制浆材综纤维素和聚戊糖含量的近红外预测

用传统方法测定了156个制浆材样品的综纤维素和聚戊糖含量并采集了样品的近红外光谱。对原始光谱进行多元散射校正后,运用偏最小二乘法和交互验证的方法,确定最佳主成分数分别为9和10并建立样品综纤维素和聚戊糖含量的校正模型。独立验证中两个模型的决定系数R_(val)~2分别为0.903 4、0.940 1,预测均方根误差(RMSEP)分别为0.69%、0.78%,相对分析误差(RPD)值分别为3.22、4.09,绝对偏差(AD)分别为-1.00%~1.20%、-1.39%~1.31%,两个校正模型较好地预测了验证集样品的综纤维素和聚戊糖含量,基本满足制浆造纸工业中快速测定的需求。     

PCR和PLSR在煤质全水分检测中的比较研究

为了快速、无损的检测出煤质内部的全水分含量，研究采集了200个焦煤样品的近红外光谱，采用马氏距离和学生式残差相结合的方法剔除了异常样品，并对其进行了一阶微分、二阶微分、15点平滑、多元散射校正(MSC)和标准归一化处理(SNV)光谱预处理，采用主成分回归(PCR)和偏最小二乘回归(PLSR)对煤样进行建模分析。试验结果表明：经SNV预处理后的PCR模型最佳，校正集和交叉验证集相关系数分别为0.903和0.874,均方根误差分别为0.089和0.132;经15点平滑处理后的PLSR模型最佳，校正集和交叉验证集相关系数分别为0.974和0.887,均方根误差分别为0.038和0.043。PLSR模型相比PCR模型更具有代表性，模型稳定性和预测能力更强。     

近红外光谱法测定HMX中α-HMX杂质晶型的含量

为了快速检测HMX中杂质晶型α-HMX的含量,在制备建模样品的基础上,利用近红外光谱技术,采用偏最小二乘法建立了HMX光谱与其α-HMX杂质晶型含量的计算模型。讨论了建模样品的代表性、模型光谱范围的选择及模型的优化过程。结果表明,模型具有广泛代表性,最佳光谱范围为6 476~6 446cm-1和4 602~4 424cm-1,交互验证决定系数(R2)为0.996,参考值交互验证残差均方根(RMSECV)为0.20%;外部验证的残差均方根(RMSEP)为0.27%;该法误差均小于0.13%,标准偏差为0.1%;近红外光谱法操作简单、快速、无损、绿色环保,可用于HMX中α-HMX杂质晶型含量的检测。     

煤中全水分及灰分的近红外测试方法研究

为了快速、无损检测煤质中的全水分和灰分,采集了120个精煤样品的近红外漫反射光谱,对微分光谱进行分析,利用偏最小二乘回归(PLSR)算法结合不同光谱预处理方法建立基于马氏距离剔除异常样品后的定量数学模型,分析预测值与真实值的相关性,并对最优预处理下的模型残差进行讨论。结果表明:经过多元散射校正处理后建立的全水分模型效果最优,相关系数达到0.982 12,校正集均方根误差为0.013,预测集均方根误差为0.017。经过5点平滑预处理后建立的灰分模型效果最佳,相关系数达到0.947 47,校正集均方根误差为0.058,预测集均方根误差为0.052,2项指标的残差波动均匀,模型的稳定性和预测能力较强。     

人造革基布纤维含量近红外光谱法专属定量分析模型的建立

研究了近红外光谱法在人造革基布纤维含量定量分析中的应用。通过分析样品近红外光谱的主成分,选择校正和验证样品集,选用偏最小二乘法(PLS),建立人造革基布纤维含量专属定量分析模型。结果表明:在9 017.5~4 396.9 cm~(-1)的波数范围内,选用9个主成分数建立了专属定量分析模型,模型的校正均方根误差(RMSEC)为0.678、相关系数(R_c~2)为0.999 5;预测均方根误差(RMSEP)为0.705、相关系数(R_v~2)为0.998 9,残差范围为-1.5~1.4;专属定量分析模型具有较好的预测准确性和方法重复性,可实现人造革基布纤维含量的快速测定。     

