近红外光谱法快速测定苎麻粗蛋白含量（英文）

[目的]探讨应用近红外光谱仪测定苎麻粗蛋白的可行性。[方法]以50个样品组成校正集,采用偏最小二乘法(PLS)建立近红外光谱信息与粗蛋白含量的校正模型,用该模型对10个样品的粗蛋白进行预测。[结果]该模型的相关系数为0.98。苎麻粗蛋白含量的化学测定值与近红外光谱模型预测值之间存在较好的相关性,预测值与化学值之间的平均相对误差为3.54%。[结论]用近红外光谱分析建立苎麻粗蛋白预测模型并测定苎麻粗蛋白含量是可行的。     

近红外光谱法快速测定苎麻粗蛋白含量

[目的]探讨应用近红外光谱仪测定苎麻粗蛋白的可行性.[方法]以50个样品组成校正集,采用偏最小二乘法(PLS)建立近红外光谱信息与粗蛋白含量的校正模型,用该模型对10个样品的粗蛋白进行预测.[结果]该模型的相关系数为0.98.苎麻粗蛋白含量的化学测定值与近红外光谱模型预测值之间存在较好的相关性,预测值与化学值之间的平均相对误差为3.54％.[结论]用近红外光谱分析建立苎麻粗蛋白预测模型并测定苎麻粗蛋白含量是可行的.     

近红外光谱法测定土壤全氮和碱解氮含量

为探寻采用近红外光谱技术在野外快速测定土壤全氮和碱解氮含量的方法,采集土壤光谱信号,结合偏最小二乘法和主成分分析法,分别建立土壤全氮和碱解氮含量测定的定标模型。结果表明,采用PLS方法建模时,土壤全氮和碱解氮含量测定定标模型的精度较高。为提高模型的预测精度,采用多元散射校正、标准归一化、基线校正、卷积平滑和小波变换5种方法对光谱信号进行预处理,当用小波变换法对光谱信号进行去噪处理,并与PLS方法结合时,模型的预测精度最高,土壤全氮样品校正模型的相关系数为0.838 5,均方根误差为0.153 1,对应验证模型的相关系数为0.754 9,均方根误差为0.184 2,校正集和验证集土壤全氮含量预测值(y)与实测值(x)之间的关系模型分别为y=0.685 8x+0.198 0和y=0.621 4x+0.237 9;土壤碱解氮样品校正模型的相关系数为0.866 5,均方根误差为0.007 7,对应验证模型的相关系数为0.796 1,均方根误差为0.009 4,校正集和验证集土壤碱解氮含量预测值(y)与实测值(x)之间的关系模型分别为y=0.749 8x+0.019 4和y=0.700 7x+0.023 3。综合分析结果表明,应用近红外光谱技术对土壤全氮和碱解氮含量进行定量预测是可行的,且应用小波变换方法对光谱冗余信息进行预处理后,再与偏最小二乘法相结合可有效地提高模型的精度。     

近红外光谱法同时测定卷烟配方中膨胀烟梗颗粒和再造烟叶的研究

[目的]考察近红外光谱法同时测定卷烟配方中膨胀烟梗颗粒和再造烟叶的可行性。[方法]对常规卷烟配方物质、卷烟膨胀烟梗颗粒和再造烟叶的化学常规成分含量、物质表面形态差异及近红外光谱差异进行分析。以60个含有不同量膨胀烟梗颗粒和再造烟叶的卷烟样品为建模样品集,用最小二乘法建立卷烟配方中膨胀烟梗颗粒和再造烟叶的近红外定量校正模型。[结果]样品中膨胀烟梗颗粒和再造烟叶的实际值和预测值的相关系数(r)分别达到0.996 1、0.994 9,校正误差均方根(RMSEC)分别为0.477和0.668。[结论]用近红外光谱可以同时快速准确地测定卷烟配方中膨胀烟梗颗粒和再造烟叶的含量。     

