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.     

近红外光谱技术在食用油种类鉴别及 脂肪酸含量检测中的应用

应用近红外光谱分析技术分别建立了快速鉴别食用植物油种类的定性分析模型以及测定食用植物油主要脂肪酸含量的定量分析模型.实验根据19份食用植物油样品的近红外光谱,结合系统聚类方法建立了纯橄榄-芝麻-花生油定性识别模型,识别率和预测率可达100%.根据59个食用植物油样品的近红外光谱,结合模型优化方法建立了食用植物油中棕榈酸、硬脂酸、油酸3种主要脂肪酸含量的近红外定量分析模型,且模型指标较好.实验表明近红外光谱分析技术在食用植物油品质快速检测领域有很好的应用前景.     

人工神经网络-近红外光谱法非破坏监控蛇床子SFE-CO2萃取物的质量

将人工神经网络与近红外漫反射光谱相结合, 对蛇床子超临界CO₂萃取物中的蛇床子素和欧前胡素同时进行快速、 非破坏的定量分析. 分别利用 萃取物的原始光谱和两种预处理光谱（一阶导数和标准归一化）建立了网络的数学校正模型, 并把所得结果进行了比较, 确定用一阶导数光谱所建立的模型为最佳网络模型.     

近红外光谱分析磷酸缓冲溶液中的血糖含量

测定了溶解于磷酸缓冲溶液中血糖在8000～5000cm^-1波数范围的近红外光谱,用偏最小二乘法建立了测定血糖含量的模型,根据数据特点,提出了按浓度大小选择预测集样本的方法。用来进行最佳模型隐变量个数的选择,结果显示,利用近红外光谱并结合化学计量学方法能够成功地进行血糖的定量分析,方法的测定误差为0.197g／L。     

近红外光谱法测定汽油中的芳烃含量

研究了采用近红外光谱测定汽油中芳烃含量的方法，通过汽油单体分析法获得汽油中芳烃的基础数据。在1000—2000nm波长范围内，应用傅立叶变换近红外光谱仪，交互检验偏最小二乘法对使用的近红外光谱数据进行优化，所得校正模型对训练集样品预测的相对平均误差为0．42％，相关系数为0．9696。对未知样品将近红外预测结果与GC的测定结果进行比较，相对平均误差为0．45％。作为一种快速分析技术，近红外光谱测定汽油中芳烃含量是简便可靠的方法。     

用人工神经网络-近红外光谱法测定毛竹中木质素与综纤维素的含量

近红外光谱结合反向传播的人工神经网络(back propagation artificial neural network,BP-ANN)技术预测了毛竹中木质素与综纤维素的含量.用常规湿化学方法测定了54株毛竹样品的木质素含量以及53株毛竹样品的综纤维素含量.用近红外光谱仪采集相应的光谱,为了提高信噪比和计算速度,对原始近红外光谱进行平滑、压缩、归一化预处理.利用预处理后的近红外光谱数据建立BP-ANN模型.在模型建立过程中采用Leave-n-out交叉验证法优化了隐含层神经元的个数,学习率,动量因子和学习次数.优化的BP-ANN模型用于预测测试集中9个毛竹样品中木质素与综纤维素的含量,预测均方根误差分别为0.88%、1.40%.结果表明,应用毛竹的近红外光谱数据和BP-ANN技术,可以用于预测木质素和综纤维素的含量,基本能满足定量分析的要求.     

近红外光谱结合遗传算法优化的RBF神经网络对中药萃取物含量的预测

建立了基于近红外漫反射光谱(NIR)定量预测中药蛇床子CO_2超临界萃取(SFE)物中2种主要成分蛇床子素和欧前胡素含量的新方法.将高效液相色谱(HPLC)分析结果作为参考值,通过遗传算法(GA)和径向基函数(RBF)神经网络相结合,建立中药蛇床子萃取物的光谱数据和萃取物中蛇床子素和欧前胡素含量之间的定量模型.NIR光谱数据经标准归一化(SNV)预处理后所建GA优化的RBF网络模型(GA-RBF)为最优,其蛇床子素和欧前胡素测试集的均方根误差(RMSE)分别为0.476 4%和0.305 6%,相关系数(R)分别为0.990 8和0.987 0,均优于偏最小二乘(PLS)模型的处理结果.该方法具有快速、无损、精确的优点,为中药材复杂体系中化学组分定量测定提供了一条新途径.     

巴戟天药材中耐斯糖含量近红外光谱测定方法的建立

目的建立巴戟天药材中耐斯糖含量的近红外光谱测定方法。方法用高效液相色谱法测定114批巴戟天药材中耐斯糖含量,采集近红外光谱后,运用多元散射校正法,结合最小偏二乘法建立巴戟天耐斯糖含量的定量模型。结果建立的耐斯糖近红外光谱定量模型,内部交叉验证决定系数为0.979 1,校正标准偏差为0.909 0,预测标准差为0.909 0,交叉验证的标准偏差为1.093 0。结论该含量测定近红外光谱模型稳定、准确适用于巴戟天药材中耐斯糖的含量测定。     

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.     

基于NIR的模式识别技术在地理标志产品响水大米鉴别中的应用

分别利用多元线性回归判别分析和BP人工神经网络分析建立了近红外光谱(NIR)快速鉴别地理标志产品响水大米的新方法.大米的近红外光谱数据经过一阶导数和平滑处理后,利用主成分分析对数据进行了降维处理,并确定了相关性最大的特征波段(7 700~6 700cm-1与5 700~4 300cm-1).利用特征波段的主成分数据建立了多元线性回归判别分析和BP人工神经网络鉴别模型.2种模型对于地理标志产品响水大米的鉴别正确率均为100%,适用于地理标志产品的快速无损鉴别.     

