基于最小二乘支持向量回归的鹅肉弹性的可见-近红外光谱测定

为简化鹅肉弹性的可见-近红外光谱模型和提高预测精度,采用联合区间偏最小二乘法(synergyinterval partial least square algorithm,siPLS)结合遗传算法(Genetic algorithm,GA)提取可见-近红外光谱特征波长,用最小二乘支持向量回归(least square support vector for regression,LSSVR)建立鹅肉弹性的预测模型。试验以万能试验机获取恢复距离S作为鹅肉弹性实际值。在模型建立过程中,先利用sym8小波的2层分解对原始的可见-近红外光谱进行光谱预处理;然后用siPLS优选出4个特征光谱子区间(分别为第3、5、9、13子区间),在这4个特征光谱子区间内继续用GA优选出74个特征波长,并建立基于LSSVR的鹅肉弹性的预测模型。模型预测集的决定系数(R2)和预测均方根误差(root mean squarederror of prediction,RMSEP)分别为0.9096和0.0588。试验结果表明,siPLS结合GA法能够有效提取光谱中的鹅肉弹性对应的特征波长,有利于提高LSSVR模型预测鹅肉弹性的精度。     

基于dbiPLS-SPA变量筛选的固态发酵湿度近红外光谱检测

为了提高基于近红外光谱技术的固态发酵关键过程参数——湿度快速检测的精度和稳定性,研究采用动态反向区间偏最小二乘（dbiPLS）法结合连续投影算法（SPA）进行最佳光谱子区间和特征组合变量的筛选,通过交互验证法确定偏最小二乘（PLS）模型的主成分因子数,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型的评价标准。试验结果显示,最佳dbiPLS-SPA模型筛选的组合变量个数为8,其RMSEP和Rp分别为1.1795%（质量分数）和0.9430。试验结果表明,dbiPLS-SPA是一个有效的波长组合变量筛选方法,可简化模型结构、增强模型精度和稳健性。     

基于可见/近红外反射光谱的梨树叶片钾含量的快速测定研究

利用可见/近红外反射光谱定量分析技术对梨树鲜叶钾素含量进行快速测定研究。对150个梨树叶片样本进行光谱扫描,其中120个做建模集,30个做验证集。通过对样品的可见/近红外光谱进行多种预处理,并建立钾素预测模型,探讨了可见/近红外光谱数据预处理对预测精度的影响。结果表明,通过原始光谱与S-G(3)平滑相结合的预处理方法,用17个主成分建立的偏最小二乘法模型最好,其交叉验证集和预测集模型的决定系数(R2)分别为0.722 7和0.679 1,交叉验证均方根误差(RMSECV)为1.171,预测的平均相对误差为6.81%,能高效、快速地预测梨树叶片钾素含量,为梨树钾素快速测定提供了新的手段。     

赣南脐橙园土壤全磷和全钾近红外光谱检测

为建立一种能够同时快速检测土壤全磷和全钾的定量估计模型,该文采用近红外漫反射技术对赣南脐橙果园的土壤进行研究,对56个土样风干、过筛,然后进行光谱采集和化学分析。光谱经过Savitzky-Golay平滑后再用一阶微分变换的方法进行预处理,分别应用偏最小二乘回归（partial least square regress PLS）、主成分回归（principal component regression PCR）和最小二乘支持向量机（least squares support vector machine LS-SVM）3种方法,在4 000～7 500 cm-1波数范围内,建立赣南脐橙果园土壤全磷和全钾快速定量检测模型。结果发现在建立土壤全磷模型时,PLS和PCR的预测模型效果均不理想,但LS-SVM建立的模型较为理想, 其预测相关系数（correlation coefficient of prediction RP）为0.884,预测集均方根误差（the root mean square error of prediction RMSEP）为0.341,预测相对分析误差（residual predictive deviation RPD）为2.59。在建立土壤全钾模型时,PLS、PCR和LS-SVM 建立3种模型效果均理想,其中以LS-SVM模型最理想,其预测相关系数（RP）为0.971,预测集均方根误差（RMSEP）为0.714,预测相对分析误差（RPD）为5.12。研究表明,采用LS-SVM建立的土壤全磷和全钾模型对实现土壤全磷和全钾含量快速检测具有可行性。     

