检索结果-南通市图书馆

基于近红外光谱和偏最小二乘法的慈竹纤维素结晶度预测研究

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2011年第2期31卷 366-370页

作者：孙柏玲刘君良柴宇博中国林业科学研究院木材工业研究所北京100091

将近红外光谱技术和化学计量学相结合分析慈竹纤维素结晶度。通过区间偏最小二乘法(iPLS)、联合区间偏最小二乘法(siPLS)和反向区间偏最小二乘法(biPLS)优化建模区域,建立经多元散射校正后光谱的结晶度分析模型,并与全光谱范围350～2 50... 详细信息

将近红外光谱技术和化学计量学相结合分析慈竹纤维素结晶度。通过区间偏最小二乘法(iPLS)、联合区间偏最小二乘法(siPLS)和反向区间偏最小二乘法(biPLS)优化建模区域,建立经多元散射校正后光谱的结晶度分析模型,并与全光谱范围350～2 500nm建立的偏最小二乘(PLS)模型进行比较。结果表明,三种改进偏最小二乘法建立的结晶度模型预测效果均优于PLS模型,并且当采用联合区间偏最小二乘法将全光谱进行30个子区间划分,选择三个子区间[8 12 19]组合时,建立的siPLS模型预测效果最好,相关系数(r)达到0.88,预测标准差(RMSEP)为0.0117。因此,采用联合区间偏最小二乘法可以有效选择建模光谱区域,提高模型预测能力,实现慈竹纤维素结晶度的快速预测。

关键词：近红外光谱联合区间偏最小二乘法慈竹结晶度

近红外光谱结合偏最小二乘法快速检测大黄鱼新鲜度

在线全文

学校读者我要写书评

暂无评论

中国食品学报 2013年第6期13卷 209-214页

作者：励建荣王丽张晓敏李洪军辽宁省食品安全重点实验室渤海大学辽宁锦州121013 西南大学食品科学学院重庆400715 浙江工商大学食品与生物工程学院杭州310035

将近红外光谱技术和化学计量学相结合分析大黄鱼新鲜度指标K值。大黄鱼原始光谱经多元散色校正,联合区间偏最小二乘法(siPLS)优化建模区域,建立新鲜度分析模型,并与经典偏最小二乘法模型和间隔偏最小二乘法模型相比较。结果表明,当采用... 详细信息

将近红外光谱技术和化学计量学相结合分析大黄鱼新鲜度指标K值。大黄鱼原始光谱经多元散色校正,联合区间偏最小二乘法(siPLS)优化建模区域,建立新鲜度分析模型,并与经典偏最小二乘法模型和间隔偏最小二乘法模型相比较。结果表明,当采用联合区间偏最小二乘法将全光谱划分为16个区间,2个子区间联合(2,3)时,建立的siPLS模型预测效果最好,其交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为3.63和3.49,校正集和预测集的相关系数分别为0.98059和0.91287。利用联合区间偏最小二乘算法,可有效地减少建模所用变量数,实现大黄鱼新鲜度的快速检测。

关键词：近红外光谱联合区间偏最小二乘法大黄鱼 K值

在线全文

学校读者我要写书评

暂无评论

茶皂素提取过程的原位实时监测技术

中国食品学报 2022年第11期22卷 326-334页

作者：张雪莉丁艳华马海乐洪晨张涛唐艳萍江苏大学食品与生物工程学院江苏镇江212013 湖南新金浩茶油股份有限公司湖南永州426100

采用近红外光谱技术结合化学计量学方法,实时原位监测茶皂素提取过程中的茶皂素质量浓度、蛋白质质量浓度和多糖质量浓度的变化。研究结果表明,一阶求导(1^(st)Der)为最优的光谱预处理方法,3个指标的校正集决定系数(R_(C))和预测集决定... 详细信息

