CN107356556A - 一种近红外光谱定量分析的双集成建模方法 - Google Patents

一种近红外光谱定量分析的双集成建模方法 Download PDF

Info

Publication number
CN107356556A
CN107356556A CN201710569312.8A CN201710569312A CN107356556A CN 107356556 A CN107356556 A CN 107356556A CN 201710569312 A CN201710569312 A CN 201710569312A CN 107356556 A CN107356556 A CN 107356556A
Authority
CN
China
Prior art keywords
sample
training
subset
quantitative analysis
submodel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710569312.8A
Other languages
English (en)
Inventor
卞希慧
邱建明
刘鹏
谭小耀
李明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201710569312.8A priority Critical patent/CN107356556A/zh
Publication of CN107356556A publication Critical patent/CN107356556A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种近红外光谱定量分析的双集成建模方法，具体步骤如下：收集一定数目的被测样品，采集样品的近红外光谱，采取一定的分组方式将数据分为训练集和预测集；利用蒙特卡罗采样法从训练集中选取一定数目的样品作为训练子集；采用萤火虫算法从该训练子集中进一步选取部分变量作为样品‑变量子集，建立偏最小二乘模型；多次迭代建立若干模型；对所有模型的结果进行简单平均得到最终预测结果。本发明采用双集成建模方法，提高了近红外光谱定量分析的预测精度及稳定性。本发明适用于化工、中药和食品等复杂样品的定量分析领域。

