近红外光谱-偏最小二乘法非破坏分析酱油的主要成分

将近红外光谱技术与偏最小二乘法（PLS）相结合建立 数学校正模型, 对酱油中的氨基酸态氮、 总酸以及食盐进行快速、 无损定量分析, 并对酱油的色度进行预测, 同时讨论了光谱预处理方法和主成分数对PLS模型预测精度的影响. 结果表明, 采用一阶导数预处理光谱建立的数学校正模型能得到最佳的预测效果, 在对预测集18个样本中的氨基酸态氮、 总酸、 食盐的含量和色度进行预测时, 所得的预测集相对标准 偏差分别为1516%, 1811%, 1798%, 1893%. 实验结果具有较高的预测精度, 可以用于酱油中主要 成分含量的测定.     

近红外光谱法对土壤有机碳组成的无损分析

利用近红外光谱(NIR)结合化学计量学方法建立一种定量监测土壤有机碳组成的新方法.对109个土壤样品进行近红外光谱采集,按常规方法测定土壤样品中总有机碳(SOC)及土壤样品中胡敏酸(HA)和富里酸(FA)有机碳的含量,再应用径向基函数(RBF)人工神经网络建立土壤样品的近红外光谱和有机碳组成含量间的数学校正模型.所建模型通过遗传算法(GA)自动选择最佳光谱处理方法和最优网络拓扑结构,同时构建了全光谱数据神经网络和GA自动优化光谱波段的神经网络模型,讨论了敏感光谱的选取对模型预报性能的影响.采用多元散射校正(MSC)光谱处理后建立的RBF神经网络模型为最优,该模型的预测精度和稳定性较好,可发展为复杂土壤系统中定量分析土壤有机碳组成的新方法.     

利用净分析物预处理法简化苹果糖度预测模型

为了简化苹果糖度预测模型,利用净分析物预处理法(NAP)对苹果近红外光谱进行了预处理,并重建了糖度的偏最小二乘(PLS)预测模型．结果表明,随着预处理过程中所用NAP因子的逐个增加,糖度PLS模型的最佳因子数逐渐减少,甚至可减少至1．研究中,当采用5个NAP因子时,PLS糖度模型可以达到最佳性能,此时模型的最佳因子数为7,校正时的相关系数r^2和标准偏差SEC分别为0．92773和0．40658,用于预测时的相关系数r^2和标准偏差SEP分别为0．90426和0．44221．与NAP法预处理前的PLS模型相比,其精度虽没有大幅提高,但模型显得更加简洁．     

PCA结合马氏距离法剔除近红外异常样品

采用PCA(principal component analysis)结合马氏距离法对近红外校正样品集中的异常样品进行剔除,从校正集的60个食醋样品中剔除了12个异常样,用剩下的48个样品建立了总酸、挥发酸的校正模型,并对预测集的15个食醋样品进行预测分析,以相关系数(R)、预测均方差(RMSEP)、平均相对误差(Er)为预测模型的评价指标.预测集R分别为0.9759,0.9383;RMSEP分别为0.0938,0.1635;Er分别为1.34%,2.80%.与原始校正集所建模型相比,校正模型的预测精度和稳定性得到显著提高.     

基于偏最小二乘法的土壤有机碳高光谱预测研究

对86个土壤样品高光谱数据进行平滑去噪、一阶微分变换以及多元散射校正处理,在此基础上,建立土壤有机碳含量的偏最小二乘法(PLS)反演模型.结果表明,获得的五种PLS模型均具有较高的模型精度.其中,主成份个数为10时,R+MSC的PLS模型效果最好.校正模型的决定系数R2=0.95,校正均方根误差RMSEC=0.95.验证模型的决定系数R2=0.78,预测均方根误差RMSEP=2.03.利用PLS模型对预测集进行预测,实测值与预测值的决定系数R2=0.83,预测均方根误差RMSEP=1.71,预测标准差SEP=1.73.PLS模型可以对土壤有机碳含量进行预测.     

基于近红外光谱技术结合遗传算法的安溪铁观音品质评价

以清香型铁观音茶叶为试验原料,基于近红外光谱技术结合遗传算法,建立相关的数学分析模型,用于安溪铁观音综合品质得分的测定,完善茶叶检测体系,进一步推动我国茶产业的标准化进程。实验结果表明,经二阶导数+平滑+归一化方法对光谱进行预处理后,得到综合品质得分PLS测定模型最优,验证集相关系数为0.913,均方根偏差为0.665。选用近红外光谱6 670-4 000 cm-1谱区,经遗传算法筛选特征波长后,建立茶样综合品质得分GA-PLS测定模型,校正集相关系数为0.959,均方根偏差为0.413;验证集相关系数为0.940,均方根偏差为0.587,GA-PLS模型的预测能力和精度更高。     

