近红外光谱结合siPLS法用于深度水解蛋白奶粉掺伪的快速检测

目的:建立深度水解蛋白奶粉中掺伪普通蛋白粉的快速检测方法。方法:向深度水解蛋白奶粉掺伪一定比例的牛乳清蛋白粉和植物蛋白粉,共制备171个掺伪样品,并采集近红外光谱;对采集的样品光谱使用SPXY法按3∶1比例划分为校正集和预测集,应用联合区间偏最小二乘法(siPLS)建立掺伪检测模型,并比较不同预处理方法下的建模效果。结果:SG一阶导预处理下建立的siPLS模型效果最好,其组合区间光谱范围为[1135~1239.5,1660~1764.5,2080~2184.5 nm],校正集相关系数R^(2)为0.9948,RMSECV值为0.0101,预测集相关系数R^(2)为0.9945,RMSEP值为0.0110,RPD值为13.5。结论:通过siPLS法筛选光谱区间建模,可提高模型的稳定性和预测精度,本方法操作简便,可用于深度水解蛋白奶粉中的掺伪蛋白粉的快速无损检测。

基于siPLS的猕猴桃糖度近红外光谱检测

为了探寻一种快速无损检测猕猴桃糖度的方法,利用小波滤噪法对猕猴桃1000～2500nm近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型。结果表明,采用联合区间偏最小二乘法将光谱划分为16个子区间,利用其中的第9、11、13号3个子区间联合建立的糖度模型效果最佳,其校正集相关系数和均方根误差分别为0.9414和0.3788。预测集相关系数和均方根误差分别为0.9295和0.3904,主因子数为7个。研究表明,用小波滤噪和联合区间偏最小二乘法所建立的猕猴桃糖度模型不但减少建模运算时间,剔除噪声过大的谱区,而且预测能力和精度均有所提高。

基于siPLS的强化生物除磷污泥胞内糖原近红外分析

为了快速、准确地测定强化生物除磷(EBPR)过程中污泥胞内糖原的含量,采用4种预处理方法分别对污泥近红外光谱进行预处理,并结合联合区间偏最小二乘(si PLS)进行变量优选,建立光谱吸光度数据与糖原含量的定量分析模型。结果表明,将一阶S-G(Savitzky-Golay)平滑处理后的光谱等分为20个子区间,联合子区间[10 13 16 19]建立的si PLS模型预测效果最优,预测集的均方根误差(RMSEP)和相关系数(rp)分别达到0.0048、0.9105,且该模型的交互验证和外部验证相对分析误差(RPD)均大于3.0。一阶平滑处理后的光谱si PLS模型预测精度高、建模变量少,可实现糖原含量的快速测定。

近红外光谱快速检测大豆原油含磷量

针对现有含磷量检测方法无法通过实时监测指导调控精炼过程中酸碱的添加量问题,提出一种基于近红外光谱分析的大豆原油含磷量的快速检测方法。对比分析发现标准正态变换法对大豆原油样本含磷量光谱数据的去除噪声效果最优。采用组合区间偏最小二乘法优选出磷脂的最佳特征吸收波段,选用学习效率0.005、训练次数108,建立了大豆原油含磷量的BP神经网络预测模型。模型校正集的决定系数(R^(2))为0.979 7、均方根误差(root mean square error,RMSE)为0.859 3、相对标准偏差(relative standard deviation,RSD)为1.89%;预测集的R^(2)为0.978 5、RMSE为0.963 8、RSD为2.15%。以上结果说明近红外光谱技术能够实现大豆原油中含磷量的快速、精准、无损检测,为后续精炼工段及调控提供切实可行的方法。

