近红外光谱建模异常样品剔除准则与方法

介绍了近红外光谱PCR／PLS建模时，训练集中异常样品的危害，以及剔除异常样品常用的基于预测浓度残差准则。针对剔除异常样品的“一审”法具有将非异常样品错误地当作异常样品的局限性，提出了一种“二审”法，采用“回收”算子，使最终模型保留了更多的样品，使模型更具有代表性和稳定性，进一步提高通过近红外光谱模型进行农产品品质检测的精度。     

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．     

基于可见/近红外光谱的牡丹叶片花青素含量预测

以开花初期不同品种牡丹叶片为研究对象,分析叶片花青素含量与反射光谱之间的相关关系,分别建立基于单波长、不同植被指数、相关系数大于0.52的可见光波段的叶片花青素含量预测模型。研究结果表明,牡丹叶片反射光谱与花青素含量的最大相关系数位于544 nm;以544 nm波长反射率及花青素反射指数(ARI)、调整花青素反射指数(MARI)为自变量建立的预测模型可以用于牡丹叶片花青素含量预测;以偏最小二乘回归(PLSR)构建的牡丹叶片花青素含量预测模型的建模和验模R2分别为0.873和0.811,RMSE为0.068μmol/g,RPD为2.352,是预测牡丹叶片花青素含量的最优模型。     

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。     

基于近红外光谱技术的紫薯贮藏期间花青素含量检测

紫薯采后贮藏过程中,受环境因素影响,紫薯花青素会逐渐发生降解,导致紫薯色泽变化,营养品质下降。应用近红外光谱技术对贮藏期间的紫薯花青素含量变化进行了分析,建立了快速无损检测模型。实验采集了不同贮藏时间紫薯样本(120个)的近红外光谱,基于全波长范围4 000～10 000 cm-1结合不同光谱信号预处理方法(数据卷积平滑、一阶求导、标准正态变量变换(SNV))建立紫薯花青素的PLS(偏最小二乘)、SNV-PLS、i PLS(区间偏最小二乘)、GA-PLS(遗传算法-偏最小二乘)定量预测模型。结果显示,全波段经SNV为最优的原始光谱预处理方法。对经SNV预处理的光谱进行i PLS、GA特征波段筛选,所建立的GA-PLS模型预测效果最佳,预测集决定系数R2v和均方根误差为0. 913 6和7. 239 8 mg/(100 g),剩余预测偏差为3. 339 7。研究结果表明,应用近红外光谱技术可以较好地检测紫薯花青素含量,研究结果可为紫薯加工原料智能筛选以及贮藏品质监测提供一种可靠手段。     

葡萄酒发酵过程主要参数近红外光谱分析

用近红外光谱结合化学计量学方法对葡萄酒酒精发酵中葡萄糖、果糖、乙醇和甘油4个指标进行了定量分析,化学指标的测定采用高效液相色谱法.通过对近红外数据进行筛选、变量标准化等预处理,比较了主成分回归和偏最小二乘回归定量分析的模型质量,以决定系数、校正均方根误差、预测均方根误差为模型质量的评价指标.通过比较发现,对于葡萄糖和果糖,主成分回归与偏最小二乘回归的预测精度相当;对于乙醇,主成分回归预测结果较优;对于甘油,偏最小二乘回归的预测结果要优于主成分回归.主成分回归所采用的成分数要多于偏最小二乘回归,但二者都可以用于上述4种成分的定量分析,其预测精度也相近.     

微量有机磷农药残留近红外光谱快速检测方法

以滤纸作为农药载体,在波数4000～10000cm-1范围内获取其近红外光谱曲线。分别采取偏最小二乘回归法和最佳波段差值回归法建立农药质量比的预测模型。偏最小二乘回归法在经过多元散射校正和变量标准化预处理后得到的预测结果较好,预测相关系数为0.954,通过最佳波段差值回归法得到的预测相关系数为0.904。两种建模方法都得到了较好的预测结果。     

