比较用可见/短波近红外光谱结合机器学习算法测量土壤性质的不同多元校准方法分析

土壤肥力通常由有机质、总氮、速效磷、速效钾等含量决定。这些物质的含量通常采用可见/长波近红外光谱(visible/near-infrared spectroscopy,Vis/NIRS:350~2500 nm)进行研究,可见/短波近红外区域(visible/shortwave near-infrared spectroscopy,Vis/NIRS:325~1075 nm)的研究却非常罕见,将可见/短波近红外光谱结合机器学习算法来测量土壤养分具有巨大潜力。选取了南昌市新建区和吉安市安福县的四个村庄作为样品获取地点,通过2×2网格法选取对角区的10~30 cm深度的土壤样本,其中水稻土120份(水稻土1和水稻土2),棕壤60份、红壤60份。样品经过研磨、风干等处理后用四分法均匀划分为两份,用于测定样品光谱信息和理化信息。将获取的光谱数据去除325~349和1073~1075 nm的噪声波段,然后采用S-G卷积平滑结合一阶导数进行预处理。将预处理后的光谱数据进行主成分分析(PCA),根据主成分分析得到的得分图(PC1:98.44%,PC2:3.5%,PC3:0.14%)显示出样品存在明显聚类现象且在二维空间内相互可分,样品存在明显聚类现象,PCA可以在一定程度上合理解释不同土壤样品的光谱特征差异。将预处理后的光谱数据建立全波段主成分回归(PCR)和偏最小二乘回归(PLSR)模型,通过PCA和PLSR对光谱数据降维,提取出3个主成分因子(PCs)和9个潜在变量(LVs),建立非线性反向传播神经网络(BPNN)和最小二乘支持向量机(LS-SVM)模型。通过比较PCR、PLSR、BPNN和LS-SVM方法对Vis/SW-NIRS及对OM、TN、P、K的预测精度,得出以下结论:(1)LS-SVM-LVs模型在所有土壤性能方面都优于PCR、PLSR、BPNN-PCs、BPNN-LVs和LS-SVM-PCs模型;(2)LS-SVM-LVs模型对OM和N的预测精度最高,这是在NIR区域具有光谱响应的特性;(3)采用Vis/SW-NIRS测定土壤矿质养分P和钾,具有不同的准确性,这是由于光谱活性成分的共变。根据本研究取得的结果,建议采用LS-SVM-LVs分析作为预测土壤性质(OM、TN、P和K)的最佳模型方法。然而,还需要进一步的研究来深入解释在近红外区域不具有直接光谱响应的土壤特性的测量。该研究成果可以为当地的精细农业的发展提供理论与技术参考。

基于可见/短波近红外光谱检测结球甘蓝维生素C含量

维生素C是人类必需的营养素,结球甘蓝作为主要蔬菜品种之一富含维生素C。该试验利用可见/短波近红外光谱分析技术,开展结球甘蓝维生素C含量的快速检测方法研究。首先通过Kennard-Stone(K-S)法将样本按照6:1划分为校正集(60个样本)和验证集(11个样本),分别利用反射率和吸光度的原始光谱、一阶导数(first derivative,FD)和二阶导数(second derivative,SD)光谱预处理后对应的6个数据集,建立偏最小二乘(partial least squares,PLS)回归模型。针对最优光谱预处理方法处理后的光谱,设置5个置信水平(0.95,0.975,0.99,0.995,0.999 5),利用逐步回归(stepwise regression,SR)进行建模波长选择,以各置信水平对应的各组优选波长进行多元线性回归建模。结果表明:利用FD光谱预处理方法可以提高PLS回归模型精度,验正集R^2从处理前的0.85提高到0.96,是该研究的最佳光谱数据预处理方法。利用降维后的7个主成分继续建立PLS回归模型,校正集R^2为0.92,交互验证均方根误差(root mean squared error of cross validation,RMSECV)为0.658 0 mg/100 g,验证集R^2为0.96,预测均方根误差(root mean squared error of prediction,RMSEP)为1.620 4 mg/100 g。PLS回归模型预测维生素C含量,检测精度高,可以代替传统检测方法,为结球甘蓝的品质评定提供一种新的途径。进一步分别应用8,6,5个优选波长进行多元线性回归建模,校正集R^2平均为0.78,RMSECV平均为3.760 9 mg/100 g,验证集R^2平均为0.73,RMSEP平均为2.879 2 mg/100 g,虽然R^2有所降低,但波长点少,利用较少的波长变量来预测维生素C含量,降低模型复杂度,可以为便携式检测仪器开发提供技术支持,以提高结球甘蓝内部品质评定作业效率。

