近红外光谱法鉴别6种根茎类中药材

为建立山豆根、百两金、千斤拔、北豆根、滇豆根、云南豇豆等6种易混淆根茎类中药材的快速鉴别方法,利用近红外漫反射光谱分别采集其在900~1 700 nm内的光谱信息,结合主成分分析、系统聚类分析、K近邻法、线性判别分析建立定性判别模型。结果显示,6种药材在主成分分析及系统聚类分析中表现出了明显的分类聚集特征,K近邻法和线性判别分析对46个药材盲样的鉴别准确率分别达到了93.48%和95.65%。结果表明,近红外漫反射光谱结合模式识别方法可用于根茎类中药材的定性鉴别。     

近红外光谱法快速鉴别真伪平谷大久保桃

［目的］实现对真伪平谷大桃的快速鉴别。[方法］选用65个当地果园的平谷大久保桃和115个其他产地大久保桃进行试验,使用傅立叶近红外光谱仪对样品进行吸收光谱扫描,采用OPUS化学计量学分析软件对样品的光谱进行处理。［结果］通过对光谱全波段的考察,发现在7500-4000cm-1波段范围信息量较丰富,区别较大,选取此光谱区域进行后续处理。经一阶导数＋矢量归一化预处理,利用因子化法、合格性测试和主成分分析法（PCA）建立平谷大久保桃的鉴别模型,结果表明所建立的3种模型都能准确鉴别真伪平谷大久保桃,鉴别正确率高于95%。［结论］采用近红外光谱结合模式识别技术可快速、准确地鉴别平谷大久保桃的真伪。     

近红外光谱法对食用植物油品种的快速鉴别

以食用植物油为研究对象,建立了一种用近红外光谱技术鉴别食用植物油品种的方法。分别采用系统聚类法、主成分分析法、BP人工神经网络法进行了4个常用品种食用植物油的鉴别研究。结果表明,系统聚类法和主成分分析法均只能鉴别出4种植物油中的大豆油和花生油,不能识别玉米油和芝麻油,鉴别率仅为31.2%;利用BP人工神经网络法将60个校正集样品的11个主成分数据作为BP网络输入变量,建立的3层BP人工神经网络鉴别模型对4种植物油品种的鉴别效果最优,鉴别率为100%,表明BP人工神经网络法具有很好的分类和鉴别常用食用植物油品种的效果。     

基于近红外光谱和聚类法的信阳毛尖的年份鉴别

利用近红外光谱技术可以对茶叶进行快速无损的成分检测。对40种不同年份的信阳毛尖茶进行光谱分析,比较差异,进而对其年份进行鉴别、预测。结果表明,不同年份的毛尖茶在光谱结构上大致相同,仅由于年份差异导致的化学成分的变化而引起光谱在波峰的尖锐程度有所不同。利用聚类法对不同年份的毛尖茶样本进行聚类分析,发现其聚类特性明显,识别准确率为100%。     

采用近红外漫反射光谱法快速鉴别水貂等动物心脏

水貂心作为名贵中药是生产利心丸的主要原料,水貂心的真伪决定利心丸的真实及可靠疗效。建立快速鉴别水貂心脏真伪的方法,为原料控制、保证药品质量提供可靠的实验数据和依据。本试验采用近红外光谱法,对水貂、家鸡、山鸡、野鸭等动物心脏进行聚类分析,建立鉴别聚类分析模型,对水貂、家鸡、山鸡、野鸭等动物心脏进行正确鉴别。结果表明,聚类分析结果良好,所建立的鉴别分析模型能对水貂、家鸡、山鸡、野鸭等动物心脏进行正确鉴别。利用近红外光谱鉴定水貂、家鸡、山鸡、野鸭等动物心脏是可行的。     

快速检测仪鉴别食用油品质

随着我国人们生活水平的提高,人们越来越关注食品安全,所以加强对当前食用油品质的检测是非常重要的,是保证食用油品质的重要途径,而想要实现这一目标必须借助科学的检测方法,所以本文就针对这一问题探讨了如何快速检测仪2min鉴别食用油品质。     

基于近红外光谱茶叶种类的快速识别

分别应用2种不同型号近红外分析仪测定4个不同种类茶叶的光谱曲线,对不同的光谱数据预处理方式和不确定因子系数进行比较,确立最优定性判别定标模型.结果表明,NIRsysterns6500型分析仪对不同种类茶叶的准确识别率达100%,效果较好.这种利用近红外光谱的判别技术可对茶叶的种类进行快速识别.     

