近红外光谱法在玉米粗蛋白含量测定研究中的应用

探讨了HN1100型近红外光谱仪测定玉米粗蛋白的可行性。结果表明,定标集、检验集的预测值与化学测定值间均达极显著正相关,相关系数分别为0.982和0.937,并具有较小的定标标准差和预测标准差,分别为0.124和0.499。该仪器可用于玉米粗蛋白含量的测定。     

近红外光谱法快速测定山核桃品质性状的研究

本试验对近红外光谱技术预测山核桃中粗脂肪和蛋白质含量进行了定标方程研究.定标就是建立常法测定值与近红外光谱值之间的相关关系.山核桃中的粗脂肪用索式抽提法进行测定,蛋白质用凯氏定氮法测定,用近红外光谱仪收集样品的光谱数据,用多元线性回归法建立经典法测定值与光谱值之间的相关关系.定标结果表明,粗脂肪的相关系数高达0.99,变异系数为0.83,经检验测试证明其定标方程具有良好的预测性能,因此近红外光谱技术可用于日常快速准确地测定山核桃中粗脂肪含量.     

不同近红外光谱仪在茶叶品质检测中的应用研究

分别应用NIRSystems 6500和InfraXact Lab两种不同型号近红外光谱仪对茶叶中茶多酚和咖啡碱含量进行定标建模,确定了在改进偏最小二乘法定标技术下的最优光谱数据预处理方式,分别建立了茶多酚和咖啡碱的优化定标模型.NIRSystems 6500和InfraXact Lab两种型号近红外光谱仪所建立茶多酚的最优定标模型目标函数f值分别为96.07%和95.96%,咖啡碱的最优模型目标函数f值分别为95.32%和91.47%,定标效果良好.利用验证集样本对模型进行了检验,茶多酚和咖啡碱的预测相对分析误差(RPD)均大于3.结果表明,两种仪器所得到的模型定标效果均良好,预测精度高,都可用于实际检测.NIRSystems 6500型近红外光谱仪的定标效果和稳定性优于InfraXact Lab型近红外光谱仪.     

利用近红外光谱法对烟叶氮钾含量的快速测定

探讨了近红外光谱法无损快速测定烟叶氮钾含量的可行性,利用傅里叶变换近红外光谱仪测定建模集（104个）和检验集（40个）烟叶样品的近红外光谱,采用偏最小二乘法（PLS）把测得的烟叶光谱值与常规化学分析法测得的全氮和全钾数值拟合建立定标模型,经分析得出：预测模型分析氮的相关系数（R）为0.951,预测标准差（RMSEP）0.301;钾的相关系数（R）为0.928,预测标准差（RMSEP）为0.278。近红外法测定结果与常规方法已有较好的相关性,能为今后快速诊断烟叶的营养状况提供新技术。     

近红外光谱检测青贮饲料的营养成分

选取154批次青贮样品为研究对象,利用化学分析法测定营养成分的含量,采用近红外光谱仪对其采集光谱数据,应用化学计量学软件中的偏最小二乘法(PLS)建立青贮饲料化学成分的定标模型,并探讨定标模型的可行性。定标模型的决定系数(R2)分别为0.913,0.854,0.992,0.808,0.884,0.870;标准偏差(SEC)分别为0.322,0.215,0.230,1.909,2.785,2.275。验证化学分析值与预测值之间的决定系数r2分别为:0.9544,0.779,0.9604,0.8031,0.8539,0.8227。结果表明,近红外光谱分析技术可用于青贮中粗蛋白、水分、淀粉、中性洗涤纤维、酸性洗涤纤维含量的定量检测分析。     

麻疯树种子含油量近红外光谱定标模型的建立

目的本研究旨在建立麻疯树种子含油量的近红外光谱定标模型, 为近红外光谱技术应用于麻疯树种子含油量的测定提供依据。方法利用瑞典波通DA7200型近红外光谱成分分析仪采集了125份麻疯树种子样品的光谱数据, 通过样品化学值测定、光谱数据预处理以及回归统计方法建立了麻疯树含油量的近红外光谱定标模型, 并利用10份未知含油量的种子样品对模型的准确性进行了检验。结果本研究建模所选125份样品的含油量范围为25.23%~39.73%, 平均值为33.91%±2.64%, 中位数为34.31%, 基本覆盖了当前麻疯树的主要品种, 在种子油含量上具有一定的代表性。二阶导数联合标准正态变量转换法为建立麻疯树种子含油量近红外光谱定标模型的最佳预处理方法, 偏最小二乘法为最佳的回归方法。模型验证结果显示, 样品的化学测定值与近红外光谱定标模型预测值极显著相关, 且相关系数达0.9556, 预测标准偏差为0.6536。结论检验结果说明该模型具有较高的可靠性, 可应用于后期麻疯树种子油分含量的大批量快速测定。      

