南丰蜜桔可溶性固形物近红外特征波段选择

探讨了在350～1 800 nm波段范围内不同光谱预处理方法对提高模型预测能力和稳定性的作用,但其效果不如间隔偏最小二乘法显著.通过间隔偏最小二乘特征波段选择方法,确定了南丰蜜桔可溶性固形物特征波段为:642～787 nm、861～1 006 nm、1 080～1 152 nm和1 226～1 371 nm.采用30个未参与建模的南丰蜜桔样品,预测特征波段建模模型,预测模型的相关系数为0.95,预测均方根误差为0.55°Birx.结果表明:近红外光谱技术结合间隔偏最小二乘特征波段选择方法,可以提高南丰蜜桔可溶性固形物无损检测数学模型预测能力和稳健性.     

南丰蜜桔可溶性固形物近红外特征波段选

探讨了在350～1800nm波段范围内不同光谱预处理方法对提高模型预测能力和稳定性的作用,但其效果不如间隔偏最小二乘法显著。通过间隔偏最小二乘特征波段选择方法,确定了南丰蜜桔可溶性固形物特征波段为：642～787nm、861～1006nm、1080～1152nm和1226～1371nm。采用30个未参与建模的南丰蜜桔样品,预测特征波段建模模型,预测模型的相关系数为0.95,预测均方根误差为0.55°Birx。结果表明：近红外光谱技术结合间隔偏最小二乘特征波段选择方法,可以提高南丰蜜桔可溶性固形物无损检测数学模型预测能力和稳健性。     

苹果可溶性固形物近红外在线光谱变量优选

为简化近红外光谱模型,提高对苹果可溶性固形物含量的预测精度,将移动窗口偏最小二乘法(MWPLS)与遗传算法、连续投影算法相结合优选特征变量,建立偏最小二乘回归校正模型。其中移动窗口偏最小二乘法和遗传算法相结合优选的36个光谱变量建立的校正模型预测结果最好,可以有效筛选近红外光谱特征波长,模型预测相关系数为0.90,模型的预测均方根误差为0.70°Brix。     

近红外透射光谱无损检测赣南脐橙糖度的研究

探讨了近红外透射光谱无损检测赣南脐橙内部糖度指标的可行性,并建立近红外透射光谱与赣南脐橙内部糖度指标之间的关系.以80个赣南脐橙为研究对象,利用透射光谱测定法获取完整赣南脐橙的近红外光谱(200～1100nm),选取不同的光谱波段范围对水果样本的透射光谱进行有效信息的提取,并结合多元线性回归(MLR)、主成分回归(PCR)和偏最小二乘法(PLS)3种不同的数学校正方法对赣南脐橙的糖度(SC)进行定量分析.实验结果为:在550～900nm波段范围内,PLS校正模型的预测精度最好,其相关系数为0.9032,预测样本均方根误差为0.2421.实验结果表明,近红外透射光谱可以作为一种准确、可靠、无损的检测方法,用于检测赣南脐橙内部的糖度指标.     

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。     

银杏叶总黄酮含量近红外光谱检测的特征谱区筛选

通过区间偏最小二乘法(iPLS)谱区筛选方法、反向区间偏最小二乘法(biPLS)谱区筛选方法和联合区间偏最小二乘法(siPLS)谱区筛选方法优化光谱特征区间,建立黄酮含量分析模型,并与波数范围为4 000～8 000 cm-1的全光谱偏最小二乘(PLS)模型进行比较。结果表明,采用siPLS谱区筛选方法将全光谱均匀划分21个子区间,选择两个子区间(7、12区间)联合时,建立的siPLS谱区筛选模型预测效果最佳,其交互验证均方根误差和预测均方根误差分别为2.950 0和3.000,校正集和预测集相关系数分别为0.938 4和0.943 7。因此采用siPLS谱区筛选方法可以有效选择光谱特征区域,提高建模预测能力,实现银杏叶总黄酮含量的快速检测。     

梨可溶性固形物含量NIR与变量筛选无损检测

为提高利用近红外光谱技术快速检测梨可溶性固形物含量的精度和稳定性,结合区间偏最小二乘和遗传算法（iPLS-GA）来筛选校正模型中的特征光谱区和变量,通过交互验证法确定模型中的主成分因子数和筛选的变量,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型评价标准。试验结果显示：iPLS-GA最优模型包含5个光谱区、50个变量和10个主成分因子。最佳预测模型相关系数（Rp）和RMSEP 分别为0.9398和0.3250,研究结果表明近红外光谱结合iPLS-GA算法可以准确、无损检测梨的可溶性固形物含量。     

苹果可溶性固形物近红外光谱在线检测影响因素研究

光谱仪的性能和样品运动速度是影响近红外光谱在线检测精度的重要因素.三款配置了不同光栅的短波光谱仪被用于在线检测苹果的可溶性固形物含量.分别考察不同光谱仪和五种苹果运动速度对苹果可溶性固形物在线检测精度的影响.经比较,在0.190m/s速度下,使用QE65000光谱仪建立的偏最小二乘模型预测结果最优.最优预测模型的相关系数为0.814,预测均方根误差为0.776.Brix.结果表明选择合适的样品运动速度和光谱仪可提高苹果可溶性固形物在线检测的精度.     

