鱼粉中氨基酸近红外光谱定量分析

收集了145个鱼粉样本,应用偏最小二乘（PLS）方法,建立了鱼粉中17种氨基酸和总氨基酸NIRS定标模型。天冬氨酸、蛋氨酸、赖氨酸、苏氨酸、谷氨酸、甘氨酸、丙氨酸、缬氨酸、异亮氨酸、亮氨酸、苯丙氨酸、精氨酸、脯氨酸和总氨基酸的化学分析值与NIRS预测值的决定系数R^2都达到0．87以上,相对标准差均小于10％,相对分析误差均大于3;酪氨酸的决定系数R^2为0．8678,相对标准差为8．65％,相对分析误差为2．77;组氨酸、丝氨酸和半胱氨酸的决定系数R。分别为0．9005、0．7436和0．3541,相对标准差分别为14．19％、17．85％和33．85％,相对分析误差分别为2．96、1．98和1．04。结果表明,利用近红外光谱分析技术能够较准确地检测鱼粉中14种氨基酸;酪氨酸只能进行粗略估测;组氨酸、丝氨酸和半胱氨酸难于进行实际检测。     

基于近红外光谱的掺伪油茶籽油检测

为了探索采用近红外光谱技术检测掺伪油茶籽油的潜力,以12个产地的玉米油、花生油、菜籽油和大豆油为掺杂油,以5个产地的油茶籽油为被掺杂油,制备了455份掺伪质量分数为0、1%、3%、6%、10%、15%和20%的掺伪油茶籽油,采集了所制备样品在833～2 500 nm范围内的近红外光谱。对采集的近红外光谱进行多元散射校正处理后,应用Kennard-Stone样本划分法按2∶1的比例将样本划分为校正集和测试集。采用连续投影算法(SPA)、无信息变量消除算法和竞争性自适应重加权算法提取表征掺伪油茶籽油样本的特征波长,并建立判别掺伪油茶籽油样品的支持向量机(SVM)和随机森林(RF)模型。研究结果表明,SVM模型具有较高的灵敏度,RF模型具有良好的特异性。基于SPA提取的9个特征波长所建立的RF模型的识别准确率最高,为99.34%,对掺伪质量分数为1%的掺伪油茶籽油的识别准确率达到94.74%,对掺伪质量分数为3%及以上的掺伪油茶籽油的识别准确率达到100%。本研究为掺伪油茶籽油检测仪的研发提供了基础数据。     

鱼粉中肉骨粉含量的近红外反射光谱分析

收集了112个鱼粉和34个肉骨粉样品，在鱼粉中掺入不同比例（5％～60％）的肉骨粉，制备了163个样本。应用偏最小二乘（PLS）定标方法，在8678．10～4250．34cm。波数范围内，采用变量标准化（SNV）、7点平滑和一阶导数对光谱进行预处理，建立了鱼粉中肉骨粉含量的NIRS定量分析模型。定标集真值与NIRS定标模型预测值之间的决定系数R^2和标准差RMSEC分别为0．9529和3．22，相对分析误差RPD为4．798。验证集真值与NIRS预测值之间的决定系数r^2及标准差RMSEP分别为0．9668和2．68，相对分析误差RPD为5．484。结果表明．利用NIRS分析技术可准确地检测鱼粉中肉骨粉含量．     

稻谷千粒质量近红外光谱预测模型的波长选择方法

为研究波长选择方法对稻谷千粒质量近红外光谱分析(NIRS)模型预测能力的影响,用偏最小二乘法(PLS),在600~1 100 nm的波长区间,建立稻谷千粒质量的全光谱近红外光谱预测模型,得到模型的内部交叉验证系数为0.714,外部验证决定系数为0.659,内部交叉验证误差和预测误差分别为1.809和1.756。采用相关系数法、互信息法、逐步回归法、无信息变量消除方法、遗传算法和间隔偏最小二乘法对建模波长区间进行选择和优化,再以同样的方法建立稻谷千粒质量NIRS预测模型。结果显示,通过波长选择和优化后,不仅参与建模的波长显著减少,而且所建模型的内部交叉验证和外部验证决定系数均有所增大,交叉验证误差和预测误差均有所减小。其中,采用遗传算法进行波长选择后,所建模型的内部交叉验证和外部验证决定系数最大,分别为0.729和0.710,交叉验证误差和预测误差则分别降低了9.50%和5.72%,是6种方法中最优的。表明经过波长选择后,可以提高稻谷千粒质量近红外光谱预测模型的预测能力。     

鱼粉、豆粕样本-样本二维相关近红外光谱判别

为了探讨利用二维相关近红外光谱法快速判别鱼粉和豆粕饲料原料的可行性,共收集了52个鱼粉、60个豆粕样品,其中34个鱼粉和40个豆粕样品作为定标集,其余18个鱼粉和20个豆粕样品作为独立验证集,用Spectrum400型近红外光谱仪扫描获取光谱,并对其特征峰进行解析.采用样本-样本二维相关分析方法定性判别鱼粉、豆粕,当预处理方法为一阶导数时,判断正确率为100％.与偏最小二乘判别分析方法相比,二者均可正确检测鱼粉、豆粕,其中二维相关方法的建模及验证算法简单、计算量小、运算速度快.     

