基于FT-NIR光谱技术结合KPCA-MD-SVM对白酒基酒的快速判别

为保证在摘酒过程中基酒分段的准确,研究通过利用傅里叶变换近红外设备对整个摘酒过程中的基酒样品进行光谱采集,使用支持向量机（SVM）对最优预处理的基酒光谱建立基酒分段模型,其模型训练集的正确率为93.02%,测试集判别率为90.08%。为减少建模时间和提高模型的可靠性,使用核主成分分析（KPCA）对基酒光谱数据降维,并对此建立基酒分段模型。其训练集正确率为94.81%,测试集判别率为90.75%,相比无KPCA分析时的分段模型训练集高1.79%,测试集高0.67%。为进一步提高模型的判别能力,使用马氏距离（MD）剔除了降维后的异常数据样品,创建的基酒分段模型训练集对基酒段数的正确率为98.72%,测试集正确率为98.75%。剔除异常样品后的分段模型的训练集正确率提高了3.91%,测试集判别率提高了8%。以上研究表明了KPCA+MD+ SVM基酒分段模型能对基酒进行快速判别,为近红外光谱在自动化摘酒方面提供了一种理论可能。     

不同产地稻米的二维相关近红外光谱鉴别

为了实现针对不同产地稻米样品的无损判别，提出一种基于同步二维相关近红外光谱的欧氏距离判别方法。在分别得到5种稻米样品的标准二维相关谱后，通过计算测试集样品与各个标准相关谱的欧氏距离，根据最小距离原则进行归类判别，经实际测试正确率达到95%。通过定义区分度系数还可以更精确判断对各类别样品的区分效果。为了比较二维相关方法与常用建模方法的实际效果，在同样的数据基础上进行偏最小二乘判别分析和支持向量机分类的尝试，其最高正确率分别为75%和70%，验证了二维相关方法的有效性。本研究为无损鉴别稻米样品提供了一种新的可能方法，并可为在线检测提供参考。     

基于拉曼光谱和支持向量机的黄酒品质快速分析

本研究使用拉曼光谱分析技术采集不同产地和不同酒龄的黄酒样品指纹信息,对比判别分析(DA)和最小二乘支持向量机(LS-SVM)所建黄酒品质快速模型性能,确定最优模型以实现快速准确地评价黄酒品质。本研究在全波段范围利用主成分分析对拉曼光谱数据降维,计算降维谱图间马氏距离,基于ward’s算法建立判别分析模型;将全波段范围作为最小二乘支持向量机的输入量,选择出能较好处理非线性问题的RBF为核函数,同时采用交互验证方式优化RBF核函数参数,基于优化RBF核函数,建立最小二乘支持向量机鉴别模型。研究结果表明:拉曼光谱结合最小二乘支持向量机鉴别模型对黄酒产地和酒龄的鉴别正确率均为100%;拉曼光谱结合判别分析鉴别模型对嘉善、绍兴和上海黄酒的鉴别正确率分别为100%、80%和80%,对黄酒酒龄的鉴别正确率均为100%;最小二乘支持向量机模型性能优于判别分析模型。拉曼光谱结合化学计量学方法可快速、准确评价黄酒品质。     

小麦霉菌污染支持向量机判别模型的建立

为建立一种快速判别小麦霉菌污染的方法,该研究采用近红外光谱技术结合化学计量学方法,以126份小麦样品为研究对象,通过剔除异常样品、光谱降维和预处理,采用支持向量机分类（support vector machine classification,SVM）方法建立判别模型。结果表明：运用基于马氏距离的主成分分析方法剔除异常样品5个,将原始光谱数据进行降维处理得到8个主成分,能够代表原始样本的98.80%。输入变量的最佳预处理方式为标准正态变量变换,最佳核函数为linear,核函数参数C值为10,SVM判别模型的训练集判别正确率为100%,交叉验证判别正确率为98.89%。用未参与建立判别模型的外部验证集样品对SVM判别模型进行验证,结果表明：SVM判别模型对外部验证集样品的判别正确率为100%。该研究所建立的SVM判别模型可以用于小麦霉菌污染的快速检测。     

基于异常样品剔除的酒醅近红外定量分析模型的精度提升

目的 利用异常识别算法识别出原数据集中存在的奇异点,以建立预测精度更高的酒醅定量分析模型。方法 在研究中采用集群分析思维,利用马氏距离、主成分马氏距离、蒙特卡罗交叉验证法对108个样本进行异常样品识别以及剔除,以光谱-理化值共生距离算法进行样品集的划分,划分比例为3:1。结果 酒醅水分近红外定量分析模型经马氏距离处理后预测精度达到最高,预测相关系数上升了0.43%,预测均方根误差下降了6.94%;酒醅酸度近红外定量分析模型经马氏距离处理后精度达到最高,预测相关系数上升了0.02%,预测均方根误差下降了0.20%;酒醅还原糖近红外定量分析模型经蒙特卡罗处理后,预测相关系数上升了8.74%,预测均方根误差下降了42.14%;酒醅淀粉近红外定量分析模型经蒙特卡罗处理后精度达到最高,预测相关系数上升了2.81%,预测均方根误差下降了57.80%。结论 经过验证,剔除异常样品可建立出预测精度更高的酒醅定量分析模型。     