单基发射药中钝感剂组分含量的快速检测方法

为解决传统分析方法测定单基发射药中钝感剂(樟脑)含量存在时间长、工作量大等问题,建立了一种采用近红外光谱法快速测定单基发射药中钝感剂(樟脑)组分含量的新方法;通过对比单基发射药药粒样品及钝感剂光谱图特点,确定了钝感剂组分最佳建模光谱范围为8 300~8 510cm~(-1);并对样品光谱图进行了预处理,对比了多个不同光谱预处理方法的效果,确定出最佳光谱预处理方法是多元散射校正(MSC)+一阶导数的组合;采用偏最小二乘法建立了钝感剂的近红外模型,并对模型的预测能力进行了验证。结果表明,钝感剂的模型校正相关系数(R_c~2)和验证相关系数(R_p~2)分别为0.972 3和0.973 5,验证的校正标准偏差(RMSEC)和交互验证的校正标准偏差(RMSECV)分别为0.163 6和0.150 8;预测均方根误差(RMSEP)为0.182 7,验证集标准偏差与预测标准偏差的比值(RPD)为6.87;将该模型应用到单基发射药中樟脑含量的检测,可使预测值极差和标准偏差均低于0.2%,表明该方法能实现单基发射药中钝感剂组分含量的快速检测。     

近红外透射光谱法测定黄芪提取液中总皂苷含量

应用傅立叶变换近红外光谱仪透射光谱技术对黄芪提取液中总皂苷含量进行检测分析,采用主成分分析(PCA)和偏最小二乘回归法(PLS)建立了黄芪提取液中皂苷类物质含量近红外数学校正集模型,其相关系数R为0.99943、校正集标准偏差(RMSEC)为 0.544、预测集标准偏差(RMSEP)为0.567.用建立的数学校正集模型检测未知样品的含量,预测标准偏差(RMSEP)为0.576.该方法快速、准确、无损,适于中药活性成分的快速检测分析.     

基于DMD哈达玛变换近红外光谱仪的汽油辛烷值检测

应用近红外光谱分析检测技术建立一种汽油研究法辛烷值的快速定量分析方法。收集来自不同地区共100个汽油样品,应用化学计量学方法建立近红外光谱原始数据信息与研究法辛烷值之间的定量分析模型,结果表明:对原始光谱进行归一化处理后,采用偏最小二乘回归建立数学模型,其校正集与预测集相关系数分别为0.9300和0.9322,校正集均方根误差与预测集均方根误差分别为0.6700和0.6577,表明模型准确可靠,可应用于汽油辛烷值的快速检测。     

近红外光谱法测定异氰酸酯树脂中游离甲苯二异氰酸酯(TDI)

建立使用近红外光谱(NIR)技术研究快速测定异氰酸酯树脂中游离甲苯二异氰酸酯(TDI)方法。收集异氰酸酯树脂样品,使用气相色谱法(GC/FID)测定游离TDI含量,并采集其近红外光谱,采用偏最小二乘法(PLS)建立NIR光谱与游离TDI含量的线性关系。在建模过程中,以均值中心化数据增强、Norris平滑和二阶导数算法对光谱数据进行预处理,主因子数为4,定量分析波段为5700~5743cm~(-1)、5764~5805cm~(-1)、5843~5898和5921~5978cm~(-1)。模型RMSEC、RMSEP和RMSECV分别为0.0448%、0.0472%和0.0485%;校正集、验证集和交叉验证集的相关系数R2分别为0.9696、0.9720和0.9643。该模型预测效果良好,方法简便、快速、准确,适用于异氰酸酯树脂中游离TDI含量的快速检测。     

近红外光谱技术快速测定手洗餐具洗涤剂中总活性物

文章研究了近红外光谱技术在手洗餐具洗涤剂中总活性物含量的检测应用.以国标化学法检测值为参照,采用近红外光谱技术采集了手洗餐具洗涤剂近红外光谱图,通过一阶导数对谱图进行优化,结合偏最小二乘法(PLS)建立了总活性物含量的定量校正模型,模型交叉检验均方根误差(RMSEVC)为0.101,残差预测偏差(RPD)为4.7,模型...     