基于人工蜂群波长优选和残差增广的近红外光谱定量模型研究

提出一种基于人工蜂群(artificial bee colony,ABC)算法的光谱波长优选和残差数据增广回归算法的近红外光谱定量模型.以勾兑果汁中苹果汁原汁含量的近红外光谱数据为基础,对原始光谱数据进行预处理,通过人工蜂群算法优选光谱波长变量,采用优选出的波长变量建立近红外光谱浓度残差增广的最小二乘回归(concentration residual augmented classical least squares,CRACLS)模型.将ABC波长优选后建立的CRACLS模型与全光谱建立的CRACLS模型,遗传算法(genetic algorithm,GA)波长优选后建立的CRACLS,ABC波长优选后建立的PLS模型,全光谱建立的PLS模型,GA波长优选后建立的PLS模型进行比较.实验结果表明,ABC-CRACLS模型的校正集的Rc值为0.999 8,RMSEC值为0.000 9,预测集的Rp值为0.999 1,RMSEP值为0.012 1,均优于其它几个模型.因此提出的人工蜂群算法能够有效地处理好波长变量的优选问题,并且CRACLS模型取得良好的预测结果.     

近红外光谱在快速检测棉制品中含棉量的应用

以两组棉制品为研究对象，利用遗传算法提取有效近红外光谱信息，采用偏最小二乘法（partial least squares，简称PLS）建立了棉制品中舍棉量的近红外定量的校正模型，讨论了遗传算法提取有用信息的具体应用方法．结果表明：棉制样品的近红外光谱经过遗传算法提取有用信息（波长优选）后，通过一定数据预处理方法，运用PLS建立的定量校正模型，可以大大降低数据运算量，为近红外光谱分析技术应用于棉制品中舍棉量的预测，提供了理论依据和实用方法．     

利用近红外光谱技术的葵花籽品质分析

葵花籽作为中国需求量很大的油料作物,常用的化学检测方法虽然准确性高,但是时间久,破坏样本完整性,难以实现快速检测。为了研究近红外光谱法快速无损检测葵花籽中蛋白、脂肪及水分含量的准确性,使用454份葵花籽样本近红外光谱数据及蛋白质、水、脂肪三个含量信息为测试对象,随机选取其中383份作为测试集,71份作为验证集,对测试集使用不同的预处理方法之后分别进行PLS(partial least-square method)和BP神经网络建模,并通过验证集对模型进行预测分析。结果发现:①PLS模型预测中发现小波变换的预处理方法对蛋白质含量的预测最好,小波变换的预处理方法对水分含量的预测最好,标准化的预处理方法对脂肪含量的预测最好;②BP神经网络预测中一阶导数+均值中心化对蛋白质含量的预测最好,一阶导数对水分含量的预测最好,一阶导数+标准化对脂肪含量的预测最好。比较两种神经网络模型的预测结果,PLS模型预测精度要高于BP神经网络模型。     

基于近红外光谱技术的葵花籽品质分析

葵花籽作为国内需求量很大的油料作物,常用的化学检测方法虽然准确性高,但是时间久,破坏样本完整性,难以实现快速检测。为了研究近红外光谱法快速无损检测葵花籽中蛋白、脂肪及水分含量的准确性,本文使用454份葵花籽样本近红外光谱数据及蛋白质、水、脂肪三个含量信息为测试对象,随机选取其中383份作为测试集,71份作为验证集,对测试集使用不同的预处理方法之后分别进行PLS和BP神经网络建模,并通过验证集对模型进行预测分析。结果发现:(1)PLS模型预测中发现小波变换的预处理方法对蛋白质含量的预测最好RMSECV=0.343,RMSEP=0.296,小波变换的预处理方法对水分含量的预测最好RMSECV=0.299,RMSEP=0.354,标准化的预处理方法对脂肪含量的预测最好RMSECV=0.285, RMSEP=0.316;BP神经网络预测中一阶导数+均值中心化对蛋白质含量的预测最好RMSEP=0.341,一阶导数对水分含量的预测最好RMSEP=0.329,一阶导数+标准化对脂肪含量的预测最好RMSEP=0.312。(2)BP神经网络模型与PLS模型预测对比发现,PLS模型预测精度要高于BP神经网络模型。     

偏最小二乘-紫外可见分光光度法测定黑加仑色素的含量

将偏最小二乘（ Ｐ Ｌ Ｓ）法同紫外可见分光光度法结合, 快速分析黑加仑色素的含量． 讨论主成分数对 Ｐ Ｌ Ｓ定量预测能力的影响, 并对校正集样品和预测集样品中黑加仑色素含量进行定量预测．     

