近红外光谱结合不同偏最小二乘法测定乳块消片醇沉液中丹参素和橙皮苷含量

目的:应用近红外分析技术结合化学计量学方法建立中药乳块消片醇沉液中丹参素和橙皮苷含量测定的新方法。方法:采用Sample set Partitioning based on jointx-ydistance(SPXY)法对训练集样本和预测集样本进行划分,应用不同的偏最小二乘方法进行有效波段范围选择以及建立定量校正模型,分别比较了间隔偏最小二乘算法(interval partial least squares,iPLS),组合间隔偏最小二乘算法(Synergy interval partial least squares,SiPLS),向后间隔偏最小二乘算法(backward interval partial least squares,BiPLS),窗口移动偏最小二乘算法(moving window partial least squares,MWPLS)。结果:丹参素采用SiPLS三个区间组合、橙皮苷采用SiPLS四个区间组合建立的回归模型性能最好,预测相关系数(R)分别为0.9956和0.9940,交互验证误差均方根(RMSECV)分别为0.0096和0.0083,预测误差均方根(RMSEP)为0.0062和0.0074。结论:该近红外光谱法对丹参素和橙皮苷含量预测结果较好,且方便快捷、无前期预处理和无污染,为中药生产过程的在线检测提供了依据。

基于CARS变量选择方法的小麦硬度测定研究

为满足快速测定小麦硬度的需求,实现对未知小麦样本硬度的快速、无损检测,建立了小麦硬度预测模型。利用蒙特卡洛交叉验证统计规律对小麦硬度光谱数据进行识别,剔除异常样本。为获得具有代表性的小麦硬度预测集和校正集,基于光谱理化值共生距离法对小麦光谱数据进行集合划分,并获得预测集样本。对光谱数据进行一阶导数预处理,消除获取的小麦光谱数据中包含的高频噪声、基线漂移、样本背景等无关信息,减弱了各非目标因素对检测模型的影响。基于竞争性自适应重加权算法,筛选对模型有用的波长变量,从而提高预测模型的稳定性和预测性。建立偏最小二乘法的小麦硬度预测模型(CARS-PLS模型),该模型评价参数预测相关系数(R)和预测均方根误差(RMSEP)分别达到0.8843和0.5436,表明基于近红外光谱的CARS-PLS预测模型能够准确预测小麦硬度。

近红外光谱法快速测定液态奶中蛋白质和脂肪含量

采用近红外光谱法结合化学计量学方法测定液态奶中蛋白质和脂肪的含量,比较分析随机法(randomsampling,RS)、kennard-stone(KS)、Duplex、基于x-y距离结合的样本划分方法(sample set partitioning based onjoint x-y distance,SPXY)4种训练集和预测集样本划分方法,使用Haaland法对异常值进行剔除,并对光谱预处理方法进行讨论。所建立的脂肪模型交叉验证均方根(RMSECV)与预测均方根(RMSEP)分别为2.434和2.099,预测集的决定系数Rp2为0.964;蛋白质模型的RMSECV与RMSEP分别为2.270和2.564,Rp2为0.940。结果表明,该方法快速、准确,可为液态奶的现场质量控制提供了有效途径。