应用近红外光谱法测定土壤的有机质和pH值

为了满足精细农业对土壤快速实时测试的需要,对未经过粉碎、过筛等处理的土壤,采集了4000～12500 cm-1范围的近红外光谱。研究了土壤的光谱特性,并采用偏最小二乘回归分析方法建立了一阶微分光谱的光谱吸光度与有机质含量和pH值之间的定量分析模型。试验分析表明：有机质的预测相关系数为0.818,预测标准偏差SEP为0.069,预测均方根误差为RMSEP为0.085;pH值的预测相关系数为0.834,SEP为0.095,RMSEP为0.114。表明采用近红外光谱仪经一阶微分处理可以很好地预测经过简单处理的土样中的有机质含量和pH值, 该结论为今后田间快速土壤特性光谱测量奠定了基础。     

基于近红外光谱技术快速鉴别不同产地金银花

应用MicroNIR 1700微型近红外光谱分析仪采集不同产地金银花样品的漫反射光谱,获得数据501份,采用KS (Kennard-Stone)方法对样品集进行划分,通过不同光谱预处理方法,利用偏最小二乘判别分析法(PLS-DA)建立判别模型。结果显示,采用二阶导数和标准正态变量预处理光谱,金银花产地判别模型正确判别率可达100%。结果表明,不同产地来源金银花的近红外光谱特征有显著差异,使用便携式近红外方法可准确判别金银花产地。该方法可推广作为现场应用,具有较好的实际应用价值。     

基于遗传算法的波长选择方法对土壤有机碳预测模型影响

以黑龙江农田黑土为研究对象,利用遗传算法(GA)波长选择结合偏最小二乘法(PLS)回归建立土壤有机碳(SOC)的预测模型。通过设定以下GA参数:波长选择数量上限k、初始种群大小P及迭代次数N,采用单点优化方式逐一确定各参数。结果表明,在主成份数为7的情况下,当GA的参数取N=300、P=300、k=50时,GA模型最优;模型的校正决定系数R2=0.922、校正均方根误差RMSEC=1.74、交叉检验均方根误差RMSECV=1.80;模型的预测决定系数R2=0.931、预测均方根误差RMSEP=1.84、预测相对误差RPD=3.81。与原始光谱的PLS模型相比,R2由0.900提升至0.922,RPD由3.38提升至3.81。结果表明,通过GA进行波长选择能够优化模型,提升模型稳定性以及预测精确性。     

用偏最小二乘法及傅立叶变换近红外光谱快速检测白酒酒精度

为了得到白酒工业中酒精度的快速检测技术,将偏最小二乘法与傅立叶变换近红外光谱相结合,通过解析白酒样品的近红外光谱图和对光谱进行不同的预处理,结果表明：用最大最小归一化法预处理光谱,光谱范围选择9747.1～7498.3 cm^-1和6102～5446.3 cm^-1,采用内部交叉验证建立模型,决定系数(R²)为99.99%,交互验证均方根差(RMSECV)为0.165%,主成分数为4,此条件下建模效果较好;模型进行验证结果表明预测集相关系数(R²)为99.80%,预测标准偏差(RMSEP)为0.264%,模型的预测效果很好,具有较高的精密度和良好的稳定性,能满足生产中白酒酒精度的快速检测要求。     

精料补充料中肉骨粉含量的近红外光谱检测

为了保证饲料安全,精料补充料中肉骨粉的检测是十分必要的。该文探讨了精料补充料中肉骨粉含量的近红外光谱分析方法,123个样品作为校正集,采用偏最小二乘法(PLS),分别对光谱进行散射校正和卷积平滑、一阶微分、二阶微分预处理建立校正模型,以最大的决定系数(R²)和最小的标准差(RMSEC)为选择依据,通过比较,以多元散射校正和卷积平滑处理与二阶微分相结合的处理效果最好,其预测值与测量值的决定系数(R²)和标准差(RMSEC)分别为0.9751和0.437。34个样品作为检验集进行外部验证,决定系数(r²)和标准差(RMSEP)分别为0.9749和0.420,平均绝对误差和相对误差分别为0.326和13.89％。结果表明,利用近红外分析技术可以检测精料补充料中肉骨粉的含量。     

