废旧涤/棉混纺织物近红外定量分析模型的建立及预测

将中红外光谱筛选出的598个纯涤、纯棉及涤/棉混纺样本采用GB/T 2910.11-2009法测定其涤、棉准确含量,其中校正集样本252个,验证集样本346个。使用便携式近红外光谱仪获取样本的原始近红外光谱(NIRS)。校正集样本依据回归系数的分布趋势和范围选取最佳建模谱区,并采用差分一阶导、S-G平滑和均值中心化相结合的方法对原始光谱进行预处理,利用偏最小二乘法(PLS)建立涤/棉混纺织物中涤含量的近红外(NIR)定量分析模型。同时分析了样本颜色对NIRS的影响,探讨了斜线光谱样本、奇异样本和不同组织结构织物对模型预测效果的影响。结果表明:利用PLS法建立的涤/棉混纺织物定量分析模型最优组合包含1个光谱区间和9个主成分因子,校正集相关系数(RC)为0.998,标准偏差(SEC)为0.908。为验证所建模型的有效性和实用性,对346个未参与建模的涤棉样本进行了预测,并将预测结果与国标法测定值进行方差分析,两种方法结果无显著差异,预测正确率达97%以上。模型的建立为废旧涤/棉混纺织物快速、无损分拣提供了基础数据库。     

用于近红外光谱分析的化学计量学方法研究与应用进展

分析模型的建立是近红外光谱分析的核心技术之一,本文综述了近些年在近红外光谱分析方法中出现的一些新算法和模型建立策略,如基于核函数的非线性校正方法、集成(或共识)的建模策略、多维分辨和校正方法、基于局部样本的建模策略以及二维相关光谱等,并给出了一些方法的具体算法。     

便携式近红外光谱仪对废旧涤/棉混纺织物中涤含量的快速检测

利用近红外光谱技术对252个涤/棉混纺织物进行研究,建立了不同光谱特征的涤/棉混纺织物的偏最小二乘(PLS)定量分析模型。将近红外光谱异常样本与光谱正常样本分别建模,显著提高了定量分析模型的预测精度、拓宽了模型的适用范围。以涤、棉主要吸收峰区间为基本建模波段,进行双向扩展,筛选出最佳建模波段,以相关系数(R)、预测集标准差(SEP)和验证集准确率优化建模条件,并与未分别建模的PLS模型相比较。用346个未参与建模的废旧涤/棉混纺织物对模型进行外部验证,外部验证准确率为92%,识别时间8s。     

近红外光谱混合模型定量分析不同物理状态样品的研究

近红外光谱(NIRS)以漫反射模式对非均质样本进行测量时,由于其光谱散射和吸收系数差异较大,建立的校正模型准确性和稳健性较低,因此,本研究提出了一种基于均质样本和模型转移方法建立混合模型的策略,解决非均质样本近红外光谱检测的问题.以烟叶样本为研究对象,分别建立了基于Shenk专利算法(Shenk′s)、分段直接标准化(PDS)和基于典型相关分析的模型转移算法(CTCCA)的烟粉+烟丝、烟粉+烟片混合模型,用于烟丝和烟片样本中烟碱含量的预测.结果表明,混合模型对烟丝和烟片样本的预测均方误差(RMSEP)较直接建模分别降低了1.39%和2.73%,预测结果有一定的改善,稳健性提高,3种方法中CTCCA表现最优.因此,采用近红外光谱均质模型和模型转移方法建立的混合模型对非均质样本的测定具有可行性,有利于在线近红外光谱分析技术的发展,可为近红外光谱模型的共享提供参考.     

基于近红外光谱的果蔬脆片品质评价方法研究

本文选取苹果脆片为研究对象,结合最新果蔬脆片研究成果和支持向量机机器学习方法,以苹果脆片近红外光谱吸收值数据样本为基础,根据不同苹果样本、不同时序的红外光谱吸收值数据特征信息,产生不同的映射关系,将红外光谱吸收值映射到对应样本在对应时刻的各项品质指标(如水分含量),然后利用支持向量机(Support Vector Machine,SVM)方法对近红外光谱吸收值的数据样本进行训练,通过调整模型参数来体现不同苹果个体间的生理差异,以取得更接近于实际情况的品质指标预测效果。模拟仿真实验表明该模型的平均相关系数(R~2)达到93.81%,均方误差(MSE)为0.0057。该研究可为果蔬脆片的评价体系提供新的参考方法。     