基于近红外与中红外光谱技术的淀粉回生度检测

淀粉食品在加工、运输及储藏过程中会逐渐出现回生,其回生程度是影响淀粉食品品质的重要因素。利用近红外和中红外光谱技术快速、无损检测淀粉回生度。首先采集了储存不同时间淀粉的近红外和中红外光谱,分别利用近红外、中红外以及两者融合的光谱数据结合化学计量学方法(偏最小二乘法(PLS、iPLS、biPLS、siPLS))建立淀粉回生度检测模型。结果显示,近红外和中红外融合光谱技术的biPLS检测模型最佳,校正集和预测集相关系数分别为0.965 5和0.931 3。研究结果表明,红外光谱技术可以快速、无损检测玉米淀粉回生度,保障了富含淀粉食品的质量与安全。     

北京典型耕作土壤养分的近红外光谱分析研究

以北京郊区试验田采集的72个土壤样品为实验材料,应用傅里叶变换近红外光谱技术,分析了土样的全氮、全钾、有机质和pH值养分含量。采用偏最小二乘法(PLS)对光谱数据与土壤养分实测值进行回归分析,建立预测模型,以模型决定系数(R2)、校正标准差(RMSECV)、预测标准差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标。分析结果:土壤的全氮模型R2为95.44%,RMSECV为0.014 1,RMSEP为0.016 8,RPD为4.68;有机质模型R2为89.63%,RMSECV为0.37,RMSEP为0.47,RPD为3.11;全钾模型R2为85.62%,RM-SECV为0.173,RMSEP为0.204,RPD为2.64;pH值模型R2为87.33%,RMSECV为0.031,RMSEP为0.053,RPD为2.81。     

基于近红外光谱的核桃仁蛋白质含量检测分析

为了实现核桃仁蛋白质的快速无损检测,采用近红外光谱技术,建立了核桃仁蛋白质含量预测模型,并对近红外光谱波段筛选方法进行了研究。首先针对3种不同粒度核桃仁样本,采集了1040~2560nm范围全波段信息,采用多元散射校正法和标准正态化方法对原始光谱进行了预处理。然后,采用间隔偏最小二乘算法筛选了光谱特征波段,并建立了全波段和特征波段下核桃仁蛋白质含量偏最小二乘算法预测模型。通过对不同粒度核桃仁样本近红外光谱分析表明,核桃仁粒度大小对核桃仁蛋白质含量预测效果并无显著影响。采用间隔偏最小二乘算法的波段筛选,核桃整仁样本验证集的均方根误差和相关系数分别为0.021和0.913, 表明该方法能够优化模型质量并降低模型复杂度。     

苹果内部品质近红外光谱检测的异常样本分析

应用声光可调谐滤光器近红外光谱仪检测苹果内部品质(可溶性固形物含量、总糖、总酸和硬度)时,综合利用Cook距离、马氏距离、杠杆值和学生化残差,判断疑似异常样本点,然后用二审剔除判别法确定异常样本点.最终可溶性固形物含量、总糖、总酸模型都剔除了11个异常样本,硬度模型剔除了6个异常样本.其偏最小二乘回归模型的相关系数分别从0.868、0.791、0.443、0.693提高到0.904、0.849、0.501、0.718,校正误差均方根(RMSEC)分别从0.882 °Brix、9.213 g/L、0.805 g/L、0.105 MPa降低到0.733 °Brix、7.300 g/L、0.687 g/L、0.097 MPa.所建的苹果各品质模型更加稳定,准确度更高.     

猕猴桃硬度近红外漫反射光谱无损检测

为了给猕猴桃成熟度判定提供一种无损检测手段,进行了基于近红外漫反射光谱定量分析技术检测冷藏期间猕猴桃硬度的试验研究。采用偏最小二乘法对“华优”猕猴桃的近红外光谱进行了分析,并且比较和讨论了4种光谱预处理方法的建模结果。试验结果表明,在全谱范围内,一阶微分光谱所建模型效果最佳,其校正相关系数为0.963,预测相关系数为0.852。     

皇冠梨糖度可见/近红外光谱在线检测模型传递研究

在水果内部品质检测分级实际生产中往往存在多通道测量,由于仪器不同或加工精度不同而存在多通道间检测模型不具通用性问题,应用多种模型传递方法研究了在线检测条件下两个不同可见/近红外光谱仪间的皇冠梨糖度预测模型传递及预测比较分析。结果表明:从仪器的光谱数据经直接校正算法(DS)和基于平均光谱差值校正的DS算法(MSSC-DS)转换后用于主仪器所建模型的预测结果相对较好,预测均方根误差小于0.5°Brix,可以满足实际生产。但通过模型转换后的预测结果均比利用从仪器数据直接建模的预测结果要差(预测均方根误差为0.381°Brix),因而在实际生产中,需要从成本和分级精度的要求来考虑选择建模的方式。     

