基于近红外光谱技术与独立分量分析鉴别辉南火山岩大米

以吉林省辉南县148个具有代表性的大米为样品,利用波数为12 000～4 000 cm~(-1)的傅里叶近红外光谱仪,采用主成分分析(PCA)、聚类分析(HCA)、独立分量分析(ICA)进行原产地保护(PDO)大米产地鉴别。PCA把68个PDO大米成功从148个大米样品中分出,PDO大米有单独的主簇;HCA在PCA基础上对样品聚类,PDO大米和非PDO大米的波段聚类效果正确率达100%。ICA结合近红外光谱,以大米直链淀粉含量值作为产地鉴别的代表值对水稻的内部品质进行定量建模,对5种不同处理光谱模型进行交叉验证。结果表明:经预处理光谱和交叉验证显著提高校准模型的准确性;一阶导数+SG11点平滑预处理模型为最佳模型;PDO大米通过校准模型进行产地鉴别效果达到100%。这说明独立分量分析方法结合近红外光谱可对辉南县PDO大米产地进行鉴定,具有一定的可行性和商用价值。     

不同预处理模式识别下的近红外绿豆产地溯源研究

采用傅里叶变换近红外漫反射光谱仪测定来自吉林省白城市、黑龙江泰来县、黑龙江杜尔伯特蒙古自治县、山东省泗水县绿豆共120份样品的近红外光谱,分别采用一阶导数+9点平滑、标准正态变换（SNV）、多元散射矫正（MSC）、矢量归一化+MSC四种光谱预处理方法,建立偏最小二乘判别模型（PLS-DA）,分析不同预处理方法对模型稳定性的影响,结果得出：原始光谱模型判别率为62.5%,一阶导数+9点平滑预处理模型判别率为65%,SNV预处理模型判别率为65%,MSC预处理模型判别率为82.5%,矢量归一化+MSC预处理模型判别率为90%。因此,采用矢量归一化+MSC预处理方法对绿豆产地判别的准确率最高。     

基于NIRS与PLS-DA的红提产地鉴别研究

红提产区分布广、生态类型复杂,不同产地红提果实品质和市场效应具有较大差异。研究基于近红外光谱技术(NIRS)与偏最小二乘判别(PLS-DA)对不同产地的红提果品进行识别和鉴伪。试验购置了美国红提、秘鲁红提、国产红提,每种45个,共135个样品。在4 000～12 000 cm~(-1)范围内采集所有样品的近红外漫反射光谱。对光谱数据进行主成分(PCA)分析,结果发现PCA方法无法完全实现3种产地红提的聚类鉴别。最后,建立PLS-DA模型,对3种产地的红提进行判别,识别率均为100%。     

基于近红外光谱技术对绿豆产地溯源的研究

为探索绿豆产地鉴别可行性,实现对来自白城、杜尔伯特、泰来、泗水绿豆原产地的快速鉴别。研究运用近红外光谱技术,并结合PLS-DA法（偏最小二乘判别分析）进行建模,对4个产地的120份绿豆粉末样品进行近红外光谱的扫描,分别采用不同光谱预处理方法[标准正态变换（SNV）、多元散射校正（MSC）、矢量归一化与导数处理等]最终确定矢量归一化+MSC建立的模型最稳定,建模波长为12 000～4 000 cm-1全波长。主成分分析提取3个有效主成分（主成分1贡献率为52.44%,主成分2贡献率为30.16%,主成分3贡献率为9.57%）,其累计贡献率达到92.17%。用预测样本集进行模型的验证,白城、杜尔伯特、泰来、泗水4个产地的预测正确率分别为100%、80%、80%和100%。预测结果达到80%以上,初步认定近红外光谱分析技术可用于绿豆产地溯源研究。     