基于支持向量机的近红外特征变量选择算法用于树种快速识别

将稳定度自适应重加权采样特征变量选择算法用于支持向量机定性分析(Support vector machine-stability competitive adaptive reweighted sampling,SVM-SCARS)。该算法通过对数据多次采样建模计算各变量的稳定度值,稳定度值能更加客观准确地评估变量在建模中的作用,因此可作为变量重要性的评价依据。通过循环迭代方式,采用自适应重加权采样技术逐步筛选变量,然后以每次循环所得变量子集建立SVM模型,并以模型交叉验证分类正确率(Correct classification rate of cross validation,CCRCV)评估子集优劣,确定最优特征变量子集。将该算法结合漫反射近红外光谱技术建立了制浆造纸常用木材的树种识别模型,实现了对4种桉木和2种相思木的快速识别分类。最终共筛选出15个特征变量建立分类模型,模型对各树种分类的正确率达97.9%,具有较好的分类效果。与全光谱模型和递归特征消除支持向量机模型相比,SVM-SCARS能够筛选出更少的特征变量,且模型具有更好的预测性能和稳定性。研究结果表明,SVM-SCARS算法能够有效优化光谱特征变量,提高近红外在线分析模型在木材材性分析中的稳健性和适用性。     

不同比色皿对近红外光谱法检测水质酸度的影响及校正分析北大核心CSCD

为减小不同比色皿对近红外光谱测量结果的影响,提高水质酸度定量分析模型的预测精度,探讨了正交信号校正(OSC)用于不同比色皿的光谱背景干扰的去除效果。用两个同一批次的石英比色皿对32个不同pH的水样装样,采集近红外光谱数据,采用OSC对原始光谱进行预处理。比较OSC预处理前后两组光谱间的差异,并建立了水质酸度的偏最小二乘(PLS)定量分析模型,分析了光谱差异对模型预测精度的影响。结果表明:经OSC预处理后,两组光谱的平均差异值由0.0042降低至0.0013,光谱校正率达90%;与原始光谱建立的PLS模型相比,基于OSC预处理后的光谱建立的PLS模型的预测精度显著提高,预测均方根误差差值由0.912降低至0.205,相关系数差值由0.364降低至7.00×10^(-3),二者分别减小了78%和98%。     

应用光谱技术无损检测油菜叶片中乙酰乳酸合成酶

应用可见/近红外光谱技术实现了油菜叶片中乙酰乳酸合成酶(ALS)的快速无损检测.对99个油菜样本进行光谱扫描,经过平滑、变量标准化、一阶求导等预处理后,应用偏最小二乘法(PLS)建立了ALS的预测模型.同时提取有效特征变量,作为反向传输人工神经网络(BPNN)和最小二乘-支持向量机(LS-SVM)的输入值,并建立相应的模型.用66个样本建模,33个样本验证.结果表明,LS-SVM模型能够获得最优的预测结果,预测集样本的相关系数(r)、预测标准差(RMSEP)和偏差(Bias)分别为0.998、 0.715和0.079,获得了满意的预测精度.结果表明,应用可见/近红外光谱技术结合LS-SVM检测油菜中乙酰乳酸合成酶是可行的,并能获得满意的预测精度,为进一步应用光谱技术进行油菜生长状况的大田监测奠定了基础.     

采用多光程长建模方法检测血液成分含量

为了提高近红外光谱血液成分含量分析模型的预测精度,利用多个光程长(optical path length,OPL)共同参与建模的方法进行血糖等6种血液成分的定量分析。通过微米位移机构实现不同光程长血液光谱的测量,由全自动生化分析仪给出生化成分分析结果,并出具化验单。采用偏最小二乘法(PLS2)进行血液的近红外光谱建模及预测。由于血液光谱存在显著的非线性特征,不同光程长的血液样本的等效吸收系数不同,同一波长不同光程长(0.20~1.25 mm)测得的血液光谱互不相关。主动把非线性特性作为一种测量手段引入,不再利用单个的最佳光程长建模,而是用各个血液组分对应的多个最佳光程长的近红外光谱同时参与建立校正模型,进行血液成分的分析预测。研究结果表明,多光程长建模方法用于血液成分含量分析,可提高血液成分校正模型的预测精度。     

傅立叶变换近红外光谱法快速评价涪陵榨菜品质

应用傅立叶变换近红外光谱技术,建立了评价涪陵榨菜品质的定量分析模型.测定了58份涪陵榨菜的近红外光谱数据,通过光谱预处理方法消除噪声,以偏最小二乘法(PLS)建立回归模型.最终得到评价其品质的水分、总酸(以乳酸计)和氨基酸含量近红外光谱分析模型的决定系数(R2)依次为0.957 8、0.975 4、0.950 4,交叉...     