基于GC-IMS的白酒特征分析及鉴别

探讨一种在未对挥发组分定性、定量的条件下,实现白酒准确鉴别的简便方法。选用两种香型共10种白酒,每种白酒取2个勾调批次的样品。直接原样顶空制样,通过气相色谱-离子迁移谱法(GC-IMS)分析,获得可视化的指纹图谱,并进一步提取白酒主要特征建立Fisher线性判别模型。从白酒样品中共检出134种挥发组分。指纹图谱可直观反映白酒样品中微量挥发组分的含量差异和勾调的批次稳定性。在未完全剖析和定量所有组分前提下,采用逐步回归分析分别对基于全部134种挥发组分、相关性分析选择的39种特征组分以及主成分分析提取的6个主成分建立的3个Fisher线性判别模型进行优化。优化后的相关性分析模型(优化为21种组分特征)和主成分分析模型对训练集的分类正确率和留一法交叉验证分类正确率均为100%,对测试集样品的判别正确率均为95%。由全部特征经逐步回归分析优化的模型,共提取24个组分特征,建立的Fisher线性判别模型效果最优。其对训练集分类正确率为100%,留一法交叉验证分类正确率为100%,对测试集酒样预测正确率达100%。GC-IMS方法可为白酒生产过程中的质量控制、市场监管及白酒原产地保护提供技术支持...     

基于近红外光谱和化学计量学的李果实成熟度鉴别方法研究

采收成熟度是影响李果实贮藏质量的重要因素,为实现快速无损判别李果实的成熟度,本文根据开花后发育时间的不同,将163个李果实样品分为早期(n=53)、中期(n=55)和晚期(n=55)三个成熟度,利用近红外光谱分析技术,对不同成熟度的李果实进行了分类。通过对马氏距离判别法、簇类独立软模式分类法、最小二乘-支持向量机的分类模型结果进行比较,发现原始光谱前20个主成分得分作为输入时的马氏距离判别法模型结果最优,校正集和预测集判别正确率分别为96.33%和96.30%。对不同成熟度样品的可溶性固形物、可滴定酸及坚实度进行单因素方差分析发现,各指标均存在显著差异,坚实度差异最大。提取品质指标数据的主成分发现,其聚类趋势与光谱主成分聚类趋势相似。结果表明,使用近红外光谱技术结合化学计量学方法对李果实成熟度进行鉴别是有效的、可行的,且其品质指标含量的差异可作为近红外光谱分类结果的理化验证。     

短波近红外光谱结合ν-SVM法快速无损鉴别淀粉种类

选用不同厂家的红薯淀粉、马铃薯淀粉和玉米淀粉共112个样品,利用短波近红外光谱技术对淀粉种类进行鉴别。分别采用马氏距离判别法、C-支持向量机(C-SVM)、ν-支持向量机(ν-SVM)建立淀粉种类鉴别的短波近红外光谱模型;并对比多元散射矫正、平滑、一阶微分、二阶微分等多种预处理方法后的建模结果。结果表明:同时使用平滑、多元散射矫正、一阶微分3种预处理方法后,ν-SVM分类模型的效果最佳;训练集交叉验证正确率为100%,测试集正确率也达到100%。该模型快速准确无损的鉴别淀粉种类是可行的。     

近红外光谱技术定性鉴别蜂蜜品种及真伪的研究

提出了蜂蜜品种及真伪定性鉴别的新方法。在12000～4000cm-1范采集荆条蜜、槐花蜜、油菜蜜和掺假蜜的近红外光谱,结合一阶导、多元散射校正及变量标准化)三种方法对光谱进行预处理,以主成分分析结合马氏距离判别法,在不同谱区建立蜂蜜品种及真伪定性鉴别模型。研究发现6100～5700cm-1谱区为最佳建模波段,品种判别正确率达90%以上,真伪鉴别正确率为93.10%。     

基于二维相关近红外光谱的老陈醋醋龄鉴别

采用二维相关近红外光谱技术与判别分析(DA)方法相结合鉴别不同醋龄的老陈醋样品。选取5个醋龄共100个老陈醋样品,在室温下采集所有样品的一维近红外光谱。以醋龄作为外扰因素,构建各样品在1 001～1 830 nm波段范围的二维相关同步谱和异步谱,分析其二维相关谱图的光谱特征。基于二维相关同步谱的对角线数据(即自相关谱),建立不同醋龄老陈醋样品的判别分析模型,模型校正集的识别准确率为97.3%,预测集识别准确率为96%。研究结果表明,所提出的方法可提供随醋龄变化的更多光谱特征信息,为老陈醋醋龄快速鉴别提供一种精度高的分类模型。     