Description

一种近红外光谱定量分析的双集成建模方法
技术领域
本发明属于分析化学领域的化学计量学建模技术，具体涉及一种近红外光谱定量分析的双集成建模方法。
背景技术
近红外光谱技术具有分析速度快、操作简单、绿色无损等优势而广泛应用于农业、化工、制药、食品、环境保护等各个领域。但是复杂样品的近红外光谱吸收较弱，谱峰重叠严重，存在背景、噪音等干扰信息，并且易受测量条件、样品状态等的影响，因此需要借助化学计量学才能对复杂样品进行定量分析。采用化学计量学对未知样品进行定量分析时，预测结果的好坏主要依赖于模型的质量。因此建立高质量的模型是化学计量学的重要研究内容。
化学计量学常用的建模方法有多元线性回归、偏最小二乘回归法、人工神经网络等。这些传统建模方法仅采用一个最优的模型对未知样品预测，在样品数较少或干扰严重时预测精度和稳定性往往不能令人满意，因此发展了集成建模技术。集成建模技术就是从同一训练集中产生多个训练子集，然后利用这些训练子集建立多个子模型分别进行预测，并将多个预测结果通过一定的方式集成，得到一个最终预测结果。
大多数集成建模方法都从样品方向进行集成如bagging ELM(卞希慧，李淑娟，谭小耀，王江江，王治国，刘维国，陈宗蓬，王晨，极限学习机集成建模方法，2015，中国专利，ZL201510466504)，boosting PLS(卞希慧，刘巍，王秋男，谭小耀，郭玉高，一种近红外光谱的多模型建模方法，中国发明专利，2017，ZL201310537968.3)等，或从变量方向进行集成(C.Tan，Qin，M.Li，Subspace regression ensemble method based on variableclustering for near-infrared spectroscopic calibration，Analytical Letters，1009，42：1693-1710)。如果从样品和变量双方向同时进行集成，可进一步产生多样性的子模型，提高模型预测精度。
发明内容
本发明的目的是针对传统建模方法预测精度和稳定性低的问题，提出一种近红外光谱定量分析的双集成建模方法(蒙特卡罗-萤火虫算法-偏最小二乘法，MC-FA-PLS)，具体流程如图1所示，以提高对未知样品定量分析的预测精度及稳定性，为近红外光谱定量分析提供了一种新方法。
本发明利用蒙特卡罗采样法(MC)选取一定数量的样品作为训练子集，采用萤火虫算法(FA)从该训练子集中选取部分变量作为样品-变量子集，建立偏最小二乘模型(PLS)。多次迭代建立若干模型。对所有模型的结果进行简单平均得到最终预测结果。
为实现本发明所提供的技术方案包括以下步骤：
(1)收集一定数目的被测样品，采集样品的近红外光谱，用常规方法测定目标组分含量；采用一定的分组方式将数据分为训练集和预测集；
(2)利用蒙特卡罗采样法从训练集中选取一定数目的样品作为训练子集；
(3)进行萤火虫算法参数调优，采用萤火虫算法从训练子集中选取部分变量作为样品-变量子集；
(4)确定偏最小二乘因子数，建立偏最小二乘模型；
多次重复步骤(2)-(4)，建立T个模型；
(5)对所有模型的结果进行简单平均得到最终预测结果。
偏最小二乘因子数的确定方法为：因子数分别从1取25，间隔为1，利用公式(1)计算不同因子数下的交叉验证均方根误差(RMSECV)。采用蒙特卡罗交叉验证及F检验得到最佳的因子数。
m为样品总数，为第i个样品的预测值，yi为第i个样品的真实值。
本发明中，最佳波段数的确定方法为：将训练集光谱划分为5～30个波段数，波段间隔为5，分别计算在不同段数下的一系列预测均方根误差(RMSEP)。RMSEP值最小时对应的段数为最佳波段数。
本发明中，萤火虫算法最佳种群数的确定方法为：种群数n的取值范围为10～60，间隔为10，分别计算在不同种群数下的一系列RMSEP值。RMSEP值最小时对应的种群数为最佳种群数。
本发明中，萤火虫算法最佳环境吸光度的确定方法为：环境吸光度γ的取值范围为0.1～1.2，间隔为0.1，分别计算在不同环境吸光度下的一系列RMSEP值。RMSEP值最小时对应的环境吸光度为最佳环境吸光度。
本发明中，萤火虫算法最佳常数的确定方法为：常数α的取值范围为0.1～1，间隔为0.1，分别计算在不同常数下的一系列RMSEP值。RMSEP值最小时对应的常数为最佳常数。
本发明中，所述T个子模型的个数的确定方法为：给定一个足够大的子模型数目值，固定每个数据集的训练子集样品数为总样品数的50％，分别计算在不同子模型个数下的一系列RMSEP值，当RMSEP值几乎不变时所对应的子模型个数为所需的个数T。
本发明中，训练子集的样品数目的确定方法为：固定子模型个数，分别从训练集中选取其样品总数的10％～100％作为训练子集，间隔为5％，分别计算在不同训练子集下的一系列RMSEP值，RMSEP最小时对应的样品数目，即为所需的训练子集样品数。
