谷氨酸棒杆菌发酵过程中亮氨酸浓度近红外模型的建立

目的:建立谷氨酸棒杆菌发酵过程中亮氨酸浓度近红外模型,为实现谷氨酸棒杆菌发酵生产亮氨酸的发酵过程自动化控制提供理论基础和实践依据。方法:首先在5 L发酵罐中进行亮氨酸发酵,每隔一段时间采集发酵液样品,用高效液相色谱精确分析各样品中的亮氨酸实际浓度,再利用近红外分析仪和相关软件,对各样品进行近红外光谱扫描分析,并通过近红外光谱分析软件进行数据处理,建立谷氨酸棒杆菌发酵过程中亮氨酸浓度的近红外预测模型,最后通过外部检验方法检验模型的准确性。结果:结合偏最小二乘法,在波长为9043.3~7489.1 cm-1、减去一条直线作为光谱预处理的条件下,获得谷氨酸棒杆菌发酵过程中亮氨酸浓度最优近红外预测模型。该模型交叉验证误差均方根(RMSECV)、决定系数(R2)以及剩余预测偏差(RPD)分别为1.29 g/L、0.977和4.55。结论:经过验证,该模型的准确性和可靠性较强,实际值与预测值之间的误差较小,能够较好地检测发酵过程中的亮氨酸浓度。     

绿豆主要营养品质近红外预测模型的构建与验证

运用近红外法预测了中国绿豆主要营养品质蛋白质、淀粉和直链淀粉含量并比较绿豆粉和籽粒两种不同样品类型的差异。102份来自绿豆核心样品为试验材料,采用近红外分析系统扫描了绿豆籽粒和粉样品。光谱数据经预处理后,构建了最小二乘回归预测和交互验证模型并获得了最优校正统计参数。绿豆粉样品最大R2值和最小SECV值蛋白质含量为0.95和0.329,淀粉含量0.90和0.576,直链淀粉含量0.89和0.307;RPD值3.08至4.61。籽粒样品最大R2值和最小SECV值蛋白质含量为0.90和0.404,淀粉含量0.88和0.643,直链淀粉含量0.85和0.426;RPD值2.51至3.23。模型的稳健性采用外部验证法进行了评价。豆粉样品的平均差异1.0%～1.8%比籽粒样品略低。结果表明绿豆粉的三种组分的近红外预测方法具有快速和简单的特点,可应用于绿豆品质的测定。籽粒样品还具有无损种子结构,保持种子活力的特点,可在育种、种质资源创新等方面应用,但其准确度还有待进一步的改善。     

基于NIRS法快速检测荞麦蛋白质与淀粉含量的研究

为建立近红外光谱技术测定荞麦蛋白质与淀粉含量的方法,本研究以217份荞麦样品为试验材料,采用最小二乘回归预测和交叉验证构建近红外预测模型。分析表明:前处理采用多元散射校正法(MSC),维数(Rank)分别为5和5,光谱区间6803.9~6094.2/cm所建立的荞麦蛋白质与淀粉含量模型的预测效果较好,其决定系数(R~2)分别为0.9481和0.9167,交叉验证均方根(RMSECV)分别为0.68和2.08,相对分析误差(RPD)分别为4.39和3.46,均大于3.0,外部验证相关系数均大于0.96。本试验所建立的蛋白质与淀粉含量近红外预测模型具有较高的准确度和稳健性,可用于荞麦品质的快速测定。     

豌豆品质性状近红外模型建立及区域差异分析

探讨了傅立叶变换近红外光谱技术(FT-NIRS)检测豌豆蛋白质、淀粉、脂肪和总多酚含量的可行性。用化学方法测定190份豌豆种质的蛋白质、淀粉、脂肪以及总多酚含量,采集其子粒与粉末的近红外光谱,采用偏最小二乘法(PLS)分别建立两种光谱与成份含量预测模型。豌豆粉末模型结果优于子粒模型,其中蛋白质和淀粉的粉末模型的预测残差(RPD)为5.88、5.82,相关系数r2达到0.99、0.99,具有很好的预测性能。对其中产地信息详细明确的150份豌豆种质的品质性状与产地进行两步聚类分析,明确得到3种类型,其特点分别为:类群1低蛋白质含量,类群2高总多酚含量,类群3高蛋白质、高淀粉和高脂肪含量。进一步分析了豌豆品质性状随播种期、经度、纬度、海拔高度的变化情况。结果表明,近红外光谱技术可对豌豆种质资源的部分品质性状进行快速筛选鉴定,聚类分析结论、地理坐标与播期对豌豆种质主要品质性状的影响规律,都可为收集高品质性状豌豆种质资源提供可靠依据。     