近红外光谱法快速测定废水生化需氧量

采用透射法采集了污水处理厂废水120个样品的近红外光谱数据,以采用标准稀释法测得的5 d废水生化需氧量为参考值建立废水BOD近红外预测模型.研究比较了以逐步多元线性回归(SMLR)、主成分回归(PCR)、偏最小二乘法(PLS)3种校正方法建立的废水生化需氧量(BOD)预测模型,发现PLS校正模型优于其余2种,其校正相关系数(rc)达0.763,校正标准差为27.7 mg.L-1,预测标准差为29.1 mg.L-1.结果表明,近红外光谱技术可成为废水BOD快速检测的新手段.     

基于近红外光谱法快速检测藜麦纤维含量

[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法.[方法]采集100个藜麦样品的近红外光谱,运用近红外光谱分析技术建立数学模型并进行预测.[结果]在10 000～4 000cm-1波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗纤维近红外定量模型,校正和预测效果最佳,所得的粗纤维近红外定量模型的交叉验证决定系数(R2cv)为0.884 8,外部验证决定系数(R2val)为0.876 1.[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测.     

基于近红外光谱法快速检测藜麦纤维含量

[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法。[方法]采集100个藜麦样品的近红外光谱,运用近红外光谱分析技术建立数学模型并进行预测。[结果]在10 000~4 000 cm~(-1)波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗纤维近红外定量模型,校正和预测效果最佳,所得的粗纤维近红外定量模型的交叉验证决定系数为0.884 8,外部验证决定系数为0.876 1。[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测。     

基于近红外光谱法快速检测藜麦淀粉含量

为研究一种简便的藜麦粗淀粉含量测定方法,在10 000~4 000 cm-1波数范围内,采集100个藜麦样品的近红外光谱,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗淀粉近红外定量模型。结果表明,该模型校正和预测效果最佳,所得粗淀粉近红外定量模型的交叉验证决定系数(r_(cv)~2)为0.914 7,外部验证决定系数(r_(val)~2)为0.903 1。由结果可知,基于近红外光谱(NIR)法测定藜麦完整籽粒的淀粉含量是完全可行的。     

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.     

近红外光谱法快速测定欧美杨戊聚糖含量

利用欧美杨近红外光谱数据和戊聚糖含量数据,采用一种多模型建模方法,实现了对欧美杨戊聚糖含量的快速预测.预测值与试验值的相关系数为0.935 0,均方差系数为0.336 7,预测结果的平均相对误差为0.012 8.为进一步减小预测误差,对光谱数据进行了一种函数变换,将函数变换方法与多模型方法结合重新建模,预测值与试验值的相关系数增大为0.957 4,均方差系数减小为0.245 8,预测结果的平均相对误差减小为0.008 2.文中方法可以尝试应用于欧美杨其他化学成分含量的测定.     

基于近红外光谱法的水稻秸秆可溶性糖快速检测

采集并制备不同地域、不同品种的水稻秸秆样本288个,根据浓度梯度法,按照31的比例划分校正集与验证集。采用蒽酮硫酸比色法测定试验样本中可溶性糖含量,并采集在近红外全波段(10 000~4 000cm-1)范围内样本的近红外光谱信息。采用多元散射校正(MSC)、标准正态变量变换(SNV)、导数、S-G平滑及其组合方法对光谱进行预处理,分别运用逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)化学计量学算法,建立基于近红外光谱的逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)定量分析模型。通过比较分析,对光谱进行一阶导数预处理,建立的PLS模型效果最优,校正集实测值与预测值之间的决定系数R2C达到0.880 6,交互验证决定系数(R2CV)和验证集决定系数(R2V)分别为0.771 1、0.857 8,均方根差RMSEC、RMSECV、RMSEP分别为0.318%、0.440%、0.404%,校正集相对分析误差(RPDC)和验证集相对分析误差(RPDV)均大于2.5。结果表明,采用近红外光谱法建立的PLS模型基本可以实现水稻秸秆中可溶性糖含量的快速检测。     