基于电容法和PLS建模的燕麦含水率快速检测

[目的]燕麦具有极高的营养保健价值,而含水率是燕麦安全存储、运输的重要指标,故研究一种燕麦含水率快速检测方法具有重要意义。[方法]本文利用LCR仪测试了室温(13℃)下,不同含水率(11%~26%)燕麦在不同频率(500kHz~3.5 MHz)下电容的变化,并分析了变化原因。利用偏最小二乘法(PLS)建立了所测频段内电容变化曲线和燕麦含水率的回归模型。[结果]燕麦含水率检测模型的校正集相关系数(RC),预测集相关系数(RP),校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.9843、0.9787、1.30%、2.09%。[结论]基于PLS建模的电容法检测燕麦含水率具有较高的精度,这为燕麦水分快速检测仪的研发打下了基础。     

不同产地马铃薯主要成分的近红外无损测定模型

收集全国6个省(区)不同品种和分级的36份马铃薯(Solanum tuberosum L.)样品,以精确化学方法测定的成分含量值为依据,利用偏最小二乘回归法(PLS)建立马铃薯水分、还原糖和淀粉含量的近红外无损测定模型。结果表明,建立的马铃薯水分、还原糖和淀粉模型的决定系数(R2)分别为0.88、0.84和0.92,交互验证均方根误差(RMSCV)均小于1,验证集标准偏差与预测标准偏差的比值(RPD)均大于2.5。通过外部验证发现,模型预测的各成分含量决定系数R2均大于0.9,预测值与实测值的相对偏差较小。     

小米硒含量近红外预测模型的建立与评价

为实现对多样本小米硒含量的快速检测,以93份遗传背景不同的小米样品为研究对象,将样品分为校正建模集(样本容量n=51)和外部验证集(n=42),利用丹麦生产的NIRSTMDS2500台式近红外光谱仪采集光谱信息,通过标准正态变化(SNV)、卷积平滑(Detrend)等光谱预处理方法和偏最小二乘法(PLSR)建模方法建立脱壳谷子-小米总硒含量的测定模型,用工作流调用模型实现小米总硒含量的快速检测;采用国家标准规定的方法分别测定小米总硒含量,以此作为小米总硒含量预测模型的化学参比值。结果表明:小米总硒含量内部交叉验证的相关系数为84.5%;校正集均方根误差和验证集均方根误差分别为0.039 6和0.089 2,说明小米总硒含量的近红外预测值接近化学参比值;性能偏差比为5.478,大于美国谷物化学家协会和国际谷物科技协会等提出的质量控制标准,本研究建立的模型中预测集和建模集标准误差的比值为1.073 0;因此采用PLSR建立模型具有较高的预测精度且稳健程度较高,可实现对小米总硒含量的快速检测。     

基于近红外光谱技术的大米掺伪定量判别

针对现在市场上常见的两种大米掺伪现象,利用近红外光谱技术结合化学计量学方法分别建立了大米中掺入低档米和掺入矿物油的定量分析模型。制配不同掺伪比例的大米样品,采集其近红外光谱,并选用标准正态变量变换、最大最小归一化、平滑和一阶导数4种方法对原始光谱进行预处理,分别结合偏最小二乘法建立PLS定量分析模型。通过对比建模结果选出的最优预处理方法是最大最小归一化,建立的掺低档米模型的校正集和预测集相关系数分别为0.9698和0.9845,均方根误差分别为8.66和6.46;掺矿物油米模型的校正集和预测集相关系数分别为0.9739和0.9888,均方根误差分别为0.106和0.0698。模型的预测精度和稳定性均很好,实现了对两种掺伪大米快速、准确的定量判别,为大米的品质监控提供了一种新的方法思路。     

