不同预处理方法对PLS模型检测哈密瓜糖度的影响

为寻找适合可见近红外光谱检测哈密瓜糖度含量的最佳光谱预处理方法,进行哈密瓜样品可见近红外光谱数据的预处理方法比较与研究。研究比较了4种光谱数据预处理方法对哈密瓜糖度偏最小二乘法建模精度的影响。研究结果表明:标准正态变量变换与二阶导数相结合是哈密瓜糖度含量可见近红外光谱检测的有效光谱预处理方法,其相关系数和内部交叉验证均方差分别为0.6893和0.666,并且利用该方法建立的哈密瓜糖度预测模型的相关系数、预测集均方根误差和校正集的相关系数、校正集均方根误差分别为0.7342、0.573、0.7605、0.588,最佳因子数为11。     

苹果糖度近红外光谱小波去噪和iPLS建模

为了提高苹果近红外光谱糖度预测模型的精度,利用多尺度小波去噪法对苹果近红外光谱进行了预处理,并用改进后的间隔偏最小二乘法(iPLS)建立预测模型。应用结果表明,多尺度小波去噪法滤除了原始光谱中的部分噪声,但又保留了原光谱中的主要信息。运用间隔偏最小二乘法对预处理后的光谱建模,其校正时的相关系数rc和校正均方根误差RMSEC分别为0.9635和0.3026,预测时的相关系数rp和预测均方根误差RMSEP分别为0.9214和0.4113,主因子数为5个。结果表明,用多尺度小波去噪和间隔偏最小二乘法所建立的苹果糖度模型不但精度有所提高,而且更加简洁、数据运算量也更少。     

基于CARS算法的脐橙可溶性固形物近红外在线检测

采用可见/近红外光谱在线检测装置进行赣南脐橙可溶性固形物含量在线检测模型优化研究。样品以5个/s的速度运动,采集可见/近红外漫透射光谱。光谱经过预处理后,分别应用向后区间偏最小二乘法（BiPLS）、遗传算法（GA）和正自适应加权算法（CARS）筛选特征变量,并通过外部验证评价PLS模型预测能力。一阶微分处理后经CARS筛选特征变量建立的PLS模型预测结果最优,预测相关系数和预测均方根误差分别为0.94和0.42%。结果表明CARS算法可有效简化赣南脐橙可溶性固形物可见/近红外光谱在线检测模型并提高模型的预测精度。     

不同预处理对近红外光谱检测脐橙VC含量的影响

为了研究适合近红外光谱无损检测脐橙VC含量的光谱预处理方法,比较了11种光谱预处理方法对偏最小二乘法(PLS)建模预测效果的影响。结果表明,小波消噪效果最好,模型预测值与标准值的相关系数R达到0.9574,交叉验证预测均方差仅为3.90,最优光谱波段为7501.7~5449.8cm-1,主成分数为8。小波消噪是脐橙VC含量近红外光谱无损检测的有效光谱预处理方法。     

基于近红外光谱分析法的奶粉品质快速检测

选择11个品牌的10多种配方奶粉,共80个样品,使用PDA型近红外光谱仪采集奶粉漫反射光谱,波长范围1 089～2 219 nm.对光谱进行了SNV、软阈小波消噪及一阶微分预处理,通过比较主成分在不同波长上的权重分布,选择不同波段建立校正模型和进行预测精度分析.结果表明,奶粉的蛋白质和脂肪的近红外光谱信息主要分布于1 100～1 400 nm和1 800～2 200 nm波段内,采用小波消除原始光谱的噪声能提高校正模型的稳定性和预测精度,可以利用PDA型近红外光谱快速检测多品牌、多类型配方奶粉中蛋白、脂肪含量.     

