基于长波近红外光谱快速无接触评估小麦籽粒含水率

利用长波近红外光谱(900～1700 nm)联用偏最小二乘(Partial Least Squares,PLS)算法快速评估小麦水分含量。通过采集7个不同品种小麦籽粒(百农201、百农207、百农307、百旱207、AK-58、冠麦1号、周麦18)的近红外反射光谱信息,经高斯滤波平滑(Gaussian Filtering Smoothing,GFS)、多元散射校正(Multiplicative Scatter Correction,MSC)和标准正态变量变换(Standard Normal Variable Correction,SNV)三种预处理后,分别利用偏最小二乘法(Partial Least Squares,PLS)挖掘光谱信息与小麦水分之间的定量关系。结果显示,经GFS预处理的近红外光谱(100个波长)构建的全波段PLS回归模型(F-PLS)的预测相关系数(RP=0.927)、预测误差(RMSEP=1.596%)和鲁棒性(ΔE=0.064)均优于另外两种光谱。采用Regression coefficient算法筛选最优波长优化F-PLS模型,以提高预测效率。结果显示,从GFS预处理光谱筛选的29个最优波长构建的O-PLS回归模型预测精度及鲁棒性均较好(R_P=0.909,RMSEP=0.229%,ΔE=0.078)。本试验表明,利用长波近红外光谱技术来快速无接触评估小麦籽粒含水率的潜力巨大。     

遗传算法选择特征波长在紫外光谱检测COD中的研究

为简化紫外光谱测化学需氧量检测模型,提高模型的预测精度,将偏最小二乘算法与遗传算法相结合,优化对紫外光谱特征波长的选择.通过建模和实验分析表明:使用该方法对特征波长进行选取,偏最小二乘回归模型在均方误差意义下达到最优,平均相对误差在5%以内,而且预测精度明显优于未经遗传算法选取波长的偏最小二乘回归模型.     

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.     

基于可见/近红外光谱技术的新鲜茶叶叶片含水率快速测定

提出了利用可见/近红外光谱技术检测新鲜茶叶叶片中含水量的方法.首先采集350~2500nm波段范围内177个新鲜茶叶叶片的光谱反射率信息,作为X变量.将不同预处理后的光谱数据建立偏最小二乘(partial least squares,PLS)模型,再利用回归系数法(regression coefficients,RC)提取全波段光谱中的特征波长并建立基于特征波长的预测模型.结果显示,利用全谱段光谱信息建立的模型中,未经预处理建立的模型最优,建模集和预测集中决定系数(coefficient of determination,R~2)分别是0.9039和0.8856,均方根误差(root mean square error,RMSE)分别是0.0092和0.0120,剩余预测偏差(residual predictive deviation,RPD)是2.9659;基于特征波长的模型中,也是未经预处理建立的模型最优,建模集和预测集中R~2分别是0.9070和0.8199,RMSE分别是0.0107和0.0151,RPD是2.3701.结果表明,可见-近红外光谱技术结合特征波长提取进行新鲜茶叶叶片中含水率检测是可行的.     

近红外光谱结合蚁群算法检测花茶花青素含量

花青素是花茶中的主要质量指标,为了快速准确的检测花茶中花青素的含量,提出一种基于蚁群算法(ACO)结合区间偏最小二乘法(iPLS)的近红外光谱检测方法.原始近红外光谱经过预处理采用ACO-iPLS优选花青素含量对应的特征子区间.当全光谱划分为12个子区间时,ACO-iPLS优选出第1,9,10共3个子区间,在此基础上建立的近红外光谱模型最佳.模型对校正集和预测集相关系数分别为0.901 3和0.864 2;交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.160 0 mg·g-1和0.202 0 mg·g-1.研究结果表明:与常规的iPLS相比,ACO-iPLS不但可以有效选择近红外光谱特征谱区,而且建立的模型具有更高的精度和鲁棒性.     

多维标度和随机森林应用于汽油近红外定量分析

随机森林(RF)回归应用于汽油辛烷值的近红外定量模型的波长优选。提出的双中心指标多维标度(DC-MDS)方法能够有效地找到定标和预测样品集的合理划分。RF回归建模的过程中选择采用较大的决策树数量(nTree=500),避免建模过程发生拟合,进一步调试并选择最优的分裂变量数(mtry=130);最后在最优参数的RF建模过程中提取具有最大贡献的30个信息波长,为汽油辛烷值的测定建立离散波长的近红外定量分析模型;其预测决定系数为0.971,预测均方根偏差为0.219%。结果表明,RF回归具有应用于汽油辛烷值近红外定量测定的潜力。     

特征峰值投影技术应用于鱼粉蛋白近红外波长优选

采用近红外光谱线性分析技术实现对鱼粉蛋白的快速检测,选择合适的波长变量是提高模型预测精度的关键。主要目的是建立一种稳健、简单的多元线性回归(MLR)模型,通过研究基于特征峰值的投影技术实现参与建模的波长优选。特征物质在近红外光谱区域的吸收特征,以鱼粉一阶导数光谱的峰谷波长点作为出发点,依次采用逐步多元线性回归(SMLR)和连续投影线性回归(SPA-MLR)方法完成两度特征信息波长筛选,进一步对备选的波长变量执行显著性检验,最终确定近红外线性分析的特征信息波长组合。结果表明,近红外长波区域中优选出53个特征信息波长变量,能够提高鱼粉蛋白近红外定量模型的预测精度,简化了模型,从而提高了模型的适用性和稳健性。     

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.     