基于近红外光谱技术与化学计量学的绿茶无损鉴别方法研究

该文利用近红外光谱技术结合化学计量学方法开发了不同品种绿茶的无损鉴别方法。通过近红外光谱技术得到了8个品种绿茶样品的近红外光谱,比较了单一以及优化组合光谱预处理方法对光谱的影响,利用无监督的主成分分析(PCA)与有监督的线性判别分析方法(LDA)分别构建了茶叶品种鉴别模型。结果表明：对比单一预处理方法,优化组合预处理具有更优的鉴别准确性。标准正态变量变换预处理消除了茶叶样品大小不均造成的光谱散射影响,一阶导数预处理实现了变动背景的消除,减少了基线漂移的影响,突出了图谱中的有效信息,采用二者相结合的预处理方式并结合无监督的主成分分析法可实现较为准确的绿茶样品种类鉴别分析,准确率达75.0%。此外,采用有监督的线性判别分析方法处理原始光谱数据,可达到100%的鉴别准确率,但该方法需提供类别的先验知识。因此,采用近红外光谱技术和化学计量学相结合的手段可实现不同品种绿茶的快速无损鉴别。     

基于GPU计算的并行PLS算法研究与实现

偏最小二乘算法(PLS)是与红外、近红外光谱分析结合使用最为广泛的化学计量学算法,然而当前PLS算法通常采用单线程方式实现,当校正模型数量多或样本数量大、波长点数和主成分数较多,模型需对光谱预处理和波长选择方法反复优化时,计算十分缓慢。为大幅提高建模速度,该文提出了一种基于图形处理器(GPU)的并行计算策略,利用具有大规模并行计算特性的GPU作为计算设备,结合CUBLAS库函数实现了基于GPU并行的PLS建模算法(CUPLS)。利用近红外光谱数据集进行性能对比实验,结果表明CUPLS建模算法较传统单线程实现的PLS算法,加速比可达近42倍,极大地提升了化学计量学算法的建模效率。该方法亦可用于其它化学计量学算法的加速。     

傅立叶变换近红外光谱法测定腐乳中总酸、蛋白质和水分

应用傅立叶变换近红外光谱技术,建立了腐乳中总酸、蛋白质和水分的分析模型。测定32份腐乳的近红外光谱数据,得到原始光谱信息,通过光谱预处理方法消除原始光谱噪声,最后采用偏最小二乘法建立回归方程。最终得到总酸、蛋白质和水分近红外光谱分析模型的决定系数(R2)依次为99.37%、99.70%、99.73%,交叉验证均方根差(RMSECV)依次为0.00871、0.11、0.0714。用该模型对11个未知腐乳样品进行外部验证,其总酸、蛋白质和水分外部验证的决定系数(R2)依次为98.74%、99.38%、99.48%,预测标准偏差(RMSEP)依次为0.00862、0.113、0.0683。内部交叉验证和外部验证均证明,近红外定量分析有较高的准确度,能满足腐乳生产中总酸、蛋白质和水分的检测精度要求。     

基于粒子群算法的最小二乘支持向量机在红花提取液近红外定量分析中的应用

提出一种基于粒子群算法的最小二乘支持向量机(PSO-LS-SVM)方法,用于建立红花提取过程关键质控指标的定量分析模型.近红外光谱数据经波段选择、预处理和主成分分析(降维)后,利用粒子群优化(PSO)算法对最小二乘支持向量机算法中的参数进行优化,然后使用最优参数建立固含量和羟基红花黄色素A(HSYA)浓度的定量校正模型.将校正结果与偏最小二乘法回归(PLSR)和BP神经网络(BP-ANN)比较,并将所建的3个模型用于红花提取过程未知样本的预测.结果表明,BP-ANN校正结果优于PSO-LS-SVM和PLSR,但是对验证集和未知样品集的预测能力较差,而PSO-LS-SVM和PLSR模型的校正、验证结果相近,相关系数均大于0.987,RMSEC和RMSEP值相近且小于0.074,RPD值均大于6.26,RSEP均小于5.70％.对于未知样品集,pSO-LS-SVM模型的RPD值大于8.06,RMSEP和RSEP值分别小于0.07％和5.84％,较BP-ANN和PLSR模型更低.本研究所建立的PSO-LS-SVM模型表现出较好的模型稳定性和预测精度,具有一定的实践意义和应用价值,可推广用于红花提取过程的近红外光谱定量分析.     

连续小波变换结合无参数模型增强框架对时序漂移的近红外光谱建模

近红外(Near-infrared, NIR)光谱法具有高效、无损的特点,然而其采集的光谱容易受多种外界因素的影响而发生漂移,导致分析结果出现偏差。时序漂移是一种NIR光谱随检测时间发生持续且有规律漂移的普遍现象。本研究提出了一种时序漂移NIR光谱的建模新方法,将漂移信号分解为背景漂移和样本依赖的时序漂移。分别利用连续小波变换(Continuous wavelet transform, CWT)和半监督-无参数模型增强(Semi-supervised parameter-free calibration enhancement, SS-PFCE)消除NIR光谱中时序背景漂移和样本依赖的时序信号漂移部分,进而实现准确建模。通过对2019年和2020年在云南省境内分别采集的928个和962个土壤样品的时序漂移NIR光谱进行建模,以土壤有机质(Soil organic matter, SOM)含量的预测准确性验证本方法的建模效果。对2019年采集的光谱建模(预测均方根误差(Root mean squared error of prediction, RMSEP)=6.7 g/kg,R     