基于近红外光谱技术的卷烟类型识别方法研究

[目的]研究不同风格及产地的卷烟。[方法]样品原始近红外光谱分别经过最小-最大归一化、一阶导数、一阶导数＋矢量归一化、一阶导数＋最小-最大归一化、二阶导数和连续小波变换（CWT）等方法处理后进行了主成分分析（PCA）,建立了以马氏距离为基础的卷烟识别模型。[结果]小波变换模型有更好的样品识别能力,模型校正集样品的识别率为96.9%,检验集样品识别率为100%.分类可视化结果表明样品对本类型卷烟风格特征的表达最突出,国内烤烟型卷烟的国外混合型特征最不明显,国外混合型卷烟的国内烤烟型特征最不明显,国外烤烟型卷烟的国外混合型特征最不明显。[结论]采用近红外光谱技术可对不同风格及产地的卷烟进行正确识别。     

基于近红外光谱与 KPCA-SVM鉴别淡水鱼肉

为实现淡水鱼品种的快速鉴别,采用近红外光谱分析技术建立7种淡水鱼鲜肉的快速鉴别模型。试验采集了鲢、草鱼、乌鳢、鲫、鲤、青鱼、鳙7种淡水鱼共772个鲜鱼肉样品的近红外光谱数据,分别考察标准正态变换(standard normalized variate,SNV)、多元散射校正(multiplicative signal correction,MSC)的预处理方法及核主成分分析(kernel principal component analysis,KPCA)和主成分分析(principal component analysis,PCA)的特征提取方法对支持向量机(support vector machine,SVM)判别模型的影响。结果显示,经SNV预处理和KPCA提取特征变量后,对未知样品的整体正确判别率达到92.68%。因此,采用近红外光谱技术结合化学计量学方法所建SVM模型可以实现淡水鱼品种的快速鉴别。     

基于近红外光谱的普洱茶产地识别研究

以81份来自西双版纳、普洱市、临沧市3个不同产地的普洱茶样本为研究对象,其中校正集54份,验证集27份,利用近红外光谱采集单个普洱茶样本在1 100～2 498 nm的光谱数据,分别采用主成分聚类分析法和判别分析法建立普洱茶产地识别定性分析模型。结果表明,2种分析模型的校正集正确识别率均大于90%,可用于普洱茶产地的识别。其中,基于判别分析方法建立的判别分析模型效果更好,其校正集和验证集的识别正确率达到98.15%和100%,更适用于普洱茶产地的识别。应用近红外光谱技术可快速、无损识别普洱茶产地,为普洱茶产地检测提供参考。     

结合WT预处理的近红外光谱PLS算法预测鲜枣糖度

[目的]研究结合WT预处理的近红外光谱PLS算法模型预测鲜枣糖度的方法。[方法]用S-G、MSC、FD、SD、WT和WT＋MSC 6种预处理法,SMLR、PCR和PLS 3种算法模型,对60个鲜枣样品的近红外光谱数据进行预处理、糖度预测和建模精度分析,建立最佳算法的数学模型。[结果]在鲜枣糖度近红外光谱预处理阶段引进小波变换方法去除导数光谱噪声,得到了很好的去噪效果。不同的小波函数、分解尺度使消噪的结果有所不同。与常见的光谱预处理法相比,在选用db4-3小波函数、默认阈值情况下,采用WT＋MSC预处理及建模算法为PLS时所建立的模型最好,其相关系数R为0.919 02,校正集标准差RMSEC为0.863,预测集标准差RMSEP为1.71。[结论]结合小波变换预处理的PLS算法模型可有效预测鲜枣糖度,改善模型的预测精度。     

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

  目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法＋标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(W_initial=1 445 nm)、吸收峰个数为特征个数(N_tot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23     