表面粗糙度对NIR预测落叶松基本密度的影响

【目的】对不同表面粗糙度的落叶松木材光谱进行分析,建立适合不同表面粗糙度的近红外模型,为提高近红外模型预测木材密度精度和普适性提供理论依据。【方法】以黑龙江省星火林场落叶松木材为研究对象,对未打磨(M0)、150目打磨(M1)和320目打磨样品(M2)的近红外光谱进行分析。分别采用11点移动平均平滑、基线校正(baseline)和SG平滑进行了光谱预处理以去除冗余光谱信息,采用人工选择、反向区间偏最小二乘法(BiPLS)和联合区间偏最小二乘法(SiPLS)完成波段优选,构建针对不同表面粗糙度的单一预测模型及包含3种表面粗糙度样品的近红外混合模型。【结果】M0样品包含的光谱信息要多于另外2种粗糙度,3种预处理方法中,SG平滑预处理的建模效果综合评价最好。基于3种波段优选方法分别建立M0、M1和M2的基本密度预测模型,SiPLS波段选择方法效果更好,对于M0、M1、M2这3种表面粗糙度样品,验证集相关系数R及均方根误差(R_(MSEP))分别为0.865 9和0.022 7、0.766 0和0.021 4、0.725 6和0.027 4。以3种不同粗糙度混合建立的SiPLS-混合预测模型,对于不同粗糙度样品的预测能力好于各粗糙度的单一模型,对于M0、M1、M2这3种表面粗糙度样品,模型的R_(MSEP)分别降低了11%、25%、5%。【结论】基于3种表面粗糙度所构建的近红外模型都可以实现木材密度的有效预测且采用SiPLS优选波段所建模型的预测精度为M0>M1> M2,SiPLS波段选择方法可以优化表面粗糙度对预测模型的影响,在此基础上建立的混合模型则使近红外预测模型更加具有普适性,为木材的分类优选及精细化利用提供了理论基础及技术支持。

近红外光谱与组合的间隔偏最小二乘法测定清开灵四混液中总氮和栀子苷的含量

应用近红外光谱分析技术结合化学计量学方法,建立了中药清开灵注射液中间体总氮和栀子苷含量测定的新方法.首先采用Kernard-Stone法对训练集样本和预测集样品进行分类,然后应用组合的间隔偏最小二乘法(Synergy interval partial least squares,siPLS)对所得近红外透射光谱进行有效谱段范围的选择以及二者定量校正模型的建立,并对光谱预处理方法进行了详细的讨论.所建立的总氮和栀子苷校正模型的预测相关系数(R)分别为0.999和0.708;交叉验证误差均方根(RMSECV)均为0.023;预测误差均方根(RMSEP)分别为0.074和0.159;预测结果表明,本实验所建方法快速、无损且可靠,可推广并应用于中药注射液中间体的在线质量控制.

特征波长筛选在近红外光谱测定梨硬度中的应用

为了提高应用近红外光谱分析技术快速测定梨硬度的精度和稳定性,该研究采用联合区间偏最小二乘和遗传算法(siPLS-GA)在校正模型中用来筛选特征光谱区域和波长,通过交互验证法确定模型的主成分因子数和筛选的波长,并以预测均方根误差(RMSEP)和相关系数(Rp)作为模型的评价标准。基于siPLS-GA的最优模型包含4个光谱区、96个变量和10个主成分因子。该模型结果显示:最佳预测模型相关系数(Rp)和RMSEP分别为0.9083和0.5573。研究结果表明,近红外光谱技术结合siPLS-GA建模用于无损、快速测定梨的硬度是可行的。

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。

利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别

小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感官评定,光谱分析可以识别样品中的分子结构等信息。基于此,尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦,再利用微波干燥法对两个不同产地的小麦做烘干预处理,使烘干的小麦水含量为12%±0.5%,原麦水含量为18%±0.5%。分别标记为原麦A,烘干A,原麦B,烘干B,再将小麦研磨成粉末,过100目筛网筛选后,置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息,在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理,利用主成分分析对预处理后的数据进行降维处理,再结合线性判别分析(linear discriminant analysis, LDA)和支持向量机(support vector machine, SVM)分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法(synergy interval partial least square, SiPLS)筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间,将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析(LDA)和支持向量机(SVM)建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析(LDA)和支持向量机(SVM)建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明,同种光谱分析方法,利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法,近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下,利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高,光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%,预测集识别率为97.50%;而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率,光谱数据融合之后建立的小麦识别模型识别率得到显著提高,该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率,结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。

