无信息变量消除法在糙米直链淀粉波长选择中的应用

为挑选信息含量大、与样品组成或性质相关性较强的光谱区域参与建模,以提高校正模型的精度,采用无信息变量消除法对糙米直链淀粉的近红外光谱进行分析。无信息变量消除法是基于PLS回归系数b建立起来的一种光谱区间选择方法,考虑了噪声和浓度矩阵的影响。结果表明:进行波长选择后,波长点数由1102减小到726,交叉验证预测值与标准值的相关系数R由0.9212提高到0.9654,交叉验证标准差SECV由2.4142减小到1.3725,预测标准差SEP由2.4572减小到2.2001,预测能力得到明显提高。

无信息变量消除法在近红外光谱测定的应用

本文通过讨论了无信息变量消除法(uninformative variables elimination,UVE)的原理,并用此算法对玉米的近红外光谱数据进行波长变量选择,再使用偏最小二乘法(partial least squares,PLS)建立模型。结果表明,与使用全谱数据建立的模型相比较,筛选变量后建立的校正模型不仅简化了,而且增强了预测能力。

基于无信息变量消除法的水稻种子发芽率测定

为了解决常规的水稻种子发芽率测定方法存在的试验周期长且操作繁琐等问题,实现水稻种子发芽率的快速检测。本研究以黑龙江省五常市五优稻四号粳稻种子为研究对象,首先将7组种子样本(每组60个样本,共计420个样本)置于温度为45℃,湿度为90%的环境中分别进行为期0d、1d、2d、3d、4d、5d、6d的不同时段的人工老化,然后采集每个水稻种子样本的光谱数据后进行发芽试验。对光谱数据使用蒙特卡洛交叉验证法进行异常样本剔除,并应用UVE法对全光谱数据进行特征波长选择,使光谱数据由全光谱的1845个数据点缩减为524个数据点,最后建立PLSR预测模型。所建模型的预测集决定系数R 2为0.8170、RMSEP为2.1830。试验结果表明,经UVE法降维后建立PLSR模型的各项参数均优于全光谱模型,因此,UVE特征波长选择算法为提高水稻种子发芽率测定模型的预测能力提供了一种新的途径。

无信息变量消除法在筛选南疆红枣总酸近红外特征波长中的应用

以南疆红枣总酸的快速无损检测为研究对象,利用SPXY(Sample set partitioning based on joint x-y distances)法来划分校正集样本,应用无信息变量消除法(UVE)对南疆红枣总酸近红外光谱(NIRS)特征变量进行筛选,然后用筛选出的变量建立偏最小二乘(PLS)模型,该模型的预测标准偏差(RMSEP)为0.044 7,预测相关系数为Rp为0.877 8,并将UVE筛选的变量建立的PLS模型与全光谱建立PLS模型结果进行比较。结果表明,SPXY法划分的校正集样本合理;UVE优出选全光谱1 557个变量中的420个变量,建立的PLS模型预测效果要好于全光谱建立的PLS模型,UVE能够有效地选取待测成分的特征波长,建立简化的红枣总酸预测模型,降低模型计算量。

基于近红外高光谱图像的花生内部霉变快速判别方法研究

目的针对外观正常但内部存在不同程度霉变的花生,探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。方法采集100粒内部霉变和100粒健康花生的近红外高光谱图像构成数据集,将多种经典光谱预处理方法与支持向量机(support vector machine,SVM)组合建立花生内部霉变判别模型,并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。结果将Savitzky-Golay卷积平滑方法和二阶求导光谱预处理方法与SVM组合,对内部霉变严重样本判别的总体识别准确率可达95%,对不同程度内部霉变样本的平均识别准确率为88%;基于MC-UVE筛选得到10、5、3个特征波长构建的模型总体识别准确率为90%、85%和82%。结论实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案,同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。

