1 陕西科技大学电气与控制工程学院, 陕西 西安 710021
2 陕西科技大学电子信息与人工智能学院, 陕西 西安 710021
红参中提取出的有效活性成分人参皂苷含量对后续产品的质量有重要的影响。 传统的红参提取质量控制化学检测方法成本高, 具有滞后性。 已有的研究表明快速无损的近红外检测方法用于红参提取过程具有可行性, 但现有方法依赖仪器自带数据处理软件, 无法满足生产实际的精度和速度需求。 为实现红参提取过程的快速、 精确监测, 提出将多种智能光谱筛选算法应用在近红外光谱建模中, 并对比不同光谱筛选算法的性能和稳健性。 以红参提取液中含量高的人参皂苷Rg1和含量较低的人参皂苷Rc为目标, 采集了三个不同批次前两次红参提取液样本128份, 在线获取1 000~2 499 nm波段近红外原始光谱吸光度数据, 并同时采用国标方法高效液相色谱法测定目标人参皂苷含量, 首先采用竞争适应性重加权采样法(CARS)、 无信息变量消除法(UVE)、 随机蛙跳算法(RF)和连续投影算法(SPA)四种波长筛选算法进行波长降维处理, 然后使用筛选后的波长建立线性偏最小二乘(PLS)定量模型, 并通过模型的均方根误差(RMSE)、 决定系数(R2)和预测相对分析误差(RPD)等来评估模型的性能。 从四种波长优选算法PLS建模结果可知, 经RF优选后, 建模特征波长变量下降为原来的0.67%, 红参提取液中人参皂苷Rg1和Rc含量的R2都达到了0.94以上, 预测均方误差分别为0.024 6和0.013 5, 预测集相对分析误差达到了4.84以上, 降低了建模的难度, 提高了建模的精度; 将RF和CARS在原始光谱、 全光谱、 SNV预处理后的全光谱上建模对比, RF波长筛选算法建模模型的性能整体较好, 不同的光谱范围和预处理方法下性能影响较小, 稳健性好。 综上表明RF是红参提取液建模相对理想的波长筛选算法, 基于RF的PLS算法实现了对红参两次提取液的一次建模, 可用于提取液中人参皂苷成分含量的快速检测, 为药物的在线提取控制提供理论支撑。
近红外光谱 红参提取 随机蛙跳 稳健性 人参皂苷 Near infrared spectroscopy Red ginseng extraction RF Robustness Ginsenoside 光谱学与光谱分析
2021, 41(8): 2443
1 桂林电子科技大学电子工程与自动化学院, 广西 桂林 541004
2 桂林电子科技大学计算机科学与工程学院, 广西 桂林 541004
3 清华大学分析中心, 北京 100084
偏最小二乘(PLS)算法是常用的光谱建模算法, 然而对于海量光谱处理情形, 在单台计算机上建模及优化时间开销很大。 基于MapReduce编程模式, 提出了并行MapReduce PLS回归算法, 包括并行数据标准化和并行主成分提取两个过程。 在多台普通计算机上搭建Hadoop云计算集群平台, 以近红外光谱处理为例, 开展了算法验证实验。 实验结果表明, 基于MapReduce编程模式的并行PLS算法对海量近红外光谱数据集进行回归建模时, 能有效提高建模速度, 随计算机台数的增多可得到接近线性的加速比, 并具有良好的扩展性。
并行偏最小二乘 近红外光谱 并行计算 云计算 Parallel partial least squares Near infrared spctrum MapReduce MapReduce Parallel computing Hadoop Hadoop Cloud computing 光谱学与光谱分析
2012, 32(9): 2399
1 桂林电子科技大学电子工程与自动化学院, 广西 桂林541004
2 桂林电子科技大学计算机科学与工程学院, 广西 桂林541004
3 江西中医学院药学院, 江西 南昌330004
4 清华大学分析中心, 北京100084
近红外光谱（NIRS）广泛应用于生产过程分析与监测, 常需事先建立定量校正或定性判别模型, 并需在生产条件变化后调整模型, 使用较复杂。 本文从相异度和相似度两个对立互补的角度, 提出自适应移动窗口标准差法和过程光谱相似度法, 并以此为基础建立一种针对生产过程的无需校正模型的简易光谱在线监测方法。 论文以中药柱层析过程为例, 对监测过程作NIRS自适应移动窗口标准差趋势图和过程光谱相似度趋势图, 并通过HPLC离线分析所得的多指标成分含量变化趋势图进行对比验证, 发现可用于工艺状况实时监测, 指导收集起点、 终点、 溶液相变点的判断, 表明论文提出的方法合理可行。 该方法亦可用于紫外/可见、 红外、 拉曼、 荧光等光谱及色谱、 质谱等其他过程分析技术。
近红外光谱 过程在线监测 自适应移动窗口标准差 过程光谱相似度 柱层析 Near infrared spectroscopy Online process monitoring Adaptive moving window standard deviation Process spectroscopy similarity function Column chromatography 光谱学与光谱分析
2012, 32(5): 1247
