近红外光谱结合PLS-DA划分烟叶等级

为了对烟叶等级进行快速分类,采用云南曲靖地区150个烟草样品近红外光谱,结合偏最小二乘判别分析(PLS-DA),建立了烟叶等级分类模型,并对60个预测集样品进行了等级分类预测.结果表明:①训练集和预测集的预测正确率分别为100.0％(150/150)和96.7％(58/60).②PLS-DA对烟叶等级具有良好的分类效果.该模型为烟叶等级分类提供了一种新的快速鉴别分析的方法.     

近红外技术对不同动物来源肉掺假的检测

采用近红外光谱结合主成分分析法(PCA)、判别分析法,分别建立了牛肉和羊肉中掺杂其它动物肉的定性鉴别模型,根据鉴别准确率评价模型的预测性能。采用近红外光谱结合PCA、偏最小二乘法(PLS),建立了掺假物的定量检测模型,根据模型对预测集样品的预测均方差(RMSEP)以及预测值与实测值间的相关系数(r)验证模型的预测能力。结果,牛肉掺猪肉模型对训练集和预测集的鉴别准确率分别为97.86%和91.23%,羊肉掺猪肉模型对训练集和预测集的鉴别准确率分别为98.28%和92.98%,羊肉掺鸭肉模型对训练集和预测集的鉴别准确率分别为99.59%和93.97%,羊肉掺假模型对训练集和预测集的鉴别准确率分别为97.57%和90.76%。牛肉掺假定量模型对训练集的交互验证均方差(RMSECV)和预测集的RMSEP分别为3.87%和4.13%,r分别为0.9505和0.9134;羊肉掺假定量模型对训练集的RMSECV和预测集的RMSEP分别为4.48%和4.86%,r分别为0.9306和0.9082。表明近红外技术结合一定的化学计量学方法可实现不同动物来源肉掺假的鉴别,且能够对掺假物进行定量检测。     

近红外技术对不同动物来源肉掺假的检测

采用近红外光谱结合主成分分析法(PCA)、判别分析法,分别建立了牛肉和羊肉中掺杂其它动物肉的定性鉴别模型,根据鉴别准确率评价模型的预测性能。采用近红外光谱结合PCA、偏最小二乘法(PLS),建立了掺假物的定量检测模型,根据模型对预测集样品的预测均方差(RMSEP)以及预测值与实测值间的相关系数(r)验证模型的预测能力。结果,牛肉掺猪肉模型对训练集和预测集的鉴别准确率分别为97.86%和91.23%,羊肉掺猪肉模型对训练集和预测集的鉴别准确率分别为98.28%和92.98%,羊肉掺鸭肉模型对训练集和预测集的鉴别准确率分别为99.59%和93.97%,羊肉掺假模型对训练集和预测集的鉴别准确率分别为97.57%和90.76%。牛肉掺假定量模型对训练集的交互验证均方差(RMSECV)和预测集的RMSEP分别为3.87%和4.13%,r分别为0.9505和0.9134;羊肉掺假定量模型对训练集的RMSECV和预测集的RMSEP分别为4.48%和4.86%,r分别为0.9306和0.9082。表明近红外技术结合一定的化学计量学方法可实现不同动物来源肉掺假的鉴别,且能够对掺假物进行定量检测。      

马铃薯主要营养成分的近红外光谱分析

以44个品系马铃薯为原料,利用主成分分析（PCA）方法筛选出代表马铃薯块茎主要营养成分指标（水分、还原糖、淀粉和蛋白质）,应用偏最小二乘法（PLS）建立这4种营养成分的预测模型,并对模型预测结果进行了评价。结果表明,马铃薯主要营养成分的模型预测与其相应的化学测量值之间具有较好的相关性,对于水分模型,校正效果:R_cal²=98.37%,RMSEE=0.445,RPD=7.84;交叉验证效果:R_cv²=93.05%,RMSECV=0.84,RPD=3.79。还原糖模型校正模型效果:R_cal²=98.43%,RMSEE=0.0236,RPD=7.99;交叉验证效果:R_cv²=86.42%,RMSECV=0.0598,RPD=2.71。淀粉模型校正模型效果:R_cal²=97.13%,RMSEE=0.577,RPD=5.9;交叉验证效果:R_cv²=95.370%,RMSECV=0.7,RPD=4.65。蛋白质模型校正模型效果:R_cal²=98.41%,RMSEE=0.0334,RPD=7.92;交叉验证效果:R_cv²=89.49%,RMSECV=0.0767,RPD=3.08。     