化学计量学方法选取对烟草含水率近红外分析准确度的影响

目的:研究不同化学计量学方法对烟草含水率近红外分析准确度的影响。方法:比较不同预处理方法(平滑、一阶、二阶、标准正态变量(SNV)和多元散射校正(MSC)及其组合)以及不同波长筛选方法(基于水分波段、基于波长区间、基于波长点)对预测模型性能的影响。结果:仅对数据进行SNV、MSC、MSC+一阶、MSC+SNV、SNV+一阶预处理的模型能够使不同程度的相对分析误差RPD提高,而其他方法则不同程度下降;在波长筛选方法方面,使用基于波长区间的方法能够获得较好的优化效果,经过变量筛选得到594个波长,为原波长数的27.26%,且能提高0.1336的RPD值。结论:不同的计量学方法会对烟草含水率分析准确度产生影响,对于此次数据,应采用MSC预处理方法及基于波长区间筛选方法对数据进行处理。

鸡蛋蛋白pH可见/近红外光谱在线检测信息变量提取研究

利用可见/近红外光谱在线检测鸡蛋品质中的蛋白pH,采用漫反射方式进行光谱采集。采用反向区间偏最小二乘法(BiPLS)和蒙特卡罗无信息变量消除法(MC-UVE)分别优化鸡蛋蛋白pH可见/近红外光谱的信息区间组合及筛选有效建模变量数。经过最优预处理方法一阶导数对光谱进行预处理校正后,BiPLS方法筛选的区间分隔最优数为25,对应信息区间为598.33～617.55nm、636.63～655.58nm、783.25～800.72nm和852.24～885.82nm。利用MC-UVE方法筛选出来的最佳建模变量数为250个,BiPLS模型的Rp为0.827和RMSEP值为0.094;MC-UVE-PLS模型的Rp为0.833和RMSEP值为0.086。结果表明利用蒙特卡罗无信息变量消除方法可以有效选择建模变量,既克服了复杂样品各信息区间对PLS建模贡献率不一样的问题,又能提高模型的稳定性和多元校正的预测精度。

基酒FT-NIR光谱预处理与特征波筛选方法的比较

为解决白酒基酒分类的问题,降低基酒的分类误差,减少基酒对摘酒师傅身体的危害,本实验选取18种预处理以及3种特征波筛选方法来较少光谱中的无关干扰信息,降低建模数据复杂度。基酒的傅里叶近红外光谱(Fourier Transform Near Infrared Spectroscopy,FT-NIR)经过光谱理化值共生距离法(SPXY)划分数据集、预处理、马氏距离(MD)异常剔除、特征波筛选、支持向量机回归(SVR)预测来完成最终的分类。研究发现:多元散射校正(Multiplicative Scatter Correction,MSC)后的训练集预测集分类准确率可以达到100%,主成分分析(Principal Component Analysis,PCA)与特定算法结合才能实现准确分类,因此要注意与其他算法的组合,无信息变量消除法(Uninformative Variables Elimination,UVE)和竞争性自适应重加权算法(Competitive Adaptive Reweighted Sampling,CARS)都能实现高效的特征波选择,预测集的平均准确率接近90%。实验证明,经过处理后的光谱数据最多占原数据的47.57%,基酒近红外谱图经过预处理与特征波筛选后可以降低后期回归模型处理数据的复杂程度,提高模型的精确度。

基于可见-近红外光谱技术的水稻穗颈瘟染病程度分级方法研究

采用Vis-NIR技术对水稻穗颈瘟染病程度分级方法进行了研究。分别基于原始光谱,变量标准化(SNV)预处理后和多元散射校正(MSC)预处理后的光谱,应用无信息变量消除法(UVE)结合连续投影算法(SPA)对Vis-NIR光谱区进行有效波长的选择。选择后的波长作为输入变量建立最小二乘-支持向量机(LS-SVM)模型。结果表明SNV-UVE-SPA建立的LS-SVM模型预测效果最好。通过SNV-UVE-SPA从全波段600个波长中选择了6个最能够反应光谱信息的波长(459,546,569,590,775和981nm)。SNV-UVE-SPA-LS-SVM组合模型对预测集样本预测得到的确定系数(Rp2),预测集的预测标准差(RMSEP)和剩余预测偏差(RPD)分别达到了0.979,0.507和6.580。结果表明,采用Vis-NIR光谱技术对水稻穗颈瘟染病程度进行分级是可行的。通过UVE-SPA得到的有效波长能够很好地代替全波长。

