拉曼光谱结合光谱特征区间筛选算法快速定量鉴别植物调和油品质

本研究提出了一种基于拉曼光谱与光谱特征区间筛选算法实现植物调和油中高价值植物油含量快速定量检测的方法。首先,将粒子群优化(particle swarm optimization,PSO)算法与灰狼优化(grey wolf optimization,GWO)算法融合构建混合智能优化算法,即PSOGWO算法。其次,将PSOGWO与组合移动窗口(combined moving window,CMW)策略结合构建新型的拉曼光谱特征区间筛选算法,即PSOGWO-CMW算法。然后,将玉米油(corn oil,CO)和特级初榨橄榄油(extra virgin olive oil,EVOO)以不同比例配制为CO-EVOO植物调和油,并采集其拉曼光谱。将拉曼光谱输入偏最小二乘回归、PSO-CMW、GWO-CMW和PSOGWO-CMW模型预测EVOO含量,并比较建模效果。结果表明,PSOGWO-CMW模型具有最佳的预测性能。采用本方法与气相色谱-质谱法分别检测真实的CO-EVOO植物调和油样本中EVOO含量,结果表明两者的检测性能无显著差异。本方法快速、准确,亦可用于其他植物调和油中高价值植物油含量的快速定量检测。

近红外光谱信息筛选在玛咖产地鉴别中的应用

食药植物玛咖富含多种营养成分,极具药用价值。采用近红外漫反射光谱,对采自秘鲁及云南共139份玛咖样品进行产地鉴别。采用多元信号校正结合二阶导数和Norris平滑预处理光谱,利用光谱标准偏差初步选择光谱波段(7 500~4 061cm^(-1)),结合主成分-马氏距离(principal component analysis-mahalanobis distance,PCA-MD)筛选出适宜的主成分数为5。基于所筛选的光谱波段及主成分数,利用"模群迭代奇异样本诊断"方法剔除2个异常样品后,分别采用竞争自适应重加权法(competitive adaptive reweighted sampling,CARS)、蒙特卡洛-无信息变量消除法(monte carlo-uninformative variable elimination,MC-UVE)、遗传算法(genetic algorithm,GA)和子窗口重排(subwindow permutation analysis,SPA)四种方法筛选光谱变量信息,利用模型集群分析(model population analysis,MPA)思想对所筛选的光谱变量信息进行评价。结果显示,RMSECV(SPA)>RMSECV(CARS)>RMSECV(MC-UVE)>RMSECV(GA),分别为2.14,2.05,2.02,1.98,光谱变量数分别为250,240,250和70。采用偏最小二乘判别分析法(partial least squares discriminant analysis,PLS-DA)对四种方法筛选的光谱变量建立判别模型,随机选择97份样品作为建模集,其余40份样品作为验证集。通过R2,RMSEC和RMSEP分析可知,R2:GA>MC-UVE>CARS>SPA,RMSEC和RMSEP:GA<MC-UVE<CARS<SPA,且GA,MC-UVE,CARS和SPA四种方法筛选的光谱信息所建立的产地判别模型预测正确率分别为95.0%,92.5%,90.0%和85.0%。四种方法筛选的光谱信息所建立的产地判别模型均具有较好的预测性能,其中GA法所筛选的光谱信息建立的判别模型更准确。该方法的建立旨在为中药材鉴别和品质评价奠定基础。