鲜枣品种和可溶性固形物含量近红外光谱检

采用近红外光谱分析技术无损鉴别鲜枣品种和测定其可溶性固形物含量.对3个不同品种的鲜枣进行光谱分析,各获取30个样本数据.采用平滑法和多元散射校正方法对样本数据进行预处理,再用主成分分析法对光谱数据进行聚类分析并获得各主成分数据.将样本随机分成75个建模样本和15个预测样本,将建模样本的主成分数据作为BP神经网络的输入变量,鲜枣品种和可溶性固形物含量作为输出变量,建立3层人工神经网络鉴别模型,并用该模型对15个预测样本进行预测.结果表明,在阈值设定为±0.17的情况下该模型对预测集样本品种鉴别准确率达到100%,可溶性固形物含量预测值与实测值相对偏差小于10%.     

人工神经网络NIR定量分析方法及其软件实现

在Visual C＋＋环境中采用面向对象技术,开发了PCA-MBP-NIR定量分析模型软件。通过40份小麦样品的原始光谱、加噪光谱（信噪比为14dB）与含水率所建立的PLS-NIR与PCA-MBP-NIR模型,对10份未知小麦样品的原始光谱、加噪光谱分别进行含水率的PLS-NIR与PCA-MBP-NIR预测分析。分析表明,对于含噪声的光谱,与PLS建模相比,使用PCA-MBP-NIR对未知样品预测结果具有更高的相关系数,更低的预测误差标准差。     

玉米叶片净光合速率快速检测方法研究

玉米叶片的净光合速率可以用来表征植物生物量的积累和营养盈亏等健康状态,为探求玉米叶片净光合速率的快速无损检测方法,利用叶绿素荧光光谱分析技术对拔节期玉米叶片净光合速率进行检测。实验选取了吉林省典型种植品种先玉335作为研究对象,通过对80组数据的无量纲化处理和标准化处理,降低光谱噪声引起的样本差异,分析不同光谱波段与叶片净光合速率的相关性,确定500~550nm、675~715nm、715~745nm等3组波段作为光谱检测样本。选择675~715nm波段作为光谱波段的典型参数预测玉米叶片的净光合速率,得出两者之间存在显著线性关系,其决定系数R^2=0.7 9 2 4,表明以6 7 5~7 1 5 nm波段预测玉米叶片的净光合速率是可行的。对回归模型进行验证,得到预测值与真实值之间的决定系数R^2=0.7 9 2 1,表明此回归模型对拔节期玉米叶片净光合速率具有良好预测能力,为植物生理信息快速无损检测提供了新的方法。     

班菲尔脐橙可溶性固形物近红外光谱特征谱区选择

为探讨快速无损检测班菲尔脐橙可溶性固形物(TSS)含量的方法,利用多元散射校正对脐橙1 000 ～2 500 nm近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型.结果表明,采用siPLS将光谱划分为17个子区间,利用其中的第4(1 267～1355 nm)、5(1 356 ～1 443 nm)、9(1708～1795nm)、15(2 236 ～2 323 nm)号4个子区间联合建立的TSS模型效果最佳,其校正集决定系数和均方根误差分别为0.9109和0.331 2.预测集决定系数和均方根误差分别为0.878 9和0.448 7,主因子数为6个.研究表明,近红外光谱技术结合siPLS可优选出表征班菲尔脐橙TSS含量信息的特征光谱区间简化预测模型,同时提高模型预测能力和精度.     

近红外光谱分析中定标集样品挑选方法研究

介绍了目前常见的几种定标集样品挑选方法：含量梯度法、Duplex法和Kennard-Stone法,并提出了新的挑选方法：GN距离法.该方法以全局距离来界定定标集样品范围,以邻域距离来剔除相似样品,根据不同的全局和邻域距离组合挑选出定标集样品建模,根据计算所得最小交叉验证误差SECV来确定最合理的定标集样品.通过实例,讨论比较了上述4种方法优缺点.结果表明：GN距离法能够在保持原始样品集覆盖范围的基础上,适量剔除异常样品,GN距离法挑选出的定标集所建模型具有较低的模型复杂度、较高的相关系数和较好的模型预测能力.