本发明的优点是：该建模方法能有效地改善模型的预测能力，提高模型的预测精度及稳定性。本发明方法适用于石油、食品、中药等复杂样品的定量分析。
附图说明
图1是MC-FA-PLS的算法流程图
图2是三元混合物数据的RMSEP值随波段数的变化图
图3是三元混合物数据的RMSEP值随种群数n的变化图
图4是三元混合物数据的RMSEP值随环境吸光度γ的变化图
图5是三元混合物数据的RMSEP值随常数α的变化图
图6是三元混合物数据的RMSEP值随子模型个数的变化图
图7是三元混合物数据的RMSEP值随训练子集大小的变化图
图8是三元混合物数据的80个子模型选择的波长点分布图
图9是三元混合物数据采用MC-FA-PLS运行20次的预测值的平均值与真实值的关系图
图10是燃油数据的RMSEP值随子模型个数的变化图
图11是燃油数据的RMSEP值随训练子集大小的变化图
图12是燃油数据的80个子模型选择的波长点分布图
图13是燃油数据采用MC-FA-PLS运行20次的预测值的平均值与真实值的关系图
具体实施方式
为更好理解本发明，下面结合实施例对本发明做进一步地详细说明，但是本发明要求保护的范围并不局限于实施例所表示的范围。
实施例1：
本实施例是应用近红外光谱数据分析，对乙醇、水和异丙醇的三元混合物样品中异丙醇含量的测定，具体步骤如下：
(1)收集95个乙醇、水和异丙醇的三元混合物样品，采集三元混合物的近红外光谱数据，光谱范围850-1049nm，间隔1nm，包含200个数据点，光谱采用HP-8453分光光度计测定。采用网站上对数据集的划分的描述，65个样品用作训练集，30个样品用作预测集；
(2)利用蒙特卡罗采样法从训练集中选取一定数目的样品作为训练子集；
(3)进行萤火虫算法参数调优，采用萤火虫算法从训练子集中选取部分变量作为样品-变量子集；
(4)确定偏最小二乘因子数，建立偏最小二乘模型；
多次重复步骤(2)-(4)，建立T个模型；
(5)通过对所有模型的结果进行简单平均得到最终预测结果。
偏最小二乘因子数的确定方法为：因子数分别从1取25，间隔为1，利用公式(1)计算不同因子数下的RMSECV。采用蒙特卡罗交叉验证及F检验得到最佳的因子数，
m为样品总数，为第i个样品的预测值，yi为第i个样品的真实值。计算得因子数为7。
最佳波段数的确定方法为：将训练集光谱划分为5～30个波段数，波段间隔为5，分别计算在不同段数下的一系列RMSEP。RMSEP值最小时对应的波段数为最佳波段数。该实施例中RMSEP值随着波段数的变化如图2所示，当波段数为10时，RMSEP值最小，故本实施例的最佳波段数为10。
萤火虫算法最佳种群数的确定方法为：种群数n的取值范围为10～60，间隔为10，分别计算在不同种群数下的一系列RMSEP值。RMSEP值最小时对应的种群数为最佳种群数。该实施例中RMSEP值随着种群数的变化如图3所示，当种群数为20时，RMSEP值最小，故本实施例的最佳种群数为20。
萤火虫算法最佳环境吸光度的确定方法为：环境吸光度γ的取值范围为0.1～1.2，间隔为0.1，分别计算在不同环境吸光度下的一系列RMSEP值。RMSEP值最小时对应的环境吸光度为最佳环境吸光度。该实施例中RMSEP值随着环境吸光度的变化如图4所示，当环境吸光度为0.7时，RMSEP值最小，故本实施例的最优环境吸光度为0.7。
萤火虫算法最佳常数的确定方法为：常数α的取值范围为0.1～1，间隔为0.1，分别计算在不同常数下的一系列RMSEP值。RMSEP值最小时对应的常数为最佳常数。该实施例中RMSEP值随着常数的变化如图5所示，当常数为0.3时，RMSEP值最小，所故本实施例的最佳常数为0.3。
所述T个子模型的个数的确定方法为：固定每个数据集的训练子集样品数为总样品数的50％，给定100个子模型数目值，分别计算在不同子模型个数下的一系列RMSEP值，RMSEP值几乎不变时对应的子模型个数为所需建立的子模型个数。该实施例中RMSEP值随着子模型个数的变化如图6所示，当子模型个数为80以后，RMSEP值几乎不变，即所需建立的子模型个数为80。
训练子集的样品数目的确定方法为：固定子模型个数80，分别从训练集中选取其按样品数的10％～100％作为训练子集，间隔为5％，分别计算在不同训练子集下的一系列RMSEP值，RMSEP最小时对应的样品数目，即为所需的训练子集样品数。该实施例中RMSEP值随着训练子集样品百分数的变化如图7所示，当训练子集样品数达到训练样品总数的85％时，RMSEP值最小，故选取训练子集样品数为总样品数的85％。