铀矿区超富集植物可见及短波近红外光谱判别研究

随着各国对核能需求的剧增,铀矿勘探成为核能供给中关键环节。铀矿勘探方法主要有放射性物探测量、地球化学测量等传统方法,大都存在探测数据不准确、效率低等的不足。采用近红外光谱技术,结合化学计量学,探索铀超富集植物筛选及确定的可行性。通过铀矿区植物生长情况及特性调查挑选超富集植物,利用近红外光谱分析仪获取不同区域其叶片综合光谱,比较分析光谱响应关系。发现两种超富集植物的吸收峰位于650~700和950~1050 nm两个波段内,前一个波段为叶绿素的吸收峰主要由C—O与C—H键伸缩振动的组合频产生。后一个波段是水的吸收峰主要由O—H键弯曲振动5级倍频导致。通过PCA与SPA选择特征变量,将两种样本分别按照3∶1的比例随机划分为训练与预测两部分,结合PLS和LSSVM两种方法构建超富集植物铀富集检测模型,并对比预测效果。发现基于PLS的狗尾草铀富集检测模型效果最佳,其判别正确率高达100%,RMSEP为0.115,R^(2)为0.946。两种建模方法中狗尾草检测模型均优于辣蓼,可能是狗尾草富集系数高于辣蓼,导致其铀矿区叶片铀含量浓度高于非铀矿区。结果表明,近红外光谱技术联合偏最小二乘法建立的超富集植物铀富集检测模型效果最好,很好的对铀超富集植物进行无损识别,从而筛选并确定之是可行的。该方法为废铀矿区生态修复提供重要参考,同时为利用特异性、指示性植物寻找铀矿提供新思路。

带壳板栗含水率的可见/近红外与中短波近红外光谱检测对比研究

为实现带壳板栗含水率的无损快速检测与评价,利用可见/近红外和中短波近红外光谱技术进行定量预测方法探索与对比研究。应用不同光谱预处理方法在波段Ⅰ和波段Ⅱ建立全光谱PLSR模型,结果显示,标准正态变量变换预处理的波段Ⅰ模型及归一化预处理的波段Ⅱ模型为优选,预测集相关系数分别达0.882和0.856,预测均方根误差为1.389%和1.665%。进一步对优选预处理光谱应用iPLSR,BiPLSR和SiPLSR建模预测并对比,研究结果表明,波段Ⅰ总体优于波段Ⅱ,且iPLSR模型的预测效果最优,Rp和RMSEP分别可达0.910及1.180%,明确了近红外光谱检测带壳板栗含水率的优选波段、预处理及建模方法。研究为后续板栗含水率高通量在线快检提供技术与方法支撑。

基于近红外光谱技术苹果尺寸差异对糖度模型适用性的影响

为消除水果自身尺寸差异对其糖度预测模型的不利影响,进一步提高水果分选模型精度,应用近红外光谱在线检测装置采集不同果径苹果的近红外光谱,对光谱进行多种预处理后,分别建立苹果可溶性固形物的偏最小二乘法模型,再用苹果果径75~85mm组中的建模集预测苹果果径分别为65~75、85~95mm组中的预测集样品,最后用果径组65~75、75~85、85~95 mm中的建模集和预测集,分别作为混合苹果尺寸糖度预测模型的建模集和预测集,并利用特征光谱选择算法对模型进行简化,建立苹果糖度通用预测模型。结果显示:与建模集和预测集果径不同时所建立的苹果糖度预测模型最优组相比,其相关系数Rp由0.805提高至0.943,预测集均方根误差值RMSEP由0.778减小至0.480,RPD由0.96增加至3.05,再对建立的通用模型进行简化,可以降低苹果尺寸对苹果糖度模型的影响,提高模型预测性能。