基于模型集群的马铃薯叶绿素检测光谱变量筛选讨论

为了探究马铃薯作物叶绿素吸收特征,充分解析光谱特征波长变量,建立高精度叶绿素含量检测模型。在马铃薯发棵期(M1)、块茎形成期(M2)、块茎膨大期(M3)和淀粉积累期(M4)4个关键生长期,利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据,并同步采集叶片测定叶绿素含量。在光谱数据预处理之后,分析了马铃薯不同生长期的光谱反射率变化特征。利用基于模型集群思想的蒙特卡洛无信息变量消除(MC-UVE)、随机蛙跳(RF)、竞争自适应重加权采样(CARS)三种算法筛选叶绿素特征波长,建立叶绿素含量检测PLS模型。对4个生长期的314个样本,采用SPXY算法分别按照3∶1的比例划分,得到建模集240个样本、验证集74个样本。利用MC-UVE, RF, CARS三种算法筛选叶绿素特征波长,讨论迭代次数(N)和特征变量个数(LV)对MC-UVE和RF算法、迭代次数(N)对CARS算法筛选特征波长结果的影响,对迭代次数设置6个梯度,分别为N=50, 100, 500, 1 000, 5 000和10 000;对特征变量数设置4个梯度,分别为LV=15, 20, 25和30。以PLSR模型的验证集结果为评价指标,分析迭代次数(N)和特征变量数(LV)的最优参数组合。最后基于MC-UVE, RF和CARS算法筛选得到的最佳特征波长建立叶绿素检测PLSR模型,分别记为MC-UVE-PLSR, RF-PLSR, CARS-PLSR。结果表明, CARS, RF和MC-UVE三种算法的迭代次数(N)、特征变量数(LV)参数最佳组合分别为:(1)MC-UVE:迭代次数N=50特征变量数LV=30;(2)RF:迭代次数N=500、特征变量数LV=30;(3)CARS:迭代次数N=100。对比在最佳特征波长建立的MC-UVE-PLSR, RF-PLSR, CARS-PLSR叶绿素含量检测,发现RF-PLSRRR模型的性能最优,R^2v为0.786, RMSEV为3.415 mg·L^-1;MC-UVE-PLS模型性能次之,R^2v为0.696, RMSEV为4.072 mg·L^-1;CARS-PLS模型的性能最差,R^2v为0.689, RMSEV为4.183 mg·L^-1。以上结果说明:在筛选马铃薯叶绿素特征波长方面RF算法优于MC-UVE和CARS,得到的特征波长能够较全面地反映与马铃薯叶绿素相关的物质信息。

基于近红外光谱的核桃仁蛋白质含量检测分析

为了实现核桃仁蛋白质的快速无损检测,采用近红外光谱技术,建立了核桃仁蛋白质含量预测模型,并对近红外光谱波段筛选方法进行了研究。首先针对3种不同粒度核桃仁样本,采集了1 040~2 560 nm范围全波段信息,采用多元散射校正法和标准正态化方法对原始光谱进行了预处理。然后,采用间隔偏最小二乘算法筛选了光谱特征波段,并建立了全波段和特征波段下核桃仁蛋白质含量偏最小二乘算法预测模型。通过对不同粒度核桃仁样本近红外光谱分析表明,核桃仁粒度大小对核桃仁蛋白质含量预测效果并无显著影响。采用间隔偏最小二乘算法的波段筛选,核桃整仁样本验证集的均方根误差和相关系数分别为0.021和0.913,表明该方法能够优化模型质量并降低模型复杂度。

重庆市南川区土壤锰元素遥感反演

土壤中的锰元素对植物生长起着重要作用,土壤锰含量过高或者缺少都将对植物产生不良影响,因此快速监测土壤中的锰含量尤为重要。目前利用遥感技术监测土壤锰含量的相关研究主要集中在利用土壤光谱估算土壤锰含量,而对于植被常年覆盖的南方地区,难以从卫星影像中获取土壤光谱。因此,引入植被光谱,探索植被覆盖区域土壤锰元素的快速监测方法。首先从Landsat 8影像中提取11种植被光谱指标,并运用皮尔逊相关系数(Pearson correlation coefficient)结合方差膨胀因子(VIF)筛选出最佳植被光谱指标;在此基础上,利用偏最小二乘回归(PLSR)、多元逐步回归(MSR)和BP神经网络(BPNN)算法构建最佳植被光谱指标与土壤锰元素之间的光谱响应模型,分析比较三个模型的估算效果从而确定最佳反演模型;最后,基于最佳反演模型进行土壤锰含量空间制图。以重庆市南川区为例,研究结果表明:3个植被光谱指标(比值植被指数,归一化植被指数和可见光大气阻抗植被指数)被确定为土壤锰元素最佳的光谱响应指标;BPNN光谱响应模型(R^(2)为0.78,RMSE为334.24,RPD为2.13)为土壤锰含量最佳反演模型,其土壤锰含量的制图精度(R^(2)为0.69,RMSE为567.64,RPD为1.30)。表明通过植被光谱指标反演土壤锰含量可行,该研究为区域尺度的土壤锰含量监测开拓了新思路。

