饲料玉米品质分析的化学计量学方法

以饲料玉米为研究对象,采用化学计量学方法,利用全波段光谱数据建立玉米粗蛋白预测的简单快速精准预测模型。结果表明：原始光谱经去趋势算法预处理后,Rank-KS算法选择校正集和预测集,使用偏最小二乘（Partial least square,PLS）方法进行建模,校正集和预测集的相关系数分别为0.991 5和0.981 3,校正集和预测集的均方根误差分别为0.063 4和0.113 8。预测集的相对分析误差RPD为5.02,大于评估阈值3.0。所建模型精度和稳定性较为理想,可满足在线生成检测的要求。     

基于近红外光谱的土壤氮含量模型及生物炭对土壤光谱的影响

采集添加生物炭的土壤（标记为ABS）和不添加生物炭的土壤（标记为CS）,获取其近红外光谱,通过预处理算法和偏最小二乘法（partial least squares,PLS）建立两种土壤氮含量预测模型。试验结果显示,CS和ABS分别经过Baseline和Smoothing预处理的预测模型效果最好,定向系数（determination coefficient,R2）分别为0.913和0.753,预测均方根误差（root mean square error of prediction,RMSEP）分别为0.093和0.753,利用近红外光谱可对两种土壤氮含量建模预测。研究了生物炭对土壤光谱及建模的影响,结果表明,添加生物炭会改变土壤成分含量,使近红外光谱和建模不同于普通土壤,而联合建模可减小差异的影响,取得较好的预测效果,联合建模结果显示,经过Smoothing预处理的预测效果最好,R2为0.907,RMSEP为0.086。     

近红外光谱分析法测定菜籽油中芥酸的含量

采用多通道PDA型近红外光谱仪,应用偏最小二乘法建立了菜籽油中芥酸含量与近红外透射光谱的校正模型,讨论多项式求导及平滑的窗口宽度和相关系数法筛选有效波长对校正模型的影响,并对10个预测集样品利用预测相关系数R_p和预测均方根误差RMSEP指标进行了预测精度分析,结果发现：在使用全谱数据进行偏最小二乘回归建模时,一阶7点求导及平滑的预处理方法结果最佳,此时建模效果为：R_p=0.739,RMSEP=1.659;在此基础上通过相关系数法筛选波长后的建模效果为：R_p=0.958,RMSEP=0.963。后者R_p提高29%,RMSEP减少42%。由此可得出多项式求导及平滑法和相关系数法相结合对校正模型稳健性,预测精度都有较大提高的结论。研究证明：多通道近红外光谱仪快速测测菜籽油中芥酸含量的方法是可行的。     

人工神经网络NIR定量分析方法及其软件实现

在Visual C＋＋环境中采用面向对象技术,开发了PCA-MBP-NIR定量分析模型软件。通过40份小麦样品的原始光谱、加噪光谱（信噪比为14dB）与含水率所建立的PLS-NIR与PCA-MBP-NIR模型,对10份未知小麦样品的原始光谱、加噪光谱分别进行含水率的PLS-NIR与PCA-MBP-NIR预测分析。分析表明,对于含噪声的光谱,与PLS建模相比,使用PCA-MBP-NIR对未知样品预测结果具有更高的相关系数,更低的预测误差标准差。     

西瓜可溶性固形物含量近红外透射检测技术

设计的近红外透射式西瓜可溶性固形物含量（SSC）检测系统主要包括光纤光谱仪、光纤透射附件、数据采集卡以及自制光源。对50个麒麟瓜SSC进行了预测试验,采用主成分回归和偏最小二乘回归法分别建立了样品的原始光谱、一阶微分光谱、二阶微分光谱和SSC的预测模型,结果表明偏最小二乘回归法建立的模型具有较高的相关性,相关系数为0．951,均方根校正误差0．347,均方根预测误差0．302,样本真实值与预测值的相关系数为0．910。     

基于近红外光谱技术的天麻产地鉴别方法

采用近红外光谱技术(NIR)建立天麻产地的定性模型,并对天麻产地进行鉴别.利用AntarisⅡ傅立叶变换近红外光谱仪(FT-NIR)对云南昭通、省内非昭通、省外的88个天麻样品,采用不同的光谱预处理方法,结合主成分分析联用马氏距离算法(PCA-MD)和偏最小二乘判别分析算法(PLS-DA)对不同产地天麻进行评价.结果表...     

