目的利用近红外光谱及光谱融合策略,结合化学计量学方法,建立水性油墨的颜色预测模型,实现水性油墨印刷品颜色准确预测。方法采集不同酒精含量和不同调色墨含量的油墨的近红外光谱反射率和吸光度数据,并测得对应的印刷品的Lab值,然后建...目的利用近红外光谱及光谱融合策略,结合化学计量学方法,建立水性油墨的颜色预测模型,实现水性油墨印刷品颜色准确预测。方法采集不同酒精含量和不同调色墨含量的油墨的近红外光谱反射率和吸光度数据,并测得对应的印刷品的Lab值,然后建立单一光谱不同预处理过后的偏最小二乘(Partial Least Squares,PLS)模型,以及基于数据层融合和特征层融合的PLS模型,最终通过比较预测集决定系数和预测集均方根误差(Root Mean Square Error of Prediction,RMSEP)以及色差来评估模型的预测效果。结果单光谱建模,基于反射率建立的模型准确率高于基于吸光度建立的模型;数据层融合缺乏稳定性,对L和b值的预测有所提升,对a值的预测几乎不变;特征层融合建模效果明显好于单一光谱和数据层融合,对Lab的预测决定系数分别达到了0.9961、0.9939、0.9974;RMSEP值分别为0.1421、0.2126、0.2072;预测值与真实值的最大色差为0.6783。结论通过光谱特征融合技术能提高油墨颜色预测精度,准确预测出油墨颜色变化。展开更多
目的利用拉曼光谱与中红外光谱的数据融合技术实现对食用酒精乙醇浓度(酒精度)的快速定量检测。方法首先,分别采集不同浓度食用酒精水溶液的拉曼光谱与中红外光谱。其次,采用多元散射校正(multiplicative scatter correction,MSC)、卷...目的利用拉曼光谱与中红外光谱的数据融合技术实现对食用酒精乙醇浓度(酒精度)的快速定量检测。方法首先,分别采集不同浓度食用酒精水溶液的拉曼光谱与中红外光谱。其次,采用多元散射校正(multiplicative scatter correction,MSC)、卷积平滑(Savitzky-Golay,S-G)、一阶求导的方法对原始数据进行预处理。然后,基于自举软缩减法(bootstrapping soft shrinkage,BOSS)和无信息变量消除算法(uninformative variable elimination,UVE)分别对预处理后的光谱数据进行特征提取,并利用X-Y距离样本集划分法(sample set partitioning based on joint X-Y distance,SPXY)将光谱数据划分为校正集和预测集。最后,建立基于拉曼光谱-中红外光谱数据融合的偏最小二乘回归(partial least squares regression,PLSR)食用酒精乙醇浓度预测模型,并利用麻雀搜寻算法优化的混合核极限学习机算法(sparrow search algorithm-optimized hybrid kernel extreme learning machine,SSA-HKELM)提升预测性能,实现对不同浓度食用酒精的快速、准确定量检测。结果与拉曼光谱数据、中红外光谱数据以及中红外与拉曼光谱的数据层融合构建的预测模型相比,中红外光谱与拉曼光谱特征层融合数据构建的预测模型具有更好的预测性能。其中,最优模型的校正集均方根误差(root mean squared error of calibration set,RMSEC)为0.98314,校正集决定系数(R_(c)^(2))为0.99634,预测集均方根误差(root mean squared error of prediction set,RMSEP)为1.03256,预测集决定系数(R_(p)^(2))为0.99036。结论中红外光谱与拉曼光谱特征层融合预测模型可以实现对不同浓度食用酒精的高效定量检测,为食用酒精的质量检测提供了有效的理论支持与技术保障。展开更多
