基于Si-VISSA特征波长选择的羊肉掺假检测方法

为提高羊肉掺假的检测效率、获得更好的预测精度,对区间变量迭代空间收缩法(Interval variable iterative space shrinkage approach,IVISSA)进行改进,以获得更优的建模性能。在IVISSA算法中引入了联合区间偏最小二乘(Synergy interval partial least squares,Si-PLS)的思想,设计了联合区间变量迭代空间收缩法(Synergy interval variable iterative space shrinkage approach,Si-VISSA),首先将全光谱波长划分为若干区间并组合成不同的联合区间,分别建立偏最小二乘模型,通过比较建模结果选出最优区间组合。该算法还改变了局部搜索条件,最优区间组合确定后再进行区间宽度的优化,通过增减区间相邻的波长并判别增减后的建模结果,最终确定区间边界。这些优化有效降低了算法复杂性,提高了运算精度。将IVISSA和Si-VISSA选取的波长分别建立偏最小二乘模型,结果显示,IVISSA波长选择预测集的决定系数和均方根误差分别为0.943和5.918,Si-VISSA波长选择预测集的决定系数和均方根误差分别为0.980和4.996。对比运行时长发现Si-VISSA所用时间仅为原算法的20%。以上表明Si-VISSA有更好的预测性能以及更高的运行效率。

近红外光谱技术定量检测果味啤中的果汁含量

该文以近红外光谱分析技术快速测定菠萝啤中果汁含量为目的,采用了后向间隔偏最小二乘(backward interval partial least squares,Bi-PLS)、组合间隔偏最小二乘(synergy interval partial least squares,Si-PLS)以及遗传算法(genetic algorithm,GA)提取特征波长以提高模型性能。研究结果表明,基于Si-PLS提取的特征波长结合偏最小二乘法(partial least squares,PLS)建立的定量分析模型效果最好,从原始光谱范围4000~10000 cm^-1内筛选出3个特征光谱区间,分别为(4484~4960,5600~6051,7844~8080)cm^-1,共94个特征变量,比原始1501个波长变量减少了93.7%,验证集的均方根误差和决定系数分别为0.18%、0.89,范围误差比为3.17。实验结果表明,近红外光谱分析技术用于测定果味啤中的果汁含量是可行的,这为快速高效测定菠萝啤果汁含量提供了一种方法依据。

霉变出芽花生的近红外光谱无损检测研究

为了能够客观、快速、无损、便捷地检测花生仁霉变和出芽,研究了一种基于傅里叶变换近红外光谱技术和K最近邻（KNN）模式识别方法的霉变和出芽花生识别方法。依据花生的感官特征和前人研究经验,将花生分为正常、轻度霉变、重度霉变和发芽四类,采用傅里叶变换近红外光谱仪的积分球漫反射方法采集花生光谱（波段4 000~10 000 cm-1）。利用二阶导数算法进行光谱预处理,建立联合区间偏最小二乘（Si-PLS）识别模型,并得到特征光谱区间。然后在特征光谱区间的基础上运用主成分分析进行数据空间降维,最后建立KNN识别模型。KNN模型训练集与预测集识别率均为98.84%,表明应用近红外光谱技术和KNN法检测霉变和出芽花生效果良好,具有可行性。