共查询到20条相似文献，搜索用时 15 毫秒
1.
本研究利用近红外光谱通过人工神经网络(Artificial neural network, ANN)建立狼尾草属(Pennisetum Rich)牧草水分、粗蛋白、木质素、酸性/中性洗涤纤维及灰分含量的预测模型。结果表明：基于人工神经网络的狼尾草属牧草品质预测模型总体优于全光谱偏最小二乘法(PLS)模型效果。在人工神经网络的方向传播(BP)网络模型中,6项表征牧草品质指标的校正均方根误差(RMSEC)、预测均方根误差(RMSEP)均显著低于PLS模型,同时校正集决定系数(R■)、预测集决定系数(R■)显著提高,除灰分含量预测不理想外,其他预测效果均理想。同时人工神经网络的BP网络对于近红外光谱的非线性数据具有良好的拟合能力,其预测模型对于指导狼尾草属牧草品质预测和分级管理研究具有广阔的应用前景。 相似文献
2.
为了探讨利用近红外漫反射光谱技术(NIDRS)快速定量分析饲料添加剂L-赖氨酸硫酸盐中L-赖氨酸含量的可行性,本试验在全国范围内收集了具有代表性的L-赖氨酸硫酸盐添加剂76个,采用国家标准方法对样品中的L-赖氨酸含量进行化学赋值;用光栅型近红外光谱仪扫描L-赖氨酸硫酸盐样品,获取了不同物理状态下样品的近红外光谱图。依据L-赖氨酸含量将样品分为定标集和验证集,运用适当的光谱预处理方法,采用竞争性自适应重加权(CARS)算法结合偏最小二乘法(PLS)建立了L-赖氨酸硫酸盐的近红外定标分析模型,并将该模型与全波长模型进行了比较。结果表明:用烘干、60目粉碎后的样品结合CARS算法建立的定标模型最优,定标集校正决定系数(R2C)为0.954,校正集标准偏差(SEC)为0.510,交互验证标准偏差(SECV)为0.659;验证集预测决定系数(R2P)为0.952,预测标准偏差(SEP)为0.554,相对分析误差(RPD)值为3.83。由此可见,NIDRS定量分析L-赖氨酸硫酸盐具有一定可行性,对于丰富我国氨基酸盐及其他氨基酸制品的快速检测方法具有实际的应用意义。 相似文献
3.
本研究采用近红外光谱法快速测定羊草（Leymus chinensis）中的常规营养成分,利用无信息变量消除法（unknown variable elimination,UVE）、随机蛙算法（random frog algorithm,RF）结合偏最小二乘法（partial least squares,PLS）建立了羊草品质测定模型,有效降低了冗余无信息变量,提高了模型的测量精度和稳定性。研究发现利用UVE-PLS筛选建立的羊草品质测定模型优于全光谱PLS和RF-PLS筛选建立的模型;UVE-PLS模型显著降低了交叉验证均方根误差和预测均方根误差,提高了校正集决定系数、交叉验证决定系数及预测集决定系数。研究表明UVE-PLS模型在测定羊草中的水分、粗蛋白、酸性洗涤纤维和中性洗涤纤维是可行的,校正集决定系数和预测集决定系数95%~98%。 相似文献
4.
文章分析探索了应用可见近红外光谱技术快速、高效、便捷测定土壤营养参数的可能性。采集蓬莱镇组紫色土样本,比对分析了不同肥力水平、土壤厚度和土壤粒径条件下采集土壤光谱对可见近红外光谱特征的影响,筛选出不同厚度、粒径土壤条件下的碱解氮含量预测模型。研究结果表明,土壤样本厚度为30mm时具有最大的光谱反射率,建立的氮含量预测模型效果最佳,校正集和验证集的相关系数分别为0.84和0.83,均方根误差分别为1.79和1.87。土样粒径在0.25-0.85mm时氮含量的预测效果最佳,校正集和验证集的相关系数均超过0.8,且均方根误差较小;但当土样粒径<0.25mm时,氮含量预测模型效果明显下降。采用20目（<0.85mm）过筛、30mm厚度土壤样本采集可见近红外光谱和偏最小二乘法（PLS）模型预测,可以实现对蓬莱镇组紫色土碱解氮含量的较好光谱预测。 相似文献
5.
