NIR光谱结合EC-PLS建立玉米多个品质指标的协同分析模型

摘要

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。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 前 言

1.1 研究背景及意义

1.2 国内外研究现状

1.3研究的理论基础

第二章 实验与方法

2.1玉米样品理化值测定

2.2 玉米样品的NIR光谱采集

2.3 化学计量学简介

2.4 偏最小二乘法（PLS）

2.5 等间隔偏最小二乘法（EC-PLS）

2.6 独立分析与协同分析模型

2.7 定标、预测与检验框架

2.8 模型评价指标

第三章 结果与讨论

3.1样品集划分

3.2 Full PLS模型及其预测效果

3.3 EC-PLS模型及其预测效果

3.4独立分析模型及其预测效果

3.5协同分析模型及其预测效果

3.6模型检验

第四章 总结

参考文献

在校期间发表论文

致谢