基于主成分分析和偏最小二乘回归的烟煤水分近红外检测

基于近红外光谱技术对烟煤水分分析的快速、无损性。采集了100个烟煤样品,分成验证集和预测集,验证集85个,预测集15个。利用主成分分析对烟煤的近红外光谱数据进行压缩,然后以主成分为输入,采用偏最小二乘回归建立烟煤水分预测模型。烟煤水分平均绝对相对误差为0.0728,表明该方法用于预测烟煤水分含量是可行的。     

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。     

基于近红外光谱建立PE、PP和PET的识别分类模型

利用近红外高光谱成像仪在900~1 700 nm的范围采集PE、PP和PET样本的高光谱图像,并进行黑白校正,提取感兴趣区域的反射率光谱数据;利用主成分分析法对提取的数据去噪降维。结果表明,前3个主成分的累计贡献率达98.89%。把前3个主成分的载荷系数对波长作图,得到了6个特征波长;利用特征波长对应的反射率光谱数据进行判别分析,并建立了3种塑料的识别分类模型;用预测样本对模型进行检验,结果显示,预测样本的识别准确率为95.24%,表明该模型可准确有效地对PE、PP和PET进行识别分类。     

基于红外光谱技术的航空润滑油判别分析

对红外光谱技术应用于航空合成润滑油的快速判别进行了研究。采用红外光谱衰减全反射附件采集5种不同牌号的航空合成润滑油的红外光谱。基于偏最小二乘判别分析方法,建立了5种润滑油牌号快速判别模型。讨论了建模主成分数与不同建模光谱区间对模型预测能力的影响。通过优化建模参数,提高了模型的预测精度。使用建立的分析模型对预测集样品进行预测,判别正确率为100％。     

基于近红外的Fisher判别法鉴别废塑料

通过对化学计量学方法的分析研究,提出了一种基于近红外光谱的丙烯腈–丁二烯–苯乙烯塑料、聚对苯二甲酸乙二酯、聚氯乙烯、聚丙烯、聚苯乙烯和聚乙烯6种塑料的一次性鉴别模型,为近红外塑料识别软件的二次开发提供有效程序。结果表明,光谱经3次多项式、13窗口S–G最小二乘拟合平滑+sym17函数、分解2层小波分析+主成分分析+特征波长选择+Fisher判别处理,可得5个判别函数式。由这些函数式建立的判别模型可以实现6种塑料的一次性识别,其校正集样本自身验证和交叉验证的识别率分别为100%和84.9%,表明该模型稳定;预测集样本进行模型外部检验的准确率为100%,表明该模型可行。     

应用红外光谱进行不同性状沥青的判别

通过对不同性状沥青获取的可见红外光谱曲线的分析,采用主成分分析方法对光谱数据进行聚类分析,并将提取的主成分作为BP神经网络的输入值建立了不同性状沥青判别模型。该模型将前3个主成分作为神经网络的输入变量,加速了神经网络的学习速度,提高了模型的预测精度。随机选取每个性状的22个沥青样本共110个样本组成训练集,剩余的30个样本组成预测集,建立训练模型,并用预测集样本对其进行验证,将判定的偏差标准定为±0.01,结果表明只有1个未知样本超出偏差范围,该方法的判定正确率为96.7% ,获得了满意的结果。说明采用可见红外光谱判别具有很好的分类和鉴别作用,为不同性状沥青的快速判别提供了一种新方法。     

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.     

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。     

X射线荧光光谱法结合HCA-PCA-BPNN实现塑料快递包装袋识别分类

X射线荧光光谱法与机器学习有机结合,建立现场塑料快递包装袋物证科学精准识别分类模型。利用X射线荧光光谱法对72个塑料快递包装袋样品无损检验,并依据光谱数据,利用定性半定量分析法对塑料快递包装袋初步分类。利用z-score标准化进行光谱预处理,并结合层次聚类、主成分分析和BP神经网络(HCA-PCA-BPNN)建立识别分类模型,确定最佳聚类类别。结果显示,72个样品聚为8类时,模型检验集预测判别正确率为97.9%,预测集预测判别正确率仅为72%,模型识别分类准确度较差;72个样品聚为3类时,模型检验集和预测集预测判别正确率均为100%,识别分类准确度较高,72个样品最佳聚类为3类。研究表明,X射线荧光光谱法结合HCA-PCA-BPNN可以为现场塑料快递包装袋物证无损且准确地识别分类提供一种方便可行的模式。     

基于光谱技术实现中药三七的真伪识别及产地分析

近红外光谱分析技术具有样品预处理简单、绿色环保、不破坏中药成分等优势,来实现中药三七的真伪识别及产地分析。借助化学计量学方法,把样品分为定标集和预测集,通过TQ Analyst软件中的建模(包括DM距离匹配法、相似度匹配)建立定标集的模型,用预测集来验证。通过几种方式的分析,发现几种分析方式的识别率均大于80%。推测利用光谱技术来实现中药三七的真伪识别及产地分析是可行的,为中药的质量控制提供了一种方法。     