近红外光谱法快速鉴别转基因大豆模型优化

目的应用近红外光谱(NIR)结合偏最小二乘判别分析(PLS-DA)建立转基因大豆的快速鉴别模型,并选择最优模型。方法主成分分析(PCA)用于从光谱数据中提取相关特征并剔除异常样品。在试验中,94份样品用于构建模型,41份样品用作验证评估模型的效果。分别讨论样品形态(整粒和粉末)、波长范围和光谱预处理方法对所建模型判别正确率的影响。结果粉末状大豆样品建模的效果好于整粒大豆样品。其中判定效果最好的模型,整粒大豆在9 403～5 438 cm~(-1)范围内,采用二阶导数(2nd)处理光谱,模型的校正集和验证集的判定正确率均为100.00%;粉末状大豆在7 505～4 597 cm~(-1)范围内,采用矢量归一化+一阶导数(SNV+1st)处理光谱,模型的校正集和验证集的判定正确率也均为100.00%。结论通过选择样品形态、波长范围和光谱预处理方法可以优化鉴别模型,提高近红外判别模型的鉴别正确率。     

基于近红外光谱的大米蛋白质含量快速检测

针对国标化学检测方法耗时耗力、成本昂贵的问题,分析了近红外光谱（NIRS）结合化学计量学进行大米蛋白质含量检测的可行性。基于变量选择、特征提取和非线性建模的策略,将反向区间偏最小二乘（BiPLS）与主成分分析（PCA）和支持向量机（SVM）相结合,构建了BiPLS-PCA-SVM模型,用于提高蛋白质回归模型的性能。在BiPLS-PCA-SVM模型中,将蒙特卡罗交叉验证与预测残差平方和相结合进行最佳主成分个数的选择,通过遗传模拟退火算法对模型参数进行优化。为了评估BiPLS-PCA-SVM模型的性能,建立了Full-PLS、BiPLS和BiPLS-SVM 3种模型,并系统分析了上述模型的预测精度和鲁棒性。BiPLS-PCA-SVM模型在预测蛋白质含量方面显示的性能高于其他模型,使用最佳主成分和优化后的SVM参数建立的模型具有更高的鲁棒性和准确性。对于BiPLS-PCA-SVM模型,验证集的决定系数、均方根误差和剩余预测偏差分别为0.928 9、0.196 7%和4.024 6。结果表明,NIRS与BIPLS-PCA-SVM模型相结合,可作为替代策略实现大米中蛋白质含量的快速检测。     

基于近红外光谱和LSSVM方法的转基因大米鉴别研究

采用近红外漫反射光谱结合主成分分析(principal component analysis,PCA)和最小二乘支持向量机(least squares support vector machine,LSSVM)研究转基因大米的鉴别方法。采用PCA方法分析大米样品光谱空间分布;不同的光谱预处理方法:5点平滑、多元散射校正(multiplicative scatter correction,MSC)和标准正态变量变换(standard normal variate transformation,SNV)结合LSSVM用于定性判别模型的建立和优化;采用格点搜索方法对LSSVM模型的惩罚因子(c)和径向基核函数宽度(g)进行优化;正确识别率(correct recognition rate,CRR)用于判别模型的评价。结果表明:MSC结合LSSVM可用于转基因大米定性判别模型的建立,最优模型的CRR为97.50%。该方法有望成为转基因食品快速鉴别的一种辅助方法。      

