近红外光谱技术和SIMCA的第三代杂交水稻不育系快速鉴别

以第三代杂交水稻雄性不育系和繁殖系种子为研究对象,采用近红外光谱技术结合SIMCA判别分析法对两类水稻种子进行全波段(900~1700 nm)和敏感波段(1350~1450 nm)的鉴别。在全波段和敏感波段均实现了对不育系种子100%的区分。结果表明,应用近红外光谱技术结合SIMCA建模在900~1700 nm和1350~1450 nm范围均可实现对第三代杂交水稻不育系的快速鉴别。

FTIR结合DD-SIMCA和二维相关光谱的核桃产地判别分析

【目的】建立一种基于傅里叶变换红外光谱(FTIR)的简便、快速的核桃产地鉴别方法。【方法】使用KBr压片法采集4类不同产地(新疆、贵州、四川、云南)的核桃仁(n=120)和核桃壳(n=80)的中红外(4000~400 cm^(-1))光谱信息,经S.G.平滑+MSC方法预处理后,进行化学计量学建模和2DCoS分析。【结果】各产地核桃仁中红外光谱的主要吸收峰在表征蛋白质的1649 cm^(-1)和1539 cm^(-1)处存在显著差异(VIP>1.0)。SVM比PLS-DA模型取得了更好的识别效果,其对核桃壳和核桃仁样本的最佳产地判别正确率分别为100%和97%。DD-SIMCA法对核桃仁样本的判别灵敏度和特异性均达到100%,高于SIMCA的87%分类正确率。各产地核桃仁样本的二维同步谱图存在差异,表明该法可以用于核桃产地的分类判别。【结论】FTIR光谱结合DD-SIMCA化学计量学方法或2DCoS分析技术可以实现对核桃产地的高效识别。

基于可见/近红外光谱与SIMCA和PLS-DA的脐橙品种识别

脐橙的优良品种选育是通过芽变选种获得,为了选择一些具有特殊性状的脐橙芽变进行培植,需要对脐橙的品种进行鉴别。该研究应用可见/近红外光谱分析方法结合软独立模式分类(SIMCA)和偏最小二乘判别分析(PLS-DA)模式识别方法对赣南脐橙的品种进行识别。研究结果表明,采用原始近红外光谱结合SIMCA方法,实现了纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的100%的识别;应用近红外光谱结合PLS-DA方法对校正样本建立判别模型,其校正及验证结果与实际分类变量的相关系数均大于0.970,交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)都小于0.100,利用模型对验证集中纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的识别率均为100%。为脐橙优良品种的选育提供快速鉴别分析方法。

SIMCA法在中红外癌症检测技术中的应用

人体肿瘤的中红外光谱法早期检测是生物医学领域的前沿课题之一。研究了中红外FTIR光谱技术与化学计量方法 (模式识别技术 )相结合对人体恶性肿瘤进行检测的方法 ,并讨论了如何通过采用光谱预处理方法以及波长范围的选择来提高模式识别技术 (SIMCA法 )分类判别效果。研究了 6 3个胃癌病人的癌变组织和癌旁正常组织光谱 ,选择有代表性的 4 0个样品作为训练集 ,剩余的 2 3个样品作为预测集 ,该方法的准确率为 91%。这一研究结果表明傅里叶变换红外光谱法与化学计量学方法相结合可以对良、恶性组织进行鉴别诊断 ,有希望发展成为一种肿瘤快速诊断的新方法。

SIMCA模式识别方法在近红外光谱识别茶叶中的应用

茶叶快速准确识别方法研究是当前茶叶行业亟待解决的一项重大课题。本研究采用一种近红外光谱结合SIMCA模式识别方法对茶叶进行识别与分类。研究结果表明,选取6500～5300cm-1波长范围内的光谱,通过标准归一化(SNV)预处理后,利用SIMCA的模式识别方法分别为龙井、碧螺春、祁红和铁观音等四类茶叶建立了类模型。主成分数分别为4、5、2和3时,类模型对未知样本的识别效果最佳。在α=5%的显著性水平下,四类模型的对未知茶叶样本的识别率分别是90%、80%、100%和100%,拒绝率全是100%。本论文为快速准确识别茶叶提供了一种新思路。

