苹果可溶性固形物近红外光谱检测的偏最小二乘回归变量筛选研究

为了提高苹果可溶性固形物含量近红外光谱校正模型的预测能力和稳健性,分别采用反向区间偏最小二乘法、遗传算法和连续投影算法,筛选苹果可溶性固形物的近红外光谱变量,并建立了偏最小二乘回归模型。利用遗传算法筛选的141个变量建立的校正模型,预测效果最好,与全谱建立的校正模型比较,预测相关系数,从0.93提高到0.96,预测均方根误差,从0.30°Brix降低到0.23°Brix。实验结果表明遗传算法结合偏最小二乘回归方法,有效地提高了苹果可溶性固形物近红外光谱检测模型的预测精度。

近红外光谱法快速检测单基发射药中的二苯胺含量

采用近红外光谱法快速测定了单基发射药中二苯胺（DPA）的含量。评价了多个光谱预处理方法的优化效果,采用反向偏最小二乘法（biPLS）优选了建模波段（4 698~4 991、6 464~6 761和9 414~9 708cm-1）,并根据光谱分析结果和回归系数图解释了波段的选择。基于建模参数优化结果建立了二苯胺定量模型,并对模型进行了重复性验证。研究了环境温度对模型预测结果的影响。结果表明,确定的最佳光谱预处理方法是标准正态变换（SNV）、一阶导数和平滑的组合;模型校正相关系数（Rc）和验证相关系数（Rp）分别为0.995 3和0.988 5,预测均方根误差RMSEP为0.163 5;重复性极差和标准偏差均低于0.1%;环境温度的变化对模型预测的影响不显著。该方法可用于快速检测单基发射药中的二苯胺含量。

BiPLS结合模拟退火算法的近红外光谱特征波长选择研究

为了简化近红外光谱模型,提高对草莓可溶性固形物含量的预测精度,将反向偏最小二乘法(BiPLS)与模拟退火算法(Simulated annealing algorithm,SAA)相结合优选特征波长,建立了多元线性回归可溶性固形物光谱模型.原始光谱经过预处理后,用反向偏最小二乘法优选出4个特征子区间(分别为第8、13、16、17);对所选的特征子区间,进一步用模拟退火算法选择可溶性固形物的特征波长.在SAA选择出的7565 cm-1、7706 cm-1、8289 cm-1、8489 cm-1、8499 cm-1、8724 cm-1、8807 cm-1 7个特征波数点的基础上建立了预测模型.模型的预测均方根误差为0.428,优于偏最小二乘法、向后区间偏最小二乘法建模结果.研究结果表明:反向偏最小二乘法结合模拟退火算法可以有效选择近红外光谱特征波长.

BiPLS结合GA优选可见/近红外光谱MLR变量

利用反向区间偏最小二乘法(BiPLS)定位光谱糖度若干信息区间,运用遗传算法(GA)从中选择波长点,建立了多元线性回归(MLR)模型。光谱进行卷积平滑和二阶导数处理后,将光谱(225个数据点)分割成25个子区间时,BiPLS优化结果最优。在所定位的信息区间进行GA二次选择特征变量,运行100次依次选择入选频率较高的12个波长点。为简化MLR模型,对于入选的相邻波长选择频率较高者,最后选择638,734,752,868,910,916和938nm作为回归变量,建立的MLR预测模型相关系数(R2)、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.984,0.364和0.471,优于常用的逐步多元线性回归的建模结果。表明BiPLS结合GA可以有效地对李子糖度可见/近红外光谱MLR回归变量进行筛选,提高了模型的精度。

青砖茶压制压力优化及GCG近红外快速检测模型建立

青砖茶压制压力的选择至关重要,为探求压力与青砖茶品质及内含成分间的相互关系,并尝试对关键成分进行快速预测。以青砖茶为研究对象,设置了5个等级的压力值,通过感官审评和相关关系法分析了最佳压力值与品质和内含成分间的相关关系;应用标准变量变换、多元散射校正、一阶导数和二阶导数及组合方法进行降噪处理,应用反向区间偏最小二乘法筛选特征光谱区间并进行主成分分析,将主成分分别输入到3种信息传递函数的jump connection nets结构人工神经网络中建立定量分析模型。结果表明,最佳压力值为18MPa;关键内含成分为:没食子儿茶素没食子酸酯(Gallocatechin Gallate,GCG)(P<0.05);最佳预处理方法:多元散射校正+一阶导数组合方法;特征光谱区间:9 734.9~10 000,8 924.9~9 191.1,5 368.9~5 638.8,7 011.9~7 281.9,6 190.4~6 460.4,4 821.2~5 091.2,9 194.9~9 461.1,7 559.6~7 829.6,5 916.5~6 186.5 cm^-1,前3个主成分累积贡献率为97.82%,以应用tanh传递函数建立的GCG人工神经网络模型结果最佳(Rp^2=0.980,RMSEP=0.027),并有较好的实际应用效果(Rp^2=0.948,RMSEP=0.041)。研究结果为其它重量规格青砖茶产品的研发和品质的快速检测奠定了理论基础。