基于可见/近红外光谱技术的板栗产地识别

采用可见/近红外光谱分析技术对河北和安徽两个产地的板栗进行检测分级,获得板栗样品在600～1100 nm波长区间的可见/近红外光谱,采用偏最小二乘判别分析(PLSDA)进行建模,比较不同预处理方法和波长范围对PLSDA模型精度的影响.结果 显示,不同预处理方法对模型性能影响较大,一阶导数预处理在全波长范围所建PLSDA...     

基于CARS-PLS的食用油脂肪酸近红外定量分析模型优化

采用CARS波长变量挑选方法优化建模,对食用油中4种主要脂肪酸（棕榈酸、硬脂酸、油酸和亚油酸）进行近红外定量分析。应用预测浓度残差法剔除奇异样本后,对样品集光谱进行标准化预处理,通过CARS优选出的波长变量分别建立4种脂肪酸的偏最小二乘法（PLS）模型。与采用OPUS软件自动优化建模相比,CARS法所建模型的决定系数（R2）、交叉校验均方根误差(RMSECV)和预测均方根误差(RMSEP)都优于后者所建模型。CARS法有效地简化了模型,且所挑选出的特征波长较少。     

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.     

基于无人机遥感与随机森林的荒漠草原植被分类方法

荒漠草原是草原中最旱生的类型,属于草原的极限生态状态,也是气候变化和生态系统演变的预警区。利用无人机高光谱遥感技术快速、准确地提取荒漠草原草地植被类型,对动态监测草原生态安全和合理开发草地畜牧业具有重要意义。以无人机搭载高光谱成像系统采集内蒙古荒漠草原遥感图像,获得具有高空间分辨率和高光谱分辨率的图像;通过光谱连续统去除变换,增强草地植被之间的光谱差异,并构建植被指数;采用分步波段选择法选择荒漠草原植被的特征波段,实现高光谱数据降维;构建融合光谱特征、植被特征、地形特征和纹理特征等24个变量的随机森林分类模型,并与支持向量机（SVM）、K-最近邻（KNN）和最大似然分类（MLC）法进行比较。结果表明,在4种分类方法中随机森林分类算法分类效果最好,总体分类精度达到91.06%,比SVM、KNN和MLC等机器学习算法分别高7.9、15.61、18.33个百分点,Kappa系数达到0.90,比SVM、KNN和MLC算法分别高0.13、0.23和0.26。无人机高光谱低空遥感和随机森林算法的结合为荒漠草原草地植被分类提供了新途径。     

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。     

双孢蘑菇硬度的近红外漫反射光谱无损检测

以双孢蘑菇为试验材料,基于近红外漫反射光谱定量分析技术,研究其贮藏期间硬度无损检测模型的建立方法.采用偏最小二乘法对双孢蘑菇的近红外光谱进行分析,并且比较了4种(一阶导数、二阶导数、标准正交变量变换、多元散射校正)光谱预处理方法的建模结果.试验结果表明,在选定的光谱(5000～10000cm-1)范围内,二阶导数光谱预处理方法所建模型效果最佳,其校正决定系数为0.947 1,验证决定系数为0.826 1,说明基于近红外漫反射光谱的检测方法简便易行,可用于无损评价双孢蘑菇贮藏期间硬度的变化.     

近红外光谱数据建模方法的研究进展

应用化学计量学对近红外光谱数据进行建模是近红外光谱分析中的难点和关键。随着研究的深入,现有分析建模的改进算法和新方法的应用不断出现。本文详细阐述了数据预处理、定性和定量建模优化方法的研究进展。在降噪消噪方法中,小波(WT)变换是最为常用和有效的工具,应用非常广泛。波长优化选择方法是现在研究的重点之一,主要有遗传算法(GA)、无信息变量消除方法(UVE)和连续投影算法(SPA)等。在模型优化算法中,主要是在偏最小二乘法(PLS)、人工神经网络(ANN)和支持向量机(SVM)的基础上提出多种改进算法,能够更加有效地优化模型。但每种算法各具优点的同时也存在着一定的局限性,对于不同类型待测物的数学模型,优化的方法也有所不同,所以在实际应用中将多种数学挖掘方法结合,相互取长补短,将成为今后研究趋势。      