不同偏最小二乘法的近红外光谱技术测定大米中水分的研究

通过近红外光谱法对大米中含水量进行分析,运用Kennard-Stone法对校正集及预测集样本进行选取,利用Range Normalization法、二阶导数和多元散射校正加一阶导数法,分别对近红外光谱进行预处理优化,并采用偏最小二乘法(PLS)、组合区间偏最小二乘法(SiPLS)和移动窗口偏最小二乘法(MWPLS)分别建立了定标模型。结果显示,相较于全谱建模,2种变量优选方法都能在有效减少建模所用的变量数,同时提高模型性能。其中采用MWPLS优选变量所建的大米水分定量模型的性能最优,决定系数为0.9525,校正集均方根误差为0.4093。利用40个验证集样本对定标模型进行了验证和配对t检验,预测相关系数达0.9617,相对分析误差为3.64,模型预测值与标准方法测定值没有显著性差异,说明模型具有良好的预测能力。基于MWPLS的近红外光谱技术能够实现大米中水分含量的快速检测。

基于近红外光谱和偏最小二乘法的慈竹纤维素结晶度预测研究

将近红外光谱技术和化学计量学相结合分析慈竹纤维素结晶度。通过区间偏最小二乘法(iPLS)、联合区间偏最小二乘法(siPLS)和反向区间偏最小二乘法(biPLS)优化建模区域,建立经多元散射校正后光谱的结晶度分析模型,并与全光谱范围350～2 500nm建立的偏最小二乘(PLS)模型进行比较。结果表明,三种改进偏最小二乘法建立的结晶度模型预测效果均优于PLS模型,并且当采用联合区间偏最小二乘法将全光谱进行30个子区间划分,选择三个子区间[8 12 19]组合时,建立的siPLS模型预测效果最好,相关系数(r)达到0.88,预测标准差(RMSEP)为0.0117。因此,采用联合区间偏最小二乘法可以有效选择建模光谱区域,提高模型预测能力,实现慈竹纤维素结晶度的快速预测。

高光谱图像技术快速预测发酵醋醅总酸分布

固态发酵是镇江香醋生产的重要环节之一,直接决定着成品醋的风味和品质。但目前固态发酵的生产控制主要依赖人工经验,难以有效保障镇江香醋的品质。该文分析了总酸(total acid content,TAC)、pH值、含水率在不同阶段的变化规律;采用高光谱图像技术结合联合区间偏最小二乘法(synergy interval partial least squares,siPLS)快速预测固态发酵基质(醋醅)的TAC、pH值和含水率,其最佳模型的相关系数R分别为0.8316、0.9455和0.8503;同时利用主成分分析和逐步多元线性回归模型(stepwise multiple linear regression,SMLR)对醋醅高光谱图像进行分析,研究了总酸在醋醅中的分布情况,以此来快速判断醋醅发酵的均匀性。研究表明,利用高光谱图像技术快速预测醋醅的理化参数及其分布的方法是可行的,结果可为镇江香醋固态发酵的工艺控制提供基础数据和技术手段。

基于近红外光谱与组合间隔偏最小二乘法的稻米镉含量快速检测

采用近红外光谱(near infrared spectroscopy,NIRS)结合组合间隔偏最小二乘法(synergy interval partial least squares,siPLS)建立稻米镉含量快速检测的方法。收集并分析72个稻米样品的NIRS谱图。对光谱前处理方法进行优化,确定平滑、多元散射校正与均值中心化处理为最优方法。采用siPLS法筛选特征波数,建立稻米镉含量的定量模型。稻米镉siPLS模型交叉验证均方根(RMSECV)与预测均方根(RMSEP)值分别为0.247与0.261,训练集相关系数(Rc)与预测集相关系数(Rp)值分别为0.919与0.895。结果表明:运用siPLS法选择特征波长后,不但可以降低模型的复杂度,同时还能够提高预测精度。NIRS作为一种快速、无损与便捷的初筛方法,可用于检测稻米中镉含量是否超标。