基于近红外光谱技术的远安黄茶品质快速无损检测方法

应用近红外光谱(near infrared spectroscopy,NIRS)技术结合多种算法对远安黄茶品质开展快速无损评价。首先通过扫描获得远安黄茶90个样品的近红外光谱,再利用11种不同方法对光谱进行预处理,剔除部分噪声信息,然后应用反向区间偏最小二乘法(backward interval partial least squares,Bi-PLS)筛选反映样品品质的特征光谱区间,应用遗传算法(genetic algorithm,GA)精准提取特征光谱波长,建立了5种黄茶品质预测模型,最后对光谱官能团信息进行解析。结果表明,最佳光谱预处理方法为多元散射校正,Bi-PLS筛选出的特征光谱区间主要为9003.2~7497.9 cm^(-1)、6101.7~5449.8 cm^(-1)和4601.3~4246.5 cm^(-1),GA筛选出75个特征光谱波长,建立的Bi-GA-PLS组合模型具有最佳的稳健性,可准确地预测远安黄茶样品外部品质分数(R2=0.951,RMSEP=1.57,RPD=5.27),初步实现了远安黄茶品质的快速、准确预测。光谱信息解析结果显示,45个光谱波长反映—CHx、C=O和—NHx官能团信息,代表单糖、咖啡碱、茶氨酸和游离蛋白质等内含成分物质,30个光谱波长反映O—H、酰胺键以及C—H和C—C伸缩的组合频信息,代表木质素、淀粉、纤维素等多糖内含成分物质。

玉米秸秆纤维素和半纤维素NIRS特征波长优选

预处理是提高玉米秸秆生物转化利用效率的有效途径。玉米秸秆经生物炼制转化为生物燃料时,转化率与其原料内的纤维素和半纤维素含量直接相关。为了实现对预处理后玉米秸秆的生物炼制过程的有效调控,提出使用近红外光谱(NIRS)对玉米秸秆的纤维素和半纤维素含量进行快速检测,解决传统化学方法测试速度慢、成本高的问题。为了提高NIRS检测的效率和精度,将遗传算法与模拟退火算法相结合构建遗传模拟退火算法(GSA)用于预处理后玉米秸秆纤维素和半纤维素含量NIRS特征波长优选。GSA算法以NIRS波长点数为码长进行二进制编码,以偏最小二乘法(PLS)回归模型的交叉验证均方根误差为目标函数,结合温度参数设计适应度函数,基于Metropolis判别准则实现扰动解的选择复制,能够在避免早熟的同时有效提高进化后期的搜索效率。采用碱预处理、生物预处理及其相结合的方法对采集的玉米秸秆进行预处理后制备样品120个,并测定其纤维素和半纤维素含量及NIRS。使用7点Savitzky-Golay平滑结合多元散射校正和标准正则变换对光谱进行预处理后,利用Kennard-Stone法按3∶1比例划分校正集和验证集。然后,使用GSA算法对NIRS全谱进行特征波长优选(记为Full-GSA)、对协同区间偏最小二乘法(SiPLS)优选后谱区进行特征波长优选(记为SiPLS-GSA)、对反向区间偏最小二乘法(BiPLS)优选后谱区进行特征波长优选(记为BiPLS-GSA),并使用PLS回归模型和验证集对特征波长优选结果进行评测。Full-GSA以全谱1 557个波长点为基因,执行16次算法,优选出118个纤维素特征波长点和164个半纤维素特征波长点。SiPLS-GSA经SiPLS优选的纤维素和半纤维素谱区波长点数分别为388个和160个,再经GSA进一步优选后得到157个纤维素特征波长点和148个半纤维素特征波长点。BiPLS-GSA经BiPLS优选的纤维素和半纤维素谱区波长点数分别为358个和180个,再经GSA进一步优选后得到130个纤维素特征波长点和153个半纤维素特征波长点。结果表明,通过波长优选,不仅参与建模的波长点数量显著减少,而且回归模型的性能显著优于全谱建模。其中,采用Full-GSA优选的纤维素特征光谱回归性能最佳,采用SiPLS-GSA优选的半纤维素特征光谱回归性能最佳。回归模型验证集的平均相对误差(MRE)分别为1.752 4%和2.020 8%,较全谱建模分别降低了13.636 6%和25.368 4%。基于结合温度参数设计适应度函数的策略构建的GSA具有良好的全局搜索性能,适用于玉米秸秆纤维素和半纤维素含量NIRS特征波长优选。GSA以全谱每个波长点为染色体基因的编码方案适用于NIRS全谱的特征波长优选。GSA同样适用于SiPLS和BiPLS优选后谱区的特征波长优选,能够有效实现优选后谱区的波长点优选。