中红外光谱结合PLS定量检测柴油掺假

目的：建立一种中红外光谱结合偏最小二乘法(PLS)对柴油中大豆油含量的定量分析方法。方法：首先，配制39组不同含量的柴油掺假大豆油样品并采集中红外光谱，探究不同的预处理方法对PLS校正模型的影响；其次，采用区间偏最小二乘法(IPLS)、协同区间偏最小二乘法(SIPLS)、后向区间偏最小二乘法(BIPLS)分别对SNV预处理后的光谱进行特征变量提取，并采用留一法交叉验证进行优化；最后，基于最优预处理方法(SNV)、特征变量提取方法(SIPLS)构建最优PLS校正模型，与原始光谱校正模型进行对比。结果：采用SNV-SIPLS-PLS的校正模型预测能力远超原始模型，其决定系数(R_P²)从0.6908上升为0.9444，均方根误差(RMSE_P)从0.3400降至0.1400。结论：中红外光谱技术结合协同区间偏最小二乘法是一种快速准确检测柴油掺假的分析方法。     

近红外光谱技术在中药栀子渗漉液理化指标快速分析中的应用研究

用声光可调滤光器(AOTF)-近红外(NIR)光谱法在线分析栀子渗漉液密度及栀子苷含量。在线收集栀子渗漉液样品,建立栀子渗漉液的含量、比重数据库,同时采集近红外光谱图谱,用偏最小二乘(PLS1)法分别建立NIR光谱与含量、比重数据之间的校正模型,并对在线过程中收集的预测集样品进行含量预测来验证所建模型。结果表明,渗漉液NIR光谱与含量、比重数据之间的校正模型相关系数R2分别为0.956 0和0.978 2,外部样品预测平均相对偏差分别为0.09%,2.84%;该方法精密度RSD分别为0.06%,2.96%;稳定性RSD分别为0.63%,1.89%;预测回收率分别为100.0%,99.9%。近红外光谱技术在栀子渗漉液密度及淫羊藿苷含量分析中具有快速、直接、多成分同时测定,并能实现现场分析。     

近红外光谱法快速测定高含量精制甘油中的甘油含量

采用偏最小二乘法(PLS)建立了快速测定高含量精制甘油中甘油含量的近红外光谱校正模型,该模型主因子数为4,相关系数(R2)为99.12%,校正标准偏差(RMSECV)为0.027;以预测集对模型进行验证,结果表明,R2为99.17%,预测标准偏差(RMSEP)为0.023,对同一样品预测值的相对标准偏差(RSD)为0.04%。     

运用近红外光谱分析煤质硫含量

为了研究煤质的硫含量,采集了120个煤粉样品的近红外漫反射光谱,建立了偏最小二乘回归结合不同光谱预处理方法的定量数学模型,并与工业检测结果进行对比。结果表明:采用5点平滑处理后的模型效果最佳,相关系数达到0.89695,校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别为0.0406和0.0423,结果表明模型具有较高的相关性、稳定性和预测能力。     

近红外光谱技术结合支持向量回归法测定烯草酮的含量

采用近红外光谱(NIR)技术结合支持向量回归法(SVR)建立了烯草酮乳油的定量分析方法。通过添加烯草酮原药、烯草酮助剂到二甲苯溶剂来配制不同浓度的校正集,采用SVR法建立了烯草酮的定量分析模型,模型的决定系数(R2)、校正集均方根误差(RMSEC)、检验集均方根误差(RMSEV)、预测集均方根误差(RMSEP)分别为1.0000、0.0260、0.0569和0.0550。结果表明,近红外光谱技术结合支持向量回归法可以准确地定量分析乳油中烯草酮的含量,方法简单、快捷,在农药质量检测中具有实际应用价值。     