水稻脂肪含量近红外模型的创建及在航天育种上的应用

利用近红外分析仪,对59份航天水稻种子进行光谱扫描,并用国标化学法对其脂肪含量进行测定.通过近红外定标软件(WinISI III),采用多种计量数学处理方法和不同的回归统计方法进行定标曲线的开发和比较,建立并优化了水稻脂肪含量测定的近红外分析定标模型,其定标标准偏差(SEC)、交叉检验标准误差(SECV )和定标决定系数(RSQ)分别为0.0257 、0.0645、0.9939,应用该定标方程可快速测定水稻脂肪含量,对于航天育种稻种资源的快速鉴定及营养品质改良具有重要意义.     

燕麦蛋白质近红外定量模型的创建及其在育种中的应用

[目的]研究利用近红外光谱分析法定量分析燕麦完整籽粒粗蛋白含量的可行性,探讨不同地区种植的同一燕麦品种蛋白质含量的变化,以期为燕麦的营养品质育种提供参考依据。[方法]收集蛋白质含量变幅较大的124份代表性燕麦样品,利用近红外谷物品质分析仪进行光谱扫描,采用常规化学分析方法(GB/T 5009.5—2010)测定样品蛋白质含量,借助近红外定标软件Win ISI,采用偏最小二乘法(PLS)建立燕麦粗蛋白含量的定标模型。利用定标模型对14个地区219份(17个品种)燕麦完整籽粒粗蛋白含量进行测定,分析不同地区、不同类型燕麦样本间的差异。[结果]124份燕麦籽粒样品的粗蛋白含量为15.49%~23.77%,分布范围较广,具有较好的代表性。成功建立了燕麦蛋白质含量的定标模型,决定系数较高,标准误差较小,回归方程具有较高的准确性。因此,利用近红外光谱分析技术检测燕麦籽粒中粗蛋白含量是可行且可靠的,可替代化学测定方法。[结论]近红外光谱分析技术为检测燕麦籽粒粗蛋白质含量提供了一种新方法。     

基于近红外光谱的烟草种子蛋白含量定标模型构建

为探索近红外光谱技术(near infrared spectroscopy,简称NIRS)在无损检测烟草种子蛋白含量方面的应用,研究120份烟草种子的近红外光谱,利用光谱影响值法(Leverage)对异常光谱进行处理后,在4 000~9 000 cm-1波数,利用主成分回归法(简称PCR)建立烟草种子蛋白质含量的定标模型,并采用外部独立验证的方式对模型进行检验。结果表明,标准正态变量转换法(简称SNV)处理结合De-trending算法下,建立的烟草种子蛋白含量定标模型的确定系数高达99.86%,校正标准差、预测标准差分别为0.71、0.68,校正集、验证集的预测值与化学测定值间均达极显著正相关,说明该近红外光谱定量分析模型效果较好,可用于烟草种子粗蛋白的测定。     

小批量稻谷种子蛋白质含量的近红外透射光谱分析

以完整水稻种子为样品,利用近红外透射谷物分析仪对186份批量稻谷进行扫描并测定了蛋白质含量的参比数据。采用多种数学计量学处理方法和不同的回归统计方法进行定标曲线的开发和比较,优化得到了小批量水稻种子蛋白质含量测定的近红外定标方程。其定标标准偏差(SEC)、交叉检验标准误差(SECV)、定标相关系数(RSQ)和交叉验证相关系数(I-VR)分别为0.255 8、0.279 5、0.972 8、0.967 5。研究采用整粒小量样品(5 g)来分析,效果较好,可直接用于育种早世代选择。     