基于便携式近红外光谱仪检测梨可溶性固形物

探索采用便携式近红外光谱仪,利用不同光谱预处理算法及波长优选法建立检测模型检测梨可溶性固形物含量(SSC)的可行性。比较了一阶导数(1st)、二阶导数(2nd)、多元散射校正(MSC)、标准正态变量变换(SNV)等9种预处理方法进行PLS建模的效果,确定最佳预处理方法。用相关系数法、无信息变量消除法(UVE)、向后区间偏最小二乘法(biPLS)和向后区间偏最小二乘法结合遗传算法(biPLS+GA)优选波长,用偏最小二乘法(PLS)建立梨SSC的定标模型,根据各个模型的校正集和预测集的相关系数(r)和交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)评价定标模型的精度和稳定性。结果表明:经过SNV预处理后的建模效果最好,校正集和预测集的相关系数r分别为0.890 8和0.868 9,RMSECV和RMSEP分别为0.592 5和0.630 8;相较于其他3种波长优选法,biPLS+GA方法不仅优选的波长数少,而且所建模型的预测效果更好,校正集和预测集的相关系数分别为0.887 9和0.891 0,RMSECV和RMSEP分别为0.599 9和0.571 3。     

FTIR结合化学计量学快速预测铁皮石斛中总多糖含量

有效成分含量检测是评价药用植物质量的主要手段,采集时间不同对药用植物有效成分含量有显著影响。通过傅里叶变换红外光谱结合化学计量学,建立了快速预测不同采收时间铁皮石斛中总多糖含量的方法。采收2014年1~12月的样品干燥粉碎;以苯酚硫酸法测定铁皮石斛中总多糖含量,分析了不同采收时间铁皮石斛中总多糖随时间的累积规律;采集样品红外光谱信息,归属红外光谱吸收峰,拟合光谱数据和总多糖含量数据,结合一阶导数、二阶导数、标准正态变量、多元散射校正、正交信号校正等对数据进行预处理,建立偏最小二乘回归模型预测样品中总多糖含量。结果显示:(1)样品和标准品葡萄糖均在488 nm附近有共有吸收峰,以488 nm为总多糖定量波长,标准曲线为y=0.0079x+0.027,相关系数R2=0.9995,线性关系良好;精密度、重现性和稳定性相对标准偏差分别为0.2%、0.31%和1.3%,该方法稳定可靠;(2)总多糖含量随时间变化趋势为先升高后降低,1~4月和12月样品含量较高,平均含量大于0.284 g/g;(3)铁皮石斛红外光谱数据与总多糖含量拟合后进行一阶导数、二阶导数、标准正态变量、多元散射校正、正交信号校正等组合处理,用PLSR模型预测铁皮石斛的总多糖含量,结果最佳预处理方式为2D+OSC+MSC+SNV+SG5-PLSR,训练集和验证集R2分别为0.843和0.782,验证均方根误差(RMSEE)和预测均方根误差(RMSEP)分别为2.8904和3.5513,铁皮石斛中总多糖含量预测值与测量值较接近,表明PLSR模型可用于总多糖含量的快速预测。傅里叶变换红外光谱结合化学计量学能实现铁皮石斛中总多糖含量准确预测,为铁皮石斛质量评价提供快速、有效的方法。     

基于样本挑选和不同偏最小二乘方法的近红外光谱玉米淀粉组分校正模型的研究

[目的]获得精度高、鲁棒性强的玉米近红外光谱淀粉组分检测模型。[方法]用一阶导数和Savitzky．Golay平滑对玉米1300～2298nlTl近红外光谱进行预处理,而后分别以RS（random sampling）、KS（Kennard Stone）、Duplex、SPXY（sample set partitioning based on joint x-y distance）方法选取最佳校正集样本集合,最后分别用PLS（Partial Least Squares）、iPLS（intervalPLS）和siPLS（synergy interval PLS）方法建立校正模型。[结果]采用sPXY方法选取有代表性的校正集合样本,以siPLS方法所建立的近红外光谱玉米淀粉组分校正模型最优,校正样本集合中r为0．9917,RMSECV为n1073,预测样本集合中r达到了0．9944,RMSEP为0．0814。[结论]SPXY-siPLS方法建立的近红外光谱玉米淀粉组分校正模型,不但可以减小参与建模的数据规模．而且缩短了运算时间．预测能力和精度也均得到提高。     