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．     

基于傅里叶近红外特征光谱的血流感染致病菌鉴别研究

利用傅里叶变换近红外光谱(FT-NIR)收集1 000~1 852 nm范围内3种常见病原菌大肠杆菌(ATCC25922)、金黄色葡萄球菌(ATCC 29213)、铜绿假单胞菌(ATCC 27853)的近红外透射光谱,采用竞争性自适应重加权算法(CARS)对波长变量进行筛选,并分别结合偏最小二乘判别分析(PLS-DA)、最小二乘-支持向量机(LS-SVM)建立鉴别模型.比较两种鉴别模型在进行波长变量优选前后的性能发现,采用全波段建模的PLS-DA与LS-SVM两种模型的预测性能较低;利用CARS对波长变量进行筛选后,对优选的24个特征波长分别建立两种鉴别模型,模型预测性能明显提高,其中以LS-SVM模型最优,3种病原菌准确率分别为85.0%,100%和100%.研究结果表明,利用CARS能够有效去除光谱无用信息,减少模型复杂度,增强模型预测性能,结合LS-SVM可为临床利用近红外快速检测血流感染病原菌提供一种新的方法.     

基于高光谱技术的牛肉-猪肉掺假检测

利用高光谱技术建立一种牛肉-猪肉掺假的快速无损检测方法.通过对样本集进行划分、光谱预处理以及特征波长的选择,建立了全波长和选择波长的掺假定量检测模型.结果表明:基于基线校正光谱预处理所得的偏最小二乘回归(PLSR)预测模型最优,其交叉验证决定系数R2CV=0.97、预测决定系数R2P=0.98,均方根误差RMSECV=5.20%、RMSEP=4.23%.此外,用回归系数法优选5个波长点作为特征波长进行建模,所得模型与全波长模型相比,具有变量少、结构简单、性能更优等优点.     

汽油辛烷值近红外光谱检测的改进极限学习机建模方法

为提高近红外光谱法检测汽油辛烷值的精度,该文提出一种汽油辛烷值近红外光谱检测的改进极限学习机(i ELM)新型建模方法。该算法融合了极限学习机算法(ELM)与基于变量投影重要性系数的改进叠加偏最小二乘回归(VIP-SPLS)模型算法,有效解决了ELM模型隐含层输出矩阵维数高和高度共线性的问题。采用该算法对汽油辛烷值的近红外光谱检测数据进行建模,发现改进极限学习机模型的精度比现有的偏最小二乘回归模型和极限学习机模型分别提高20.0%和29.3%,验证了方法的有效性。实验表明,该文方法可用于汽油辛烷值的近红外光谱检测,检测精度良好。     

应用间隔随机蛙结合连续投影算法检测橡胶树叶片氮含量

研究了基于可见/近红外光谱技术的橡胶树叶片氮含量无损检测方法。总共采集了176个橡胶树叶片样本,以350～2 500 nm的可见/近红外数据作为试验数据。首先,采用一种新颖的间隔随机蛙(iRF)算法选择交互验证均方根误差(RMSECV)最小的波长间隔组合;然后,采用连续投影算法(SPA)进一步选择特征波长;最后,将选出的特征波长作为输入变量,建立偏最小二乘法(PLS)模型。研究结果表明:通过两步策略进行波长选择,iRF算法粗选,从全光谱2 151个变量中筛选出714个,再采用SPA算法细选,从714个变量中进一步筛选出20个最优变量,降低了信息冗余,变量数减少了99.07%。建立的简化模型结果校正均方根误差(RMSEC)、校正相关系数(R_c)、预测均方根误差(RMSEP)、预测相关系数(R_p)分别为0.091 3%、0.956 5、0.123 8%和0.901 8,比PLS、间隔偏最小二乘法(iPLS)、iRF算法和SPA有更低的均方根误差和更高的相关系数。因此,iRF-SPA可以作为一种策略的波长选择方法用于检测橡胶树叶片氮含量。     

基于多维度光谱特征波长提取大豆冠层SPAD值估算模型

应用多种光谱特征波长段提取技术,研究了全生育期大豆冠层的近红外光谱曲线特性,提出了基于多维度光谱特征波长提取的大豆冠层叶绿素相对含量(SPAD值)估算模型.在大豆冠层原始近红外光谱曲线中,优选多元散射校正预处理和偏最小二乘回归法建模.经多元散射校正预处理后,应用竞争性自适应重加权采样算法(CARS)、主成分分析法(PCA)和连续投影算法(SPA),提取大豆冠层的光谱特征波长数量分别为22,51和12个.以此特征波长为基础,利用偏最小二乘回归法和多元线性回归法(MLR),分别建立大豆冠层SPAD值估算模型.结果表明CARS-MLR模型试验效果较好,该模型校正样本和预测样本SPAD值的均方根误差分别为5.67和5.94,平均值约为5.81.     