基于近红外光谱技术快速检测椰汁品质

本研究应用近红外光谱技术结合主成分分析法(PCA)对3个不同品种的椰子,3个不同品牌成品椰子饮料及椰子粉进行定性分析。结果表明,对椰子3种不同形式的加工产品(椰子原汁、椰子饮料、椰子粉)进行定性分析的准确判别率均达到100%。采用近红外光谱技术结合偏最小二乘法(PLS)对椰汁饮料中原汁含量进行定量分析。为保证所建模型的稳健性、准确性,消除干扰,采用6种不同的预处理方法对近红外光谱技术进行优化,结果表明经过中心化预处理可得最佳模型,其R_p²、RMSEP、R_c²、RMSEC分别为0.9942、0.0435、0.9932、0.0519。本研究表明近红外光谱技术可为市售椰汁及椰子加工制品品质的快速、无损检测提供一种新思路。     

基于近红外光谱技术的黑龙江地理标志大米产地溯源研究

为建立地理标志大米的快速检测技术,更好地维护地方名优大米品牌效益,利用近红外光谱技术结合定性分析(鉴别分析和聚类分析)和偏最小二乘法(PLS)对黑龙江省3个水稻主产区的地理标志大米进行产地溯源研究。结果表明:运用鉴别分析和聚类分析建立的模型对建三江、五常地域预测正确率为100%,响水地域预测正确率为95.83%;五常、响水地域判别正确率为100%,建三江地域判别正确率为95.83%。采用PLS建立定量分析模型对建三江、五常、响水三个地域的预测正确率分别为95.83%、100%、95.83%。通过鉴定及检测结果可知利用近红外光谱技术可对黑龙江地理标志大米进行产地保护,且产地预测正确率达95%以上。     

鲫鱼新鲜度近红外定量预测模型的建立

为实现鲫鱼新鲜度的快速测定,本文基于近红外漫反射光谱定量分析技术和化学计量学方法,采集了144个鲫鱼鱼肉样品在1000~1799 nm范围内的光谱数据,测定了鲫鱼样品的p H、TVB-N含量、TBA含量和K值四种新鲜度指标;在确定近红外光谱数据最佳预处理方法和适宜波段的基础上,分别采用偏最小二乘法、主成分分析和BP人工神经网络技术、偏最小二乘法和BP人工神经网络技术建立了鲫鱼新鲜度定量预测模型。结果表明,鲫鱼样品四种指标数据范围均较大,可满足建模要求。以p H为鲜度指标时,采用偏最小二乘法和BP人工神经网络技术建立的模型最好,其定标相关系数为0.9945;以TVB-N、TBA和K值为鲜度指标时,采用偏最小二乘法建立的模型最好,其定标相关系数分别为0.9857、0.9985和0.9952。建立的四种鲜度指标定量模型均具有较好的预测能力。     

红外光谱结合多元统计分析快速鉴别不同种类牛肝菌

采用傅里叶变换红外光谱结合多元统计分析方法快速鉴别不同种类食用牛肝菌。采集10 个不同种类93 个牛肝菌子实体的红外光谱,分析食用牛肝菌的红外光谱特征;用多元散射校正（multiplicative signal correction,MSC）、标准正态变量（standard normal variate,SNV）、二阶导数（second derivative,SD）、Norris平滑（ND）、正交信号校正（orthogonal signal correction,OSC）、小波压缩等方法对光谱进行优化处理;经优化处理的光谱数据分别建立马氏距离分类模型及偏最小二乘判别分析（partial least squares discriminant analysis,PLSDA）。结果显示,牛肝菌在3 325、2 934、2 927、1 637、1 547、1 402、1 375、1 259、1 453、1 081、1 029 cm－1等附近有多个吸收峰,主要归属为蛋白质、多糖、氨基酸等的特征吸收峰。MSC＋SD＋ND（15∶5）和SNV＋SD＋ND（15∶5）两种预处理方式前10 个主成分累积贡献率分别为95.58%、95.54%,基于两种预处理方法建立马氏距离分类模型,验证集预测准确率分别为90%和95%。PLS-DA结果显示经MSC＋SD＋ND（15∶5）和SNV＋SD＋ND（15∶5）预处理不易于区分牛肝菌种类;原始光谱经正交信号校正及小波压缩（orthogonal signal correction waveletcompression,OSCW）、优化处理并进行PLS-DA分析,能够很好地区分不同种类牛肝菌。马氏距离分类模型不仅能反映样品的分类情况,同时计算出与测试样品相似度最大的物种,可为食用菌种类鉴别和未知物种鉴定提供可靠依据;OSCW预处理后进行PLS-DA分析能有效鉴别不同种类牛肝菌,为野生食用菌的鉴别分类提供一种辅助方法。     

