利用近红外光谱在不同光程下对山茶油中掺杂大豆油的掺伪量进行定量检测研究,着重分析光程对掺伪量检测精度的影响.将大豆油按一定质量分数掺入山茶油获取实验样本,掺伪质量分数范围为1%～50%.利用QualitySpec型光谱仪采集样本在不同光程(1,2,4,10 mm)下的透射光谱,通过对比不同建模方法、预处理方法及建模波段范围所建立的掺伪量定量预测模型,分析光程对掺伪量检测精度的影响.研究结果表明,光程由1 mm增加到4 mm时,掺伪量定量预测模型性能随着光程的增加而逐渐变好,检测精度逐步提高;光程由 4 mm增加到10 mm时,掺伪量定量预测模型性能变差,检测精度下降,4 mm为较优的光程.在1,2,4和10 mm下所建立的较优掺伪量定量预测模型的预测集决定系数(R2P)和预测均方根误差(RMSEP)分别为0.923,0.977,0.989,0.962和4.58%,2.54%,1.72%,3.20%。

为建立预测能力高、 稳定性强的可见/近红外漫透射光谱无损检测黄花梨可溶性固形物(SSC)数学模型, 对比各种预处理方法、 变量优选方法、 快速独立主成分分析(FICA)以及最小二乘支持向量机(LS-SVM)对黄花梨SSC模型的影响, 得出最佳的组合方法用于建立黄花梨可溶性固形物(SSC)预测模型。 采用Quality Spec型光谱仪采集550~950 nm波段范围内的黄花梨漫透射光谱并采用遗传算法、 连续投影算法和CARS(competitive adaptive reweighted sampling)三种方法筛选黄花梨可溶性固形物的光谱特征变量, 再结合FICA提取光谱主成分, 最后采用LS-SVM建立黄花梨的SSC预测模型。 结果显示, 采用CARS筛选的21个变量, 经FICA挑选出12个主成分数, 联合LS-SVM所建立的CARS-FICA-LS-SVM黄花梨SSC预测模型性能最佳, 建模集和预测集的决定系数及均方根误差分别为0.974, 0.116%和0.918, 0.158%, 同直接采用PLS方法建模相比, 变量数从401个下降到21, 主成分数由14下降到12, 建模集和预测集决定系数分别上升了0.023, 0.019, 而建模和预测均方根误差分别下降了0.042%和0.010%。 CARS-FICA-LS-SVM建立黄花梨SSC预测模型能够有效地简化预测模型并提高预测模型精度。

利用可见-近红外光谱技术联合变量选择新方法对南丰蜜桔的可溶性固形物(SSC)进行快速无损检测研究, 以简化南丰蜜桔SSC预测模型和提高预测模型性能。 试验共采用300个南丰蜜桔样本, 校正集、 验证集及预测集样本分别为150, 75和75个。 采用QualitySpec型光谱仪在350~1 000 nm波段范围内采集样本光谱, 利用无信息变量消除(UVE)剔除无用信息波长变量, 再采用独立成分分析(ICA)提取光谱的独立成分, 最后应用最小二乘支持向量机(LS-SVM)建立南丰蜜桔的SSC预测模型, 并利用未参与建模的预测集样本对模型进行评价。 研究结果表明, 可见-近红外光谱技术联合UVE-ICA- LS-SVM对南丰蜜桔的SSC检测精度高。 UVE-ICA可以有效剔除无用信息波长变量, 提取特征光谱信息, 简化预测模型及提高预测模型性能。 UVE-ICA- LS-SVM所建立的南丰蜜桔SSC预测模型性能优于PLS, PCA-LS-SVM及ICA-LS-SVM预测模型, 其校正集、 验证集及预测集的决定系数和均方根误差分别为0.978, 0.230%, 0.965, 0.301%及0.967, 0.292%。