近红外光谱结合SIMCA法溯源羊肉产地的初步研究

产地溯源是食品安全追溯制度的重要组成部分。该文采用近红外光谱结合簇类独立软模式法(SIMCA)建立了羊肉产地溯源模型。结果表明,在11995～3999cm-1波长范围内,光谱经5点平滑(Smooth)与多元散射校正(MSC)预处理,山东济宁市、河北大厂县、内蒙临河市、宁夏银川市4个产地模型的主成分数分别为5、6、5、6时,采用SIMCA模式识别方法可以建立稳健的羊肉产地溯源模型;在1%的显著水平下,4个产地校正集模型对未知样本的识别率分别为95%、100%、100%、100%,拒绝率均为100%;其验证集模型的识别率分别为100%、83%、100%、92%,拒绝率均为100%。该研究表明,近红外光谱技术作为一种羊肉产地的溯源方法切实可行。

SIMCA法判别分析木材生物腐朽的研究

木材是一种生物质材料,容易受到各种微生物的危害,生物腐朽可以迅速导致木材结构的破坏,因此,对木材生物腐朽的快速、准确地检测或鉴定具有重要意义。近几年来,近红外光谱和SIMCA方法正被用于识别或检测食品、药品和农产品等研究中,因此,本研究尝试利用近红外光谱结合SIMCA方法来检测木材的生物腐朽。研究结果表明,应用近红外光谱和SIMCA方法能有效地判别木材的生物腐朽类型,通过培训集样本建立的基于PCA分析的SIMCA判别模型对未腐朽、白腐和褐腐三种类型样本进行回判,判别准确率分别为100%,82.5%和100%;而对未知腐朽类型的样本(包括未腐朽、白腐和褐腐样本),判别准确率分别为100%,85%和100%;SIMCA方法对未腐朽和褐腐类型的判别准确率均达到100%,但对白腐样本都有错判,造成这种错判的主要原因可能是由于样本包括的信息不够丰富以及腐朽初期白腐和褐腐试样的性质差异太小等。

纹党参与白条党参红外光谱的SIMCA聚类鉴别方法研究

以纹党参和白条党参的红外光谱为聚类分析的对象，研究了红外光谱结合SIMCA聚类分析法对纹党参和白条党参进行识别与分类的可行性。选取400—2000cm^-1范围内的光谱，通过基线补偿（Offset）和散射校正（MSC）等预处理后，采用SIMCA聚类分析法建立识别模型。结果表明，所建模型对纹党参和白条党参的识别率分别达92％和96％，拒绝率均为100％。用盲样对所建模型进行了测试，测试结果全部正确。该法可实现对纹党参和白条党参的快速鉴别。

基于近红外光谱和SIMCA算法的烟叶部位相似性分析

烟叶的外观特征能反映其内在品质,不同部位、品种、成熟度的烟叶在外观上表现出来的特征为烟叶生产加工提供了标准和依据。烟叶根据其在植株上着生位置不同可分为5个部位,分别为:顶叶、上二棚叶、腰叶、下二棚叶和脚叶。文章以2008年云南玉溪地区K326品种的5个部位各100份烟叶样品为实验材料,采集了500个近红外光谱数据,应用基于SIMCA算法的相似性分析数学模型,对不同部位烟叶的近红外光谱进行了相似性分析。实验结果表明,基于近红外光谱的烟叶部位相似性分析结果与实际烟叶部位之间的相似性程度是相符的,部位之间相距越大其相似性越差,同时相邻部位之间的相似程度是不同的。该研究对基于SIMCA算法的主成分数确定进行了讨论,并实现了类别间相似性的量化分析,对于烟叶复烤配方的替代、调整以及进行工业分级的评价等具有指导意义。

近红外光谱结合SIMCA模式识别法检测木材表面节子

利用近红外光谱结合SIMCA模式识别法来检测马尾松木材单板节子。结果表明,通过培训集样本建立的基于主成分分析的SIMCA判别模型对有无节子两种类型样本进行回判和对未知节子类型的样本(包括无节子和有节子样本)的判别正确率均达到90%～100%,说明应用近红外光谱结合SIMCA模式识别法可以快速有效地检测木材表面的节子缺陷。