图8显示了该实施例80个子模型选择的波长点分布图。从图中可以看出，所有子模型选择的波长点大部分相同，但每个子模型选择的波长点又有差异性，保证了子模型的多样性。MC-FA-PLS模型的对预测集预测的相关系数为0.9922，而PLS模型的对预测集预测的相关系数为0.9919。通过比较可以得出MC-FA-PLS具有更好的预测精度。对FA-PLS和MC-FA-PLS分别重复运行20次，FA-PLS的标准偏差为0.017，MC-FA-PLS的标准偏差为0.012，通过比较可以得出MC-FA-PLS的稳定性优于FA-PLS。图9显示了对MC-FA-PLS重复进行20次运算对预测及预测的平均预测值与真实值的关系，从图中可以看出MC-FA-PLS的预测准确度高，稳定性好。
实施例2
本实施例是应用近红外光谱数据分析，对燃油样品密度的测定，具体步骤如下：
1)收集263个燃油样品，采集燃油样品的近红外光谱数据。光谱范围750-1550nm，采样间隔2nm，包含400个数据点，根据美国测试和材料协会(American Society ofTesting and Materials，ASTM)的标准分别测定，下载网址：http：//software.eigenvector.com/Data/SWRI/index.html。采用网站上对数据集划分的描述，142个样品用作训练集，121个样品用作预测集；
(2)利用蒙特卡罗采样法从训练集中选取一定数目的样品作为训练子集；
(3)进行萤火虫算法参数调优，采用萤火虫算法从训练子集中选取部分变量作为样品-变量子集；
(4)确定偏最小二乘因子数，建立偏最小二乘模型；
多次重复步骤(2)-(4)，建立T个模型；
(5)通过对所有模型的结果进行简单平均得到最终预测结果。
偏最小二乘因子数的确定方法为：因子数分别从1取25，间隔为1，利用公式(1)计算不同因子数下的RMSECV。采用蒙特卡罗交叉验证及F检验得到最佳因子数，
m为样品总数，为第i个样品的预测值，yi为第i个样品的真实值。计算得因子数为9。
最佳波段数的确定方法为：将训练集光谱划分为5～30个波段数，波段间隔为5，分别计算在不同波段数下的一系列RMSEP。RMSEP值最小时对应的波段数为最佳波段数。该实施例中观察RMSEP随着波段数的变化，当波段数为20时，RMSEP值最小，故本实施例的最佳波段数为20。
萤火虫算法最佳种群数的确定方法为：种群数n的取值范围为10～60，间隔为10，分别计算在不同种群数下的一系列RMSEP值。RMSEP值最小时对应的种群数为最佳种群数。该实施例中观察RMSEP值随着种群数的变化，当种群数为40时，RMSEP值最小，故本实施例的最佳种群数为40。
萤火虫算法最佳环境吸光度的确定方法为：环境吸光度γ的取值范围为0.1～1.2，间隔为0.1，分别计算在不同环境吸光度下的一系列RMSEP值。RMSEP值最小时对应的环境吸光度为最佳环境吸光度。该实施例中观察RMSEP值随着环境吸光度的变化，当环境吸光度为0.9时，RMSEP值最小，故本实施例的最佳环境吸光度为0.9。
萤火虫算法最佳常数的确定方法为：常数α的取值范围为0.1～1，间隔为0.1，分别计算在不同常数下的一系列RMSEP值。RMSEP值最小时对应的常数为最佳常数。该实施例中观察RMSEP值随着常数的变化，当常数为0.5时，RMSEP值最小，故本实施例的最佳常数为0.5。
所述T个子模型的个数的确定方法为：固定每个数据集的训练子集样品数为总样品数的50％，给定100个子模型数目值，分别计算在不同子模型个数下的一系列RMSEP值，RMSEP值几乎不变时对应的子模型个数为所需建立的子模型个数。该实施例中RMSEP值随着子模型个数的变化如图10所示，当子模型个数为80以后，RMSEP值几乎不变，即所需建立的子模型个数为80。
训练子集的样品数目的确定方法为：固定子模型个数80，分别从训练集中选取其按样品数的10％～100％作为训练子集，间隔为5％，分别计算在不同训练子集下的一系列RMSEP值，RMSEP最小时对应的样品数目，即为所需的训练子集样品数。该实施例中RMSEP值随着训练子集样品百分数的变化如图11所示，当训练子集样品数达到训练样品总数的80％时，RMSEP值最小，故选取训练子集样品数为总样品数的80％。
图12显示了该实施例80个子模型选择的波长点分布图。从图中可以看出，所有子模型选择的波长点大部分相同，但每个子模型选择的波长点又有差异性，保证了子模型的多样性。MC-FA-PLS模型的对预测集预测的相关系数为0.9856，而PLS模型的对预测集预测的相关系数为0.9687。通过比较可以得出MC-FA-PLS具有更好的预测精度。对FA-PLS和MC-FA-PLS分别重复运行20次，FA-PLS的标准偏差为0.0019，MC-FA-PLS的标准偏差为0.0017，通过比较可以得出MC-FA-PLS的稳定性优于FA-PLS。图13显示了对MC-FA-PLS重复进行20次运算对预测及预测的平均预测值与真实值的关系，从图中可以看出MC-FA-PLS的预测准确度高，稳定性好。