脐橙VC含量近红外光谱消噪小波优化

运用db1～db10等10个小波基4尺度分解对120个赣州脐橙样品的近红外光谱进行消噪处理,分别建立了各种小波消噪光谱的脐橙维生素C(VC)含量的PLS模型.通过PLS模型预测精度比较表明:所有db小波基变换都能有效消除脐橙VC近红外光谱噪声,PLS模型预测精度均高于不处理光谱建立的模型预测精度.其中,消噪效果最好的小波基是db5,模型预测值与实测值的相关系数R达到0.9427、内部交叉验证均方差RMSECV仅为2.02mg/(100g).因此,对脐橙VC含量近红外光谱消噪预处理的最优小波基是db5小波.     

脐橙VC含量近红外光谱消噪小波优

运用db1～db10等10个小波基4尺度分解对120个赣州脐橙样品的近红外光谱进行消噪处理，分别建立了各种小波消噪光谱的脐橙维生素C(VC)含量的PLS模型。通过PLS模型预测精度比较表明：所有db小波基变换都能有效消除脐橙VC近红外光谱噪声，PLS模型预测精度均高于不处理光谱建立的模型预测精度。其中，消噪效果最好的小波基是db5，模型预测值与实测值的相关系数R达到0.9427、内部交叉验证均方差RMSECV仅为2.02mg/(100g)。因此，对脐橙VC含量近红外光谱消噪预处理的最优小波基是     

基于模拟退火波长优化的草莓坚实度近红外光谱检测

为提高近红外光谱技术检测草莓坚实度模型的精度和鲁棒性,研究了一种基于模拟退火算法的波长优选方法,并找到一种与该算法配套的光谱预处理方法.利用光谱仪和物性仪分别采集草莓样品近红外漫反射光谱和坚实度数据,并采用标准正交变换、多元散射校正、一阶导数、二阶导数等方法对原始光谱进行预处理;最后,利用模拟退火算法优选与草莓坚实度高度相关的波数点变量,结合偏最小二乘法建立草莓坚实度预测模型.结果表明:经过标准正交变换预处理后,采用模拟退火算法优选出24个波数点,在主成分数为5时,建立的偏最小二乘模型具有最佳预测效果,模型校正集样本相关系数rc为0.934 2,校正均方根误差为0.665 N/cm2;预测样本相关系数rp为0.919 7,预测均方根误差为0.673 N/cm2.研究表明:模拟退火算法可以提高近红外模型预测草莓坚实度的精度和鲁棒性,并降低预测模型复杂度.     

基于模拟退火波长优化的草莓坚实度近红外光谱检测

为提高近红外光谱技术检测草莓坚实度模型的精度和鲁棒性,研究了一种基于模拟退火算法的波长优选方法,并找到一种与该算法配套的光谱预处理方法。利用光谱仪和物性仪分别采集草莓样品近红外漫反射光谱和坚实度数据,并采用标准正交变换、多元散射校正、一阶导数、二阶导数等方法对原始光谱进行预处理;最后,利用模拟退火算法优选与草莓坚实度高度相关的波数点变量,结合偏最小二乘法建立草莓坚实度预测模型。结果表明：经过标准正交变换预处理后,采用模拟退火算法优选出24个波数点,在主成分数为5时,建立的偏最小二乘模型具有最佳预测效果,模型校正集样本相关系数rc为0.9342,校正均方根误差为0.665N/cm2;预测样本相关系数rp为0.9197,预测均方根误差为0.673N/cm2。研究表明：模拟退火算法可以提高近红外模型预测草莓坚实度的精度和鲁棒性,并降低预测模型复杂度。     

基于近红外光谱分析法的奶粉品质快速检

选择11个品牌的10多种配方奶粉，共80个样品，使用PDA型近红外光谱仪采集奶粉漫反射光谱，波长范围1089～2219nm。对光谱进行了SNV、软阈小波消噪及一阶微分预处理，通过比较主成分在不同波长上的权重分布，选择不同波段建立校正模型和进行预测精度分析。结果表明，奶粉的蛋白质和脂肪的近红外光谱信息主要分布于1100～1400nm和1800～2200nm波段内，采用小波消除原始光谱的噪声能提高校正模型的稳定性和预测精度，可以利用PDA型近红外光谱快速检测多品牌、多类型配方奶粉中蛋白、脂肪含量。