近红外光谱法快速同时测定烟用香精中常用溶剂含量

基于近红外光谱技术建立了烟用香精中水、乙醇、1,2-丙二醇、丙三醇4种组分含量的预测模型，并对模型进行了验证和评价。结果表明，所建预测模型可同时快速对样品中的水、乙醇、1,2-丙二醇、丙三醇含量进行预测，采用Savitzky-Golay滤波平滑+一阶导数光谱预处理，模型的校正集相关系数（R2）均大于0.985，校正均方根误差（RMSEC）分别为0.884、0.644、1.720、0.849。将模型的预测值与气相色谱-热导检测器（GC-TCD）法测定结果相比较，二者结果无显著性差异（P>0.05），利用预测值建立了质量控制模型，当显著水平为5%条件下，该模型对异常样品和正常样品的正确判别率均为100%。可见，近红外光谱技术能对烟用香精常用溶剂进行无损、快速、高效的同时分析，并可用于烟用香精生产与应用过程中的质量监测。     

近红外漫反射光谱法快速测定混合炸药中HMX的含量

建立了近红外漫反射光谱快速测定混合炸药中HMX含量的新方法。以不同谱图预处理方法与扫描谱区各波段的组合建立了HMX的定量校正模型,并通过模型内部交互验证和外部检验确定最优模型的交互验证相关系数R为0.9709,交叉验证均方根误差RMSECV为0.551%,预测标准偏差SEP为0.294%,表明所建模型具有较好的可靠性和稳健性。     

近红外光谱法快速测定TDI固化剂中游离-NCO含量

借助于近红外光谱分析技术,采用化学计量学的方法,以偏最小二乘法(PLS)为模型算法,建立了快速测定TDI固化剂中游离-NCO含量的定量分析模型。模型相关性方程为Y=0. 9997X+0. 0037,相关系数R2为0. 9997,交叉验证均方差RMSECV为0. 0846,校正均方差RMSEC为0. 2909,属性残差Property Residual绝对值小于0. 1,光谱残差Spectral Residual小于0. 00015,模型性能良好。采用验证集样品进行模型验证,平均预测回收率为100. 02%,实现了TDI固化剂中-NCO含量的简便、快速、准确分析。     

近红外光谱技术快速测定黄连女贞子提取过程中2种成分含量

目的:建立一种用近红外光谱技术快速测定女贞子黄连提取过程指标成分含量的方法。方法:运用偏最小二乘法结合多种光谱预处理方法及波长选择方法建立近红外光谱与女贞子黄连提取液指标成分(盐酸小檗碱、盐酸巴马汀)含量之间校正模型,通过交互检验标准偏、校正标准偏差、决定系数和主因子数优选校正模型,并对未知样本进行预测分析。结果:一提液中盐酸小檗碱、盐酸巴马汀的校正模型相关系数分别为99.46、98.30,二提液中三盐酸小檗碱、盐酸巴马汀的校正模型相关系数分别为99.16、97.86。验证集的预测值与真实值含量接近。结论:该方法操作简便、快速无损、准确可靠,可用于女贞子黄连提取过程指标成分含量的快速监测。     

近红外光谱法检测氨纶中残存DMAC溶剂含量

以丙酮为溶剂,将氨纶中的残存溶剂N,N'-二甲基乙酰胺(DMAC)进行超声萃取,采用近红外光谱技术,结合偏最小二乘法,建立DMAC定量校正模型,测定氨纶中残存DMAC溶剂含量。结果表明:采用交叉验证得到了DMAC质量分数的线性范围为0~1.79%,1.79%~9.44%,模型的相关系数(R~2)分别为0.999 96,0.999 64,校正集的交叉验证均方根误差分别为0.004 11,0.041 34,预测集的均方根误差分别为0.003 95,0.032 30,方法的加标回收率为86.58%~100.87%,相对标准偏差为0.25%~0.95%。