基于近红外光谱和深度模型转移预测烟丝总糖含量

模型转移主要用来解决一台仪器上开发的模型应用于新场景进行预测的问题。化学计量学领域开发了大量的模型转移方法可以实现多元校正模型转移。然而,随着深度学习技术在光谱数据建模中的广泛应用,传统的多元校正模型转移方法已不适合处理基于神经网络结构的深度学习模型。因此,本文利用深度模型转移策略,将一台仪器上构建的烟粉深度学习模型迁移到新仪器上用于烟丝总糖含量的检测。结果表明,深度模型转移无需标准样品构建传递函数,即可实现对不同仪器、不同样品物理状态之间的准确预测,与重新建立的偏最小二乘(PLS)和卷积神经网络(CNN)模型相比,其预测均方根误差分别降低了33.2%和27.2%。无标样深度模型转移支持在不同应用实践之间广泛共享、扩展深度学习模型,具有较好的应用前景。     

应用手持式近红外光谱仪检测桑椹可溶性固形物含量的偏最小二乘回归模型建立

可溶性固形物含量(SSC)是评价桑椹鲜果品质的重要指标,利用近红外光谱分析技术建立快速、实时无损地检测桑椹鲜果中可溶性固形物的方法。首先用手持式Micro NIR1700型近红外光谱仪采集桑椹的近红外光谱,对光谱进行预处理后,应用偏最小二乘回归(PLS)法建立桑椹鲜果SSC预测模型,并用随机蛙(Random-frog)和自适应重加权采样(CARS)2种方法筛选出最优波长变量,提高PLS模型预测精度。经过1阶求导(1stDer)、标准正态变量变换(SNV)和均值中心化(MNCN)相结合预处理后的全波长光谱PLS模型的预测效果最好,校正集与验证集的相关系数平方(R2)分别为0.916 1和0.925 0,均方根误差分别为0.985 8°Brix和0.654 3°Brix。相较于Random-frog法,用CARS方法优选出19个波长变量,所建PLS模型的预测效果更好,校正集与验证集的R2分别为0.933 2和0.943 4,均方根误差分别为0.782 0°Brix和0.582 8°Brix。研究结果表明,利用手持式Micro NIR 1700型近红外光谱仪结合化学计量学方法,能够用于现场对桑椹鲜果SCC的快速无损检测。     

紫色土光谱特征及其碱解氮的预测研究

文章分析探索了应用可见近红外光谱技术快速、高效、便捷测定土壤营养参数的可能性。采集蓬莱镇组紫色土样本,比对分析了不同肥力水平、土壤厚度和土壤粒径条件下采集土壤光谱对可见近红外光谱特征的影响,筛选出不同厚度、粒径土壤条件下的碱解氮含量预测模型。研究结果表明,土壤样本厚度为30mm时具有最大的光谱反射率,建立的氮含量预测模型效果最佳,校正集和验证集的相关系数分别为0.84和0.83,均方根误差分别为1.79和1.87。土样粒径在0.25-0.85mm时氮含量的预测效果最佳,校正集和验证集的相关系数均超过0.8,且均方根误差较小;但当土样粒径<0.25mm时,氮含量预测模型效果明显下降。采用20目（<0.85mm）过筛、30mm厚度土壤样本采集可见近红外光谱和偏最小二乘法（PLS）模型预测,可以实现对蓬莱镇组紫色土碱解氮含量的较好光谱预测。