近红外光谱的马铃薯环腐病SIMCA模式识别

中国是马铃薯生产和消费大国,伴随马铃薯主粮化战略推进,马铃薯对中国农业结构和消费者饮食结构的影响与日俱增。环腐病是制约马铃薯产业发展的常见病害,对种薯会造成死苗死株,对加工原料会降低加工效率和成品质量,严重可达30%~60%。传统检测马铃薯病害的主要方法是目测、机器视觉以及高光谱成像等方法,目测或机器视觉方式鉴别环腐病需要对样品进行破坏;高光谱成像技术成本高昂,存在一定的应用局限性。因环腐病会造成整薯内部品质变化,利用近红外光谱技术探测整薯内部品质变化,从而将环腐病马铃薯从健康薯中区别开来,具有可行性和实用价值。创新地尝试利用近红外光谱结合SIMCA模式方法来区分马铃薯环腐病及健康薯。研究结果表明,基于主成分分析的SIMCA模式识别能有效判别马铃薯环腐病样品,模型校正集中环腐病和健康薯的识别率、拒绝率均为100%;模型验证集中环腐病的识别率、拒绝率分别为99.00%和100%,健康薯的识别率、拒绝率分别为94.12%和100%,所建模型精度较高。利用独立的18个样品进行模型外部验证,环腐病样品识别率为87.50%,健康薯识别率为80.00%,均没有错判。表明所建SIMCA二值识别模型效果良好,可满足实际应用,但模型精度需进一步提高。马铃薯环腐病发病部位接近表皮0.5cm左右,近红外光谱对马铃薯样品有一定的透射和漫反射。可考虑采集马铃薯接近表皮部分的果肉组织内部光谱信息,结合马铃薯环腐病的发病机理及近红外漫反射光谱的特性,利用近红外识别模型进行环腐病判别,具有一定的创新性和应用性。

基于近红外光谱特征的赤霉病小麦籽粒SIMCA识别模型构建研究

利用近红外光谱分析仪采集2012年度江苏、安徽、河南等省份25份农户田间小麦品种籽粒样品的近红外光谱信息，对获取的近红外光谱数据分别进行均值标准化、一阶求导、二阶求导和多元散射校正处理，利用全波段（950～1650nm）和特征波长处（985、1130、1160、1190、1235、1320、1385、1410nm）的近红外光谱数据，采用离差平方和法（Ward法）聚类分析和主成分分析等化学计量学方法，构建赤霉病小麦籽粒和未病小麦籽粒的SIMCA识别模型。模型诊断和验证结果显示，构建的SIMCA识别模型对赤霉病小麦籽粒和未感病小麦籽粒的正确识别率均为100％，识别效果良好。

基于SIMCA法的肝炎后肝硬化中医证候判别研究

目的探讨SIMCA(soft independent modeling of class analogy)法对肝炎后肝硬化中医证候判识的可行性。方法在对变量进行归一化处理的基础上,用SIMCA法对268例肝炎后肝硬化患者临床症状、体征和生物学指标进行分析,获得相应SIMCA距离并以之对肝硬化证候进行识别,再运用秩和检验分析误判原因。结果 5种中医证候(肝郁脾虚证、肝肾阴虚证、脾肾阳虚证、湿热内蕴证及瘀热蕴结证)的识别率在最近类中为72.39%,在次近类中为17.91%,总识别率为90.30%。其中,对肝肾阴虚证的识别率最高,总识别率为95.24%。秩和检验分析结果表明,在最近类中,未得到识别者与得到识别者比较,在某些对证候判识起关键作用的症状变量得分方面差异有统计学意义(P<0.05)。结论采用SIMCA法对肝炎后肝硬化中医证候进行判识,与临床实际证候拟合度较高。依据SIMCA法建立证候辨识系统可为中医证候判别提供参考。

基于近红外光谱与SIMCA快速识别乙烯醋酸乙烯酯共聚物树脂牌号的定性方法

利用近红外光谱与族类独立软模式方法(SIMCA)对不同牌号的乙烯醋酸乙烯酯(EVA)共聚物树脂进行快速定性分析。利用漫反射测量方式与傅里叶近红外光谱仪测量样本的近红外光谱,并利用SIMCA方法对训练集样本建立类别定性模型及预测验证集样本的牌号。结果表明,近红外光谱经过导数与MSC预处理后,利用主成分分析方法将光谱数据降维得到光谱的主成分信息,选用前3主成分建立的EVA树脂牌号的定性识别模型,对24个验证集样本的预测准确度为100%。基于近红外光谱与SIMCA定性方法可以用于EVA树脂牌号的快速识别。

基于SIMCA模型的纸浆种类近红外光谱鉴别

研究了近红外光谱分析与SIMCA模式识别技术相结合鉴别纸浆种类的方法。收集了桉木浆、麦草浆(漂白与未漂白)、棉浆、湿地松浆等4种纸浆共90个样品,抄成不同定量纸样并采集其近红外光谱,其中部分桉木浆添加化学助剂。选择60个样品作为训练集建立SIMCA类模型,剩余30个样品用于模型检验。研究结果表明,建立的模型能完全正确识别各类纸浆,且不受抄纸定量和添加化学助剂因素的影响,为快速无损鉴别纸浆种类提供了一种准确可靠的方法。