基于颜色参数和BP神经网络的紫叶李叶片花青素含量估算

目前对植物叶片花青素含量的测定主要是湿化学法和高效液相色谱法(high performance liquid chromatography,HPLC),为简化测定方法,降低成本和提高精度,提出一种利用数码相机获取照片提取的颜色参数构建模型无损估测植物叶片花青素含量的方法。试验测定166份紫叶李叶片的花青素含量及其RGB特征值,对15种颜色参数进行皮尔逊相关分析,构建逐步多元线性回归（stepwise multiple linear regression,SMLR）、一元线性回归（single linear regression,SLR）和BP神经网络（BP neural network,BPNN）估算模型;同时对模型进行验证和比较。结果表明,1）BP神经网络模型建模集的R²、RMSE和MAE分别为0.883、0.412、0.323,验证集的R²、RMSE和MAE分别为0.796、0.462和0.353,相关系数均达到极显著水平;一元线性回归模型中,参数G-B与花青素含量的线性相关性最强,相关系数为-0.820,达到极显著水平;逐步多元线性回归模型的相关系数均达极显著水平,其中建模集的R²、RMSE和MAE分别为0.724、0.630、0.459,验证集的R²、RMSE和MAE分别为0.643、0.616和0.509。2）颜色参数与花青素含量之间具有明显的相关性,利用数码相机获取的颜色特征值估测紫叶李叶片花青素含量具有可行性;3）3种模型中,BP神经网络模型的估测效果最好,能有效地估测紫叶李叶片花青素含量,其次为逐步多元线性回归,一元线性回归模型的预测效果相对较差。     

人工神经网络用于异噻唑啉酮的定量结构-活性关系研究

采用误差反传前向人工神经网络(artificial neural network,ANN)建立了21种2-(4-取代-苯基)-3-异噻唑啉酮类化合物的结构与其抗菌活性之间的定量关系模型(ANN模型),以21种3-异噻唑啉酮类化合物的量子化学参数和拓扑指数作为输入、抗菌活性作为输出,所构建网络模型的交叉检验相关系数为0.991 6、标准偏差为0.080 1、残差绝对值≤0.221,应用于外部预测集,预测集相关系数为0.973 1;而多元线性回归(multiple linearregression,MLR)法模型的相关系数为0.841 8、标准偏差为0.303 9、残差绝对值≤0.636。结果表明,ANN模型获得了比MLR模型更好的拟合效果。     

近红外光谱分析技术在豆粕豆质分析中的应用

应用近红外光谱分析技术,以豆粕为试材,建立豆粕粗蛋白快速分析检测模型,结果表明:近红外光谱分析方法的预测值与化学分析值有显著的相关性,相关系数为0.9783。     

AOTF-NIR快速检测田间生长烟叶中主要化学成分

应用AOTF-NIR(AOTF-近红外光谱分析技术)建立田间生长烟叶中5种化学成分的快速无损检测方法。以182个样品组成校正集标准样品,采用偏最小二乘回归法建立了近红外光谱信息与各成分含量之间的关联定量校正数学模型,并对30个验证集样品进行预测。预测结果表明:烟碱、总氮、总糖、还原糖、钾的平均预测相对误差分别为3.73%、3.89%、3.78%、2.88%、4.37%。对验证集样品的原始化学值和预测值进行成对数据t测验,检测结果显示,差异不显著,说明建立的数学模型是可用的,该方法分析结果准确可靠,重现性好,方便无损。可用于快速定量检测田间生长烟叶中的烟碱、还原糖、总糖、总氮、钾。     

人工神经网络用于有机磷酸酯类定量结构活性关系研究

采用人工神经网络(ANN)建立了35种有机磷酸酯类化合物的结构及其对家蝇急性毒性之间的定量关系模型(ANN模型),以35种有机磷酸酯类化合物的分子电性距离矢量作为输入、对家蝇的急性毒性作为输出,采用内外双重验证的办法分析和检验所得模型的稳定性,所构建网络模型的相关系数为0.999 9、交叉检验相关系数为0.995 8、标准偏差为0.114 1、残差绝对值≤0.40,应用于外部预测集,外部预测集相关系数为0.986 0。而多元线性回归(MLR)法模型的相关系数为0.976 0、标准偏差为0.256 8、残差绝对值≤0.57,外部预测集相关系数为0.975 8。结果表明,ANN模型获得了比MLR模型更好的拟合效果。     

利用近红外光谱法测定玉米籽粒含油量的研究

用近红外光谱(NIRS)分析技术和偏最小二乘法(PLS)建立了玉米籽粒含油量分析数学模型,并对模型预测结果的准确性进行了评价。结果表明,定标集、检验集的预测值与化学测定值间均呈极显著正相关,相关系数分别为0.958和0.957,定标标准差和预测标准差分别为0.757和0.745。利用该技术能测定玉米籽粒含油量。     