黄瓜叶片叶绿素含量近红外光谱无损检测

为了简化黄瓜叶片叶绿素光谱模型和提高模型预测精度,采用联合区间偏最小二乘法(SiPLS)结合净分析物法(NAS)提取近红外光谱的特征信息,建立了黄瓜叶片叶绿素光谱模型。收集了110片新鲜黄瓜叶片,用近红外光谱仪采集光谱数据后立刻用化学分析方法测定叶绿素含量。原始光谱经过SNV预处理和子区间总数优化后,将全光谱均匀划分为29个子区间,用联合区间偏最小二乘法优选出4个特征子区间,在上述特征子区间的基础上,用净分析物法分离光谱中同叶绿素相关的光谱信息,并结合线性回归法建立了叶绿素光谱模型。模型对应的校正集相关系数Rc、校正均方根误差、预测集相关系数Rp和预测均方根误差分别为0.947 2、0.079 5 mg/g、0.925 0和0.090 6 mg/g。结果表明:联合区间偏最小二乘法结合净分析物法能够有效提取叶绿素的特征光谱信息,提高模型精度的同时降低其复杂度。

青砖茶品质近红外特征光谱筛选及预测模型建立

应用近红外光谱技术对青砖茶品质进行快捷、无损评价。在保证样品完整的条件下获取光谱信息,通过光谱预处理、联合区间偏最小二乘法筛选特征光谱区间后进行主成分分析,再建立品质分数的Jordan-Elman nets人工神经网络预测模型。最佳预处理方法为多元散射校正+二阶导数,特征光谱区间为4377.6~4751.7、4755.6~5129.7、6262.7~6633.9、7386~7756.3 cm^-1,特征光谱区间前3个主成分累计贡献率为99.15%,模型传递函数为tanh,模型对验证集样品的预测均方根误差为0.386,预测集决定系数为0.973;对未知样品品质的预测结果为:预测均方根误差0.393,预测集决定系数0.971。结果表明,在75.00~93.00分青砖茶品质范围内,应用近红外光谱和Jordan-Elman nets人工神经网络方法实现了对青砖茶品质的快速、准确评价。

班菲尔脐橙可溶性固形物近红外光谱特征谱区选择!

为探讨快速无损检测班菲尔脐橙可溶性固形物(TSS)含量的方法,利用多元散射校正对脐橙1 000～2 500 nm近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型。结果表明,采用siPLS将光谱划分为17个子区间,利用其中的第4(1 267～1 355 nm)、5(1 356～1 443 nm)、9(1 708～1 795 nm)、15(2 236～2 323 nm)号4个子区间联合建立的TSS模型效果最佳,其校正集决定系数和均方根误差分别为0.910 9和0.331 2。预测集决定系数和均方根误差分别为0.878 9和0.448 7,主因子数为6个。研究表明,近红外光谱技术结合siPLS可优选出表征班菲尔脐橙TSS含量信息的特征光谱区间简化预测模型,同时提高模型预测能力和精度。