基于近红外光谱的土壤全氮含量估算模型

土壤全氮是诊断土壤肥力水平和指导作物精确施肥所需的重要信息,建立土壤全氮的近红外光谱估测模型并对建模波段进行优化选择对于土壤养分信息快速获取和精确农业发展具有重要意义。该研究以中国中、东部地区5种主要类型土壤为研究对象,利用近红外光谱仪采集土壤样品的光谱信息,结合近红外区域分子振动特点选取全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段,采用多元散射校正等多种预处理方法组合进行处理,结合偏最小二乘法(PLS)对每个波谱区域进行定标建模。结果表明,利用4000～5500cm-1波谱区域结合附加散射校正处理过的原始光谱建立的模型精度表现最好,其内部互验证决定系数达到0.90,均方根误差为0.16。经不同类型土壤的观测资料检验,模型验证决定系数为0.91,均方根误差为0.15,相对分析误差RPD为3.40,表明模型具有极好的预测能力。因此,利用近红外光谱可以实现土壤全氮的快速估测,且以合频波段(4000～5500cm-1)为建模区域可以得到更好的预测效果。     

茶叶咖啡碱近红外光谱模型简化方法

该文以茶叶为研究对象,以近红外光谱分析技术快速检测茶叶中的咖啡碱含量为目的,采用一种小波包分析-移动窗口偏最小二乘法（WPA-MWPLS）的处理光谱数据方法,即利用小波包精细的多层分解功能扣除背景、降低噪声的影响,利用移动窗口偏最小二乘法（MWPLS）挑选与茶叶中咖啡碱相关性较大的波数区间使用偏最小二乘法建立校正模型。与只经过Savitzky–Golay预处理后直接利用PLS所建模型相比,采用小波包分析-移动窗口偏最小二乘法使得预测相关系数R由0.9170提高到了0.9625;预测均方差RESEP由0.3071下降为0.2463。该结果表明：该方法具有预处理简单、优选参数和建模变量少等特点,能在很大程度上简化建模过程、提高建模和分析速度。     

基于近红外光谱的大豆叶片可溶性蛋白含量快速检测

可溶性蛋白是植物生化及抗性生理研究的重要指标之一。快速、准确、无损测定可溶性蛋白含量对作物生长状况的动态监测及抗性作物品种的筛选具有重要意义。近红外光谱具有快速、简单方便、非破坏性的特点,已在农业、食品、化工等领域广泛应用,尤其是近年来基于光谱技术快速无损的获取作物生理生化信息的研究已成为当前农业领域研究的热点。本文采用近红外光谱技术结合化学计量学方法以实现大豆叶片可溶性蛋白含量的快速无损检测。首先,采用Savitzky-Golay平滑(SG)、一阶导数(1-Der)、二阶导数(2-Der)等7种光谱预处理方法分别建立大豆叶片可溶性蛋白含量的偏最小二乘(PLS)预测模型,经对比发现SG预处理方法为大豆叶片可溶性蛋白含量预测的最优光谱预处理方法。其次,分别采用连续投影算法(SPA)、随机蛙跳(RF)和遗传算法(GA)对SG预处理后的光谱数据进行特征波长提取。最后,基于提取的特征波长分别建立了大豆叶片可溶性蛋白含量的SPA-PLS、RF-PLS和GA-PLS预测模型,发现基于SPA提取的11个特征波长建立的大豆叶片可溶性蛋白含量SPA-PLS模型具有最佳的预测效果,其预测集相关系数(R2p)为0.864,预测均方根误差(RMSEP)为1.894 mg/g,预测偏差为2.061(RPD)。上述结果表明,应用近红外光谱技术检测大豆叶片中可溶性蛋白含量是可行的,可为大豆生长状况动态监测及抗性大豆品种的筛选提供新的方法。     