邓凯东陆牡龙潘文静边高瑞唐倩陈玉华何晓芳 《饲料研究》2023,(11):129-132
试验旨在研究豆粕中掺假菜籽粕的近红外反射（NIR）光谱定量分析方法。在豆粕中掺入0、5%、10%、15%、20%、25%、30%菜籽粕，每个掺杂水平30份重复样品（建模集样本20个，验证集样本10个）。采用傅里叶变换近红外光谱仪获取样品NIR光谱，使用化学计量学软件拟合建模集样品掺假比例的NIR光谱预测模型，验证集样本评价预测模型的准确度。结果表明，豆粕中菜籽粕掺假比例的NIR光谱预测模型的决定系数R2为0.983，交叉验证均方根误差（RMSECV）为1.30。菜籽粕掺假比例为5%、10%、15%、20%、25%、30%的NIR光谱预测值的相对误差分别为8.93%、12.20%、2.21%、1.17%、1.72%、1.69%。研究表明，使用NIR光谱可以对豆粕中菜籽粕的掺假量实现准确定量测定。 相似文献
6.
反刍动物饲料中总磷的近红外反射光谱分析研究 总被引：3，自引：0，他引：3
利用近红外反射光谱分析技术,采用偏最小二乘回归(PLS)方法,分别对光谱进行附加散射校正、变量标准化、一阶导数和二阶导数处理,建立了反刍动物饲料中总磷的预测模型。附加散射校正和二阶导数处理定标效果最优。定标集化学分析值与预测值之间的决定系数(R2)和标准差(RM-SEC)分别为0.9426和0.0347,相对分析误差为4.32;验证集化学分析值与预测值之间的决定系数(r2)和标准差(RMSEP)分别为0.9321和0.0359,相对分析误差为3.93。结果表明,利用近红外光谱反射分析技术可以定量检测反刍动物饲料中总磷的含量。 相似文献
7.
以蚕茧含水率为研究对象,研究了基于可见—近红外光谱技术的蚕茧含水率无损检测方法.采用最小二乘支持向量机（least square-support vector machine,LS-SVM）建立可见—近红外光谱模型,采用连续投影算法（suc-cessive projections algorithm,SPA）选取光谱有效波长.结果表明,基于SPA方法进行变量选择,最终将原始光谱的601个光谱变量减少到了11个（487,501,616,718,771,782,789,826,966,977和991nm）.基于此11个变量建立的LS-SVM模型得到了预测集的确定系数（RP2）为0.8517,误差均方根（RMSEP）为0.0504的预测结果.表明可见—近红外光谱可以用于对蚕茧的含水率进行无损检测,同时SPA是一种有效的光谱变量选择方法. 相似文献
8.
本实验研究了通过近红外反射（NIR）光谱对豆粕中掺假棉籽粕的定量分析方法。在豆粕中分别掺入0%、5%、10%、15%、20%、25%、30%（m/m）棉籽粕，每个处理包含建模集样品20个、验证集样品10个，使用傅立叶变换近红外光谱仪获取掺假样本的NIR光谱，采用OPUS化学计量学软件拟合建模集样品棉籽粕掺假率的NIR光谱预测模型，再用验证集样本对预测模型进行验证，评价预测模型的相对误差。结果表明，豆粕中棉籽粕掺假率的NIR光谱预测模型的决定系数（R2）为0.975、交叉验证均方根误差（RMSECV）为1.58、斜率为0.974，棉籽粕掺假比例为5%、10%、15%、20%、25%、30%的NIR光谱预测值的相对误差分别为15.0%、0.50%、1.87%、1.45%、1.28%、0.87%。因此，利用NIR光谱可以准确定量测定豆粕中棉籽粕的掺假比例。
[关键词] 豆粕|棉籽粕|掺假|近红外反射光谱|预测模型 相似文献
9.
