烟梗原料4种常规化学组分的近红外快速分析

为了研究近红外光谱技术预测再造烟叶原料烟梗中烟碱(Nic)、总糖(Ts)、还原糖(Rs)及氯(Cl)含量的可行性,以上海薄片S、广东薄片烟梗原料及混梗原料等130个样品的近红外光谱结合偏最小二乘法建立以上4种常规化学组分的近红外漫反射模型,并对模型的预测效果、稳定性及准确性进行评估。结果表明:1烟碱、总糖、还原糖及氯模型的校正均方差(RMSEC)与预测均方差(RMSEP)接近且均较小,模型预测的相关系数(Corr.Coeff.)均在0.97以上。烟碱、总糖、还原糖及氯预测平均相对方差分别为3.47%、1.23%、1.31%和2.34%。2模型通过检验,发现模型的RMSEP/RMSEC接近1且其RPD值均大于3,表明近红外定量分析结果准确、可靠与流动分析法无显著性差异。     

基于蒙特卡罗无信息变量消除的烟气指标预测

使用近红外光谱(NIRS)分析方法对烟叶的CO、烟碱、焦油含量进行无损快速定量分析,可以提高分析方法的预测精度,消除无信息建模变量对模型稳定性的影响。在此以烟叶为研究对象,利用蒙特卡罗无信息变量消除方法(MC-UVE)对烟叶的近红外光谱进行了波段点的筛选,并利用筛选出的波段建立PLS校正模型。结果表明利用蒙特卡罗无信息变量消除方法可以有效选择建模变量,既克服了复杂样品各信息区间对PLS建模贡献率不一样的问题,又能提高模型的稳定性和多元校正的预测精度。     

用光谱主成分分析选择烟草近红外模型校正集样品

为研究光谱主成分分析方法在选择烟草近红外模型校正集样品过程中的可行性,本文采用常规的人为挑选和光谱主成分分析两种方法选择校正集样品,并利用偏最小二乘法建立烟叶总糖、总氮和烟碱含量的预测模型,同时比较了这两种校正集样品选择方法所建立模型的各项评价指标和预测结果的差异性。结果表明,上述两种方法建立的总糖、总氮和烟碱含量预测模型的各项评价指标非常接近,对20个烟叶样品的预测结果也无明显差异。因此,应用光谱主成分分析是烟草近红外模型构建过程中的一种非常有效,且节约常规化学分析成本的校正集样品选择方法。     

基于红外光谱的烟叶自动分级研究

烟叶的自动分级一直是国内外学者智能化研究的一个重要方向。通过分析烟叶的主要组成成分和烟叶光谱信息特征,发现烟叶红外光谱可作为烟叶分级特征,并通过神经网络模型验证了红外光谱作为其分级特征的可行性,通过对比分析选取最佳红外光谱间隔、光谱范围以及最必要的光谱预处理方法。利用概率神经网络对9个等级的烟叶进行分组分级,首先对选光谱数据进行减均值的预处理以消除基线漂移,然后将其作为神经网络的输入模式,相应的等级或组分作为理想输出训练网络。选择近半数的样本作为训练样本,其余为测试样本;网络对于训练样本的正确吻合率为100%,测试样本的平均正确吻合率91%以上。结果表明烟叶的红外光谱可以作为烟叶的分级特征,概率神经网络可以用于烟叶自动分级,为烟叶的自动分级提供了新方法。     

基于光谱技术的葡萄活体可溶性固体含量在线检测研究

快速检测活体水果内部品质对于确定水果最佳采摘时机和果园信息化管理具有重要意义。以南方棚栽葡萄为研究对象,应用光谱技术对处于生长期的四个葡萄品种的可溶性固体含量(SSC)进行现场测试。分别采用偏最小二乘法(PLS)回归、潜变量人工神经网络(LV-ANN)和潜变量支持向量机(LV-SVM)三种方法为光谱建模集建立了SSC校正模型。用验证集对模型的预测性能进行了评价。与PLS和LV-ANN模型相比,LV-SVM模型的预测性能最佳。实验结果表明,将光谱技术与LV-SVM建模法相结合适用于果园葡萄活体可溶性固体含量无损检测。     