脐橙可溶性固形物含量的光谱检测技术研究

以晚熟脐橙为试材,采用近红外光谱技术与常规检测分析相结合的方法,对比和评价了基于果面和果汁光谱信息的脐橙可溶性固形物(TSS)含量预测模型精度,并筛选了可溶性固形物预测特征光谱.通过对果面和果汁原始光谱的多元散射校正(MSC)预处理,利用偏最小二乘法(PLS)分别建立了TSS预测模型,其中,当果面光谱主因子为5时,其对于可溶性固形物预测相关系数为最大(R=0.836 7)、预测均方根误差(RMSEP)为最小(RMSEP=0.490 3);而当果汁光谱主因子为8时,其对果汁可溶性固形物的预测相关系数为最大(R=0.905 8)、预测均方根误差为最小(RMSEP=0.523 6).采用联合区间偏最小二乘法(siPLS)对果面和果汁光谱特征波段组合进行筛选,获得果面光谱建模特征波段组合为1 000~1 107,1 750~1 857,2 071~2 177和2 178~2 284nm,建立的校正集和预测集模型相关系数分别为0.946 2和0.902 0,RMSECV为0.359 6,RMSEP为0.430 9;获得用于果汁光谱建模的特征波段组合为1 000~1 125,1 251~1 375,1 376~1 500和1 626~1 750nm,校正和预测模型相关系数分别为0.989 4和0.959 6,RMSECV为0.163 1,RMSEP为0.312 8.结果表明:试验所筛选出的果面和果汁近红外光谱特征波段组合建立的校正模型,均可用于晚熟脐橙TSS含量的无损检测,果汁光谱对于甜橙果实固形物含量预测精度高于果面光谱,近红外光谱技术用于橙汁固形物检测是可行的.

基于近红外光谱技术的茶鲜叶海拔高度判别模型建立

以不同海拔高度的茶鲜叶为研究对象,扫描获取其近红外光谱(NIRS)并筛选特征光谱区间后,分别应用逐步多元线性回归法(SMLR)、主成分回归法(PCR)和联合区间偏最小二乘法(Si-PLS)建立茶鲜叶海拔高度预测模型。结果表明,在5 542.41~6 888.48cm-1区间内,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的SMLR模型预测集相关系数和预测均方差分别为0.800 5和0.486;在4 929.16~6 965.62cm-1区间内,当主成分数为3时,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的PCR模型预测集相关系数和预测均方差分别为0.803 6和0.472;当将光谱划分为18个子区间、因子数为13时,选用[5 8 11 17]4个子区间建立的Si-PLS模型预测集相关系数和预测均方差分别为0.944 3和0.295。经比较,Si-PLS模型预测结果最佳。

基于SiPLS模型的稻壳中重金属铬LIBS检测

为了探索利用激光诱导击穿光谱（LIBS）对水田污染区稻壳中铬（Cr）元素含量进行绿色、快速检测的可行性，采用LIBS结合联合区间偏最小二乘法（SiPLS），对产自江西省某湖周边24个水田污染区稻壳样品中的Cr元素进行了定量分析。利用原子吸收光谱法（AAS）测得样品中Cr元素的真实浓度为32.51-510.33 μg/g，利用LIBS光谱获得的Cr元素三个特征谱线Cr I 425.43 nm、Cr I 427.48 nm和Cr I 428.97 nm清晰明显。对稻壳样品在422-446 nm波段的LIBS光谱数据进行九点平滑处理后，在采用SiPLS获得的最佳模型基础上，得出模型交叉验证均方根误差与预测均方根误差分别为26.1 μg/g和22.6 μg/g，训练集相关系数与预测集相关系数分别为0.9714和0.9840。对预测集样品进行相对误差及T检验分析，结果显示稻壳中Cr元素浓度的预测值与AAS法测量的真实值之间的平均相对误差为6.20%，且无显著性差异，表明模型具有较好的预测精度，可为自然条件下生长的农产品重金属安全绿色分析提供参考依据。

可视传感器技术快速测定淡水鱼细菌总数

以鳊鱼为对象,采用可视传感器检测技术建立一种淡水鱼细菌总数快速测定的方法。首先,利用可视传感器技术采集鳊鱼的气味,用图像处理技术提取传感器阵列与样品气味反应前后的图像颜色差值作为鱼的气味特征信息;同时,采用平板计数法测定细菌总数来评定鱼的新鲜等级;最后,采用最小二乘法(PLS)和联合区间偏最小二乘法(siPLS)建立基于气味信息与细菌总数间高效、精确的鱼类新鲜度判别模型。结果显示,siPLS模型较优,其校正集和预测集相关系数分别达到88.96%和83.29%。结果表明,可视传感器技术能够用于预测鱼的细菌总数,具有方便、快速、无损、成本低等优越性。