Claims (3)

1.一种近红外光谱定量分析的双集成建模方法，其特征在于具体步骤为：
(1)收集一定数目的被测样品，采集样品的近红外光谱，采用常规方法测定目标组分含量；采取一定的分组方式将数据分为训练集和预测集；
(2)利用蒙特卡罗采样法从训练集中选取一定数目的样品作为训练子集；
(3)进行萤火虫算法参数调优，采用萤火虫算法从训练子集中选取部分变量作为样品-变量子集；
(4)确定偏最小二乘因子数，建立偏最小二乘模型；
多次重复步骤(2)-(4)，建立T个模型；
(5)对所有模型的结果进行简单平均得到最终预测结果。
2.根据权利要求1所述的一种近红外光谱定量分析的双集成建模方法，其特征在于：所述T个子模型的个数的确定方法为：给定一个足够大的子模型数目值，固定每个数据集的训练子集样品数为总样品数的50％，分别计算在不同子模型个数下的一系列RMSEP值，当RMSEP值几乎不变时对应的子模型个数为所需的子模型个数T。
3.根据权利要求1所述的一种近红外光谱定量分析的双集成建模方法，其特征在于：所述训练子集的样品数目的确定方法为：固定子模型个数，按样品数的10％～100％，间隔为5％，分别计算在不同训练子集下的一系列RMSEP值，RMSEP最小对应的样品数目为所需的训练子集样品数。
CN201710569312.8A 2017-07-10 2017-07-10 一种近红外光谱定量分析的双集成建模方法 Pending CN107356556A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710569312.8A CN107356556A (zh) 2017-07-10 2017-07-10 一种近红外光谱定量分析的双集成建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710569312.8A CN107356556A (zh) 2017-07-10 2017-07-10 一种近红外光谱定量分析的双集成建模方法

Publications (1)

Publication Number Publication Date
CN107356556A true CN107356556A (zh) 2017-11-17

Family

ID=60291958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710569312.8A Pending CN107356556A (zh) 2017-07-10 2017-07-10 一种近红外光谱定量分析的双集成建模方法

Country Status (1)