菟丝子中总黄酮的闪式提取工艺及近红外透射光谱含量分析方法

利用闪式提取器对菟丝子中的总黄酮进行组织破碎提取,确定菟丝子中总黄酮闪式提取的最佳提取工艺为:料液比1∶8(mg∶mL),以50%的乙醇为溶剂提取8min。采用主成分分析(PCA)和偏最小二乘法(PLS)回归分析法建立了菟丝子提取液中总黄酮含量近红外透射光谱定量分析模型,该模型校正集的相关系数为0.99985,校正集标准偏差(RMSEC)为0.0685,预测集标准偏差(RMSEP)为0.160,交叉验证结果的相关系数为0.99966,交叉验证标准差(RMSECV)为0.102。利用该模型预测和紫外分光光度法测量的总黄酮含量相差很小,且模型具有良好的稳定性。     

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。     

基于近红外光谱的汽油牌号快速识别

提出基于近红外(NIR)光谱的汽油牌号快速识别算法,主要包括预处理、特征提取和分类建模几部分,比较了各种分类方法的识别能力。实验结果表明:采用主元分析(PCA)提取特征进行模式识别的性能普遍优于直接在光谱波长域的方法,通过选择合适的PCA主元可以获得满意的分类效果,可用于汽油产品的牌号快速识别。     

近红外光谱技术在卷烟复配香精快速识别中的应用

为建立复配香精的快速检测方法,考察了近红外光谱技术应用于识别复配香精规格与质量优劣的可行性,并通过对光谱范围及光谱处理方法的优化建立了近红外预测模型。结果表明,在(6 200~5 500)cm~(-1)的光谱范围内,采用二阶导数光谱建立的模型具有良好的效能,能够快速准确预测合格样品的规格,并能够快速准确检出不合格样品。可见,近红外光谱技术能够实现复配香精规格与质量优劣的快速识别。     

近红外光谱的ELM校正模型测定柴油凝点

为了简便、快速地测定柴油凝点,建立了一个基于ELM算法的近红外光谱校正模型。首先选择KS法按4:1划分样本集,并以"一阶导数+矢量归一化"方法进行光谱预处理;以校正集数据训练ELM模型并进行参数优化后,代入测试集光谱数据完成预测。通过136个柴油样品数据建模验证,结果表明用近红外光谱的ELM校正模型测定柴油凝点是完全可行的,且其准确度、稳健性和速度均优于PLSR模型和LS-SVM模型。     

基于近红外光谱结合主成分分析和BP神经网络的常用塑料快速鉴别

为了实现塑料的分类回收,需要对塑料进行快速准确的鉴别。收集了丙烯腈-丁二烯-苯乙烯(ABS)、聚丙烯(PP)、聚乙烯(PE)、聚对苯二甲酸乙二醇酯(PET)、聚苯乙烯(PS)、聚氯乙烯(PVC)、聚碳酸酯(PC)等7种常用的塑料,利用近红外光谱仪分别测得其反射光谱,应用主成分分析和反向传播(BP)神经网络建立模型进行鉴别。首先利用主成分分析提取光谱的特征信息,前8个主成分的累计贡献率达到94.367%,包含了原始光谱的主要信息,将这8个主成分作为BP神经网络的输入,7种塑料的种类作为输出,建立三层BP神经网络模型。每种塑料各30个样本共210个用来训练神经网络模型,各10个共70个用来预测,预测结果准确率达98.571%,能够有效鉴别常用塑料。     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

基于近红外和中红外光谱的杜仲产地溯源

杜仲是一种重要而有价值的中药,具有多种医疗功能,多年来在中国、日本和韩国等亚洲国家被广泛用作保健食品。杜仲的功效和质量与产地密切相关。采用近中红外光谱与化学计量学相结合的方法,用于简便、快速和准确地鉴别杜仲的产地。使用k-最邻近分析(kNN)、主成分分析-线性判别分析(PCA-LDA)和偏最小二乘判别分析(PLS-DA)模型对杜仲样品进行了产地来源分类。结果表明,kNN模型更适合基于近红外光谱的不同省份杜仲样品的识别,kNN模型对来自8个省份的杜仲样本在训练集和测试集上的识别率均达到100%,交叉验证识别率为100%;PLS-DA模型更适合基于中红外光谱的不同省份杜仲样品的识别,PLS-DA模型在训练集和测试集中对来自8个省份的杜仲样品的识别率分别达到99.40%和98.61%,交叉验证识别率为99.11%。该方法可以快速、准确地确定杜仲的省份来源,有望应用于市场监督领域。     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

中药材及炮制品的近红外指纹图谱模式识别快速鉴别方法

运用近红外漫反射技术(NIRDRS)结合主成分-马氏距离判别分析方法(PCA-Mahalanobis distance discriminant analysis)对7种中药材及炮制品进行鉴别。采集7种中药材和炮制品的近红外漫反射光谱,经多元散射校正(MSC)后,运用主成分分析将多元散射光谱变量降维,再利用马氏距离判别分析方法建立模式识别模型。所得PCAMahalanobis distance模型对7种中药材和炮制品的分类正确识别率均为100%,表明模型具有较好的预测分类能力。近红外漫反射技术结合主成分-马氏距离判别分析方法,为判别外观相近容易混淆的不同药材和炮制品提供了一种快速简便、准确可靠的鉴别方法和手段。