效率;当HRT:20d时,各组均获得最大容积产气率,最高达到2.29 L/(L·d)(TS:14%);当HRT下降至18.5 d时,各组产气量均呈下降趋势,表明有机负荷已超出反应器的最大转化能力。通过综合原料产气转化效率和容积产气效率2个指标,发现进料TS为14%和HRT为25 d为较优组合条件。该研究可为在实际沼气工程中如何协调进料浓度和HRT的关系提供参考。     

红茶感官品质及成分近红外光谱快速检测模型建立

以在发酵过程中小叶种工夫红茶为研究对象,分别建立了基于近红外光谱检测技术的感官品质评分和理化品质指标(茶黄素、茶红素、茶褐素、儿茶素和酚氨比)的定量分析模型。在模型建立过程中,探讨了特征变量优选方法对预测模型的影响。首先,对获取的近红外光谱数据进行标准正态变量变换法(standard normal Z transformation,SNV)预处理,进而采用联合区间偏最小二乘回归(synergy interval PLS,Si-PLS)、随机蛙跳算法(shuffled frog leaping algorithm,SFLA)、竞争性自适应权重取样法(competitiveadaptivereweightedsampling,CARS)和连续投影(successive projections algorithm,SPA),筛选出各品质指标的最优特征波长变量;最后基于优选波长分别建立各发酵品质指标的偏最小二乘法(partial least squares regression,PLS)线性预测模型和支持向量机(support vector regression,SVR)非线性预测模型。模型结果比较表明,Si、CARS、SFLA和SPA等变量筛选方法可有效压缩变量,以及进一步提高模型精度。非线性模型的预测均方根误差值(root-mean-square error of prediction,RMSEP)均明显小于PLS模型,相关性系数(correlation coefficient,R)和相对分析误差(relative percent deviation,RPD)均高于PLS模型。对于红茶发酵品质的检测上,非线性模型性能优于线性模型。感官品质、茶褐素和儿茶素的最优变量SVR预测模型的RPD值分别为3.923、3.234和5.462,酚氨比和茶红素模型的RPD值分别为2.815和2.223。除茶黄素的评价模型外(RPD为1.77),基于最优特征波长的各品质指标SVR模型的RPD值均大于2,表明模型具有极好的预测性能。研究结果为实现工夫红茶发酵品质的近红外光谱快速检测的实际应用奠定理论基础。     

农村有机生活垃圾等混合物料厌氧发酵产沼气性能

为获得有机生活垃圾、玉米秸秆和牛粪混合物料厌氧发酵产沼气性能,为农村废弃物沼气工程高效运行提供依据,在初始总固体（TS）为12%和中温（35±1）℃条件下,考察了有机生活垃圾、玉米秸秆与牛粪三物料不同湿基质量比（1∶0∶2、1∶0.5∶1.5、1∶1∶1、1∶1.5∶0.5、1∶2∶0）对厌氧发酵过程的影响。结果表明：与双物料混合厌氧发酵相比,三物料混合厌氧消化能显著提高原料产气率,有机生活垃圾、玉米秸秆和牛粪配比为1∶1∶1的组合单位TS累积产气量高于其他处理;不同发酵物料配比能影响厌氧发酵完成时间,随着秸秆比例的增加,完成厌氧发酵的时间逐渐增长,有机生活垃圾和牛粪的组合与三者配比为1∶0.5∶1.5、1∶1∶1、1∶1.5∶0.5和1∶2∶0的处理相比,厌氧发酵完成时间分别缩短了12、15、19、22 d;三物料混合发酵适宜的配比能平衡发酵系统中酸的浓度,防止系统酸化,并能提高纤维素半纤维素降解率。综上认为三物料最佳配比为1∶1∶1。     

春秋季对近红外光谱模型预测奶牛场粪水氮磷含量结果的影响

为研究季节因素对规模化奶牛场粪水氮磷含量及其近红外光谱模型预测结果的影响,该研究采集了天津市春秋双季27家规模化奶牛场粪水处理全过程的250个粪水样品,解析了季节对粪水氮磷含量分布特征的影响,同时采集了所有样品的近红外光谱并进行主成分分析。采用偏最小二乘法(Partial Least Squares,PLS)建立了粪水氮磷季节内预测模型,包括春秋单季和双季融合模型以及季节间的相互预测模型。结果表明,粪水氮磷含量随季节变化呈现出差异性,季节内模型总体的预测效果较好,优于季节间模型;其中春季模型表现最佳,验证相关系数分别为0.98和0.90,剩余预测偏差(Residual Predictive Deviation,RPD)分别为4.67和2.03。研究表明,季节因素对粪水中氮磷含量的模型预测结果存在不同程度的影响,该研究可为建立全季节要素的综合模型提供依据。     

基于蒙特卡罗特征投影法的小麦蛋白质近红外光谱测量变量选择

为了实现小麦蛋白质的无损检测,简化便携式小麦蛋白质检测设备的预测模型,提高模型预测精度,该文针对小麦采集波长范围为950～1690nm的近红外漫透反射光谱,结合蒙特卡罗采样(MCS,monte carlosampling)技术与特征投影图(LPG,latent projective graph)方法对波长变量进行选择。根据模型集群分析(MPA,model population analysis)思想,采用MCS技术建立样本子空间,利用主成分分析(PCA,principal componentanalysis)得到LPG,假定LPG中共线性光谱变量对建模作用相同,选出少数波长变量建立子预测模型,选出预测均方根误差(RMSEP,root-mean-square error of prediction)较小的子模型,统计分析其变量的出现频次,选取频次最高的波长变量作为影响变量(IVs,influential variables)。研究结果表明,利用IVs建模可以将RMSEP值由0.5245减小到0.2548,采用蒙特卡罗采样技术的特征投影图方法(MC-LPG,monte carlo-latent projective graph)进行变量选择,对于提高模型预测精度是可行的。     