近红外光谱结合SIMCA对不同产地枸杞溯源模型的优化

采用近红外光谱结合簇类独立软模式法(SIMCA)建立枸杞溯源模型,比较不同光谱预处理方法建立的溯源模型的优劣。结果表明,在950～1650nm波长范围内,原始光谱经二阶导数、五点平滑以及矢量归一化处理后,在波长1135、1175、1235、1335、1395、1535nm处,均有明显的特征吸收峰;新疆、中宁、甘肃、青海、南梁、惠农、固原和内蒙的8个产地模型的主成分数分别为3时,采用SIMCA法建立的枸杞溯源模型最好;在10%显著水平下,建立的8个产地模型中,固原模型最好,惠农模型最差。

基于近红外光谱特征的赤霉病小麦籽粒SIMCA识别模型构建研究

利用近红外光谱分析仪采集2012年度江苏、安徽、河南等省份25份农户田间小麦品种籽粒样品的近红外光谱信息,对获取的近红外光谱数据分别进行均值标准化、一阶求导、二阶求导和多元散射校正处理,利用全波段(950~1 650nm)和特征波长处(985、1 130、1 160、1 190、1 235、1 320、1 385、1 410 nm)的近红外光谱数据,采用离差平方和法(Ward法)聚类分析和主成分分析等化学计量学方法,构建赤霉病小麦籽粒和未病小麦籽粒的SIMCA识别模型.模型诊断和验证结果显示,构建的SIMCA识别模型对赤霉病小麦籽粒和未感病小麦籽粒的正确识别率均为100%,识别效果良好.

基于SIMCA-SVDD方法的分子光谱分析及其在食用油分类中的应用

食用油是日常生活中的必需品。市场上食用油在成分、营养价值及价格上有很大的不同。为避免欺诈行为,亟需建立一套有效的市场销售的食用油品质分类方法。常规的食用油检测方法速度慢而且需要复杂的实验室预处理过程。分子光谱从分子水平上反映了物质的组成与结构信息,分子光谱分析速度快而且是无损监测,因此分子光谱分析结合化学计量学的方法正成为食用油分类方法的趋势。SIMCA(Soft Independent Modeling of Class Analogy)是应用广泛的分子光谱分析方法,然而在SIMCA中使用欧氏距离于对基于PCA和F检验提取的特征进行分类,难以区分不规则的特征空间。由于食用油样本分子光谱差别细微,通常难以用SIMCA方法进行分类。SVDD(Support Vector Domain Description)算法是一类基于支持域的非线性单类分类方法, SVDD利用求解凸二次规划得出一个尽可能包含所有目标样本的最小超球体进行分类。本文提出了一种基于SIMCA-SVDD方法的分子光谱分析方法并用于食用油的快速分类。为鉴别不同种类的食用油,在ATR-FTIR光谱仪上扫描四种食用油的红外光谱。应用SIMCA方法提取分类特T^2和Q,由于提取的特征T^2和Q分布的不规则性,不同于SIMCA中的欧氏距离,本文采用SVDD用于对提取的不规则特征进行分类。由于SVDD能通过映射函数将分类特征映射到高维空间,因此可以通过求解凸二次规划来训练最优的分类超球面对分类特征进行分类。采用本文所提的SIMCA-SVDD方法及传统的SIMCA方法,对同样的样本进行了对比实验。对比实验证实了本文所提的SIMCA-SVDD方法具有比传统的SIMCA方法更好的分类结果,所提的方法为实现基于分子光谱进行食用油快速分类提供了一条新的途径。

SIMCA分类法中主成分分析算法的研究

模式识别是研究用计算机模拟人的识别能力,对不同类型形式的数据进行描述、分类、识别等有关的理论和方法。SIMCA方法是基于主成分分析之上的一种模式识别方法,本文对SIMCA分类法中主成分分析的算法进行了比较研究,并在MATLAB中进行了模拟和结果比较。

傅里叶变换红外光谱结合SIMCA对宣威火腿鉴别研究

运用傅里叶变换红外光谱结合SIMCA模式识别方法对3种不同年限30个宣威火腿样品进行鉴别研究。结果显示,3种不同年限宣威火腿的傅里叶变换红外原始光谱差异不明显。选取1 800~800cm^(-1)范围光谱数据进行二阶导数处理,运用SIMCA模式识别法对3种不同年限宣威火腿样品的二阶导数光谱数据进行主成分分析(PCA)和系统聚类分析(HCA))。结果表明:利用傅里叶变换红外光谱结合SIMCA模式识别方法能够很好的对不同年限宣威火腿进行区分,其中PCA分析3种不同年限宣威火腿样品的组间和组内差异明显,系统聚类分析的正确识别率达到93%。表明傅里叶变换红外光谱结合SIMCA模式识别方法是一种有力的火腿鉴别工具。