采用自动识别雌雄蚕蛹的技术与设备,是解决蚕种生产人工鉴蛹人力短缺和保证鉴蛹正确率的有效途径之一。以6个家蚕品种的蚕蛹供试,利用自制的在线近红外光谱检测装置进行雌雄蛹的鉴别。分别以3种采谱条件采集各供试家蚕品种蚕蛹样品的近红外光谱,以采用全谱和经竞争性自适应重加权算法(CARS)、无信息变量消除法(UVE)优选后的波长变量分别建立偏最小二乘判别分析(PLSDA)的雌雄蚕蛹识别模型。测试结果显示,在3种采谱条件下,以单个家蚕品种的光谱数据建模时雌雄蚕蛹鉴别的正确率达100%;多个家蚕品种的蚕蛹混合后采集光谱数据建模,其中采用方法 a(积分时间8 ms,扫描次数5次)、方法 b(积分时间为8 ms,扫描次数10次)、方法 c(积分时间20 ms,扫描次数10次)获取光谱数据建模的鉴别正确率分别达94.2%、95.2%、100.0%。选择高速采集光谱的方法 a,经CARS法优选波长后建模的测试结果优于经UVE法优选波长建模的结果,对校正集、交叉验证集和预测集蚕蛹样品的雌雄识别正确率分别为100%、100%和96.2%。研制的在线近红外光谱检测装置及建立的检测方法与模型,可应用于蚕种生产中快速鉴别分选雌雄蚕蛹。 相似文献
10.
应用傅利叶近红外光谱定性、定量检测鱼粉中掺杂三聚氰胺的研究 总被引：1，自引：0，他引：1
本试验旨在研究利用傅利叶近红外光谱对鱼粉中掺杂的三聚氰胺进行定性鉴定及定量预测的可行性及方法.本研究收集饲用鱼粉106个,通过添加三聚氰胺标准品到饲用鱼粉中,以制备三聚氰胺含量不同的掺假鱼粉236个,三聚氰胺含量为0.1%～15.0%;然后用傅利叶近红外光谱仪采集饲用鱼粉、掺杂三聚氰胺鱼粉和三聚氰胺标准品的近红外光谱曲线,采用因子算法建立定性模型,利用偏最小二乘分析(PLS)建立定量分析模型.结果显示,根据三聚氰胺标准品和鱼粉的近红外光谱,可选取6 873.4～6 514.7 cm-1作为定性分析的特征光谱,而据此所建定性分析模型对检验集样品识别率为96.5%;用于定量分析的近红外特征光谱为7 560.0～7 058.5、6 915.8～6 098.1及4 601.6～4 246.7 cm -1,用此特征光谱所建0.1%～15.0%定量分析模型和0.1%～5.5%定量分析模型的交叉验证标准差平方根(RMSECV)分别为0.634%和0.210%,决定系数R2为94.77%和98.59%.用此二定量模型对检验集样品预测,其预测标准差平方根(RMSEP)分别为0.779%和0.188%,能较准确地预测鱼粉中掺杂三聚氰胺的含量.因此,傅利叶近红外光谱能够较准确、快速地鉴定鱼粉中是否掺杂三聚氰胺及定量预测其含量. 相似文献
11.
《中国畜牧杂志》2015,(7)
应用近红外反射光谱技术(NIRS)对滇南小耳猪热鲜均质肉糜和绝干粉的水分、粗脂肪、粗蛋白含量进行建模研究,并筛选出最优的光谱预处理方法。采集11 000~4 300 cm-1范围内43份猪肉样品光谱数据,在多元散射校正(MSC)、二阶导数(Second derivative)、变量标准化校正(SNV)不同组合方式的光谱预处理基础上,采用偏最小二乘法(PLS),建立滇南小耳猪猪肉的水分、粗脂肪、粗蛋白质3个化学组分的近红外预测模型,筛选最佳的光谱预处理方法和主成分数。水分预测较好的是匀质肉糜原始光谱预测,R2为0.981,RMSEC为0.177,RMSEP为0.810,最佳主成分数为7;粗脂肪和粗蛋白预测效果较好的均是绝干粉的原始光谱,R2分别为0.986、0.976,RMSEC分别为0.567、0.765,RMSEP分别为2.325、2.697,最佳主成分数均为7。因此,近红外光谱分析方法能够很好地检测滇南小耳猪猪肉中的水分、粗脂肪和粗蛋白。 相似文献
12.
