目的建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56个作为校正集,11个作为验证集。通过一阶导数、二阶导数、多元散射校正(...目的建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56个作为校正集,11个作为验证集。通过一阶导数、二阶导数、多元散射校正(multiplicative signal correction,MSC)、标准正态变量变换(standard normal variate,SNV)等组合预处理方式对原始光谱进行处理,比较多元线性回归(stepwise multiple linear regression,SMLR)、主成分回归(principal component regression,PCR)和偏最小二乘法(partial least squares,PLS)3种方法建立的模型结果,进一步选择波段确定最佳甘薯多糖含量测定方法。结果PLS建立的模型整体精确度最佳,最优模型的预处理方式为一阶导数处理,该模型的最佳波段范围为4000~10000 cm^(-1),校正集均方根误差(root mean square error of calibration set,RMSEC)为0.50,校正集相关系数(correlation coefficient of calibration set,R;)为0.9683,验证集均方根误差(root mean square error of prediction set,RMSEP)为0.43,验证集相关系数(correlation coefficient of prediction set,R;)为0.9440,主成分数为8。结论通过近红外光谱技术结合偏最小二乘法建立甘薯多糖模型可作为甘薯多糖快速测定的可行性方法。展开更多
文摘目的建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56个作为校正集,11个作为验证集。通过一阶导数、二阶导数、多元散射校正(multiplicative signal correction,MSC)、标准正态变量变换(standard normal variate,SNV)等组合预处理方式对原始光谱进行处理,比较多元线性回归(stepwise multiple linear regression,SMLR)、主成分回归(principal component regression,PCR)和偏最小二乘法(partial least squares,PLS)3种方法建立的模型结果,进一步选择波段确定最佳甘薯多糖含量测定方法。结果PLS建立的模型整体精确度最佳,最优模型的预处理方式为一阶导数处理,该模型的最佳波段范围为4000~10000 cm^(-1),校正集均方根误差(root mean square error of calibration set,RMSEC)为0.50,校正集相关系数(correlation coefficient of calibration set,R;)为0.9683,验证集均方根误差(root mean square error of prediction set,RMSEP)为0.43,验证集相关系数(correlation coefficient of prediction set,R;)为0.9440,主成分数为8。结论通过近红外光谱技术结合偏最小二乘法建立甘薯多糖模型可作为甘薯多糖快速测定的可行性方法。