近红外光谱法分析油页岩含油率中波长选择方法的研究

波长选择是光谱建模分析的重要步骤。研究了近红外光谱法分析油页岩含油率过程中的波长选择方法,用以剔除光谱数据中的冗余信息和干扰信息,提高分析模型的建模效率和预测能力。分别采用相关系数法(CC)、移动窗口偏最小二乘法(MWPLS)和无信息变量消除法(UVE)对油页岩近红外漫反射光谱数据的波长区间进行了选择,研究了不同阈值、窗口宽度和噪声矩阵对上述方法的影响,建立了所选择波长处的反射率数据和样品含油率标准值间的偏最小二乘(PLS)分析模型,比较了上述方法的选择效果。结果表明:与使用全谱数据建模相比,采用上述方法筛选过的光谱数据均能提高模型的建模效率和预测能力,其中经UVE法筛选后的光谱数据仅占全谱数据总数的22.8%,模型的RMSECV却降低了9.3%,RMSEP降低了4.5%。

优化基于近红外光谱的联合间隔偏最小二乘法建模检测芝麻油掺伪含量

应用近红外光谱(NIR)分析技术建立测定芝麻油中大豆油含量的定量分析模型。基于32个含量梯度共384个掺伪芝麻油样品的近红外光谱,首先采用标准正态变量变换(SNV)对光谱进行预处理,再采用无信息变量消除法(UVE)初步筛选波长变量,然后结合联合间隔偏最小二乘法(SiPLS)和带极值扰动的简化粒子群优化算法(tsPSO)建立芝麻油中大豆油掺伪含量预测模型,经特征波段选取后建立的模型变量减少,波长变量由451个减少到219个,训练集和测试集相关系数分别为0.9998和0.9919,均方根误差分别为4.39E-2和3.99E-2。结果表明,该方法能够作为芝麻油中大豆油掺伪含量的快速检测方法。此外,该方法也可应用到芝麻油中掺入其他低价值油的掺伪含量检测中。

基于PLS-LDA和拉曼光谱快速定性识别食用植物油

以6种食用油共计23个样本为分析对象,采用偏最小二乘线性判别分析法(PLS-LDA)和拉曼光谱进行单一种类(橄榄油、花生油和玉米油)食用油快速定性检测,通过自适应迭代惩罚最小二乘法(airPLS)对拉曼信号进行背景扣除,以及蒙特卡洛无信息变量消除法筛选波长变量,不但有效减少了波长点数,降低了建模运算量,而且提高了单一种类食用油的识别率,使得总体识别率均高于90%,并在此基础上进一步提出了采用PLS-LDA进行多种类食用油识别的检测流程。实验结果表明PLS-LDA在食用油定性识别检测中具有较好的应用前景和可行性,该方法也可为定性检测食品及农产品品质提供借鉴。

建立近红外特征波长模型快速测定羊草常规营养成分的研究

本研究采用近红外光谱法快速测定羊草(Leymus chinensis)中的常规营养成分,利用无信息变量消除法(unknown variable elimination,UVE)、随机蛙算法(random frog algorithm,RF)结合偏最小二乘法(partial least squares,PLS)建立了羊草品质测定模型,有效降低了冗余无信息变量,提高了模型的测量精度和稳定性。研究发现利用UVE-PLS筛选建立的羊草品质测定模型优于全光谱PLS和RF-PLS筛选建立的模型;UVE-PLS模型显著降低了交叉验证均方根误差和预测均方根误差,提高了校正集决定系数、交叉验证决定系数及预测集决定系数。研究表明UVE-PLS模型在测定羊草中的水分、粗蛋白、酸性洗涤纤维和中性洗涤纤维是可行的,校正集决定系数和预测集决定系数95%~98%。