目的在近红外光谱(near infrared spectroscopy,NIR)与表面增强拉曼光谱(surface-enhanced Raman spectroscopy,SERS)特征层数据融合的基础上构建偏最小二乘回归(partial least squares regression,PLSR)模型实现花生油中黄曲霉毒素B_(1...目的在近红外光谱(near infrared spectroscopy,NIR)与表面增强拉曼光谱(surface-enhanced Raman spectroscopy,SERS)特征层数据融合的基础上构建偏最小二乘回归(partial least squares regression,PLSR)模型实现花生油中黄曲霉毒素B_(1)(aflatoxin B_(1),AFB_(1))含量的快速检测。方法首先,分别采集待测样本的NIR与SERS光谱。其次,将采集的NIR与SERS光谱分别进行光谱预处理。然后,采用基于希尔伯特-施密特独立准则的变量空间迭代优化算法(Hilbert-Schmidt independence criterion based variable space iterative optimization,HSIC-VSIO)分别筛选NIR与SERS光谱的特征变量。最后,将筛选的特征变量进行融合并构建PLSR模型用于定量检测花生油中AFB_(1)含量。结果与NIR光谱数据、SERS光谱数据以及NIR与SERS光谱直接融合数据构建的PLSR模型相比,NIR与SERS光谱特征层融合数据构建的PLSR模型具有最佳的预测性能:校正集均方根误差(root mean squared error of calibration set,RMSEC)为0.1569,校正集决定系数(coefficient of determination of calibration set,R_(c)^(2))为0.9908,预测集均方根误差(root mean squared error of prediction set,RMSEP)为0.1827,预测集决定系数(coefficient of determination of prediction set,R_(c)^(2))为0.9854,性能偏差比(ratio of performance to deviation,RPD)为8.2761。将本方法与标准方法分别检测真实含有AFB_(1)的花生油样本,结果表明两者的检测性能无显著性差异(P=0.84>0.05)。结论本方法可实现花生油中AFB_(1)含量的快速、高精度定量检测,也验证了NIR与SERS光谱融合的可行性与有效性。展开更多
文摘目的利用近红外光谱及光谱融合策略,结合化学计量学方法,建立水性油墨的颜色预测模型,实现水性油墨印刷品颜色准确预测。方法采集不同酒精含量和不同调色墨含量的油墨的近红外光谱反射率和吸光度数据,并测得对应的印刷品的Lab值,然后建立单一光谱不同预处理过后的偏最小二乘(Partial Least Squares,PLS)模型,以及基于数据层融合和特征层融合的PLS模型,最终通过比较预测集决定系数和预测集均方根误差(Root Mean Square Error of Prediction,RMSEP)以及色差来评估模型的预测效果。结果单光谱建模,基于反射率建立的模型准确率高于基于吸光度建立的模型;数据层融合缺乏稳定性,对L和b值的预测有所提升,对a值的预测几乎不变;特征层融合建模效果明显好于单一光谱和数据层融合,对Lab的预测决定系数分别达到了0.9961、0.9939、0.9974;RMSEP值分别为0.1421、0.2126、0.2072;预测值与真实值的最大色差为0.6783。结论通过光谱特征融合技术能提高油墨颜色预测精度,准确预测出油墨颜色变化。
文摘目的利用拉曼光谱与中红外光谱的数据融合技术实现对食用酒精乙醇浓度(酒精度)的快速定量检测。方法首先,分别采集不同浓度食用酒精水溶液的拉曼光谱与中红外光谱。其次,采用多元散射校正(multiplicative scatter correction,MSC)、卷积平滑(Savitzky-Golay,S-G)、一阶求导的方法对原始数据进行预处理。然后,基于自举软缩减法(bootstrapping soft shrinkage,BOSS)和无信息变量消除算法(uninformative variable elimination,UVE)分别对预处理后的光谱数据进行特征提取,并利用X-Y距离样本集划分法(sample set partitioning based on joint X-Y distance,SPXY)将光谱数据划分为校正集和预测集。最后,建立基于拉曼光谱-中红外光谱数据融合的偏最小二乘回归(partial least squares regression,PLSR)食用酒精乙醇浓度预测模型,并利用麻雀搜寻算法优化的混合核极限学习机算法(sparrow search algorithm-optimized hybrid kernel extreme learning machine,SSA-HKELM)提升预测性能,实现对不同浓度食用酒精的快速、准确定量检测。