近红外光谱结合气相色谱对浓香型白酒基酒定性鉴别分析

以52个来自四川不同产区浓香型基酒为研究对象,采用光栅型近红外光谱仪采集样品近红外光谱,结合气相色谱-火焰离子化检测器（GC-FID）对酒样中挥发性组分进行检测。利用红外光谱分析软件-Bruker OPUS建立近红外光谱合格性测试模型,并对样品挥发性风味成分进行层次聚类分析（HCA）及主成分分析（PCA）。结果表明,样品中共检测出挥发性物质31种,包括醇类9种、醛类3种、酸类8种和酯类11种。HCA和PCA结果显示,对46个建模酒样分类结果一致,对验证样鉴别效果好且可与近红外合格性测试模型相互验证,说明该鉴别模型准确有效。酯类、酸类和醇类物质是造成样品近红外光谱差异性的重要原因,这一结论可为近红外光谱实现浓香型基酒快速分类鉴别提供科学依据。     

基于近红外光谱技术检测白酒基酒中乙醇含量的研究

为了快速测定白酒基酒中的乙醇含量,采用近红外光谱（NIRS）技术结合偏最小二乘法（PLS）处理白酒基酒近红外图谱,建 立白酒基酒中乙醇的定量分析模型。 结果表明：最佳预处理方法为减去一条直线法,最优波段谱为7 502～5 450 cm-1,主成分数为7。 校正集样品的化学值与预测值的决定系数（R2）为0.923 3,交互验证均方根误差（RMSECV）为0.89;对模型进行检验,得到验证集的 决定系数（R2）为0.954 8,预测均方根误差（RMSEP）为1.21。 结果显示近红外检测方法快速有效,所建模型具有很好的预测效果,模型 的精密度和稳定性良好。     

基于低场核磁共振的白酒品牌判别分析

为探求一种白酒品牌判别的方法,基于低场核磁共振（LF-NMR）技术,综合运用主成分分析（PCA）、偏最小二乘法-判别分析（PLS-DA）、反向传播人工神经网络（BP-ANN）方法对6种浓香型白酒品牌共300个样本进行模式识别分析,解析了对不同品牌浓香型白酒进行判别的可行性。结果表明,运用PCA方法对样品进行识别,无法区分白酒品牌;运用PLS-DA的方法对白酒样品进行识别,训练集的识别率约为99.5%,预测集识别率约为96.7%;运用BP-ANN的方法对白酒样品进行识别,训练集识别率约为99.5%,预测集识别率约为98.9%。结果表明,PLS-DA方法和BP-ANN方法对浓香型白酒样品的区分成功,表示将低场核磁共振方法应用到浓香型白酒的品牌判别中是可行有效的。     

利用可见/近红外光谱技术对小米产地进行溯源研究

目的利用可见/近红外光谱技术对产自不同地区的晋谷21号小米进行溯源研究。方法使用近红外光谱仪获取产自洪洞、浮山、沁县3个不同地区的晋谷21号小米400~1004nm波段范围内的漫反射光谱;对光谱分别进行多元散射校正法(multiple scattering correction,MSC)、一阶导数法(first derivative,1St-D)预处理;对预处理光谱进行主成分分析,全交叉验证确定最佳主成分数量,获取主成分;同时选择预处理光谱特征波长。使用马氏距离法、线性判别法建立判别模型,最后用未知样品的验证准确率来表示模型的判别效果。结果原始光谱和MSC处理光谱提取特征波长分别建立的产地判别模型对3个不同产地的小米判别完全准确;1St-D处理光谱基于7个主成分结合马氏距离法和基于9个主成分结合线性判别法建立的2种判别模型对3个不同产地的小米亦实现完全准确判别。结论可见/近红外反射光谱技术用于小米产地的判别具有可行性,本研究可为小米产地的快速判别应用中提供技术基础。     

基于电子舌技术的浓香型白酒基酒年份分类方法

为实现不同年份的浓香型白酒基酒的快速区分和识别,该研究以5个不同年份浓香型白酒基酒为研究对象,利用电子舌对样品进行判别分析,并采用主成分分析（PCA）、线性判别分析（LDA）对白酒的年份进行分类,将得到的模型分别通过簇状独立软模式法（SMICA）、判别因子分析（DFA）对白酒的年份进行识别和验证。研究表明,SMICA分析的结果能够准确的识别导入的样品数据是否是模型以内和模型之外的年份基酒,而DFA分析可以准确的对导入的白酒样品的年份进行识别,确定其白酒样品的年份。综上所述,利用电子舌结合化学计量学,可以快速、准确、稳定的对白酒基酒年份进行分类和识别,可为白酒掺假问题提供理论支撑,并促进白酒产业和白酒分析技术的快速发展。     