成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测

【目的】研究成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测技术,为及时、准确地掌握成熟期梨果实的内部品质特性及田间管理、适时采收、合理储藏提供依据。【方法】基于近红外漫反射光谱检测技术分别建立了成熟期砀山酥梨可溶性固形物含量的偏最小二乘(PLS)、广义回归神经网络(GRNN)和偏最小二乘支持向量机动态预测模型(LSSVM),并综合评价了无信息变量消除法(UVE)优选有效特征波数对于简化模型、提高预测性能的影响。【结果】UVE算法能够很好地提高建模效率、有效改善GRNN和LSSVM模型预测精度,而对PLS分析模型效果不明显。3种模型中,LSSVM模型比GRNN和PLS模型具有明显优势,其中UVE-LSSVM模型具有最佳预测精度和适用性,其校正相关系数(Rc)为0.988,校正均方根误差(RMSEC)为0.074,预测相关系数(Rp)为0.922,预测均方根误差(RMSEP)为0.162。【结论】基于近红外光谱技术的UVE-LSSVM模型可用于成熟期梨可溶性固形物含量的无损检测。

基于近红外光谱结合波长优选检测单颗葡萄的SSC含量

采用无损检测测定单颗葡萄中可溶性固形物(SSC)含量,获得个体和群体信息,以期指导田间管理、葡萄储存条件设置及满足消费者对葡萄口味的不同需求。采用手持式NIR光谱仪在950~1 650nm波长范围采集葡萄的近红外光谱,采用偏最小二乘(PLS)回归建立葡萄SSC预测模型。为了减少冗余无信息变量,增加模型的预测精度和稳定性,采用无信息变量消除法(UVE)、随机蛙算法(RF)筛选出与葡萄SSC含量相关的重要波长变量。结果表明:RF筛选建立的SSC预测模型优于全光谱PLS和UVE筛选建立的模型。RF-PLS模型的校正集、交叉验证及预测集的R2c、R2cv和R^2p分别为0.960 5,0.933 4,0.930 4,校正均方根误差(RMSEC),交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.638 2,0.829 9,0.868 8。表明通过波长优选后的,基于便携式近红外光谱在预测单颗葡萄SSC含量的应用上完全可行,有较高的预测精度。

基于近红外光谱的润滑油中含水量T-S模糊辨识

油中含水量近红外光谱具有复杂性、非线性和难以用明确数学模型表达的特点.利用无信息变量消除法提取有效波长,采用模糊C均值聚类算法得出输入空间的划分和聚类中心,结合递推最小二乘法辨识后件参量,建立了润滑油的近红外光谱与含水量的Takagi-Sugeno模糊模型.将该辨识算法与偏振最小二乘法模型进行比较,并对实测数据进行了验证.结果显示:经无信息变量消除法提取34个特征波长建立的Takagi-Sugeno模型能够精确地反映出润滑油光谱数据与含水量的关系,其对验证集样本进行预测的相关系数和均方根误差分别为0.964 6和1.531 2×10-4,获得了满意的预测准确度.实验结果验证了应用光谱技术检测油中含水量的可行性,同时也为油中其他污染物的在线监测提供了新方法.

基于高光谱图像技术的沙梨无损检测

为探讨基于高光谱图像技术对沙梨糖度无损检测的可行性，采集80个沙梨样本在400～1000nm内的高光谱图像数据及其对应的糖度，采用变量标准化、多元散射校正（MSC）、平滑滤波、基线校正等方法对原始光谱数据进行预处理。发现MSC预处理效果最佳，再通过无信息变量消除法对MSC预处理后的光谱数据进行压缩，最后分别建立BP神经网络和PLS沙梨糖度预测模型。结果表明：无信息变量消除法将光谱变量压缩到234个，有效减少了建模的输入变量，建立的PLS预测模型和BP神经网络的预测相关系数均在0.85以上，而PLS预测模型的相关系数为O.9508，均方根误差为0.268，优于BP神经网络模型。

近红外高光谱成像技术对鸡蛋种类的鉴别

为探讨近红外高光谱成像技术对鸡蛋种类判别的可行性,采用近红外高光谱(900~1700 nm)成像技术,以223个鸡蛋样本为研究对象,其中富硒鸡蛋74枚、无公害鸡蛋72枚、普通鸡蛋77枚,富硒鸡蛋和无公害鸡蛋为海兰褐鸡蛋,普通鸡蛋为洋鸡蛋。对比S-G卷积平滑、基线校准(Baseline)、标准正态变量变换(SNV)、标准化(Normalize),优选出S-G卷积平滑光谱预处理方法;连续投影算法(SPA)、无信息变量消除法(UVE)、后向间隔偏最小二乘波段选择法(BiPLS)算法提取的特征波长数分别为8、107和155,分别建立全光谱、SPA、UVE、BiPLS的PLS-DA判别模型,结果显示在4种模型中BiPLS-PLS-DA的识别性能要优于FS-PLS-DA、UVE-PLS-DA和SPA-PLS-DA,其校正集正确识别率为95.24%,预测集识别率为78.18%。近红外高光谱成像技术作为一种快速、高效的种类判别技术对鸡蛋种类的判别具有可行性。