近红外光谱对小麦产地来源的判别分析

[目的]对不同产地来源小麦的近红外光谱进行判别分析,为小麦的产地鉴别提供一种新方法.[方法]应用近红外光谱分析仪检测2007/2008年度和2008/2009年度中国小麦主产区河北省、河南省,山东省和陕西省共240份小麦籽粒样品,对近红外光谱数据分别进行均值标准化、一阶求导和多元散射校正(MSC)处理后,利用偏最小二乘判别分析法(DPLS)分析预处理后的数据.[结果]2007/2008年度小麦籽粒样品总体正确判别率为87.5%,2008/2009年度样品总体正确判别率为91.7%;用2007/2008年度样品所建模型来预测2008/2009年度的样品,结果总体正确判别率为48.3%;两年样品混合后,总体正确判别率为82.5%.[结论]不同地域来源小麦的近红外光谱特征有显著差异,但其受品种和年际因素影响较大,判别模型的稳定性有待进一步提高.     

近红外结合极限学习机快速识别牛肉中掺假猪肉

[目的]建立牛肉中掺假猪肉的快速鉴定方法。[方法]采用傅立叶变换近红外结合极限学习机(extreme learning machine,ELM)构建纯牛肉、牛肉中掺假猪肉、纯猪肉的快速识别模型,考察标准正态变换、多元散射校正(multiplicative scatter correction,MSC)、一阶导数及二阶导数结合核主成分分析(kernel principal component analysis,KPCA)等光谱预处理方法对ELM模型预测性能的影响。[结果]MSC+KPCA预处理下,ELM模型的预测效果最优,训练集及测试集的正确识别率分别为86.67%和83.33%。[结论]近红外光谱技术结合ELM在牛肉中掺假猪肉的快速鉴定方面具有较大的潜力。     

近红外光谱技术法快速鉴别茶油掺伪

[目的]采用近红外光谱技术法,快速鉴别茶油掺伪。[方法]基于近红外光谱技术,比较马氏距离聚类分析法与反向传播神经网络,建立茶油与掺有菜籽油、棕榈油掺伪茶油的模式识别模型。[结果]采用马氏距离聚类分析法建模时,参数如下:光谱一阶导数处理后,结合SNV、Norris Derivative滤波方法,经主成分分析法,提取8个主成分,模型对预测集样本的准确率达100%;采用反向传播神经网络建模时,参数如下:输入向量为前8个主成分的33个吸收峰,隐含层神经元个数为15,训练学习速度为0.1,训练220步时,模型对预测集样品识别准确率亦为100%。[结论]反向传播神经网络方法更加具有较快的运算速度和较好的收敛性,可为茶油品质评价与检测提供一种新方法。     

近红外光谱技术识别沾化和陕西冬枣产地的研究

为探索利用近红外光谱分析技术识别陕西和沾化两地冬枣的可行性,本研究应用便携式近红外光谱仪并结合簇类独立软模式分类(SIMCA)和偏最小二乘判别分析(PLS-DA)两种建模方法识别冬枣的产地,同时研究了不同近红外光谱预处理方式对模型预测识别率的影响。结果表明,采用原始近红外光谱结合SIMCA和PLS-DA方法识别沾化冬枣和陕西冬枣是可行的,其中PLS-DA方法的准确度更高,对冬枣验证集样品识别率为100%。     

火炬松针叶儿茶素含量近红外预测模型的建立

【目的】建立火炬松针叶儿茶素含量近红外预测模型,为选育高生物活性成分火炬松良种奠定基础。【方法】以102个火炬松单株的针叶为试验材料,利用液相色谱 质谱联用技术（LC-MS）测定其儿茶素含量。使用近红外成分分析仪采集样品的近红外光谱信息,对采集的光谱信息采用不同的方式（一阶导数（FD）、标准正态变量转换法(SNV)、平滑算法、乘积分散校正法（MSC）和标准化预处理以及FD+SNV、MSC+FD）进行预处理,结合偏最小二乘法建立回归模型,比较不同预处理方法建立的回归模型参数,选择最佳光谱预处理方法,建立火炬松针叶儿茶素含量近红外预测模型,并对模型的预测准确性进行验证。【结果】FD+SNV为最佳的近红外光谱信息预处理方法;建立了火炬松针叶儿茶素含量的近红外预测模型,该模型的主成分数为14,校正集相关系数（R_C）为0.969 6,校正集均方根误差（RMSE_C）为1.308 4,交互验证集相关系数（R_V）为0.817 1,交互验证集均方根误差（RMSE_V）为3.105 2。经过外部验证,验证集火炬松针叶样品的儿茶素含量实测值与预测值有显著相关性（R=0.880 7）。【结论】建立了火炬松针叶儿茶素含量近红外预测模型,该模型可以准确、高效地预测火炬松针叶的儿茶素含量。     