近红外光谱法分析慈竹物理力学性质的研究

采用近红外光谱法对慈竹密度、抗弯强度和顺纹抗拉强度进行快速预测。利用反向区间偏最小二乘法(BiPLS)优选光谱区间,建立原始光谱和不同预处理(一阶微分、二阶微分、卷积平滑和归一化处理)光谱分析模型,同时应用偏最小二乘法(PLS)在全谱范围350～2 500nm建立各光谱分析模型,并对所建模型进行比较分析。结果表明:同全谱PLS模型相比,BiPLS能够有效选择光谱区间,并且提高模型预测精度,其中,密度、抗弯强度和顺纹抗拉强度分别选用归一化处理光谱、二阶微分光谱和一阶微分光谱,BiPLS将全光谱分别划分为30,20和30个区间时,建立的密度、抗弯强度和顺纹抗拉强度BiPLS模型预测效果最好,预测模型相关系数(R)分别为0.85,0.88和0.88,预测标准差(RMSEP)分别为0.052 4,0.018 5和0.029 2,表明近红外光谱法可以实现慈竹物理力学性质的预测。

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。

基于不同PLS算法的方竹笋中蛋白质分析的近红外光谱特征波段选择

利用近红外光谱法对金佛山方竹笋的蛋白质分析,采用间隔偏最小二乘法(PLS)与反向间隔偏最小二乘法(BiPLS),实现蛋白质光谱特征波段选择。将全波段分划分为12与17个波段,对全波段和每个小波段分别用PLS回归建模,然后优化组合各个区间,建立BiPLS模型,用交互验证均方差(RMSECV)与预测均方差(RMSEP)对模型进行评价。结果表明:iPLS与BiPLS的效果均优于基于全波段的PLS模型,尤以BiPLS模型效果最佳。当间隔数为12时,所选特征波段5、3、6、12、4、2、11建立的模型效果最佳,其交互验证均方差RMSECV与预测均方差RMSEP分别为0.321%、0.218%。该方法快速无损,有效地减少建模的变量数,使模型预测精度得到提高。

利用FT-NIR法构建酸奶能量值快速定量模型

酸奶能量值往往远超出消费者预期,但在酸奶质量监控体系中却容易被忽视。现行的酸奶能量值检测方法需要对蛋白质、脂肪、碳水化合物等多种成分检测基础上获得,成本较高,因此开发一种"直接"可对酸奶能量值的快速高效检测具有重要意义。采用傅里叶变换近红外(FT-NIR)光谱法对酸奶能量值进行分析,以期获得效果良好的定量模型。经过多种算法的综合比较和分析,该定量模型的光谱范围为(8069.1~7644.8)+(7359.4~7085.6)+(6526.3~6248.6)cm^(-1),预处理方式为消除常量偏移量,主成分数为7。以此模型进行校正集分析,其决定系数(R^2)为0.9818,交叉检验均方根误差(RMSECV)为8.92,残留预测偏差值(RPD)为7.4,偏移量值(Bias)为0.0309;进行预测集预测分析,其预测均方误差(RMSECV)为17.7,残留预测偏差值(RPD)为3.52,相关系数(corr.coeff.)为0.9651。可见该模型具有良好的定量预测效果。

南丰蜜桔可溶性固形物近红外检测的多元线性回归变量筛选

文章采用反向区间偏最小二乘法结合连续投影算法,筛选南丰蜜桔近红外检测的多元线性回归变量。对南丰蜜桔近红外光谱进行多元散射校正后,利用反向间隔偏最小二乘法,从500～1750 nm中初选出7个光谱区间,用于多元线性回归变量筛选。利用通过遗传算法和连续投影算法筛选出的变量建立了多元线性回归模型。经比较发现,利用反向区间偏最小二乘法结合连续投影算法筛选出的变量建立的多元线性回归模型,预测结果最优,模型预测相关系数为0.937,模型预测均方根误差为0.613 oBrix。结果表明,反向区间偏最小二乘法结合连续投影算法,可以有效地筛选近红外光谱的多元线性回归变量,提高南丰蜜桔可溶性固形物模型的预测精度。

基于BiPLS和cPLS的苯丙酮尿症FTIR/ATR光谱筛查模型的建立与优化

目的：基于反向区间偏最小二乘法（BiPLS）和多模型共识偏最小二乘法（cPLS）,建立新生儿苯丙酮尿症的FTIR/ATR光谱筛查模型。方法：利用BiPLS将全光谱划分成若干个子区间,优化子区间数目,优选特征子区间组合,然后分别建立基于全光谱和BiPLS优选波段的定量模型,以均方根误差（RMSE）、平均相对误差（MRE）、预测准确率（Acc）、灵敏度（Sens）、特异性（Spec）为指标,比较2种模型的性能。结果：与全光谱相比,BiPLS优选波段将波长压缩了85.0%~90.5%,但所建模型的多项性能指标却有不同程度地提高。在最优条件下,Phe浓度模型的R、RMSE、MRE分别为0.93、87.0、0.27,Sens、Spec、Acc分别为98.2、98.7和98.4;Phe/Tyr比值模型的R、RMSE、MRE分别为0.93、3.55、0.36,Sens、Spec和Acc均为100。Phe浓度模型对接近筛查切值的样本会产生误判,而辅以Phe/Tyr比值模型可将Sens和Spec提高到100。结论：BiPLS极大地压缩了建模所需波段,降低了模型复杂度,提高了模型精度;与cPLS相结合,本文建立的Phe浓度和Phe/Tyr比值的定量校正模型,有望用于新生儿苯丙酮尿症的大人群快速筛查。