近红外光谱结合无参数校正增强实现不同年份烟叶总糖含量模型更新

近红外光谱技术因快速、无损等特点,已广泛应用于烟草行业质量快速分析。然而,由于采收时间、环境差异等因素的影响,建立的近红外定量模型在新批次样本中的预测性能通常变差,因此必须对原有模型进行维护和更新。该研究采用半监督无参数校正增强（SS－PFCE）方法,通过约束优化,对主模型的回归系数进行修正。首先建立了2016年烟叶样本总糖含量的原始定量模型,其预测相关系数（Rp）为0.997 8、预测均方根误差（RMSEP）为0.310 8。采用SS－PFCE方法对模型更新后,分别预测2017年、2018年和2020年样本的总糖含量,3个测试集的Rp值比未更新模型提高了0.13%、1.32%和4.29%,RMSEP分别下降了15.26%、58.69%和36.53%。与重新建立的定量分析模型相比,更新后的模型具有更优的预测性能,同时大大降低了建模成本。研究表明,SS－PFCE方法可高效地实现不同年份烟叶样本的模型维护,在实际生产中具有重要的应用价值。     

模型诊断用于近红外光谱建模校正集中奇异样本的识别

由于校正集样本的质量决定校正模型的质量,校正集中奇异样本的检测在多元校正建模中具有非常重要的意义.本研究建立了一种用于近红外光谱多元校正建模时校正集中奇异样本的检测方法.本方法基于奇异样本的定义和偏最小二乘方法的原理,通过考察每个校正集样本在模型的每个因子(或主成分)中对模型的贡献,将与多数样本表现不同的样本识别为奇异样本.采用218个橘汁样本构成的近红外光谱数据进行了分析,结果表明,校正集中存在6个奇异样本,扣除奇异样本后,校正集的交叉验证均方根误差由16.870减小为4.809,预测集的均方根误差从3.688减小为3.332.     

基于小波系数的近红外光谱局部建模方法与应用研究

局部建模方法使用与预测样本相似的样本建立模型,可解决光谱响应与浓度之间的非线性问题,扩大模型的适用范围,提高预测准确度。采用小波变换进行数据压缩并利用小波系数之间的欧氏距离作为光谱相似性的判据,实现了近红外光谱定量分析的局部建模方法,避免了样本之间的依赖性。将所建立的方法用于烟草样品中氯含量的测定,100次重复计算得到的预测集均方根误差(RMSEP)平均值为0.0665,标准偏差(σ)为0.0045,优于全局建模和基于主成分的局部建模方法。     

正交试验设计在近红外光谱建模参数优化选择中的应用

应用正交试验设计法,以测定胺类燃料中水分为实例进行近红外光谱(NIR)建模参数的优化选择。以样本集划分方法、校正集比例、光谱预处理方法和波段选择等作为因素进行正交设计,分别建立校正模型,以验证集的标准预测偏差(SEP)为正交试验结果。通过正交试验结果分析,确定最佳建模参数,并且围绕最大影响因素进行优化调整,使预测模型的稳健性和测量结果的准确性得到提高。     

近红外光谱分析原油中水分和硫含量模型的建立及验证

取原油样品120个,分别按照GB/T 11133-2015和GB/T 17040-2008中所述方法测定了上述原油样品中的水分和硫的含量。通过优化的近红外光谱(NIRS)条件采集了上述原油样品的NIR光谱图。采用杠杆值算法剔除4个异常样品。在建立水分含量分析模型时,采用的条件为:用Savitzky-Golay法对光谱进行滤波预处理,建模光谱区间为6 200～8 200cm-1,主成分数为6,用偏最小二乘回归法(PLS)交叉验证建立分析模型。硫含量分析模型的建立条件为:采用二阶导数-Norris Derivative对光谱进行预处理,建模光谱区间为4 400～4 700cm-1,主成分数为6,用PLS交叉验证建立分析模型。水分和硫含量模型的预测值与测定值的相关性较好。水分模型的决定系数(R2c)为0.989 9,校正标准偏差(RMSEC)为0.084 2,说明其预测效果较好,可用于原油中水分含量的预测。硫含量模型的R2c为0.996 3,RESEC为0.069 6,说明此模型的预测效果也较好,可用原油中硫含量的预测。应用所建立的两个模型对10个未知原油样品中水分和硫含量进行了预测,并与其测定值比较,结果表明两者之间的相对偏差均小于10%。