底圩茶风干叶香气的判别分析

[目的]采用电子鼻技术对13个底圩优良群体种的风干叶香气进行研究。[方法]利用主成分分析(PCA)与线性判别分析(LDA),对底圩茶新梢和成熟叶的干茶、茶汤和叶底香气物物质进行分析和判别。[结果]电子鼻技术对13个底圩优良群体种风干叶均有较好的响应。PCA分析表明,新梢干茶和茶汤的贡献率分别为99.85%、99.85%,高于成熟叶干茶和茶汤的贡献率(99.32%、99.71%),叶底则相反,新梢贡献率(99.84%)低于成熟叶贡献率(99.94%);LDA分析表明,新梢干茶和茶汤贡献率(85.44%、91.62%)高于成熟叶干茶和茶汤贡献率(77.92%、88.87%),叶底新梢贡献率(98.09%)低于成熟叶(98.17%);PCA贡献率均高于LDA,则PCA较LDA更能明显地区分13个底圩优良群体种风干叶的香气。通过电导率G/G₀值可以判别出硫化物挥发性成分为底圩茶第一主要成分,芳香成分、有机硫化物为第二主要成分,氮氧化合物为第三主要成分。[结论]应用电子鼻技术对13个底圩优良群体种的香气鉴定是可行的,有望在底圩茶检测领域得到使用。     

化学计量学模式识别方法结合近红外光谱用于大米产地溯源分析

对江苏、辽宁、湖北、黑龙江4个省份的169个大米样品,利用波数测定范围为10 000~4 000 cm~(-1)的Thermo AntarisⅡ傅里叶变换近红外分析仪,采用化学计量学模式识别主成分分析(PCA)和线性判别分析(LDA)方法进行产地溯源分析。结果表明,PCA方法基于前2个主成分可基本区分大米产地,但各类样品有部分重叠;采用PCA-LDA法可更有效区分大米产地,利用蒙特卡罗模拟方法随机重复选取训练集和预测集判别4个省份的大米产地准确率在93.00%以上,识别准确率相对较高。因此,化学计量学模式识别方法结合红外光谱用于大米产地溯源分析具有一定的可行性和应用价值。     

基于可见/近红外光谱对不同产地晋虞1号桃SSC含量的检测研究

[目的]本文利用可见/近红外光谱定量检测山西省不同产区晋虞1号桃的可溶性固形物(Soluble solids content,SSC)含量,旨在建立一个简单有效、适应性能好的校正模型为后续在线检测设备的开发与利用提供模型参考。[方法]采集3个产区桃的可见/近红外漫反射光谱,选择不同的预处理方法消除客观因素对原始光谱的影响,比较发现SG平滑+多元散射校正(multiplicative scatter correction,MSC)预处理方法建模结果最优。采用Kennard-Stone算法以3∶1比例划分样品集,其中校正集270个用于建立PLS模型,预测集90个用于评价模型性能。为了简化模型运算量、提高模型预测性能使用蒙特卡罗无信息变量消除(Monte Carlo uninformative variables elimination,MCUVE)与连续投影算法(Successive projection algorithm,SPA)相结合筛选有效特征波长。最后,比较了偏最小二乘(Partial least squares,PLS)算法所建单一产地和混合产地下晋虞1号桃SSC含量可见/近红外光谱模型的预测能力。[结果]与单一产地和两两混合产地模型相比,混合3产地桃校正集样本建立的模型预测效果最好,预测的相关系数(Rp)和预测的均方根误差(RMSEP)分别为0.949和0.652°Brix。[结论]利用多个产地的晋虞1号桃样本建立的混合模型具有较强的包容性,可提高对晋虞1号桃SSC含量的预测精度,减小产地差异对SSC含量可见/近红外光谱检测的影响。本文可为山西省内晋虞1号桃内部品质SSC含量的无损检测模型提供了理论基础。     