改进自编码网络特征提取在近红外定量分析的应用

针对近红外光谱高维、非线性、大量噪声对定量建模的影响，将深度自编码网络引入到光谱特征学习中，提出一种改进卷积自编码网络的特征提取方法（1D-BCAE），并将其应用到烟叶关键指标的近红外光谱定量建模中，提高了模型的准确性和稳健性。首先利用适合光谱数据的一维卷积核和池化窗口进行特征提取，其次在编码过程中加入BasicBlock模块和批归一化（BN）结构优化网络结构，减少了参数量和计算量的同时，降低了光谱中的噪声和非线性特征的影响，优化了网络的训练效率。通过设计一种对应相连的结构，把编码器中各模块的参数传递给相应的解码器，减少了网络训练过程中细节特征的丢失。通过实验对比重构误差和均方根误差，验证了所提方法的有效性，然后分别采用全谱段和主成分分析（PCA）、卷积自编码（CAE）网络、1D-BCAE提取后的特征结合偏最小二乘（PLS）法建立了关于烟叶中烟碱、总糖指标的定量模型，并进行了对比分析。结果表明，1D-BCAE能有效学习高维数据中的内在结构和非线性关系，所建的模型具有更好的性能。所提方法实现了对待测组分光谱信息的有效提取，对建立稳健校正模型、降低模型复杂度具有重要意义。     

近红外光谱结合小波变换-径向基神经网络用于奶粉蛋白质与脂肪含量的测定

应用近红外光谱分析技术结合化学计量学方法,建立了奶粉脂肪和蛋白质含量测定的化学计量学建模新方法.首先采用Kernard-Stone法对校正集样本和预测集样本进行分类,然后利用小波变换滤波技术对样品的近红外光谱进行压缩去噪处理,结合滤波后重构光谱信号建立脂肪和蛋白质的径向基神经网络回归模型,并分别对径向基网络的扩散常数spread值及小波变换中的小波基与压缩尺度三个参数进行了详细的讨论.脂肪模型在小波基为db2及小波尺度为4、spread值为3.5时的预测模型精度最好;蛋白质模型在小波基为db8及小波尺度为4、spread值为6时,预测模型精度最好.所建立的脂肪和蛋白质校正模型的预测集相关系数(Rp)分别为0.990和0.994,预测均方根误差分别为0.007与0.004.预测结果表明,RBF网络结合小波变换进行建模预测,模型简单、稳健且精度较好,该方法适合奶粉脂肪和蛋白质含量的快速、无损测定.     

基于太赫兹辐射的黄芩苷光谱分析及定量检测

采用太赫兹时域光谱系统测试黄芩苷混合物的光谱,发现黄芩苷混合物在0.3～1.5 THz波段具有明显的吸收特征;采用二维相关光谱(2DCOS)算法进行分析后发现,混合物光谱对外扰变量(黄芩苷的浓度)变化敏感。在光谱分析的基础上分别建立了基于支持向量机(SVM)和偏最小二乘法(PLS)的定量分析模型,采用Kenard-Stone(KS)法选择模型的校准集和验证集,引入相关系数和均方根误差评价建模效果。结果表明:基于支持向量机和偏最小二乘法的定量分析模型的预测数据与实际数据均表现出良好的相关性,并且均方根误差较小,能够实现对黄芩苷的定量检测;SVM模型的预测结果优于PLS模型。研究结果为药物质量检测提供了一种新方法,对药物的质量检测具有重要意义。     

油脂酸价近红外光谱检测PLS建模方法研究

将目前广泛流行的近红外光谱分析技术应用于食用油脂酸价的检测。由于近红外光谱分析是一种间接检测方法,需要先利用校正集样本建立统计模型,然后再利用模型来预测未知样品性质,因此建立准确可靠的模型是近红外光谱分析的关键。详细介绍了偏最小二乘（PLS）回归的基本思想和建模方法。为使建立的校正模型更稳健,还研究了光谱波段选择。通过间隔偏最小二乘回归波段选择法进行特征波段提取,对提取的特征波段和全谱分别进行偏最小二乘回归建模,对比分析以说明波段选择的必要性。     

FT-NIR光谱法定量分析烟草薄片中5种化学成分

为了研究近红外光谱分析技术预测烟草薄片中的总糖、总氮、烟碱、钾和氯含量的可行性,本文以250个具有代表性的烟草薄片样品的近红外漫反射光谱数据和它们相对应化学测定数据为基础,通过偏最小二乘回归法(PLS)建立了以上5种成分的近红外分析模型,并对模型的预测效果进行了评价.结果表明:近红外预测值与化学测定值之间具有很好的相关性,各模型均具有较好地预测准确性.总糖实际预测的平均相对误差为2.89%,总氮、烟碱、钾和氯模型实际预测的平均误差分别为0.10%,0.07%,0.19%和0.09%.各模型的预测重现性,即相对标准偏差(RSD)均小于4%.因此,可以用近红外光谱法快速、简便和大批量地分析烟草薄片中的以上5种化学成分.