采用近红外光谱技术结合化学计量学方法,实时原位监测茶皂素提取过程中的茶皂素质量浓度、蛋白质质量浓度和多糖质量浓度的变化。研究结果表明,一阶求导(1^(st)Der)为最优的光谱预处理方法,3个指标的校正集决定系数(R_(C))和预测集决定系数(R_(P))皆最高,交叉校验残差均方根误差(RMSECV)和预测残差均方根误差(RMSEP)最小。相较于偏最小二乘法(PLS)和区间偏最小二乘法(iPLS)算法对回归模型进行校正,以R_(P)和RMSEP为评价指标,联合区间偏最小二乘法(Si-PLS)算法下所建模型稳健性最佳。茶皂素浓度模型中的R_(P)=0.9889,RMSEP=1.36;蛋白质浓度的R_(P)=0.9859,RMSEP=0.354;多糖浓度的R_(P)=0.9919,RMSEP=0.359。结论:近红外光谱技术联合Si-PLS模型可较好的实时监测茶皂素提取过程。

关键词：油茶籽饼粕茶皂素近红外光谱原位监测联合区间偏最小二乘法

表面粗糙度对NIR预测落叶松基本密度的影响

在线全文

学校读者我要写书评

暂无评论

中南林业科技大学学报 2023年第5期43卷 169-177页

作者：王志远李耀翔张哲宇东北林业大学工程技术学院黑龙江哈尔滨150040

【目的】对不同表面粗糙度的落叶松木材光谱进行分析,建立适合不同表面粗糙度的近红外模型,为提高近红外模型预测木材密度精度和普适性提供理论依据。【方法】以黑龙江省星火林场落叶松木材为研究对象,对未打磨(M0)、150目打磨(M1)和32... 详细信息

【目的】对不同表面粗糙度的落叶松木材光谱进行分析,建立适合不同表面粗糙度的近红外模型,为提高近红外模型预测木材密度精度和普适性提供理论依据。【方法】以黑龙江省星火林场落叶松木材为研究对象,对未打磨(M0)、150目打磨(M1)和320目打磨样品(M2)的近红外光谱进行分析。分别采用11点移动平均平滑、基线校正(baseline)和SG平滑进行了光谱预处理以去除冗余光谱信息,采用人工选择、反向区间偏最小二乘法(BiPLS)和联合区间偏最小二乘法(SiPLS)完成波段优选,构建针对不同表面粗糙度的单一预测模型及包含3种表面粗糙度样品的近红外混合模型。【结果】M0样品包含的光谱信息要多于另外2种粗糙度,3种预处理方法中,SG平滑预处理的建模效果综合评价最好。基于3种波段优选方法分别建立M0、M1和M2的基本密度预测模型,SiPLS波段选择方法效果更好,对于M0、M1、M2这3种表面粗糙度样品,验证集相关系数R及均方根误差(R_(MSEP))分别为0.865 9和0.022 7、0.766 0和0.021 4、0.725 6和0.027 4。以3种不同粗糙度混合建立的SiPLS-混合预测模型,对于不同粗糙度样品的预测能力好于各粗糙度的单一模型,对于M0、M1、M2这3种表面粗糙度样品,模型的R_(MSEP)分别降低了11%、25%、5%。【结论】基于3种表面粗糙度所构建的近红外模型都可以实现木材密度的有效预测且采用SiPLS优选波段所建模型的预测精度为M0>M1> M2,SiPLS波段选择方法可以优化表面粗糙度对预测模型的影响,在此基础上建立的混合模型则使近红外预测模型更加具有普适性,为木材的分类优选及精细化利用提供了理论基础及技术支持。