结果与拉曼光谱数据、中红外光谱数据以及中红外与拉曼光谱的数据层融合构建的预测模型相比,中红外光谱与拉曼光谱特征层融合数据构建的预测模型具有更好的预测性能。其中,最优模型的校正集均方根误差(root mean squared error of calibration set,RMSEC)为0.98314,校正集决定系数(R_(c)^(2))为0.99634,预测集均方根误差(root mean squared error of prediction set,RMSEP)为1.03256,预测集决定系数(R_(p)^(2))为0.99036。结论中红外光谱与拉曼光谱特征层融合预测模型可以实现对不同浓度食用酒精的高效定量检测,为食用酒精的质量检测提供了有效的理论支持与技术保障。
文摘目的建立基于光谱融合的定性分析模型,实现高值茶油的真伪快速鉴别。方法优化设备条件,同时采集茶油的近红外光谱(near infrared spectroscopy,NIRS)和拉曼光谱(Raman spectroscopy,RS),分别使用6种方法进行预处理,优选4种方法来提取光谱特征波段,并应用数据层和特征层策略融合多光谱信息,通过比较验证不同模型的准确率和预测均方根误差(root mean square error of prediction,RMSEP)来评估效果。结果单独使用NIRS经标准正态变换处理后的偏最小二乘判别分析结果最优,准确率为0.8361,RMSEP为0.1060;单独使用RS经二阶导数处理后的结果最优,准确率为0.8443,RMSEP为0.1332;经NIRS和RS融合后数据结果高于任意单一光谱结果,其中数据层光谱融合模型准确率为0.8525,RMSEP为0.1270,特征层融合后的模型效果较好,最佳结果为基于核主成分分析下的支持向量机模型,准确率达到0.9508。结论光谱融合提升茶油掺伪定性鉴别准确率更高,具有较好的应用前景。
文摘目的在近红外光谱(near infrared spectroscopy,NIR)与表面增强拉曼光谱(surface-enhanced Raman spectroscopy,SERS)特征层数据融合的基础上构建偏最小二乘回归(partial least squares regression,PLSR)模型实现花生油中黄曲霉毒素B_(1)(aflatoxin B_(1),AFB_(1))含量的快速检测。方法首先,分别采集待测样本的NIR与SERS光谱。其次,将采集的NIR与SERS光谱分别进行光谱预处理。然后,采用基于希尔伯特-施密特独立准则的变量空间迭代优化算法(Hilbert-Schmidt independence criterion based variable space iterative optimization,HSIC-VSIO)分别筛选NIR与SERS光谱的特征变量。最后,将筛选的特征变量进行融合并构建PLSR模型用于定量检测花生油中AFB_(1)含量。结果与NIR光谱数据、SERS光谱数据以及NIR与SERS光谱直接融合数据构建的PLSR模型相比,NIR与SERS光谱特征层融合数据构建的PLSR模型具有最佳的预测性能:校正集均方根误差(root mean squared error of calibration set,RMSEC)为0.1569,校正集决定系数(coefficient of determination of calibration set,R_(c)^(2))为0.9908,预测集均方根误差(root mean squared error of prediction set,RMSEP)为0.1827,预测集决定系数(coefficient of determination of prediction set,R_(c)^(2))为0.9854,性能偏差比(ratio of performance to deviation,RPD)为8.2761。将本方法与标准方法分别检测真实含有AFB_(1)的花生油样本,结果表明两者的检测性能无显著性差异(P=0.84>0.05)。结论本方法可实现花生油中AFB_(1)含量的快速、高精度定量检测,也验证了NIR与SERS光谱融合的可行性与有效性。