特征变量筛选在近红外光谱测定绿茶汤中茶多酚的应用

利用化学计量学方法从绿茶汤近红外光谱中提取茶多酚光谱信息,建立茶多酚近红外光谱定量分析模型.光谱采集使用5 mm光程的石英比色皿,利用联合区间偏最小二乘法(siPLS)筛选特征光谱区间,然后在筛选的光谱区间内进一步利用遗传算法(GA)优选特征变量.结果表明,siPLS筛选的特征光谱区间避开了水的强吸收峰影响,利用GA在筛选的特征光谱区间内优选出166个特征变量建立PLS模型,模型预测集均方根误差为0.685％,相对标准差为5.26％,相对分析误差为3.22,所建模型能达到精度要求,可用于实际检测.     

鲜枣可溶性固形物可见/近红外光谱检测建模方法比较

对采摘于一枣园的180个壶瓶枣样本,随机分成150个样本校正集和30个样本预测集。用FieldSpec3光谱仪采集光谱,并进行多元散射校正(MSC)预处理,之后分别利用连续投影算法(SPA)和逐步回归法(SRA)提取特征波长,并结合光谱理论分析确定,再分别基于偏最小二乘法(PLS)和最小二乘-支持向量机(LS-SVM)建立壶瓶枣可溶性固形物含量预测的简化模型和全波段模型。结果表明,全波段PLS模型预测的相关系数和预测均方根误差分别为0.887 4和1.088 9,预测效果最好;建立的MSC-SPA-PLS模型预测的相关系数和均方根误差分别为0.799 0和1.407 8,建立的MSC-SRA-PLS模型预测的相关系数和均方根误差分别为0.822 4和1.3851,与全波段的MSC-PLS相比,精度均降低;建立的MSC-SPA-LS-SVM模型预测的相关系数和均方根误差分别为0.796 3和1.145 8,与全波段的MSC-LS-SVM相比,精度提高;建立的MSC-SRA-LS-SVM模型预测精度很低,不适用。     

采用表面增强拉曼光谱技术快速检测脐橙果皮中抑霉唑残留

由于采后处理过程中脐橙保鲜剂抑霉唑易通过果皮渗进果肉中残留,不慎食用后会对人体产生危害。因此,本研究探索一种基于表面增强拉曼光谱技术（Surface-Enhanced Raman Spectroscopy,SERS）的脐橙果皮中抑霉唑残留的快速检测方法。首先对SERS检测条件进行优化,分别确定了最优的检测条件为反应时间2 min,金胶加入量400 μL,NaBr作为电解质溶液且加入量为25 μL。基于以上最优检测条件,以自适应迭代惩罚最小二乘法（Adaptive Iterative Reweighted Penalized Least Squares,air PLS）、air PLS+归一化、air PLS+基线校正、air PLS+一阶导数、air PLS+标准正态变量（Standard Normal Distribution,SNV）和air PLS+多元散射校正（Multiplicative Scatter Correction,MSC）处理后的6组光谱数据为研究对象,分别采用这6种光谱预处理法建立支持向量回归（Support Vector Regression,SVR）模型并对预测性能进行比较后发现,air PLS方法所建立模型的预测集相关系数（Coefficient of the Determinant for the Prediction Set,R_P）最大,预测集均方根误差（Root-Mean-Square Error of Prediction,RMSEP）最小。对光谱数据进行主成分分析（Principal Component Analysis,PCA）特征提取,选择前7个主成分得分作为SVR预测模型的输入值。采用SVR、多元线性回归（Multiple Linear Regression,MLR）和偏最小二乘回归（Partial Least Squares Regression,PLSR）三种建模方法分析比较其对应的预测性能,其中SVR模型的预测集R_P可高达0.9156,预测集RMSEP为4.8407 mg/kg,相对标准偏差（Relative Standard Deviation,RPD）为2.3103,表明基于SVR算法对脐橙表面抑霉唑残留的预测值越接近实测值,越能有效提高模型预测准确性。试验结果表明,利用SERS结合PCA及SVR建模,可实现对脐橙果皮中抑霉唑残留的快速检测。