近红外光谱结合ANN法快速测定水稻叶片氮含量

应用近红外(NlR)光谱和误差反传人工神经网络(BP-ANN)方法建立了水稻叶片氮素含量的定量分析模型.首先对近红外光谱进行Savitzky-Golay求导处理,然后通过相关系数法选择波长范围,采用偏最小二来回归PLS降维并输入BP-ANN建立校正模型,用验证样品对校正模型进行验证.结果表明:BP-ANN最佳模型的预测...     

近红外透射光谱技术测定黍稷蛋白含量的研究(英文)

[目的]探索快速测定完整黍稷籽粒蛋白含量的方法。[方法]采用近红外光谱分析技术建立数学模型并进行预测,比较原始透射光谱经导数处理结合不同回归算法对模型的影响。[结果]分别经一阶和二阶导数处理后利用偏小二乘法和改进的偏小二乘法,4 种方法的分析效果相近,最优的是一阶导数结合改进的偏最小二乘回归法,黍稷蛋白定标模型的定标相关系数(RSQ)为0.880 6,定标标准误差(SEC)为0.342 4,交互定标标准误差(SECV)为 0.375 1,外部预测标准误差(SEP)为 0.454。[结论]以完整黍稷籽粒为样品所建立的蛋白 NITS 模型,可以用于黍稷蛋白含量的快速检测。     

土壤含水率对近红外传感器标定模型的响应研究

为提高近红外传感器测量的准确度,进一步理解不同标定模型对土壤含水率测量精度的影响。利用土壤表面的近红外反射光强来预测土壤含水率,通过归一化处理将反射光强转化为相对吸收深度和相对反射率,采用2种标定方法,分别建立土壤含水率与相对吸收深度之间及土壤含水率与相对反射率之间的线性模型与非线性模型。选取我国东北地区的黑土进行标定,并用独立的试验数据对模型进行检验。结果表明,吸收深度法的线性和非线性模型的预测值和实测值符合度较好。反射率法的线性模型和非线性模型对土壤的含水率预测均方根误差(RMSE)分别为2.89%和2.95%,相对吸收深度法非线性模型的RMSE值明显大于其他3种模型,预测准确度最低。说明不同标定方法会影响土壤含水率的预测结果。4种模型的预测精度能够满足测量要求。     

稻米脂肪含量近红外光谱分析技术研究

 应用近红外光谱（NIRS）分析技术和偏最小二乘法（PLS）建立稻米脂肪定量分析数学模型，并比较糙米粒和糙米粉NIRS数学模型对预测稻米脂肪含量的效果差异。结果表明，当利用糙米粒和糙米粉NIRS数学模型对样品进行预测时，内部交叉验证预测值和真值之间的决定系数（R2）分别为94.44%和95.54%，内部交叉检验的标准差（RMSECV）分别为0.09%和0.08%；外部验证预测值和真值之间的R2值分别为79.51%和87.10%，预测标准差（RMSEP）分别为0.24%和0.26%，平均相对误差（ARE）分别为4.11%和3.30%。内部交叉验证和外部验证结果证明，糙米粒和糙米粉NIRS数学模型均具有较高的预测准确性，可应用于稻米营养品质改良实践。     

长波近红外光谱在土壤总氮分析与稳定性中的应用

[目的]通过定标集、预测集、检验集的建模过程,采用偏最小二乘(PLS)方法结合波段选择建立土壤总氮快速分析的近红外(NIR)光谱模型。[方法]为了避免模型评价失真,基于随机性、相似性和稳定性,提出一种严谨的建模体系。将全谱扫描区(400～2 498nm)分成可见区(400～780 nm)、短波近红外区(780～1 100 nm)和长波近红外区(1 100～2 498 nm)。[结果]经过比较、检验,结果表明长波近红外达到了最好的模型效果和稳定性,最优PLS因子数为8,检验的预测均方根误差(V-SEP)和预测相关系数(V-RP)分别为0.118 g/kg和0.857,得到客观、稳定的预测模型。     