关键词：近红外光谱基本密度表面粗糙度联合区间偏最小二乘法波段优选

利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2019年第5期39卷 1445-1450页

作者：邹小波封韬郑开逸石吉勇黄晓玮孙悦江苏大学食品与生物工程学院江苏镇江212013

小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感... 详细信息

小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感官评定,光谱分析可以识别样品中的分子结构等信息。基于此,尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦,再利用微波干燥法对两个不同产地的小麦做烘干预处理,使烘干的小麦水含量为12%±0.5%,原麦水含量为18%±0.5%。分别标记为原麦A,烘干A,原麦B,烘干B,再将小麦研磨成粉末,过100目筛网筛选后,置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息,在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理,利用主成分分析对预处理后的数据进行降维处理,再结合线性判别分析(linear discriminant analysis, LDA)和支持向量机(support vector machine, SVM)分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法(synergy interval partial least square, SiPLS)筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间,将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析(LDA)和支持向量机(SVM)建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析(LDA)和支持向量机(SVM)建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明,同种光谱分析方法,利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法,近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下,利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高,光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%,预测集识别率为97.50%;而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率,光谱数据融合之后建立的小麦识别模型识别率得到显著提高,该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率,结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。

关键词：小麦光谱分析技术联合区间偏最小二乘法线性判别分析支持向量机

在线全文

学校读者我要写书评

暂无评论

黄瓜叶片叶绿素含量近红外光谱无损检测

农业机械学报 2011年第5期42卷 178-182,141页

作者：石吉勇邹小波赵杰文毛罕平王开亮陈正伟江苏大学食品与生物工程学院镇江212013 江苏大学现代农业装备与技术省部共建教育部重点实验室镇江212013

为了简化黄瓜叶片叶绿素光谱模型和提高模型预测精度,采用联合区间偏最小二乘法(SiPLS)结合净分析物法(NAS)提取近红外光谱的特征信息,建立了黄瓜叶片叶绿素光谱模型。收集了110片新鲜黄瓜叶片,用近红外光谱仪采集光谱数据后立刻用化学... 详细信息

为了简化黄瓜叶片叶绿素光谱模型和提高模型预测精度,采用联合区间偏最小二乘法(SiPLS)结合净分析物法(NAS)提取近红外光谱的特征信息,建立了黄瓜叶片叶绿素光谱模型。收集了110片新鲜黄瓜叶片,用近红外光谱仪采集光谱数据后立刻用化学分析方法测定叶绿素含量。原始光谱经过SNV预处理和子区间总数优化后,将全光谱均匀划分为29个子区间,用联合区间偏最小二乘法优选出4个特征子区间,在上述特征子区间的基础上,用净分析物法分离光谱中同叶绿素相关的光谱信息,并结合线性回归法建立了叶绿素光谱模型。模型对应的校正集相关系数Rc、校正均方根误差、预测集相关系数Rp和预测均方根误差分别为0.947 2、0.079 5 mg/g、0.925 0和0.090 6 mg/g。结果表明:联合区间偏最小二乘法结合净分析物法能够有效提取叶绿素的特征光谱信息,提高模型精度的同时降低其复杂度。

关键词：黄瓜叶片叶绿素无损检测净分析物法联合区间偏最小二乘法近红外光谱

青砖茶品质近红外特征光谱筛选及预测模型建立

在线全文

学校读者我要写书评

暂无评论

食品科学 2020年第18期41卷 283-287页

作者：王胜鹏龚自明郑鹏程刘盼盼滕靖高士伟桂安辉湖北省农业科学院果树茶叶研究所湖北武汉430064

应用近红外光谱技术对青砖茶品质进行快捷、无损评价。在保证样品完整的条件下获取光谱信息,通过光谱预处理、联合区间偏最小二乘法筛选特征光谱区间后进行主成分分析,再建立品质分数的Jordan-Elman nets人工神经网络预测模型。最佳预... 详细信息

应用近红外光谱技术对青砖茶品质进行快捷、无损评价。在保证样品完整的条件下获取光谱信息,通过光谱预处理、联合区间偏最小二乘法筛选特征光谱区间后进行主成分分析,再建立品质分数的Jordan-Elman nets人工神经网络预测模型。最佳预处理方法为多元散射校正+二阶导数,特征光谱区间为4377.6~4751.7、4755.6~5129.7、6262.7~6633.9、7386~7756.3 cm^-1,特征光谱区间前3个主成分累计贡献率为99.15%,模型传递函数为tanh,模型对验证集样品的预测均方根误差为0.386,预测集决定系数为0.973;对未知样品品质的预测结果为:预测均方根误差0.393,预测集决定系数0.971。结果表明,在75.00~93.00分青砖茶品质范围内,应用近红外光谱和Jordan-Elman nets人工神经网络方法实现了对青砖茶品质的快速、准确评价。