用近红外光谱法实时监测蛹虫草发酵中胞内多糖的质量浓度

应用近红外光谱(NIR)结合偏最小二乘法(PLS)建立一种实时监测蛹虫草发酵中胞内多糖质量浓度的新方法.对39个批次的蛹虫草在3个不同条件的5L发酵罐中进行蛹虫草深层发酵,发酵过程中间隔一定时间取样,采集样品的近红外光谱,并按常规方法测定样品中胞内多糖质量浓度,再采用PLS法建立样品的近红外光谱与胞内多糖质量浓度间的模型,所建模型经过选择最适光谱预处理方法和最适隐变量数进行优化,其留一交互验证预测值与化学测定参考值间的相关系数R=0.8750,交互验证均方根误差RMSECV=0.3052.采用最优PLS模型对样品中胞内多糖质量浓度进行预测,校正集预测均方根误差RMSEC=0.1670,预测集预测均方根误差RMSEP=0.3650,表明模型的稳健性和预测性能较好。     

改进的基于线性支持向量机回归的近红外光谱分析方法

以近红外光谱信号为研究对象,把线性支持向量机回归方法应用于近红外光谱分析中,为 了提高算法的分析精度,提出了先对光谱数据进行中心化预处理,再建立线性支持向量机回归模 型,然后根据回归模型中的回归系数构建变量重要度的评价指标并采用网格搜索法得出满意的变 量集,再利用选出的变量集重新构建回归模型的分析方法.最后,采用业界认可的标准数据对该方 法进行了测试和分析,结果表明了该方法的有效性.     

基于近红外光谱无损快速检测面粉品质的研究

提出一种基于近红外光谱技术结合偏最小二乘法对面粉品质进行无损快速检测的方法.配制含滑石粉的面粉样品30个,采集样品在12 500~4 000 cm-1范围内的近红外漫反射光谱,选择最优的光谱预处理方法和光谱范围,采用偏最小二乘法(PLS)建立定量分析模型.结果表明所建定量分析模型的相关性能比较高,预测相关系数和预测均方根误差均符合要求.研究发现,近红外光谱技术用于快速无损检测面粉掺假是可行的.     

近红外光谱和支持向量机用于凌霄花产地鉴别

收集6个产地凌霄花样品的近红外光谱,构建支持向量机(SVM)模型进行产地鉴别.运用竞争自适应重加权采样(CARS)算法提取特征波长变量,在此基础上建立CARS-SVM产地判别模型.将该判别模型与线性判别分析、偏最小二乘判别分析和簇类独立软模式法3种模型进行比较.结果表明,SVM模型对不同产地凌霄花样品的鉴别结果良好,经CARS提取特征波长后,波长变量数从1 557减小至52,所构建的CARS-SVM模型对6个产地样品的判别准确率较高,明显优于上述3种模型.因此,近红外光谱技术可快速准确判别凌霄花的产地,为凌霄花的产地鉴别与质量评价提供一种新的方法.     

基于近红外高光谱成像快速预测牛肉中猪肉掺入量

基于900~1 700 nm波段范围内的近红外高光谱成像技术结合线性算法快速预测牛肉 中猪肉掺入量。使用BC、SGS和SNV3种方法预处理光谱信息，结果显示原始光谱信息更适合于构 建PLSR模型，预测牛肉掺假效果良好（R2 P = 0.95，RMSEP = 6.82%，RPD = 4.89）。经Stepwise算法 从全波段486个波长中筛选出8个最优波长（918、926、935、1 053、1 055、1 086、1 088、1 382 nm）简 化全波段预测模型，结果显示，基于这 8 个最优波长构建的 MLR 模型预测效果良好（R2 P = 0.96， RMSEP = 5.70%，RPD = 5.56），可代替全波段光谱信息实现牛肉掺假的快速预测。     

近红外光谱定量预测奶粉中三聚氰胺的含量

近红外光谱技术(NIRS)结合偏最小二乘算法(PLS)建立了奶粉中三聚氰胺含量的定量分析模型.采用二阶导数光谱建立模型,最有效的波长范围为4000.63~6803.63 cm-1和6800~9700 cm-1,最优模型的定标模型的相关系数(R)为0.9999,定标标准分析误差(SEC)为1.43%,预测相关系数(R)达到0.9284,预测标准分析误差(SEP)为1.03%,模型具有较好的预测效果.研究表明近红外光谱检测技术可用于奶粉中三聚氰胺的定量分析.