基于反向比例解析的近红外光谱定量模型快速构建方法

为解决光谱漂移问题,该研究设计了一种基于反向比例解析的近红外光谱定量模型方法。以烟叶近红外光谱和烟碱含量为研究对象,将数据划分为训练集和测试集。通过计算训练集光谱与测试集光谱的相关性并按照高低排序,选择前20%的光谱,运用约束规划的方法,计算测试集的拟合系数,得到测试集光谱的估计值。结果显示,使用反向比例解析法建立的模型的平均绝对误差为0.3466,预测标准偏差为0.4252,相关系数为0.7932,优于PLS模型。反向光谱比例解析可以有效解决光谱漂移问题,实现烟草中烟碱含量的准确预测,为烟碱的有效测量提供参考。

近红外光谱技术快速鉴别碱水浸泡鸡肉的研究

采用近红外光谱分析技术并结合主成分分析法,建立碱水浸泡鸡肉快速鉴别模型。原始光谱经平滑、多元散射校正和一阶导数等预处理后进行系统主成分分析,结果显示正常鸡肉和碱水浸泡鸡肉能得到清晰的分类。通过不同光谱预处理方法,采用簇类的独立软模式法建立分类模型,结果显示通过对样品光谱采用7点卷积平滑方法预处理,分类模型综合正确率最高,校正回判正确率在77.08%~100%之间,预测正确率在81.25%~100%之间。综上,采用近红外光谱分析技术对碱水浸泡鸡肉进行快速鉴别可行。

基于实验型和工业型近红外光谱仪的木片材性预测建模对比研究

本研究探讨了采用工业型光谱仪和实验型光谱仪建立近红外模型用于快速预测木片材性的可行性,分析对比不同光谱仪的建模效果。针对不同材性指标分析特点,通过光谱信号校正和特征波长筛选算法优化模型预测性能,建立适宜的建模方法。结果表明,基于工业型光谱仪建立的近红外模型对木片水分、基本密度、纤维形态等物理性能指标表现出更高的预测精度,而化学组分含量的预测精度与实验型光谱仪无显著差异。工业型光谱仪木片理化材性近红外模型适用于制浆原料品质评价和工业过程分析。

基于近红外光谱的卷烟配方模块香型预测

为提高卷烟配方模块的分类识别准确率,并为卷烟配方模块的科学评估提供技术支撑,提出了一种基于近红外光谱特征筛选的卷烟配方模块香型预测方法。选取2017—2019年238个卷烟配方模块样品的近红外光谱数据,结合特征工程中的递归特征消除法和BP神经网络、随机森林、XGBoost3种机器学习技术,构建了基于特征变量的香型预测模型。与全光谱数据训练的分类效果对比,经过递归特征消除法筛选后的光谱特征变量能够有效提升卷烟配方模块香型的识别准确率,其中,XGBoost算法分类效果最佳,模型对测试集的识别准确率达到了90.41%。结果表明,基于近红外光谱特征筛选的香型预测方法对卷烟配方模块的快速定位、科学评价及卷烟配方设计等有一定的辅助决策作用。

近红外光谱无损分析肉类品质的研究进展

近年来,近红外光谱分析技术以其无损、快速、高效、环境友好等特点,被广泛应用于肉类品质无损快速分析领域。然而,由于基质复杂、水分含量高,肉类常会对近红外光谱产生一定干扰,进而影响分析结果的准确度。为进一步明确近红外光谱分析技术在肉类品质无损分析方面的最新研究进展,本文对近年来近红外光谱技术在牛肉、羊肉、猪肉、鸡肉、水产品5种常见肉类的品质无损分析方面的应用进行梳理,包括品质检测、分类研究、真伪鉴别、质量安全4个方面,并就近红外光谱分析技术在肉类品质无损分析方面的应用进行总结与展望。可为近红外光谱分析技术在肉类品质无损检测、分类研究、真伪鉴别及质量安全方面的应用提供一定的参考与借鉴。

基于可见-近红外光谱技术的果蔬品质检测方法

可见-近红外光谱技术利用波长在380~2 500 nm的电磁波获取果蔬中有机分子含氢基团的特征信息,根据样品对不同波长光的吸收信息,实现果蔬的外部、内部缺陷及营养成分定性、定量分析,是目前主流的果蔬内外部品质快速无损检测技术。综述了目前基于吸光度谱和能量谱对果蔬营养物质含量定量分析及缺陷定性分析,所使用的检测模型和变量筛选模型及其检测准确性,为相关研究人员选择高效准确的检测模型提供技术支撑。