基于近红外光谱的高粱籽粒直链淀粉、支链淀粉含量检测模型的构建与应用

【目的】高粱是酿酒和饲料的主要原料之一,其籽粒直链淀粉含量与支链淀粉含量的比值大小与白酒品质及饲料质量密切相关。传统的高粱成分化学检测方法已不适合高通量测试,采用改进最小二乘法（modified PLS）对高粱样品的近红外光谱图进行光谱预处理、得分处理和结果监控建立高粱籽粒直链淀粉、支链淀粉含量的预测模型,旨在得到一种快速高效低成本的检测方法,为高粱的遗传改良及品质分析提供依据。【方法】从450份高粱资源中筛选出112份代表品种作为校正集和验证集,通过双波长法测定112份高粱品种籽粒中直链淀粉、支链淀粉含量的化学值,并收集波长为850—1 048 nm的近红外光谱,对光谱进行扫描数据矩阵和化学数据计算得分（PL1）处理解释光谱间差异,剔除马氏距离（GH）大于3的超常品种以减小建模误差。采用Modified PLS回归技术建模,通过不同散射处理和导数处理等方法建立不同的定标模型。根据交叉验证标准偏差（SECV）、交叉验证相关系数（1-VR）确定最佳模型,并进行结果监控和非参数检验评估模型的预测性能。【结果】直链淀粉的近红外预测模型SECV是2.7732,1-VR是0.9503,相关系数（RSQ）是0.9688。Bias=0.229<2.7732（SECV）×0.6,即偏差（Bias）小于定标模型SECV的0.6倍;预测标准偏差（SEP）=1.266<2.7732（SECV）×1.3=3.60516,即SEP小于定标模型SECV的1.3倍,11.01（SD）—10.81（SD）=0.2<11.02（SD）×0.2=2.204即化学数据和近红外预测数据标准偏差（SD）差值小于化学数据SD的20%。支链淀粉的近红外预测模型SECV是1.7516,1-VR是0.8818,RSQ是0.9127。Bias=-0.014<1.7516（SECV）×0.6即Bias小于定标模型SECV的0.6倍,SEP=1.316<1.7516（SECV）×1.3=2.2708即SEP小于定标模型SECV的1.3倍,5.30–5.29=0.01<5.30×0.2=1.06即化学数据和近红外预测数据SD差值小于化学数据SD的20%。利用30份模型外高粱籽粒对模型的有效性进行两配对样本非参数检验,结果表明,直链淀粉含量和支链淀粉含量的测定值与预测值之间差异不显著（P=0.262>0.05;P=0.992>0.05）。【结论】所建立的近红外模型精准度高,稳定性好,能准确快速地检测高粱籽粒中直链淀粉、支链淀粉的含量,可用于高粱的遗传改良及高粱品质的检测。     

近红外光谱分析法预测小叶章营养价值的研究

试验探讨近红外光谱分析法应用于预测小叶章营养价值的可行性,利用TQ Analyst分析软件采用偏最小二乘回归(PLS)方法建立小叶章营养成分的定量检测模型。结果表明,小叶章粗蛋白(CP)、粗脂肪(EE)、中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)含量的相对分析误差RPD值(SD/RMSEP)均大于3,校正模型外部验证决定系数R2均大于0.95;近红外光谱法能同时检测小叶章中CP、EE、NDF和ADF含量,检测误差小、结果准确可靠,与化学分析方法无明显差异且重现性好,可应用于小叶章营养价值快速定量检测。     

茶叶中茶多酚含量电子鼻技术检测模型研究

为探索茶叶茶多酚含量的快速检测方法,利用电子鼻技术对3个品质等级信阳毛尖茶的挥发性气味进行了研究.采用多元线性回归、二次多项式逐步回归分析和BP神经网络分别建立传感器信号和信阳毛尖茶的茶多酚含量之间的预测模型,并用测试集样本对模型进行验证.试验结果表明,3种模型茶多酚含量预测值与实测值之间的相关系数分别为0.86,0.90和0.92;预测标准误差分别为0.61,0.5和0.14;平均误差分别为2.5％,1.5％和1.0％.3种建模方法对茶多酚含量的预测结果都很好,最优模型为BP神经网络.研究结果表明电子鼻技术结合有效地模式识别方法可以用于茶叶理化成分的快速检测.