基于近红外光谱投影及蒙特卡洛方法的烟叶配方比例上限分析

通过PPF投影技术将烟叶配方原料的近红外光谱投影到二维坐标平面上,将原料烟叶光谱投影点按配方比例加权求和后构造出配方投影点,建立配方的投影结构模型,利用蒙特卡洛方法模拟原料烟叶投影点的自身差异变动来分析配方投影点偏离初始状态的程度。结果表明:配方主导权重,即配方样品的最高比例越小,烟叶原料种类越多,配方偏离初始状态的程度越小,即配方的稳定性越好,以上结论与烟叶配方设计时"多类型,低比例"的认识原则一致。本文从理论分析角度给出了在不同原料种类数下进行配方设计时,所对应的配方样品比例上限值,该量化上限比例的方法对其他有关配方设计的问题也有指导意义。

近红外漫反射线性加和光谱在烟叶复烤配方中的应用

应用近红外光谱分析技术进行烟叶复烤配方的辅助分析以及设计过程中,需要大量的不同混合比例的样品光谱,而混合样品光谱在实际生产过程中是很难获得的;且不同分级的样品很难实现均匀混合,不可避免的引入误差。文章提出了应用近红外漫反射光谱的线性加和原理产生"理论混合均匀光谱"来代替实际的混合样品光谱,不仅能够消除混合不均匀造成的误差,而且省去了制备混合样品和测试光谱的过程,省时、省力、省原料。从原光谱、导数光谱、主成分、以及PPF投影四个方面进行了线性加和光谱与实测混合样品光谱之间的对比分析,验证了线性加和光谱的可行性和优越性。

近红外光谱法最小二乘双胞胎支持向量机的应用研究

依据中药大黄的近红外光谱信息,采用最小二乘双胞胎支持向量机(LSTSVM)算法,通过MATLAB软件编程,建立参数可优化识别模型,实现了对中药大黄的真伪鉴别。将实验材料98个大黄样品随机划分为训练集和测试集,对于训练集60个样品采用留1/5法交叉验证优化模型参数,以所选最优化参数结合训练集样品的近红外光谱建立最优识别模型,对测试集的38个样品的真伪进行识别,识别率可达97.4%。结果表明,LSTSVM算法是一种有效的识别方法,可依据中药大黄的近红外光谱对其真伪进行快速识别。同时,本研究将大黄样品6次随机划分为训练集和测试集,建模预测平均识别率为93.4%,表明采用LSTSVM算法建立识别模型具有较好的稳健性。

基于k-means聚类挑选特征样品建立烟草近红外光谱模型

为突破建立近红外光谱模型需要大量实验数据这一瓶颈,实现快速建立烟草近红外光谱预测数学模型,本研究利用k-means聚类分析算法挑选出具有代表性的特征样品光谱,采用偏最小二乘(PLS)回归法建立了烟草6项常规化学指标的近红外光谱模型,并对模型进行了优化及外部验证。结果表明:烟草6项常规化学指标预测模型的相关系数(R)较大,在0.9356以上,交叉验证均方差(RMSECV)在0.867以内,外部验证均方差(RMSEP)小于1.71,预测值和标准值没有显著差异。同时,预测结果还与用大量样品建立的模型的预测结果进行了t检验方式的比较,其结果无显著性差异,说明用挑选特征样品建立的模型和使用大量样品建立的模型分析效果一致,可用于批量烟草样品常规化学指标的快速检测。