论文部分内容阅读
近红外(NIR)光谱具有实时、快速且无损检测的多方面优点,已被成功应用于很多领域。光谱定量分析是基于样品的光谱信息,采用计算机数学建模的方法对样品进行成分测定的方法。常用的建模分析方法主要有:主成分分析法(PCA)、偏最小二乘法(PLS)、移动窗口偏最小二乘法(MW-PLS)、人工神经网络(ANNs)与支持向量回归分析(SVR)方法等。建模时,获取高性噪比的特征波长既是重点,也是难点。本文基于等间隔偏最小二乘法(EC-PLS),提出了可用于样品多指标协同分析的NIR定量数学模型,并成功应用于玉米粗蛋白、水分和粗脂肪多成分协同定量分析。收集到玉米样品156个,提出一种具有随机性和代表性的定标、预测与检验框架,全体样品被随机划分为建模集与检验集。定标集被用于确定模型参数;预测集被用于评估模型的预测效果;最优模型参数根据预测效果确定;最后利用不参与建模过程的检验集对优选出的模型进行检验。在此基础上,对等间隔偏最小二乘法(EC-PLS)进行改进,分别建立玉米粗蛋白、水分和粗脂肪的高性噪比近红外定量独立分析与协同分析模型,并进行对比分析。采用随机挑选的检验样品(不参与建模过程的样品集)对优选出来的四个模型进行检验。对于最优独立分析模型,近红外粗蛋白的预测均方根误差(V_SEP)、预测相关系数(V_RP)与相对预测均方根误差(V_RSEP)分别为0.271%,0.946和2.8%;水分的V_SEP,V_RP与V_RSEP分别为0.275%,0.936和2.6%;粗脂肪的V_SEP,V_RP与V_RSEP分别为0.183%,0.924和4.5%。对于最优协同分析模型,近红外粗蛋白的预测均方根误差(V_SEP)、预测相关系数(V_RP)与相对预测均方根误差(V_RSEP)分别为0.302%,0.934和3.2%;水分的V_SEP,V_RP与V_RSEP分别为0.280%,0.935和2.7%;粗脂肪的V_SEP,V_RP与V_SEP分别为0.228%,0.910和5.6%。结果表明:近红外方法预测值与常规方法实测值的吻合性与相关性较高,且具备无需试剂和快速简便的优点,并适合大规模农业生产的检测需求。本文提出的波长模型成功应用于农作物或饲料多指标的定量测定,也为设计小型、专用且低成本的近红外光谱仪器提供有价值的参考。