基于近红外光谱的大豆水分和粗脂肪含量的快速检测

基于近红外光谱技术快速检测大豆中水分和粗脂肪含量。方法 首先采集350-2500 nm光谱范围的大豆近红外光谱,采用光谱-理化值共生距离（SPXY）算法将大豆样本划分为校正集样本与测试集样本,然后对原始光谱分别采用多元散射校正(MSC)、标准正态变量交换(SNV)、归一化（Nor）等9种方法进行预处理,最后使用偏最小二乘回归(PLSR)分析方法建立模型对样本进行定量分析。结果 原始光谱经过多元散射校正后建立的偏最小二乘回归模型对水分的预测精度最高,其校正集和测试集的相关系数分别为0.8964和0.9055 , 均方根误差分别为0.4211和0.5933;原始光谱经过归一化处理后建立的偏最小二乘回归模型对粗脂肪的预测精度最高,其校正集和测试集的相关系数分别为0.9084和0.9295 , 均方根误差分别为0.6897和0.6462。结论 近红外光谱（NIRS）结合预处理及偏最小二乘回归法,可以快速、准确的检测大豆水分和粗脂肪含量。     

两种酱香型白酒轮次基酒及成品酒的三维荧光光谱研究

以茅台镇两家高知名度品牌公司轮次基酒和成品酒为研究对象,测定其三维荧光光谱。结果表明,不同轮次酱香型白酒和成品酒的三维荧光光谱的主荧光峰个数、波峰位置、最佳激发波长3个参数有着各异的表征,而同一种轮次白酒的三维荧光光谱的3个参数十分相近。成品酒主荧光峰位于波长430 nm附近,最佳激发波长在350 nm左右,其余荧光峰的位置基本一致,荧光强度位于同一个数量级;1～7轮次基酒的主荧光峰位于350～450 nm之间,最佳激发波长在300～350 nm之间,轮次基酒的荧光强度位于同一个数量级,同一轮次基酒的峰型具有相似性。研究结果可以准确地区分酱香型白酒的基酒轮次及成品酒,为白酒的品质检测提供了辅助途径。     

利用光密度法对掺假豆浆的定性判别研究

蛋白质含量是豆浆品质评价的主要指标,实验运用近红外光谱技术获得83 个真伪豆浆的光谱,并对光谱图和光密度值进行统计分析,研究以蛋白质为主要定性指标的豆浆品质等级划分的可行性,建立豆浆品质定性判别的标准。结果显示：在波长742.59～810.96 nm范围内,随着豆浆样品蛋白质含量的升高,吸收光谱峰值变化越大。实验选取OD810.96 nm与OD742.59 nm做光密度差值分布图,根据83 个校正集样品的光密度差值分布图,确定豆浆两级判别的检测标准为：ΔOD742.59～810.96 nm大于0.062 9时,豆浆为不合格豆浆;ΔOD742.59～810.96 nm小于或等于0.062 9时,豆浆为合格豆浆。根据该判别标准对37 个预测集样品进行判别,17 个不合格豆浆全部被判别,正确判别率100%,20 个合格豆浆中有2 个被误判成不合格,误判率10%,预测结果准确率较高。实验应用光密度法进行豆浆品质的评价是可行的,方法简明、结果可靠,可为豆浆品质快速检测技术的应用提供一种参考方法。     

Determination of 10‐Hydroxy‐2‐Decenoic Acid of Royal Jelly Using Near‐Infrared Spectroscopy Combined with Chemometrics

A rapid quantitative analysis model for determining the hydroxy‐2‐decenoic acid (10‐HDA) content of royal jelly based on near‐infrared spectroscopy combining with PLS has been developed. Firstly, near‐infrared spectra of 232 royal jelly samples with different 10‐HDA concentrations (0.35% to 2.44%) were be collected. Second‐order derivative processing of the spectra was carried out to construct a full‐spectrum PLS model. Secondly, GA‐PLS, CARS‐PLS, and Si‐PLS were used to select characteristic wavelengths from the second‐order derivative spectrum to construct a PLS calibration model. Finally, 58 samples were used to select the best predictive model for 10‐HDA content. The result show that the PLS model constructed after wavelength selection was significantly more accurate than the full spectrum model. The Si‐PLS algorithm performed best and the corresponding characteristic wavelength range were: 980 to 1038, 1220 to 1278, 1340 to 1398, and 1688 to 1746 nm. The prediction results were RMSEP = 0.1496% and R_P = 0.9380. Hence, it is feasible to employ near‐infrared spectra to analyze 10‐HDA in royal jelly.