关键词：青砖茶品质近红外光谱联合区间偏最小二乘法人工神经网络

特征变量筛选在近红外光谱测定绿茶汤中茶多酚的应用

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2011年第12期42卷 154-157,163页

作者：吴瑞梅岳鹏翔赵杰文黄星奕陈全胜江苏大学食品与生物工程学院镇江212013 江西农业大学工学院南昌330045 大闽食品(漳州)有限公司漳州363005

利用化学计量学方法从绿茶汤近红外光谱中提取茶多酚光谱信息,建立茶多酚近红外光谱定量分析模型。光谱采集使用5 mm光程的石英比色皿,利用联合区间偏最小二乘法(siPLS)筛选特征光谱区间,然后在筛选的光谱区间内进一步利用遗传算法(GA)... 详细信息

利用化学计量学方法从绿茶汤近红外光谱中提取茶多酚光谱信息,建立茶多酚近红外光谱定量分析模型。光谱采集使用5 mm光程的石英比色皿,利用联合区间偏最小二乘法(siPLS)筛选特征光谱区间,然后在筛选的光谱区间内进一步利用遗传算法(GA)优选特征变量。结果表明,siPLS筛选的特征光谱区间避开了水的强吸收峰影响,利用GA在筛选的特征光谱区间内优选出166个特征变量建立PLS模型,模型预测集均方根误差为0.685%,相对标准差为5.26%,相对分析误差为3.22,所建模型能达到精度要求,可用于实际检测。

关键词：茶多酚近红外光谱联合区间偏最小二乘法遗传算法

遗传模拟退火算法在玉米秸秆纤维素含量检测中的应用

在线全文

学校读者我要写书评

暂无评论

分析化学 2019年第12期47卷 1987-1994页

作者：谢欢陈争光黑龙江八一农垦大学电气与信息学院

利用近红外光谱分析方法预测了玉米秸秆纤维素的含量。针对近红外光谱的高维高相关性的特点,探讨在对玉米秸秆纤维素建立偏最小二乘(PLS)预测模型时的特征波长筛选问题。首先探讨了联合区间偏最小二乘法(SIPLS)和后向区间偏最小二乘法(B... 详细信息

利用近红外光谱分析方法预测了玉米秸秆纤维素的含量。针对近红外光谱的高维高相关性的特点,探讨在对玉米秸秆纤维素建立偏最小二乘(PLS)预测模型时的特征波长筛选问题。首先探讨了联合区间偏最小二乘法(SIPLS)和后向区间偏最小二乘法(BIPLS)的区间划分数对算法效果的影响。在SIPLS和BIPLS的基础上,利用遗传模拟退火算法(GSAA)进行二次特征波长筛选,进一步提高模型的预测精度和建模效率。结果表明:相对于PLS方法,3种算法单独使用均能够提高所建模型的预测精度,但是SIPLS、BIPLS两种算法的效果在很大程度上受区间划分数的影响。BIPLS模型的预测集均方根误差(RMSEP)虽然最小,但选择的变量数多达485个,影响模型的建模效率。在SIPLS和BIPLS的基础上,利用GSAA进行二次特征波长筛选,相较于BIPLS, BIPLS-GSAA模型的RMSEP虽略增大,但其输入变量减小到134个,而建模的主成分数也由11降为10个。相较于SIPLS, SIPLS-GSAA模型的输入变量仅为34个,预测精度得到了提升,实验结果表明,SIPLS-GSAA模型的预测效果最好。基于SIPLS和BIPLS上的GSAA对光谱数据进行二次筛选不仅能简化模型的输入,而且能有效提升模型的预测能力。

关键词：近红外光谱玉米秸秆纤维素联合区间偏最小二乘法遗传模拟退火算法