基于UVE-SPA的卷烟味觉烟气成分分析

首先,运用组合各方法长处的思路,通过应用无信息变量消除法(UVE)和连续投影算法(SPA)对卷烟烟气中影响卷烟味觉特征的有效成分进行了选择,从而分别确定了影响卷烟甜味、酸味和苦味的主要成分,并以所选成分作为输入变量建立偏最小二乘(PLS)回归模型;然后,分别与采用所有烟气成分或仅采用UVE方法所选的烟气成分作为PLS模型输入的结果进行了比较。结果表明,通过采用UVE-SPA组合方法而选取的变量所建立的PLS模型具有更好的预测能力,从而证明了它在卷烟味觉烟气成分分析中有效性,并为卷烟烟气的进一步研究提供了理论基础。

饲料中粗脂肪和粗纤维含量的近红外光谱快速分析

采用近红外光谱(NIRS)结合偏最小二乘(PLS)方法,实现对饲料中粗脂肪和粗纤维的快速定量分析。采用Norris-Williams平滑求导(NW)和多元散射校正(MSC)方法对光谱进行预处理;蒙特卡罗无信息变量消除法(MCUVE)、变量组合集群分析法(VCPA)和区间变量迭代空间收缩法(iVISSA)用于光谱变量选择和优化;PLS用于光谱校正模型的建立,采用校正集相关系数(R_c)、交互验证均方根误差(RMSECV)、预测集相关系数(R_p)和预测集均方根误差(RMSEP)评价模型。光谱预处理中经MSC处理后的光谱模型优于其他预处理方法,其RMSECV和RMSEP值都减小,R_c和R_p值都增大。脂肪定量分析中,原始光谱模型的RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.20和0.88,变量数(V_n)为1 501;经MCUVE方法选择变量后建立的定量模型,其RMSECV和R_c为0.17和0.92, RMSEP和R_p为0.19和0.89,V_n为400个;经VCPA选择变量建立PLS定量模型,其RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.25和0.81,V_n为12;经iVISSA选择变量后的模型,其RMSECV和R_c为0.21和0.86, RMSEP和R_p为0.20和0.87,V_n为20。粗纤维定量分析中,原始模型的RMSECV和R_c为0.28和0.91, RMSEP和R_p为0.25和0.95,V_n为1 501;经MCUVE选择后的模型,其RMSECV和R_c为0.23和0.95, RMSEP和R_p为0.23和0.94,V_n为740;经VCPA选择变量后的模型,其RMSECV和R_c为0.27和0.91, RMSEP和R_p为0.30和0.91,V_n为11;经iVISSA选择后变量的模型,其RMSECV和R_c为0.29和0.90, RMSEP和R_p为0.27和0.93,V_n为20。结果表明, MSC方法可以有效提高光谱质量,消除光谱平移误差;MCUVE变量选择方法可以简化模型提高模型精度和稳定性,建立最优模型。在粗脂肪的定量分析模型中, MSC处理后的光谱经过MCUVE选择后剩余400个变量,R_c和R_p相较于全谱模型提高了0.05和0.01, RMSECV和RMSEP分别降低到了0.17和0.19;经VCPA和iVISSA选择变量的模型其结果与全谱模型相似,但其变量分别只有12和20个。在粗纤维模型中,经MCUVE选择后740个变量用于建立PLS模型,其R_c和R_p为0.95和0.94, RMSECV和RMSEP分别为0.23和0.23;VCPA和iVISSA分别运用11和12个变量建立回归模型,但结果都比MCUVE模型差。利用饲料近红外光谱建立MSC-MCUVE-PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析。