运用近红外光谱技术结合偏最小二乘法进行了溶液中微量的毒死蜱含量的测定试验。配制39个质量浓度为0.005 0、0.007 5、0.010 0……0.100 0 mg/kg的毒死蜱溶液样品,依2∶1分为校正集和预测集,其中26个毒死蜱溶液样品作为校正集,13个毒死蜱溶液样品作为预测集,校正集样品浓度为0.005 0、0.007 5、0.012 5、0.015 0……0.095 0、0.100 0 mg/kg,预测集样品浓度为0.010 0、0.017 5、0.025 0……0.097 5 mg/kg。选取1 100~1 500 nm波长范围的光谱,用二阶导数(2nd-der)结合标准正态变量变换(SNV)方法进行预处理,采用主因子数8进行建模,在波长为1 100~1 500 nm时得到了校正集(留一交叉验证法)相关系数R2为0.996 1,预测集相关系数R2为0.993 9,校正标准差为0.001 76 mg/kg,预测标准差为0.002 40 mg/kg的结果。在检测模型中预测值与实际值之间具有显著的线性相关性。研究结果有助于利用近红外光谱技术快速测定溶液中毒死蜱的含量。 相似文献
13.
14.
《四川草原》2019,(6)
为了对虉草体外干物质消化率(IVDMD)进行快速、简便、准确的分析和测定,本研究利用近红外光谱技术,结合化学计量学方法建立近红外校正模型,并通过外部验证对模型的实际预测能力进行评价并筛选最佳模型。结果表明,采用5 000～7144cm~(-1)和7 404～10 000cm~(-1)的建模光谱波段、mf光谱预处理方法、10/1～9的初/次级主成分数和偏最小二乘法(PLS)所建的模型为最佳模型,其校正决定系数(R2 cal)和验证决定系数(R2 val)分别为0. 9552和0. 9572,校正标准差(SEC)和验证标准差(SEP)分别为1. 9907和2. 0512,残差BIAS为0. 0829,预测相关系数(r)为0. 9784。由此可见,NIRS技术可用于虉草IVDMD的实际测定,模型预测效果良好。 相似文献
15.
桑树叶片的叶绿素值检测与光谱特征分析方法 总被引：2，自引：0，他引：2
为了探索一种基于光谱技术的快速、无损且准确的桑树叶片叶绿素值(SPAD)检测方法,对6个桑树品种叶片的叶绿素值与可见-近红外光谱(Vis-NIR)反射率进行了测定与分析。同一叶片因测量部位不同,SPAD值也不同;同一植株自上而下的叶片SPAD值呈上升趋势。采用偏最小二乘法(PLS)建立了6个桑品种叶片的SPAD与叶片的可见-近红外光谱反射率定量分析模型,校正相关系数均达到0.80以上,预测相关系数均达到0.79以上,表明利用可见-近红外光谱分析法能较好地检测桑树叶片的叶绿素值。 相似文献
16.
《动物营养学报》2020,(3)
本研究旨在探讨利用近红外光谱技术评估高粱中粗蛋白质、水分含量的可行性。以收集的110份高粱样品作为研究对象,采用GB/T 6432—1994、GB/T 6435—2014中方法分别对粗蛋白质、水分含量进行测定,利用傅里叶变换近红外光谱仪采集样品的近红外漫反射光谱,光谱扫描范围4 000～12 800 cm~(-1),分辨率16 cm~(-1),样品重复装样扫描4次,每次扫描64次获得平均光谱,取4次扫描光谱作为样本的原始光谱。分别选取矢量归一化、最小-最大归一化、一阶导数、二阶导数、多元散射校正、一阶导数+减去一条直线、一阶导数+矢量归一化、一阶导数+多元散射校正探索适用于高粱中粗蛋白质、水分含量的光谱预处理方法。利用定标集样品光谱数据,采用偏最小二乘方法结合全交互验证手段来防止过拟合现象,建立定标模型。在此基础上,利用定标决定系数、定标均分根误差、定标相对分析误差、交互验证决定系数、交互验证均方根误差、交互验证相对分析误差确定最优模型。结果显示:粗蛋白质含量扫描光谱采用一阶导数+多元散射校正光谱预处理,光谱范围为9 401.9～5 443.6 cm~(-1)与4 603.0～4 243.9 cm~(-1)。水分含量扫描光谱采用一阶导数+减去一条直线,光谱范围为7 500. 3～6 096. 5 cm~(-1)与5 451. 8～4 243.9 cm~(-1)。高粱中粗蛋白质、水分含量的近红外光谱预测模型定标相对分析误差分别为8.41、12.20;交互验证相对分析误差分别为4.97、7.97;外部验证相对分析误差分别为3.32、5.36。由结果可知,本研究建立的高粱中粗蛋白质和水分含量的近红外光谱预测模型的相对分析误差均大于评估值,具有精确地评估高粱中粗蛋白质和水分含量的应用效果。 相似文献
17.