新疆白杨河铀矿区白色云母短波红外光谱及电子探针成分特征

铀是我国战略性关键金属资源之一,对科技发展和国家安全具有重要意义。新疆白杨河铀矿床是我国重要的热液型铀矿床,铀成矿过程中广泛发育白色云母。已有研究表明,白杨河铀矿床白色云母短波红外光谱蕴含着丰富的地质信息,记录了其形成热液环境及其与矿化的关系,但其短波红外光谱变化规律及其地质影响因素研究依然薄弱。因此,运用短波红外光谱技术和电子探针微区分析等分析方法对矿床白色云母进行分析研究。研究表明:白杨河铀矿床白色云母Al-OH特征吸收峰波长在2190和2220 nm之间漂移变化,电子探针化学组分表明其发生了明显的Tschermak(契尔马克)替换,Al-OH特征吸收峰波长直接受Mg和Fe含量以及Fe/(Fe+Mg)比值的影响,也受围岩成分的影响。Al-OH特征吸收峰波长较短的白色云母反映了相对高温的热液流体环境,而Al-OH特征吸收峰波长较长的白色云母则代表了相对低温的热液流体环境。白杨河铀矿床铀矿化点附近白色云母具有相对较短的Al-OH特征吸收峰波长、较大的ISM(伊利石光谱成熟度)值和较低的FWHM 2200(半峰宽)值。综合白色云母的Al-OH特征吸收峰波长、ISM值和FWHM2200值的空间变化规律,可以推断白杨河铀矿床的热液矿化中心位于杨庄花岗斑岩与上泥盆统火山岩的北部接触带。这不仅对完善白杨河铀矿床成因和深部与外围勘探具有重要的实际意义,对其他热液型金属矿产勘查亦具有重要的参考价值。

环氧树脂基近红外吸收涂层的近红外光谱、力学及耐盐水性能研究

以环氧树脂为粘合剂,Sm2O3为功能颜料,硅烷偶联剂和石墨烯为改性剂,制备得到了一种同时具有突出力学性能和耐盐水性能的近红外低反射率涂层。系统研究了Sm2O3添加量、硅烷偶联剂种类、硅烷偶联剂添加量和石墨烯添加量对涂层性能的影响。结果表明:Sm2O3添加量的增加可明显降低涂层对1.06μm近红外光的反射率,当Sm2O3添加量为50%,涂层对1.06μm近红外光的反射率可低至31.2%。此时,涂层的附着力和耐冲击强度分别可达到1级和50 kg·cm。用硅烷偶联剂改性涂层,偶联剂上的强极性基团分别可与涂层中的树脂基体和颜料形成共价键结合,从而可发挥桥连作用,进而可明显改善涂层的柔韧性,其中KH560的改性效果最佳。当KH560添加量为5%,涂层的柔韧性可从改性前的9 mm显著改善为改性后的4 mm。石墨烯具有特殊的共平面结构和超长共轭结构特征,使其对入射光的吸收可延伸到近红外区域。石墨烯特殊的片层结构使其具有很高的耐冲击强度和柔韧性,在涂层中添加石墨烯可明显改善涂层的力学性能。研究发现石墨烯的添加可在进一步改善涂层力学性能的前提下显著降低涂层对1.06μm近红外光的反射率。当石墨烯添加量为8%,涂层对1.06μm近红外光的反射率可低至12.6%,此时涂层可具备突出的激光隐身效能。同时,涂层的附着力、柔韧性和耐冲击强度分别可达到1级、2 mm和50 kg·cm,可很好地满足实际工程应用要求。在环氧树脂、硅烷偶联剂和石墨烯的协同界面优化作用下,最佳配方(Sm2O3添加量为50%、KH560添加量为5%、石墨烯添加量为8%)的涂层经盐水腐蚀21 d后,涂层的微结构、近红外低反射率性能和力学性能可保持稳定。此时,涂层对1.06μm近红外光的反射率为12.47%,涂层的附着力、柔韧性和耐冲击强度分别可保持在1级、2 mm和45 kg·cm,表明制备的涂层具有良好的耐盐水性能。