基于田间性状和花部性状的茶用菊品系高产及适应性评价

[目的]本文旨在建立茶用菊品种的综合评价体系,筛选出适合高产、适应性强的优良茶用菊品种.[方法]基于40个茶用菊品系的田间性状和花部性状,采用专家咨询法、层次分析法以及K-means聚类分析法构建茶用菊的综合评价体系.[结果]共确定10个影响茶用菊产量和品质性状的关键指标.应用层次分析法确定各个指标的权重,其中单株花数...     

利用HS-SPME/GC-MS法对云南主产区生咖啡豆中挥发性成分萃取与分析研究

为探究云南主产区生咖啡豆中挥发性成分的含量及组成方式,明晰地区间存在差异的特征性标志化合物,为咖啡豆的产地追溯及风味品质提升提供理论支撑,以云南保山、德宏、临沧和普洱4 个地区的生咖啡豆为试材,采用顶空固相微萃取-气相色谱质谱联用法(HS-SPME/GC-MS)检测,结合主成分分析(PCA)和系统聚类分析(HCA)对不同地区样品进行分类。结果表明：从4 个地区的生咖啡豆中共鉴定出42 种挥发性物质,主要以酸类为主,相对含量占32.96%,其次为酮类、醇类、碳氢类、酯类及醛类等。对不同地区样品进行主成分分析,第一主成分主要反映吡嗪类、酸类、醛类和碳氢类的信息,第二主成分主要反映醇类和酚类的信息。对不同地区样品进行聚类分析,可各自聚为一类,与主成分分析结果一致。试验获得了与特定地区样品相关性较大的挥发性物质,为云南主产区咖啡豆的分类鉴别及产地追溯提供理论参考。     

应用近红外光谱检测滇南小耳猪肉化学组分含量

应用近红外漫反射光谱技术(near infrared reflectance spectroscopy,NIRS),对滇南小耳猪整块热鲜肉和热鲜均质肉糜的水分、脂肪、蛋白质含量进行建模研究,并筛选出最优的光谱预处理方法。采集11 000~4 300 cm~(-1)波数范围内111份猪肉样品光谱数据,在多元散射校正(multiplicative scattering correction,MSC)、二阶导数(second derivative)、变量标准化校正(standard normalized variate,SNV)不同组合方式的光谱预处理基础上,用偏最小二乘法(partial least squares,PLS),采用交互验证(cross validation)方法,对83份猪肉样品进行建模,28份猪肉样品用于模型的验证,建立滇南小耳猪猪肉的水分、粗脂肪、粗蛋白质3个化学组分的近红外预测模型,筛选最佳的光谱预处理方法和主成分数。结果表明:水分采用整块肉光谱进行MSC预处理的建模效果较好,R~2为0.975,RMSEC为0.304,RMSEP为1.640;脂肪直接采用肉糜光谱SNV预处理建模效果较好,R~2为0.911,且RMSEC为0.409,RMSEP为0.923;光谱对蛋白质的预测肉糜的原始光谱效果较好,R~2为0.946,且RMSEC为0.273,RMSEP为1.101。由此可见,近红外光谱分析方法能够很好地检测滇南小耳猪猪肉中的粗脂肪和水分,粗蛋白的检测结果较差。