基于PLS-LDA和拉曼光谱快速定性识别食用植物油

以6种食用油共计23个样本为分析对象,采用偏最小二乘线性判别分析法(PLS-LDA)和拉曼光谱进行单一种类(橄榄油、花生油和玉米油)食用油快速定性检测,通过自适应迭代惩罚最小二乘法(airPLS)对拉曼信号进行背景扣除,以及蒙特卡洛无信息变量消除法筛选波长变量,不但有效减少了波长点数,降低了建模运算量,而且提高了单一种类食用油的识别率,使得总体识别率均高于90%,并在此基础上进一步提出了采用PLS-LDA进行多种类食用油识别的检测流程。实验结果表明PLS-LDA在食用油定性识别检测中具有较好的应用前景和可行性,该方法也可为定性检测食品及农产品品质提供借鉴。

CARS结合PLS-LDA法识别奶牛饲料中土霉素的可行性研究

收集了一年内不同月份不同种类的纯奶牛精补料20个,制备土霉素含量不同的掺假奶牛精补料100个,在全光谱范围内对样品进行近红外透反射光谱扫描,利用CARS法对光谱数据进行前处理,采用偏最小二乘-线性判别分析(PLS-LDA)法来建立判别模型。建立的PLS-LDA模型的交互验证最小错误率为0.0729,模型错分率为0,模型预测错误率为0.0417。说明利用近红外光谱技术建立定性判别模型来检测奶牛饲料中是否掺有土霉素是可行的。

基于人血浆荧光光谱与CARS-PLS-LDA的结直肠癌早期检测

该文利用竞争性自适应加权算法(CARS)筛选重要的人血浆荧光光谱变量,并结合偏最小二乘法判别分析(PLS-LDA)建立了结直肠癌患者与非癌患者的分类模型,同时与全波长模型和基于平行因子分析(PARAFAC)建立的模型进行比较。从模型评价指标看,CARS-PLS-LDA的性能显著优于全波长模型和基于PARAFAC的模型。高波未稀释组和低波稀释组的荧光光谱结合CARS-PLS-LDA分类模型的AUC(Area under curve)值均高于0.9,可有效地识别结直肠癌患者。结果表明,CARS变量筛选能够明显改善结直肠癌分类模型的性能,有助于后续癌症临床诊断工具的开发与研究。

HPLC结合多变量统计建立野生与人工沉香的识别模型

为了建立野生、人工沉香的识别方法,采用《中药色谱指纹图谱相似度评价系统》对48批次沉香的HPLC图谱进行分析,并结合多变量统计筛选野生、人工沉香识别特征峰,建立两者的Fisher线性识别模型和偏最小二乘判别法(PLS-DA)识别模型。结果表明:野生、人工沉香HPLC图谱的色酮种类及含量具有较大差异,为识别模型的建立提供了依据;多变量统计筛选出的9个色谱峰变量具有代表性,可用于识别模型的建立;所建立的Fisher识别模型对野生沉香和3年以内人工沉香的判别正确率均为100%,可用于野生与人工沉香的识别; Fisher线性识别模型的线性判别函数:y=-0.193 14x_1-0.086 49x_2+0.073 02x_3+0.136 65x_4+0.053 01x_5-0.058 5x_6+0.097 58x_7+0.040 24x_8-0.130 12x_9,y_1=-1.555 3、y_2=2.641 8、临界值y_0=0.543 3。

近红外光谱法鉴别奶牛饲料中三聚氰胺甲醛树脂的可行性研究

收集国内常用的、具有代表性的奶牛精补料33个样品,制备99个三聚氰胺甲醛树脂(MF)掺假样品,在全光谱范围内进行近红外透反射光谱扫描,选择合适的前处理方法,采用BP神经网络方法和PLS-LDA方法分别建立判别模型。建立的BP神经网络判别分析模型的预测正确率为100%,建立的PLS-LDA判别分析模型的交互验证最低错误率为0.0778,模型错分率为0.0667,模型预测错误率为0.1429。说明利用近红外透反射光谱建立定性分析模型来检测奶牛饲料中是否掺有MF的研究是可行的。

应用红外光谱结合化学计量学方法检测阿拉伯胶产地和蛋白质含量（英文）

研究利用傅里叶红外光谱结合化学计量学方法来实现对苏丹阿拉伯胶的产地和蛋白质含量的快速无损检测的可行性。采集自6个不同的产地,每个产地12个,总计72个阿拉伯胶样本,作为研究对象,运用线性判别分析(linear discriminant analysis,LDA)和反向区间偏最小二乘(backward interval partial least squares,Bi-PLS)法分别实现对苏丹阿拉伯胶的产地区分和蛋白质含量检测。结果表明,当主成分数为6时,LDA对样本的训练集(48个样本)和预测集(24个样本)的识别率都为100%。Bi-PLS法回归联合20个光谱子区间中的4个子区间得到最佳的蛋白质预测模型,其预测集相关系数为0.937 3,均方根误差为0.173%。因此,利用傅里叶红外光谱结合化学计量学方法可实现对苏丹阿拉伯胶的产地以及蛋白质的含量的快速无损检测。

线性判别分析和降维方法应用于基因芯片数据分析

主要采用偏最小二乘法和线性判别分析(LDA)有监督分类的方法来对基因芯片(微阵列)数据进行分析.PCA,PLS是一种提取海量数据有效特征的有效方法,而且可以获得与原来基因芯片数据更为接近的成分的提取特征的效果.比较PCA降维和PLS降维对LDA统计判别分类的效果.得出的结论可为工业应用提供科学依据.

基于质谱与化学计量学的浓香型白酒等级鉴别

不同等级白酒的鉴别对控制白酒质量和保护消费者权益有重要意义,运用顶空固相微萃取质谱(HS-SPME-MS)技术获取3个不同等级的120个洋河大曲酒样质荷比m/z 55～191范围内的离子丰度值数据,结合偏最小二乘-判别分析和逐步线性判别分析法筛选出14个重要特征离子,且交叉验证的预测准确率达100%;然后将筛选出的14个特征离子作网络输入层,酒样的不同等级做网络输出层,构建神经网络等级鉴别模型,其在±0.3的误差范围内,预测准确率达100%,实现了白酒等级的数字化鉴别。