鱼粉粗蛋白含量近红外模型的建立

[目的]为鱼粉粗蛋白含量提供一种快速、低廉、准确可靠的分析方法。[方法]以国内常见鱼粉为材料,使用InfraXact Lab型近红外光谱分析仪测定鱼粉的近红外光谱值,并采用常规凯氏定氮法测定鱼粉样品中粗蛋白含量,建立鱼粉粗蛋白含量的近红外分析模型,并对模型测定结果进行预测准确性评价。[结果]鱼粉粗蛋白含量定标方程的SECV值为0.515,1-VR值为0.865,粗蛋白含量的验证参数SEC值为0.302,RSQ值为0.925,说明定标方程的预测能力较好,可用来进行鱼粉粗蛋白含量的测定。[结论]建立的鱼粉粗蛋白含量近红外分析模型具有一定的实用价值,可用于鱼粉常规养分分析的实际工作。     

基于近红外光谱技术的杉木总酚含量模型构建与应用

【目的】木样总酚含量化学测定耗时长、过程复杂,建立杉木木样总酚含量的快速无损检测模型,对实现木材无损检测及木材腐朽预测具有重要意义。【方法】试验以114个杉木（Cunninghamia lanceolata）木样为研究对象,用福林酚法测定样品总酚含量,利用MPA傅立叶变换光谱仪对杉木木材进行漫反射光谱数据采集。将木样分为校正集和验证集,通过不同光谱预处理方法和建模方法建立总酚的定量模型,选择出最优模型并用验证集对其进行验证。【结果】测定的114个杉木木样中总酚含量变异幅度大,可用于构建近红外模型。对114个杉木木样进行近红外光谱扫描,得出建模光谱范围为9403.9~7498.4 cm-1、6102.1~5446.4 cm-1及4605.5~4242.9 cm-1。对杉木木样的近红外光谱进行预处理,得出最优组合:标准正态变量转换法（SNV）和一阶导数,采用偏最小二乘回归法（PLS）建立模型最优。校正集和交叉验证集的决定系数分别是0.8679和0.7549;校正均方根误差（RMSEE）和交叉验证均方根误差（RMSECV）分别为0.448和0.586,数值均较小且接近,说明模型具有很好稳定性;预测均方根误差（RMSEP）和相对标准偏差（RPD）分别为0.521和2.16,说明模型可进行定量分析。【结论】采用近红外光谱技术检测杉木总酚含量可行,能为木材化学成分快速测定提供一种有效、无损方法。受拟合规则影响,构建的模型虽然不能用于精确定量测定,仍可应用于日常科研和生产检测,在木材材质预测及良种选育等方面具有广阔应用前景。     

甘蔗蔗汁锤度和还原糖分傅立叶变换近红外定量分析数学模型

以傅立叶变换近红外光谱技术为基础，采用透射测定方式和PLS算法，建立蔗汁锤度和还原糖分定量分析数学模型．蔗汁锤度和还原糖分预测数学模型的决定系数(R^2)分别为0．9990和0．9953，均方根差分别为0．1150％和0．0722％，预测误差接近常规分析方法的误差．     

校正变换矩阵法用于多组分食用色素的同时测定研究

[目的]对胭脂红、苋菜红、日落黄3种食用色素进行不经分离的同时测定。[方法]将校正变换矩阵法与可见分光光度法相结合,使用交叉验证法选择主因子数建立了校正模型。[结果]胭脂红的回收率在94.98%～113.69%,苋菜红的回收率在79.25%～104.96%,日落黄的回收率在93.22%～109.27%,13个样品中3种组分的表观预测误差（AET）分别为0.392 72、0.272 930、.200 80。[结论]校正变换矩阵法用于混合食用色素不经分离同时测定是可行的,其预测准确性与偏最小二乘回归法没有显著性差异。