基于近红外光谱法的藜麦脂肪含量快速检测

为了探索一种快速测定完整藜麦(Chenopodium quinoa Willd)子粒脂肪含量的方法,采集100个藜麦样品的近红外光谱,运用近红外光谱法建立数学模型并进行预测。结果表明,在10 000~4 000 cm-1波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗脂肪近红外光谱定量模型,校正和预测效果最佳,所得的粗脂肪近红外定量模型的交叉验证决定系数(R2cv)为0.939 3,外部验证决定系数(R2val)为0.9235。建立的脂肪近红外光谱模型,可以用于藜麦脂肪含量的快速检测。     

基于层次和模糊聚类分析法的土壤肥力评价

针对新疆加工番茄产区没有有效的土壤肥力评价问题,提出了一种土壤肥力评价方法。通过层次分析法赋予土壤肥力各影响因子不同的权重,然后通过模糊聚类分析法对试验区不同样本地块进行等级分类。结果表明,土壤肥力评价结果符合实际情况,评价方法具有科学性和可行性,可以用于土壤肥力评价指导。     

近红外光谱法快速测定烟草中淀粉含量

[目的]快速测定烟草中淀粉的含量。[方法]采用近红外(NIR)漫反射光谱仪扫描140个烤烟烟叶样品,连续流动法测定其淀粉的含量,多种参数方法对谱图进行处理,最后选择消除常数法对光谱进行预处理和偏最小二乘法对数据进行拟合,建立了烤烟中淀粉的NIR预测模型,并对这些模型进行了外部验证。[结果]淀粉的预测值与连续流动法测定值的平均相对偏差均在5%以内,精密度RSD均小于5%。[结论]该模型可快速测定烟叶中淀粉的含量,对控制烟草调制过程中淀粉的转化和烟草制品中的淀粉含量具有重要意义。     

近红外光谱法快速检测藜麦蛋白含量

[目的]建立一种藜麦粗蛋白含量快速、无损、简便的测定方法,为藜麦的资源评价和品质育种提供技术支持.[方法]以100份藜麦种质资源为材料,其中80％为校正集,20％为验证集,扫描得到藜麦近红外原始光谱,利用OPUS/QUAN T5.5光谱定量分析软件建立藜麦蛋白质含量的快速检测模型.[结果]采用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法测定数据建立藜麦粗蛋白近红外定量模型,校正和预测效果最好,藜麦粗蛋白近红外定量模型的交叉验证决定系数为0.9182,外部验证决定系数为0.9151.[结论]基于近红外光谱法(NIRS)测定藜麦籽粒的蛋白含量是完全可行的.     

近红外漫反射光谱法用于不同人参种子的鉴别

目的建立近红外漫反射光谱法鉴别不同种类的人参及西洋参种子。方法利用近红外光谱(NIRS)法对不同产地和种类的人参及西洋参种子样品进行聚类分析并建立了鉴别分析模型。结果聚类分析结果良好,所建立的鉴别分析模型能有效地判别人参及西洋参种子的类别。结论近红外光谱法能够实现人参及西洋参种子的快速无损分析,为区分不同种类的人参及西洋参种子提供了一个客观的评价方法。     

林业上市企业财务风险评价研究——基于因子分析法和聚类分析法

以33 家林业上市企业作为样本,通过因子分析法对其2014年的主要财务指标进行分析,识别影响林业企业财务风险的主要因素,构建林业上市企业的财务风险评价模型,对林业上市企业的财务风险程度进行打分和排序;并采用聚类分析法根据样本企业的财务风险程度将林业公司归集为良好、一般、高风险三类。针对林业公司普遍存在的财务风险,应制定相应对策。