在近红外光谱定量分析中, 由近红外光谱数据的高维特点引起的复共线性, 是利用化学计量方法建模经常遇到的问题, 可利用一种新的逆回归方法处理这一问题。 该方法首先利用自变量X和因变量Y的相关性质降维, 找到真正与回归函数有关的X的线性组合, 再利用新找到的低维变量估计回归函数。 文中以103个玉米样品为实验材料, 随机选择其中70个玉米样品中蛋白质含量的近红外光谱建立定量分析模型, 随后利用该模型预测剩余33个样品的蛋白质含量, 预测值和化学测量值的相关系数(R)为0.986, 平均相对误差为2.1%, 而偏最小二乘回归建模得到的对应结果分别为0.978和2.5%, 结果表明新方法比偏最小二乘有更好的表现。 为进一步考察该方法建模的稳定性, 对样品进行了6次随机分组, 并分别用逆回归方法和偏最小二乘法建模、 预测并计算预测值与化学测量值的相关系数和相对误差, 结果显示六次预测的结果表现出较好的稳定性, 并且都优于或至少与偏最小二乘方法相近。 逆回归方法利用自变量X和因变量Y的相关性质寻找与回归函数真正有关的自变量组合, 为建立近红外光谱定量分析校正模型提供了一种新的思路。

Elastic net是对最小二乘方法的一种改进, 在最小二乘法的基础上增加了Ｌ１和Ｌ2惩罚, 具有变量选择和模型可提高预测精度的良好性质。 此研究以89个小麦样品为实验材料, 通过Elastic net方法优选光谱主成分, 建立近红外光谱与小麦中蛋白质含量之间的定量分析模型, 考证了Elastic net优选主成分建立定量分析模型的可行性。 实验中将89个小麦样品随机分成两组, 60个样品做建模集, 其余29个做预测集。 60个样品所建模型预测29个样品的蛋白质含量, 预测值和化学测量值间的相关系数(r)为0.9849, 平均相对误差为2.48%。 为进一步考察该方法建模的可行性和稳定性, 对89个样品分别进行5次随机划分, 60个样品做为建模集, 29个样品做为预测集, 5次建模所选光谱的主成分基本一致; 同时与PCR和PLS方法作对比, 结果显示5次所建模型的预测效果明显好于PCR, 且与PLS方法相近。 鉴于Elastic net具有变量选择的功能, 且所建模型具有较好的预测效果, 表明该方法是一种可行的建立化学计量学定量分析模型的方法。

以66个小麦样品为试验材料, 研究岭回归方法在近红外光谱定量分析中的应用。 用44个小麦样品的近红外光谱数据建立测定蛋白质含量的近红外-岭回归模型, 预测其余22个小麦样品的蛋白质含量。 预测结果与凯氏定氮法分析结果(化学分析值)的平均相对误差为1.518%, 与偏最小二乘法(PLS)预测结果进行比较, 显示岭回归方法可用于近红外光谱定量分析; 进一步, 为了减少无关信息对定量分析模型预测能力的干扰, 一种有效的方法就是进行波长信息的选择。 从1 297个波长点中优选出4个波长点, 利用这4个波长点处的光谱信息建立近红外-岭回归模型预测22个样品的蛋白质含量, 预测结果与凯氏定氮法分析结果之间的平均相对误差为1.37%, 相关系数达到0.981 7。 结果表明岭回归方法从大量光谱信息中筛选出了最重要的波长信息、 不仅简化了模型, 有效的减少了光谱信息共线性的干扰, 而且对特定分析选择出适用的波长对指导设计专用近红外定量分析仪器亦有实际意义。

介绍了运用有监督主成分回归法建立近红外光谱定量分析模型的原理和方法。 利用该方法先进行近红外光谱定量分析建模的波长信息选择, 达到降低光谱数据维数的目的, 然后建立数学模型, 并用其分析预测集样品。 文中以66个小麦样品为实验材料, 随机选择其中40个样品建立小麦样品中蛋白质含量的近红外光谱定量分析模型, 首先优选出4个波长点: 4 632, 4 636, 5 994, 5 997 cm-1, 利用这4个波长点处光谱信息建立主成分回归模型预测26个样品的蛋白质含量, 其结果与凯氏定氮法分析结果的相关系数为0.991, 平均相对误差为1.5%。 该方法从大量光谱数据中筛选出最重要的部分波长信息, 实现了“少而精”的波长点选择, 对建立抗共线性信息干扰的光谱定量分析模型, 同时对指导专用近红外分析仪器设计中波长点的选择等方面都有一定的意义。