黄芩甙锌络合物抗过敏作用的研究

本文报告利用小鼠皮肤被动过敏反应(PCA)研究黄芩甙锌络合物抗过敏反应的作用,并对黄芩甙和黄芩甙锌络合物的抗过敏作用作了比较。实验结果表明黄芩甙锌络合物抑制 PCA 的作用较黄芩甙强(P<0.05)。实验中,采用 Inagaki 氏耳廓法取代经典的皮肤法提高测定精确性;同时改良传统的 Ovary 氏蓝斑法,而采用 Watanabe 氏的异硫氰酸荧光素标记小牛血清白蛋白(F—BSA)作为附加示踪剂提高了测定反应的灵敏度。

多元素LIBS分析的标准化交叉验证及其优化

交叉验证是用于验证模型性能的一种统计分析方法,可避免由训练集与测试集重合引起的过拟合。进行交叉验证时通常使用交叉验证均方根误差(RMSECV)的均值来表征多元素的分析准确度。但对于激光诱导击穿光谱(LIBS)用于多元素分析的情况,发现各元素的RMSECV与其在样品中的浓度范围可近似用线性关系表述,由于不同元素在样品集中的浓度范围差异很大,不同元素之间的RMSECV差异较大,实验中C与Cr在样品集中的浓度范围差异为28.11倍,其RMSECV差异达到8.96倍。发现RMSECV均值对于个别元素过于灵敏,在数据优化过程中,可能导致其不能反映大多数元素的分析准确度变化趋势。为减小RMSECV均值对不同元素的灵敏度差异,更全面地表征多元素的分析准确度,提出了多元素的RMSECV标准化方法,即将各元素的RMSECV与该元素在样品集中的浓度范围相除,并引入标准化交叉验证均方根误差(SRMSECV)的概念。LIBS检测受测量条件波动(如激光脉冲能量、振动等)等不确定因素的影响,会引入异常光谱,并对分析准确度产生负面影响。为通过滤除异常光谱来提高多元素分析准确度,利用光谱面积筛选对光谱数据进行预处理,以同一样品下各张光谱的面积中位数为中心,选定某一光谱面积区间,舍弃该区间之外的光谱,并使用余下光谱用作定量分析。在此基础上,通过对0.5 Pa真空环境下的10块Ni基合金中的14种元素成分进行的多谱线内标法定量分析展开实验验证。标准化后各元素RMSECV的相对标准差(RSD)由68.7%减小至48.9%,元素间的RMSECV的最大差异由8.96倍降低至3.93倍,表明SRMSECV均值能够较全面表征多元素的分析准确度,从而有利于实现定标曲线的全自动优化。在优化面积筛选跨度下,各元素定标模型的决定系数(R2)均值与SRMSECV均值都得到一定程度的改善,证明光谱面积筛选对于提高多元素分析准确度的价值。

基于GA的GRNN高光谱遥感反演冬小麦叶片氮含量模型的建立与验证

基于人工神经网络理论，针对高光谱遥感中数据冗余问题，本文建立了基于遗传算法（GA）的广义回归神经网络（GRNN）模型，利用回归分析问题中参数筛选方法，对表征冬小麦叶片全氮的光谱参数进行了筛选，并和线性回归方法对比，线性回归方法的均方根误差（RMSEP）：在冬小麦叶片氮含量为34．0g kg^-1～62．5g kg^-1预测范围内，逐步回归模型为14．4g kg^-1，后向选择为11．8g kg^-1，而广义回归神经网络为3．40g kg^-1。说明神经网络方法所筛选到的光谱参数更能反映小麦叶片全氮含量，且神经网络模型预测精度高。