采用近红外光谱技术的燕麦脂肪含量检测

以93份燕麦样品为研究对象,对其近红外光谱数据进行预处理后通过主成分分析法提取光谱特征,采用人工神经网络技术建立燕麦中脂肪含量的合理检测模型。结果表明:反向多元散射处理(IMSC)、数学处理选择2441(即对光谱进行导数间隔点为4的二阶导数处理,一次平滑处理间隔点为4,不进行二次平滑处理)为最佳预处理方法;通过主成分分析法提取2个主成分作为原始信息的特征变量,建立的人工网络模型结构为2-17-1,该模型对验证集的测定值与预测值的相关系数为0.962 3,均方根误差为1.607 2,模型的预测准确性较好。该方法简便、快速,为燕麦脂肪的定量测定提供了一种新方法。     

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.     

基于小波分析的近红外光谱数据预处理

近红外光谱中常常包含一些与待测样品性质无关联的干扰信息,为了使建立的定性或定量分析模型更加稳健、可靠,常常需要对测定的光谱数据进行预处理.结合大豆油脂酸价的近红外光谱分析方法,对由瑞典波通公司的DA7200型近红外光谱仪记录的36组大豆油脂样品光谱数据,采用小波变换的阈值去噪方法进行预处理,对比常用的窗口移动平滑预处理,说明了小波变换是一种有效实用的光谱预处理方法.     

基于两种模式识别技术的盐酸左氧氟沙星注射液近红外光谱定量分析

测定同一厂家生产的53个不同批次盐酸左氧氟沙星注射液的近红外光谱. 先利用小波变换技术对光谱变量进行去噪, 并对其有效的压缩, 以提高建模效率, 再分别利用神经网络及支持向量机技术建立盐酸左氧氟沙星注射液样品的定量分析模型, 并讨论了建模过程中相关参数的优化选择. 仿真实验表明, 建立的SVM定量分析模型的相关性要优于BP网, 同时SVM定量分析模型的RMSECV及RME两个指标值也显示其预测效果良好, 泛化能力强.     

基于CNN的农作物机载高光谱影像质量评价——以棉花为例

机载高光谱遥感作为近地遥感观测方法中的新方式,对判断作物长势、监测环境状态等农业应用提供了新的技术手段。机载影像数据获取受光照条件、飞行状态等因素干扰,其数据质量对科学研究数据分析结果的可靠性具有重要影响,机载高光谱影像数据的快速质量评价问题亟待解决。本研究提出一种适用于机载棉花高光谱影像的卷积神经网络影像质量分级方法。先获取试验区域内的棉花高光谱影像,通过模拟采集过程中产生的退化进行数据增强;经专家目视评估进行影像判读分级定标,将高光谱数据按比例分为训练集、验证集和测试集;利用TensorFlow框架建立卷积网络模型并进行模型微调与精度验证;最后结合模型评估指标与实验分类结果给出评价。实验结果表明：卷积神经网络影像质量分类评价取得了较好的效果,样本分类准确率达到99.06%,多类别平均分类精确度达到99.07%,Kappa系数为0.988 7。研究结果表明采用卷积神经网络对机载棉花高光谱影像质量评价有效可靠,可为机载高光谱农作物影像质量评价提供参考。     

近红外光谱技术在中药鉴别中的应用

采用近红外光谱技术对山茱萸果肉与果核进行快速鉴别研究.方法:对9批山茱萸果肉与果核样品进行近红外光谱测定,采用矢量归一化法处理数据,以山茱萸果肉样品建立一致性检验模型,设定CI(conformity index)值.结果:经矢量归一化后山茱萸果肉与果核光谱差别明显,以果肉样品建立一致性模型,设定的CI值为3.2.结论:本方法快捷、准确,无需样品前处理,可以作为山茱萸非药用部位的快速检测方法.为全面控制药材质量,建立中药质量控制新方法提供科学依据.     

基于短波近红外光谱盐酸氟桂利嗪粉末药品质量比的估算方法

基于短波近红外(SW-NIR)漫反射光谱,提出一种非破坏定量预测盐酸氟桂利嗪粉末药品质量比的新方法.以高效液相色谱法(HPLC)分析值为参考值,将遗传算法(GA)和神经网络相结合,建立盐酸氟桂利嗪粉末药品的光谱特性与质量比间的定量分析模型.应用GA自动构建神经网络拓扑结构,选择最优的网络参数和光谱波段;讨论不同光谱预处理方法对神经网络预报能力的影响,并对测试集样品质量比进行预测.结果表明,一阶导数数据预处理方法为最优预处理建模方法,其测试集的均方根误差RMSE=0.198 7%,相关系数R=0.986 3.     

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．     

基于近红外光谱的小麦粉湿面筋含量检测

本文应用近红外光谱法测定小麦粉中湿面筋含量.对小麦粉的近红外光谱图进行消除常数偏移量、多元散射校正、减去一条直线三种预处理方法,用偏最小二乘法建立小麦粉的近红外光谱图与湿面筋含量之间的关系模型,并预测小麦粉中湿面筋含量.实验结果显示减去一条直线预处理后的模型评价指标最优,模型的相关系数R2为934,模型交互验证后的均方差为051,预测结果的均方根误差为0456.实验结果表明,近红外光谱法能够用于小麦粉湿面筋含量的测定