Country Link
CN (1) CN107356556A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021036546A1 (zh) * 2019-08-29 2021-03-04 山东科技大学 基于有偏估计的近红外定量分析模型构建方法
CN112924413A (zh) * 2021-01-27 2021-06-08 四川长虹电器股份有限公司 预测酒糟成分的方法
CN113607683A (zh) * 2021-08-09 2021-11-05 天津九光科技发展有限责任公司 一种近红外光谱定量分析的自动建模方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735642A (zh) * 2012-07-12 2012-10-17 河北大学 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法
CN103528990A (zh) * 2013-10-31 2014-01-22 天津工业大学 一种近红外光谱的多模型建模方法
CN105117525A (zh) * 2015-07-31 2015-12-02 天津工业大学 Bagging极限学习机集成建模方法
CN105203498A (zh) * 2015-09-11 2015-12-30 天津工业大学 一种基于lasso的近红外光谱变量选择方法
CN106529008A (zh) * 2016-11-01 2017-03-22 天津工业大学 一种基于蒙特卡罗及lasso的双集成偏最小二乘建模方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735642A (zh) * 2012-07-12 2012-10-17 河北大学 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法
CN103528990A (zh) * 2013-10-31 2014-01-22 天津工业大学 一种近红外光谱的多模型建模方法
CN105117525A (zh) * 2015-07-31 2015-12-02 天津工业大学 Bagging极限学习机集成建模方法
CN105203498A (zh) * 2015-09-11 2015-12-30 天津工业大学 一种基于lasso的近红外光谱变量选择方法
CN106529008A (zh) * 2016-11-01 2017-03-22 天津工业大学 一种基于蒙特卡罗及lasso的双集成偏最小二乘建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘泽蒙 等: ""基于离散萤火虫算法的近红外波长优选方法研究"", 《光谱学与光谱分析》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021036546A1 (zh) * 2019-08-29 2021-03-04 山东科技大学 基于有偏估计的近红外定量分析模型构建方法
CN112924413A (zh) * 2021-01-27 2021-06-08 四川长虹电器股份有限公司 预测酒糟成分的方法
CN113607683A (zh) * 2021-08-09 2021-11-05 天津九光科技发展有限责任公司 一种近红外光谱定量分析的自动建模方法

Similar Documents

Publication Publication Date Title
CN103528990B (zh) 一种近红外光谱的多模型建模方法
CN104062257B (zh) 一种基于近红外光谱测定溶液中总黄酮含量的方法
CN105388123B (zh) 一种由近红外光谱预测原油性质的方法
CN107817223A (zh) 快速无损实时预测原油性质模型的构建方法及其应用
CN106529008B (zh) 一种基于蒙特卡罗及lasso的双集成偏最小二乘建模方法
CN101413885A (zh) 一种快速定量蜂蜜品质的近红外光谱方法
CN105300923A (zh) 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法
CN102590129B (zh) 近红外检测花生中氨基酸含量的方法
Huang Chemometric methods in analytical spectroscopy technology
CN101825567A (zh) 一种近红外光谱和拉曼光谱波长的筛选方法
CN106650926B (zh) 一种稳健的boosting极限学习机集成建模方法
CN104020127A (zh) 一种利用近红外光谱快速测量烟叶中无机元素的方法
CN109324013A (zh) 一种利用高斯过程回归模型构建原油性质近红外快速分析的方法
CN108956583A (zh) 用于激光诱导击穿光谱分析的特征谱线自动选择方法
Li et al. Nondestructive detection of frying times for soybean oil by NIR-spectroscopy technology with Adaboost-SVM (RBF)
CN107356556A (zh) 一种近红外光谱定量分析的双集成建模方法
CN106950192A (zh) 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法
Wang et al. Onsite nutritional diagnosis of tea plants using micro near-infrared spectrometer coupled with chemometrics
CN115993344A (zh) 一种近红外光谱分析仪质量监测分析***及方法
CN102128805A (zh) 果品近红外光谱波长选择和快速定量分析方法及装置
CN106018331A (zh) 多通道光谱***的稳定性评价方法及预处理优化方法
CN102854151B (zh) 一种光谱分析中样品集划分的化学计量学方法
CN107271389B (zh) 一种基于指标极值的光谱特征变量快速匹配方法
Yang et al. Feasibility of terahertz spectroscopy for hybrid purity verification of rice seeds
CN103134770A (zh) 消除水分对近红外光谱检测土壤全氮含量影响的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Bian Xihui

Inventor after: Wu Xinyan

Inventor after: Qiu Jianming

Inventor after: Liu Peng

Inventor after: Tan Xiaoyao

Inventor after: Li Ming

Inventor before: Bian Xihui

Inventor before: Qiu Jianming

Inventor before: Liu Peng

Inventor before: Tan Xiaoyao

Inventor before: Li Ming

CB03 Change of inventor or designer information
RJ01 Rejection of invention patent application after publication

Application publication date: 20171117

RJ01 Rejection of invention patent application after publication