基于可见/近红外光谱和函数型线性回归模型的成熟期苹果可溶性固形物含量预测

可溶性固形物含量(SSC)是反映苹果品质和成熟度的重要指标,能够用于苹果品质分析和成熟度预测。以新疆阿克苏冰糖心红富士苹果为研究对象,从果实膨大定形期至完熟期,以3d等间隔周期采摘样本,采集其380~1110nm的可见/近红外光谱,测定其SSC,共552个样品。然后,利用基函数平滑方法将采集的可见/近红外光谱离散数据转化为光谱曲线,即函数型数据,并以可见/近红外光谱曲线、一阶导曲线、二阶导曲线为函数型解释变量,SSC为标量响应变量,分别建立函数型线性回归模型。为了验证和分析模型的性能,根据原始光谱离散数据,经过移动平滑、一阶导和二阶导预处理后,分别建立偏最小二乘回归(PLSR)、核支持向量机(KSVM)、随机森林(RF)、梯度提升树(GBM)和深度神经网络(DeepNN)。结果表明,在建立的18个模型中,针对训练集,PLSR-dNIR模型、KSVM-dNIR模型、RF-dNIR模型、GBM-dNIR模型和Deep NN-d2NIR模型都优于FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型,且Deep NN-dNIR模型最优(r_(c)=0.9996,R_(c)^(2)=0.9986,RMSEC=0.0740,RPDC=27.4366);针对测试集,FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型均优于其他所有模型,且FunLR-NIR模型最优(r_(v)=0.9534,R_(v)^(2)=0.9077,RMSEV=0.5856,RPDV=3.3017)。综合训练集和测试集的结果来看,核支持向量机模型、随机森林模型、梯度提升树模型和深度神经网络模型容易过拟合,而函数型线性回归模型具有更好的普适性。此外,从三个函数型线性回归模型(FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型)的预测效果看,模型均具有良好的鲁棒性和较高的预测精度。试验结果表明,结合可见/近红外光谱技术与函数型数据分析构建的函数型线性回归模型,可成功、有效地实现成熟期苹果的可溶性固形物含量预测。

基于近红外光谱技术有监督模式识别的青皮产地溯源分析

利用便携式近红外光谱仪采集不同产地(安徽、广东、四川)青皮外壁和内囊光谱数据,采用单一预处理和组合预处理方法消除光谱中的多种干扰,结合主成分分析(PCA)、簇类独立软模式分类法(SIMCA)及Fisher线性判别分析(FLDA)等模式识别方法建立青皮产地溯源模型。结果表明,光谱预处理可以在一定程度上消除基线漂移、背景噪声和谱峰重叠干扰,但无法实现产地溯源。3种模式识别方法中,PCA无法实现青皮产地溯源;青皮外壁和内囊原始光谱的SIMCA模型获得的青皮产地溯源整体鉴别率分别为99.14%和98.28%;FLDA模型获得的整体鉴别率均为99.57%,优于SIMCA模型;经光谱预处理优化后的SIMCA和FLDA模型对青皮产地溯源的鉴别率均可达100%,即便携式近红外光谱技术结合有监督模式识别方法可实现青皮产地溯源的无损分析,可为食药同源物质产地溯源拓展新途径。

基于近红外光谱技术建立棉籽蛋白质含量快速无损测定方法

建立不同棉籽形态快速无损棉籽蛋白质含量检测的方法,对于合理有效地利用棉籽资源和开展棉籽营养品质遗传改良等研究具有关键作用。研究通过凯氏定氮法对187份棉花品种进行棉籽蛋白质含量化学值测定,利用近红外光谱分析仪分别采集3种不同棉籽形态毛籽、光籽和种仁的光谱特征信息,对原始光谱进行不同数学处理和散射处理,结合改良偏最小二乘法建立了毛籽、光籽和棉仁3种棉籽蛋白质含量快速无损检测的近红外光谱模型。模型的定标相关系数分别为0.957、0.971、0.989,并通过外部验证和统计分析,结果表明3种模型都具有良好的准确性和稳定性,能够针对不同棉籽形态进行准确的蛋白质含量测定。实现了棉花种子蛋白质含量的快速无损低消耗检测,为棉籽综合利用以及棉籽高品质育种提供参考。

近红外光谱污水COD分析系统设计

为了解决利用近红外光谱技术测定污水中的化学需氧量技术中样本数据集参数存在数据过拟合、干扰因素大、检测界面不直观等问题,本文采用一维卷积神经网络技术,建立水样近红外特征与污染指标成分含量之间的关系模型,并利用MATLAB的图形用户界面设计分析界面。实验结果表明,该方法预测结果良好,可实现水质污染的定性及定量的快速检测。