沼肥对保护地土壤酶及其呼吸强度的影响

以等有机质含量的猪粪、沼渣为基肥,追肥(化肥与沼液)以等N、等P、等K进行施用,采用二裂式区组设计的方法研究了沼肥、猪粪、化肥等不同施肥组合对保护地土壤酶活性及其呼吸强度的影响。结果表明,未施任何肥料的对照处理,其土壤磷酸酶、过氧化氢酶活性和土壤呼吸强度最弱。沼渣与沼液配合施用较沼渣与化肥配合施用有利于提高土壤磷酸酶的活性,而施用猪粪或沼渣、施用沼液或化肥对土壤磷酸酶活性的影响差异较小;施肥对土壤过氧化氢酶活性影响较小;施有机肥或有机肥和化肥配施提高了土壤呼吸强度。施用化肥、沼渣分别比施用沼液、猪粪有利于提高土壤呼吸强度。猪粪、沼渣与化肥配合施用分别比与沼液配合施用的土壤呼吸强度高。     

基于中红外光谱的规模化奶牛场粪水总氮快速预测方法

为建立适用于规模化奶牛场粪水中总氮含量的快速预测方法,以天津市23家种养结合型规模化奶牛场粪水治理全过程环节的样品为研究对象,探讨了基于中红外衰减全反射光谱技术快速预测粪水总氮含量的可行性。以偏最小二乘法分别建立了同一奶牛场粪水总氮含量的全程定标模型和不同奶牛场粪水总氮含量的全局定标模型,并采用独立的预测集验证了模型有效性。结果表明:全程模型总氮预测含量与实测含量的线性拟合相关系数为0.98,预测均方根误差RMSEP为130.18 mg/L,剩余预测偏差为4.97,可用于某一奶牛场粪水运移全过程环节总氮含量的快速预测;全局模型总氮预测含量与实测含量的线性拟合相关系数为0.97,预测均方根误差RMSEP为191.66 mg/L,剩余预测偏差为3.83,可用于不同奶牛场多元因素条件下总氮含量的快速预测。研究表明,基于中红外衰减全反射光谱可以实现对不同类型规模化奶牛场粪水治理全过程环节样品总氮含量的即时监测和跟踪。     

Rapid determination of lignin content of straw using fourier transform mid-infrared spectroscopy

To determine lignin content in triticale and wheat straws, calibration models were built using Fourier transform mid-infrared spectroscopy combined with partial least-squares regression. The best model for triticale and wheat straws was built using averaged spectra with raw spectrum in spectrum format and constant in path length as spectral pretreatments. The values of r(2), root-mean-square error of prediction (RMSEP), and residual predictive deviation (RPD) for the triticale straw model were 0.935, 0.305, and 3.89, respectively. The r(2), RMSEP, and RPD values for the wheat straw model were 0.985, 0.163, and 8.50, respectively. Both models showed good predictive ability. A model built using both triticale and wheat straws indicated that the values of r(2), RMSEP, and RPD were 0.952, 0.27, and 4.63, respectively. This model also showed good predictive ability and could predict lignin contents in triticale and wheat straws with the same high accuracy.     

近红外光谱检测苹果可溶性固形物

该文目的是通过静态和在线两种方式的对比试验,研究苹果可溶性固形物近红外光谱静态和在线检测的差异。分别在静态（600～950 nm）和在线（600.02～950.92 nm）2种检测方式下,采用间隔偏最小二乘法,寻找苹果可溶性固形物的特征波段,建立了苹果可溶性固形物近红外光谱检测用数学模型,并进行对比分析。试验结果为：与静态检测模型相比,在线检测模型性能稍弱,模型预测相关系数为0.78,预测均方根误差为1.04oBirx。试验结果表明：近红外光谱在线检测苹果可溶性固形物的精度不理想。     

Rapid Analysis of Apple Leaf Nitrogen using Near Infrared Spectroscopy and Multiple Linear Regression

A quick method was developed for diagnosis of nitrogen (N) in apple trees based on multiple linear regressions to establish the relationship between near-infrared reflectance spectra (NIRS) and the N contents of fresh and dry tissue. Spectral pretreatment methods such as derivatives, smoothing, and normalization were used. The derivatives appeared to be the most effective. The best calibration for fresh leaf gave 0.842 for the correlation coefficient of validation (R_v), 1.119 g kg^?1 for the root mean square error of prediction (RMSEP), and 8.311 for the ratio of the range in reference data from the validation samples to the root mean square error of prediction (RER). The best calibration for dried ground samples was obtained with R_v = 0.952, RMSEP = 0.633 g kg^?1, the ratio performance deviation (RPD) = 3.27, and RER = 13.728. The results showed that calibrations of dry-apple leaf are robust enough for an accurate prediction of N.