近红外光谱在印刷品颜色检测中的应用

为了对印刷品颜色进行快速、准确检测,应用近红外光谱技术(NIR)并结合偏最小二乘法(PLS)建立印刷品颜色检测模型.对近红外光谱获取的144个样本光谱曲线,应用主成分分析方法进行降维,维数为5.选取的主成分作为光谱优化特征子集以替代原来复杂的光谱数据.随后,将144个样本数据随机分为定标集和预测集,利用偏最小二乘法在103个定标集样本数据基础上建立印刷品颜色预测模型,应用此模型对41个预测集样本颜色进行预测.研究结果表明:利用PLS模型得到样本的实测值和预测值之间的预测决定系数(R~2)为99.74%,预测平均相对误差为0.636%,表明利用近红外光谱技术检测印刷品颜色是可行的.     

A New Sample-Selection and Modeling Method Based on Near-Infrared Spectroscopy and Its Industrial Application

Near-infrared （NIR） spectroscopy has been widely employed as a process analytical tool （PAT） in various fields; the most important reason for the use of this method is its ability to record spectra in real time to capture process properties. In quantitative online applications, the robustness of the established NIR model is often deteriorated by process condition variations, nonlinear of the properties or the high-dimensional of the NIR data set. To cope with such situation, a novel method based on principal component analysis （PCA） and artificial neural network （ANN） is proposed and a new sample-selection method is mentioned. The advantage of the presented approach is that it can select proper calibration samples and establish robust model effectively. The performance of the method was tested on a spectroscopic data set from a refinery process. Compared with traditional partial leastsquares （PLS） , principal component regression （PCR） and several other modeling methods, the proposed approach was found to achieve good accuracy in the prediction of gasoline properties. An application of the proposed method is also reported.     

傅立叶近红外漫反射光谱的偏最小二乘法应用研究

对小麦粉的傅立叶近红外漫反射光谱和成分浓度数据进行了偏最小二乘法处理,对小麦粉的水分、蛋白质干基以及湿面筋干基同时进行了定标和预测.结果证明:偏最小二乘法充分利用了样品的光谱信息和化学组分浓度信息,对于成分复杂以及光谱重叠现象严重的光谱仍然给出了优良的定标和预测结果.     

近红外漫反射光谱法对蛇床子SFE萃取产物的质量监控

采用近红外漫反射光谱法对中药蛇床子SFE萃取过程中主要成分蛇床子素和欧前胡素进行快速、 无损检测. 以HPLC分析值作参比值, 采用偏最小二乘法（PLS）建立近红外光谱信息与各组分含量间的定量校正模型. 讨论了波长范围的选择和主成分数对PLS定量预测蛇床子萃取物中蛇床子素和欧前胡素含量能力的影响, 并对预测集样品含量进行预测, 结果令人满意.     

PLS-近红外漫反射光谱法非破坏分析安乃近

比较了偏最小二乘（PLS）法在常规和一阶导数近红外漫反射光谱法分析安乃近的定量预测能力；讨论了校正集样品数和波长间隔对PLS预测的影响．在常规光谱法中，校正样品和预测样品的预测结果的相对标准误差分别为0．9891％和1.4630％．而在一阶导数光谱法中，校正样品和预测样品的预测结果的相对标准误差分别为0.1102％和1.0429％．     

OSC-PLS算法在近红外光谱定量分析中应用的研究

提出一种新的光谱预处理方法--正交信号校正,并将正交信号校正与偏最小二乘法相结合的OSC-PLS方法应用于固体含能材料中挥发份的定量分析.利用正交信号校正,对光谱数据进行预处理,剔除光谱矩阵中所含的各种噪声信号,将去噪后的光谱矩阵作为新的自变量矩阵,再利用偏最小二乘方法建立校正模型.结果表明:用OSC-PLS方法建立模型与用传统偏最小二乘法所建模型相比精度明显提高,这对近红外光谱分析在该领域的应用具有重要的理论意义和实际推广价值.     

近红外光谱-系统聚类法快速测定煤炭品质

采用偏最小二乘法对95个煤炭样品的近红外光谱数据进行处理,并提取主成分.将提取的主成分与煤炭的发热量、灰分、挥发份、含硫量和全水分共同作为变量,进行系统聚类分析.将样品数据聚类为4组,同时剔除异常样本.对聚类后的各组数据采用多元散射校正、二阶导数、诺里斯导数平滑进行预处理,建立偏最小二乘定量分析模型.采用逐步筛选法,求得以发热量为变量的Bayes判别函数,交互验证结果表明判别函数稳定性良好.对未知样品发热量、灰分、挥发份、含硫量和全水分预测的决定系数分别达到0.992、0.927、0.938、0.778、0.978,说明模型预测性能良好.