基于近红外光谱技术的六大茶类快速识别

为构建高质量的六大茶类识别模型,本研究中收集了370份样品,通过采集其近红外光谱(near-infrared spectroscopy,NIRS),结合光谱预处理、特征提取以及数据挖掘分类器算法,建立六大茶类快速识别模型。结果表明:1)支持向量机(support vector machine,SVM)与随机森林(random forest,RF)分类器皆适于六大茶类快速识别模型的构建;2)SVM分类器更适于结合原始光谱(original spectrum,OS)建模,预处理易使基于该分类器建立的模型鉴别性能减弱;3)随机森林(RF)分类器更适用于预处理后光谱建模,所得模型较OS模型在识别正确率(recognition accuracy,RA)及受试者工作特征曲线下面积(area under the curve,AUC)均得到明显提升;4)特征提取中线性判别分析(linear discriminant analysis,LDA)算法表现最好,所得模型的RA较OS模型明显提升,其中最佳模型OS-LDA-SVM的RA为100.00%,AUC为1.00,识别正确率高、泛化能力强、模型性能优异,可产业化应用。综上所述,近红外光谱结合预处理、特征提取算法及分类器建立模型,进行六大茶类识别的可行性强,模型的识别正确率高、性能优异,可为茶叶贸易的茶类快速识别提供科学、准确、高效的技术支撑,为国际茶类识别模型的产业化应用奠定基础。

近红外光谱法快速测定晒青毛茶三种儿茶素组分含量

为了实现晒青毛茶儿茶素含量的快速检测,该研究利用高效液相色谱技术(High Performance Liquid Chromatography,HPLC)测定了50份晒青毛茶样品中的表没食子茶素没食子酸酯(Epigallocatechin Gallate,EGCG)、表没食子儿茶素(Epigallocatechin,EGC)、没食子酸(Gallic Acid,GA)三种儿茶素单体含量,结合样品的近红外光谱,分别建立了晒青毛茶三种儿茶素单体含量的偏最小二乘法(Partial Least Squares,PLS)模型,并对模型进行验证。实验结果表明,基于EGCG、EGC、GA含量所建立近红外模型的决定系数(Coefficient of Determination,R2)分别为99.99%、99.99%、99.92%;校正标准差(Root Mean Square Error of Calibration,RMSEC)分别为0.17、0.15、0.10;相对标准差(Relative Standard Deviation,RSD)分别为0.19%、0.27%、0.56%;外部验证的结果显示,三种儿茶素单体含量模型的预测值与真实值的平均绝对误差分别为0.13、0.12、0.07;平均相对误差分别为0.17、0.25、0.45。实验结果表明,该研究建立的近红外分析模型具有较高的预测准确度和稳定性,在快速检测晒青毛茶儿茶素方面具有潜在应用价值。

基于近红外光谱法对五倍子主成分含量的快速检测

水分、单宁酸和没食子酸含量是评价五倍子质量的重要指标,目前多采用中华人民共和国林业行业标准的方法获得,繁琐且时效性得不到保证。为了探讨快速测量这些指标的可行性,通过采集五倍子样本130份,采用化学法测量化学值,利用近红外光谱技术进行五倍子样本的光谱扫描,将其与传统方法测定的化学值进行拟合,采用偏最小二乘法(PLS)构建数学模型,对比模型相关系数和误差评估模型预测性能。最终得到五倍子中水分、单宁酸和没食子酸的最佳预处理方法分别为FD+MSC、FD和FD+ML,水分的特征波段为9 403.7~7 498.2、 6 012.0~5 774.1、 4 601.5~4 246.7 cm^(-1),单宁酸的特征波段为9 403.7~7 498.2、 6 102.0~4 597.7 cm^(-1),没食子酸的特征波段为6 102.0~5 446.3,4 601.5~4 246.7 cm^(-1);主因子数分别为9、 10和5;水分、单宁酸和没食子酸校正集相关系数(R_(c)~2)分别为0.968、 0.915和0.926,交叉验证均方根误差(RMSECV)分别为0.72%、 2.55%和1.47%,相对分析误差(RPD)分别为5.57%、 3.42%和3.69%;验证集相关系数(R_(p)~2)分别为0.951、 0.891和0.891,预测均方根误差(RMSEP)分别为0.563%、 1.28%和0.414%。分析结果表明利用近红外光谱法结合化学计量学方法对五倍子中水分、单宁酸和没食子酸含量的检测具有可行性并达到很好的效果。