油茶果自然霉变程度的可见/近红外与中短波近红外光谱检测

分析利用可见/近红外光谱（400～1 000 nm）与中短波近红外光谱（900～1 700 nm）对不同自然霉变程度油茶果检测判别的可行性,实验同时采集不同霉变程度油茶果赤道阴面、阳面和接合面三点的两波段光谱,样品平均光谱的主成分分析（principal component analysis,PCA）发现不同霉变程度样品同组内具有一定聚类效果且PC1和PC2对于判别不同组间样品有效,全光谱偏最小二乘判别分析模型结果显示原始光谱已具有足够信息,建立的模型性能比预处理后全光谱更优。进一步进行特征波长选取,发现相比于PC载荷,连续投影法在两光谱范围选取波长建立的简化模型均为最优,预测集判别准确率与Kappa系数均为84.4%与0.766 7。结合预测集混淆矩阵发现,两光谱范围最优简化模型预测不同霉变组样品特异度相当,均在0.84以上,但900～1 700 nm中短波近红外光谱对于中等霉变程度的判别灵敏度（0.72）略高。本研究表明近红外光谱技术可用于油茶果的自然霉变程度检测,可见/近红外与中短波近红外光谱能力相当,考虑到仪器成本问题,可见/近红外光谱具有更好的实时检测应用前景。     

番茄总糖含量的近红外光谱无损检测方法研究

根据偏最小二乘法建立番茄总糖含量的定量分析模型,比较原始光谱和平均光谱以及10 种光谱预处理方法对近红外光谱无损检测番茄总糖含量的影响。结果表明：平均光谱所建立的偏最小二乘法校正模型明显优于原始光谱所建模型,常数偏移消除最适合番茄总糖近红外光谱的预处理,其在11998.9～7497.9cm-1 和4601.3～4256.5cm-1优化光谱区内,所建偏最小二乘法定量分析模型的预测值和实测值的相关系数(R)为0.917,校正标准差(RMSEC)为0.263%,预测标准差(RMSEP)为0.236%。平均光谱和优化的光谱预处理方法可有效提高近红外光谱无损检测番茄总糖含量的准确性。     

基于近红外光谱技术对多年际建三江、五常大米产地溯源

研究多年际地理标志大米产地溯源判别技术,保护地理标志大米的品牌效益。利用近红外漫反射光谱技术对试验田样品进行与产地有关的特征波段筛选,并在其范围内对2013—2015年来自建三江地区及五常地区的291?份大米样品进行产地溯源研究。结果表明,试验田样品在波段为5?136～5?501?cm－1范围内产地因素差异显著。在此范围内利用因子化法建立的定性分析模型及聚类分析模型对建三江大米及五常大米的正确判别率均高于97.00%。利用偏最小二乘法建立的定量分析模对两地区大米的正确判别率分别为95.83%、94.00%。因此,应用该技术对多年份大米的产地溯源进行判别具有一定的可行性。     

一种基于近红外光谱快速鉴别染色橙的新方法

本文应用近红外光谱仪(NIRS)测定染色橙样品的光谱数据,采用多种方式对光谱数据进行预处理,用主成分分析法(PCA)对不同染色橙样品进行聚类分析并获得染色橙的近红外光谱数据的主成分,在此基础上建立了偏最小二乘(PLS)回归模型,并根据均方根校准误差(RMSEC)和相关系数(R²)对模型性能进行评价。结果表明,主成分分析可以快速鉴别染色橙样品,模型识别率达到94%。将主成分分析(PCA)与偏最小二乘(PLS)相结合建立的回归模型,均方根校准误差(RMSEC)为0.26,决定系数R²为0.96,模型效果较好。表明利用近红外光谱鉴别染色橙是可行的,这为染色橙的鉴别提供了一种快速无损的新方法。     