《中国畜牧杂志》2017,(1)
本试验旨在探讨利用在线近红外对玉米籽粒主要品质参数进行在线快速预测的可行性。以全国范围内收集的171个饲用玉米籽粒为研究对象,利用试验室自主搭建的在线近红外平台扫描样品的动态光谱,通过CARS(Competitive Adaptive Reweighted Sampling)方法筛选出与品质参数密切相关的变量,并结合偏最小二乘方法建立在线定量分析模型,为玉米籽粒质量的判别提供一种快速有效的方法。结果表明:利用在线近红外光谱技术得到的玉米籽粒中水分、粗蛋白、粗灰分和总能的定量分析模型校正集相关系数分别为0.90、0.92、0.78和0.92,预测集的相关系数分别为0.76、0.89、0.72和0.83,相对分析误差RPD分别为2.41、3.04、1.80和2.42,表明粗蛋白在线近红外定量分析模型可用于实际检测;水分和总能可用于定量分析,但模型精度有待于进一步提高;粗灰分的定量模型效果较差,需要进一步优化。 相似文献
18.
《饲料工业》2021,(3)
研究建立应用于饲料生产线上的近红外预测模型,该模型同时应用于实验室的离线近红外检测。以豆粕和玉米粉为例,获取37个豆粕和49个玉米粉样品的离线光谱,并获取其中22个豆粕和26个玉米粉样品的在线光谱,建模方法采用偏最小二乘法(Partial least squares, PLS),首先用离线光谱和在线光谱分别建立近红外定量分析模型,之后基于光谱共享法的模型转移技术,建立光谱共享模型,将三种模型的建模结果进行比较。结果表明,光谱共享模型预测效果最好,其中,豆粕水分和粗蛋白模型的验证集相关系数(Correlation coefficient of validation set, R_P)分别为0.942和0.959,模型改善率(Model improvement rate, R_i)为17.4%和68.4%,预测残差绝对值的方差S~2为0.075和0.003;玉米粉水分和粗蛋白模型R_P分别为0.944和0.994,R_i为0.6%和80.9%,S~2为0.042和0.011。根据结果可知光谱共享法对模型的优化效果明显,预测效果、稳定性和通用性最优。 相似文献
19.
本试验基于近红外光谱技术,以大豆油为材料,探讨利用近红外光谱技术快速测定油脂中过氧化物的含量。首先研究了光谱预处理方法、分析谱区及PLS模型因子数对校正模型的影响,然后应用偏最小二乘法(PLS)建立了豆油过氧化值的近红外定量模型。结果显示:最佳光谱预处理方法为一阶导数+SNV,最适分析谱区为12003.2~7498.2cm-1与5450.1-4597.6cm-1,最佳因子数为9,最优模型的决定系数r=0.9882,RMSECV=0.503,RMSEP=0.521,RPD=12,盲样验证测试结果与国标经典法结果不存在显著性差异(P0.05),相对偏差均小于5%,说明所建立的分析模型具备较强的预测能力和实用性。 相似文献
20.
在桑叶多元化开发及传统养蚕过程中，含水率是衡量桑叶物化状态和指导生产加工的关键参数。为解决传统的烘干称重法含水率检测效率低且操作繁琐的问题。使用高光谱图像采集系统获取桑叶高光谱图像(937～1 718 nm),根据阈值分割法对高光谱图像进行背景剔除，计算各桑叶在高光谱图像中的平均光谱。采用Savitzky-Golay平滑、多元散射校正和正交信号校正方法对光谱进行预处理以消除或降低可能存在的干扰信号，采用连续投影算法和竞争自适应重加权采样算法(competitive adaptive reweighted sampling, CARS)提取光谱特征波段以降低检测模型复杂度，采用偏最小二乘法和反向传播人工神经网络(back propagation artificial neural network, BPNN)构建光谱与桑叶含水率的回归模型。将桑叶高光谱图像中各像素点的光谱数据导入构建的回归模型可实现桑叶含水率可视化检测。结果表明，基于CARS提取的特征波段所构建的BPNN回归模型性能最佳，预测集对应的决定系数达到0.994。文中方法为桑叶含水率快速无损检测提供了新的途径。 相似文献