基于变量选择的小麦粗蛋白含量近红外光谱检测

小麦粗蛋白含量是其品质评价的重要指标,为探讨基于选择的短波近红外光谱变量定量判别小麦籽粒粗蛋白的可能性,采集了52份小麦籽粒样本,用湿化学方法分析其粗蛋白含量,获取其900~1700nm波段的光谱,进而利用该光谱进行预处理方法的优化研究及小麦籽粒蛋白敏感变量的优选研究,以偏最小二乘的方法建立了基于短波近红外光谱的小麦籽粒蛋白定量模型。结果表明：多元散射校正和小波变换结合是短波近红外光谱定量判别小麦籽粒粗蛋白含量较优的预处理方法;利用200次竞争性自适应重加权变量优选的统计结果,优选出1028、1158、1199、1367、1407、1445、1478、1494、1550、1584、1661、1686nm 12个变量为小麦籽粒蛋白敏感变量,占全谱的2%,该方法可稳定、高效地优选光谱变量,降低水分对模型的影响;结合预处理优化及变量优选建立偏最小二乘模型,模型预测决定系数和预测均方差分别为0.961和0.369。可见优选的短波近红外光谱变量可用于定量判别小麦籽粒粗蛋白含量。     

近红外玉米品种鉴别系统预处理和波长选择方

以7个品种玉米籽粒的鉴别系统为研究对象,对比研究了6种预处理方法和波长选择对模型鉴别能力的影响.结果表明,在被比较的6种预处理方法中,一阶导数方法能够使模型有更好的鉴别性能.使用一阶导数预处理和全光谱区的模型平均正确识别率和正确拒识率最高,分别为98.6%和98%,有5个品种的模型的正确识别率和正确拒识率都达到了100%.波长选择对一阶导数模型没有明显作用,但能使标准正态变量变换和矢量归一化模型鉴别准确度得到较大提高.     

基于随机森林算法的农耕区土地利用分类研究

基于随机森林算法,采用多季节、多时相光谱信息、纹理信息和地形信息进行分类研究,选出最佳分类方案对农耕区土地利用信息进行提取,并利用随机森林算法对所有特征变量进行降维,将降维后的变量分别用于随机森林、支持向量机和最大似然分类法,分析不同分类方法对农耕区土地利用类型提取的适用性。研究结果表明:基于随机森林算法的多源信息综合分类方案进行土地利用信息提取效果最佳,总体精度85.54%,Kappa系数0.835 9;利用随机森林算法进行特征选择可以在有效降低数据维度的同时保证分类精度;3种分类方法中,随机森林算法总体分类精度81.08%,分别较支持向量机和最大似然法高9.46%和5.27%。利用随机森林分类法结合多源信息能够有效对农耕区土地利用类型进行分类,为土地类型的划分提供了快捷可行的方法。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。     

基于随机森林模型的山体滑坡空间预测研究

滑坡灾害空间分布的准确预测是实现防灾减灾的重要途径。以2010年福建省顺昌地区滑坡资料为基础数据,分别应用随机森林模型和逻辑回归模型对福建顺昌地区山体滑坡发生与滑坡因子之间的关系进行实证分析,通过模型变量筛选、模型精度分析,探讨了随机森林模型在我国南方山体滑坡空间预测中的适应性。结果表明:随机森林模型对滑坡发生数据的拟合效果比逻辑回归模型好,其对顺昌地区滑坡发生数据的预测精度为90.8%,而逻辑回归模型的预测精度为81.8%;随机森林模型对研究区滑坡发生的泛化能力比逻辑回归模型好,其预测出高危险区和较高危险区所包含的滑坡比总和为66.05%,而逻辑回归模型为63.34%。研究结果表明随机森林模型的性能优于逻辑回归模型,可用于顺昌地区基于滑坡因子的未来滑坡发生的预测预报。     

基于MC—UVE的土壤碱解氮和速效钾近红外光谱检测

应用可见/短波近红外光谱分析测量土壤碱解氮和速效钾含量.为了提高该分析方法的预测精度,消除无信息建模变量对模型稳定性的影响,原始光谱平滑后采用蒙特卡罗无信息变量消除方法(MC-UVE)对土壤碱解氮和速效钾的建模变量进行筛选,应用偏最小二乘方法(PLS)建立校正模型.对于碱解氮模型,采用MC-UVE PLS方法,建模变量减少为210,相关系数和预测均方差分别为0.84和17.1 mg/kg.对于速效钾的预测模型,采用MC-UVE方法后,建模变量减少为150,模型的预测相关系数为0.76,预测均方根误差为15.4 mg/kg.