近红外光谱对特征部位牛肉的分析

通过采集牛霖、牛柳、牛腩3个部位牛肉样品的近红外光谱并对其蛋白质、脂肪、水分和灰分等化学指标进行测定,应用偏最小二乘法分别建立蛋白质、脂肪、水分和灰分的校正模型。牛霖样品的灰分和水分校正模型相关系数分别为0.9843、0.9740,预测相关系数分别为0.9502、0.9342;牛柳样品的蛋白质和水分校正模型相关系数分别是0.9540、0.7752,预测相关系数分别为0.9500、0.9060;牛腩样品的灰分和脂肪校正模型相关系数分别是0.9746、0.9218,预测相关系数分别是0.9560、0.9233;牛霖和牛柳样品的水分总校正模型相关系数为0.7504,预测相关系数是0.9737;牛腩和牛霖样品的灰分总校正模型相关系数是0.8770,预测相关系数为0.9777。结果表明：近红外光谱分析法预测准确度较高,可以用于评价牛肉品质。     

Discrimination of Apples Using Near Infrared Spectroscopy and Sorting Discriminant Analysis

Near infrared spectra of apples contain the most useful information of the soluble solids content and firmness of apples. A new feature extraction method, called sorting discriminant analysis, was proposed to use a sorting method based on principal component analysis and linear discriminant analysis to extract the features of near infrared spectra. The objective of this research was to make use of feature extraction methods, such as principal component analysis, linear discriminant analysis, discriminant partial least squares, and sorting discriminant analysis to extract information from near infrared spectra of the “Huaniu” apples and the “Fuji” apples. After feature extraction, the nearest neighbor classifier was used to classify the apples, and the classification results were compared to study that which feature extraction method performed best. The experimental results showed principal component analysis + linear discriminant analysis and sorting discriminant analysis could extract discriminant information from near infrared spectra of apples better than principal component analysis and discriminant partial least squares, and sorting discriminant analysis was the best one. Sorting discriminant analysis can not only compress the high-dimensional near infrared spectra to the low-dimensional data but also project near infrared spectra to a new feature space where the data can be classified easily and effectively, and sorting discriminant analysis is superior to principal component analysis + linear discriminant analysis in most cases.     

近红外光谱技术对猪肉注水、注胶的快速检测

采用近红外光谱（near infrared spectroscopy,NIR）结合主成分分析（principal component analysis,PCA） 和判别分析法建立了注水肉、注胶肉和正常肉的定性判别模型。注水肉中注水量的多少对判别准确率产生影响, 当注水量为1.25%～20%时,3 种肉的总体判别准确率为94.23%;当注水量为3.75%～20%时,判别准确率提高至 96.96%。模型对所有预测集样品的总体判别准确率为94.92%。表明NIR结合PCA法、判别分析法判别注水肉、注胶 肉和正常肉具有可行性。采用偏最小二乘法（partial least squares,PLS）结合PCA分别建立了注水量和注胶量的定 量分析模型,经验证,两种模型对预测集样品的预测均方差分别为4.01%和3.87%,预测值与实测值间的相关系数 （r）分别为0.904 2和0.912 8。表明两种模型的预测性能良好。     

基于近红外光谱对牛奶中掺杂尿素的判别分析

采集40个合格的纯牛奶样品,并配制含有尿素为1～20g/L的40个牛奶样品,研究掺杂尿素牛奶的二维相关近红外特性,在此基础上选择波数4200～4800cm-1为建模区间,采用偏最小二乘法建立定性、定量模型。结果指出通过判别偏最小二乘法可以实现纯牛奶及掺杂尿素牛奶的定性鉴别,判别正确率为100%;掺杂牛奶校正集相关系数R为0.999,交叉验证均方差为0.242,对未知样品集预测相关系数R达到0.999,预测标准偏差为0.57,这表明所建模型具有较好的预测效果。