基于相关系数法与遗传算法的啤酒酒精度近红外光谱分析

以啤酒的酒精度的快速检测为研究对象,针对采用偏最小二乘(Partial Least Squares,PLS)法建立近红外光谱预测模型时波长筛选问题,提出将相关系数法与遗传算法(Genetic Algorithms,GA)相结合提取光谱有效信息,提高预测模型的精度的方法。结果表明：该方法应用于啤酒酒精度近红外光谱检测中,吸收光谱和一阶导数光谱的预测建模的波长个数分别减少了83%、82%,预测平均相对误差分别降低了0.42%、0.64%,不仅简化、优化了模型,而且增强了预测建模型的预测能力,是一种采用PLS法建立预测模型前行之有效的降低和优选波长的方法。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

基于近红外光谱的沼液挥发性脂肪酸含量快速检测

挥发性脂肪酸(Volatile Fatty Acids,VFA)作为厌氧发酵过程的重要中间产物,其在厌氧反应器中的累积能够反映出产甲烷菌的不活跃状态或厌氧发酵条件的恶化。为了实现对农牧废弃物厌氧发酵进行过程分析和状态监控,将近红外光谱(Near Infrared Spectroscopy,NIRS)与偏最小二乘(Partial Least Squares,PLS)相结合构建玉米秸秆和畜禽粪便厌氧发酵液乙酸、丙酸和总酸含量快速检测模型。将竞争自适应重加权采样法(Competitive Adaptive Reweighted Sampling,CARS)与遗传模拟退火(Genetic Simulated Annealing,GSA)算法相结合构建CARS-GSA算法对沼液中的乙酸、丙酸和总酸进行特征波长优选,原始光谱数据1 557个波长点经预处理和波长优选后,得到乙酸、丙酸和总酸特征波长变量分别为135、101和245个,建立的回归模型验证决定系数分别为0.988、0.923和0.886,预测均方根误差(Root Mean Squared Error of Prediction,RMSEP...     

牛肉质构特性的近红外光谱无损检测

为了建立基于近红外光谱技术的牛肉质构特性快速检测方法,该试验采集了202个新鲜牛肉样品在800～2500 nm波长范围内的漫反射光谱,测定了牛肉的硬度、弹性、咀嚼性和黏附性,经小波消噪后,分别采用平滑、一阶微分、二阶微分等6种方法预处理,建立了牛肉质构特性的偏最小二乘回归模型,并用最优模型进行预测。结果表明：经小波消噪后采用二阶微分预处理方法建立的牛肉硬度、弹性、咀嚼性的检测模型效果最好,其校正集相关系数 r 均在0.9以上,校正集均方根误差（root means square error of calibration,RMSEC）分别为6.247 N、0.760 mm、14.954 mJ,预测集相关系数均在0.664以上,预测集均方根误差（root means square error of prediction,RMSEP）分别为8.887 N、0.951 mm、22.117 mJ,相对预测误差（ratio of prediction to deviation,RPD）值分别为2.43、1.88、2.32,预测精度较高,能够有效地预测牛肉的硬度、咀嚼性,可以检测精度要求不高的牛肉弹性;试验所建立的牛肉黏附性检测模型的预测性能不是很理想,虽然其校正集和预测集相关系数较高（分别为0.720、0.694）,RMSEC 和 RESEP 均较小（分别为0.302、0.243 N·mm）,但其 RPD 值小于1.5,模型预测精度较差,不可以用于预测未知样品的黏附性,此方法还需进一步研究。研究结果为牛肉质构特性的快速无损评价提供了理论依据。     

大米胶稠度近红外光谱分析数学模型的建立

胶稠度是评价大米蒸煮食用品质的重要指标之一。研究了运用近红外光谱分析技术检测大米胶稠度的测试原理，对60个样品的光谱数据用偏最小二乘法(PLS)建立了测定大米胶稠度的数学模型，其回判结果与化学分析值之间的相关系数为0.95，建模标准差为0.66；用41个样品对建立的数学模型进行了交叉验证，其检测结果与用标准化学分析方法测得结果的相关系数达0.92，预测标准差为0.78。试验证明，可以利用近红外光谱分析技术对大米胶稠度进行快速检测。