食用调和油中花生油含量的近红外光谱分析

采用偏最小二乘法(PLS)等方法建立了食用调和油中花生油含量定量分析的近红外光谱定标模型。采集食用调和油样品在4 000 cm-1~10 000 cm-1范围内的近红外漫反射光谱,光谱经一阶导数处理后,采用偏最小二乘法建立样品中花生油含量的定标模型,并用Leave-one-out内部交叉验证法对模型进行验证。模型相关系数为0.99961,校正均方根RMSEC为0.830%。比较不同光谱预处理方法对定标模型的影响,结果表明一阶导数Corr.coeff最好。采用不同的化学计量学方法建立的定标模型中以偏最小二乘回归法最理想。     

小波分析在人血清中葡萄糖短波近红外定量中的应用

利用小波分析对13名志愿者18个血清样品的短波近红外光谱进行去噪预处理,以血糖仪测定的血糖为参考,采用间隔偏最小二乘法（iPLS）在700nm～1060nm短波近红外波段建立血糖浓度预测模型。由相关系数（R）和预测标准差（RMSEP）对预测模型的精确度进行了评价。预测模型的相关系数为0．9654,均方根预测误差为0．2435,并和采用傅立叶变换去噪方法及iPLS建模的结果进行了比较。结果表明：小波分析预处理数据的方法能更有效地扣除噪声干扰,使模型具有更强的抗干扰能力和更高的预测精度。     

波长选择SCARS和偏最小二乘法建立香菇中多糖含量预测的近红外光谱模型

为实现香菇多糖含量的快速测定,利用近红外光谱漫反射技术采集了60个香菇粉末样本在12000~3800 cm-1范围内的光谱数据,利用紫外可见光谱法测定了香菇粉末样品的多糖含量。采用多种化学计量学方法,剔除掉四个异常样本后,考察了不同的光谱预处理方法以及波长选择对模型的影响,用留一交互检验法建立了偏最小二乘(PLS)模型,并用所建立的校正模型对独立预测集样本进行了预测。结果表明,当采用二阶导数及变量稳定性的竞争自适应加权抽样法(SCARS)选择的波长对光谱进行处理时,所建立的模型预测效果最佳,在隐变量数为10时,模型相关系数为0.9906,校正均方根误差(RMSEC)为0.0523 g/100 g,预测相关系数Rp=0.9781,预测均方根误差(RMSEP)=0.0577 g/100 g,该模型具有较好的预测能力,可用于香菇多糖含量的近红外光谱快速检测。     

基于近红外检测技术建立发酵过程中L-色氨酸浓度预测模型

目的:我国发酵法生产L-色氨酸存在着产酸率、糖酸转化率和提取率较低以及检测速度较慢等不足之处,为了提升发酵控制水平及产物浓度的快速检测,采用近红外检测技术建立发酵过程中L-色氨酸浓度预测模型。方法:利用近红外光谱技术,结合偏最小二乘法,建立发酵液中L-色氨酸浓度预测模型。结果:在光谱预处理为二阶导数、波数范围为6101.8~5450 cm-1条件下获得最优L-色氨酸浓度预测模型。经验证,该模型具有一定的准确性和可靠性,其预测值与测量值仅有5.16%的偏差。结论:该模型具有较好的预测能力,可为大肠杆菌L-色氨酸发酵过程中浓度快速检测提供可靠数据,并为L-色氨酸发酵过程控制提供理论和实践依据。     

FTIR结合化学计量学方法对皱环盖菇总糖和蛋白质含量快速预测

皱环盖菇是近年来深受消费者喜爱的食药用菌新品种,总糖、蛋白质作为其主要的营养成分,含量的高低与其营养价值关系密切。但是,现有含量检测方法步骤复杂,检测时间长,开发简单、快速含量预测方法具有重要意义。本研究利用傅里叶变换红外光谱采集7种不同基质栽培皱环盖菇子实体样品的红外光谱共计420个,对比原始光谱与预处理后光谱,确定光谱预处理方法,采用竞争性自适应重加权算法(CARS)对皱环盖菇子实体总糖、蛋白质所对应的特征波谱进行选择,利用随机森林(RF)、偏最小二乘回归(PLS)、支持向量机(SVM)进行建模,比较建模结果确定总糖含量的最佳预测模型为PLS,其中Rc为0.992 8 (误差为0.007 2),RMSEC为0.930 8,Rp为0.981 4(误差为0.018 6),RMSEP为1.166 2,RPD为7.341 1;蛋白质含量的最佳预测模型为RF,其中Rc为0.994 7 (误差为0.005 3),RMSEC为0.380 3,Rp为0.986 (误差为0.014),RMSEP为0.749 1,RPD为8.4375。以上结果表明,红外光谱技术结合化学计量法可快速、准确地预测皱环盖菇...     

近红外光谱分析法测定东北黑土有机碳和全氮含量

以我国东北黑土为研究对象,分析了2004-2005年采集的136个土壤样品在3699～12000 cm^-1范围的近红外光谱,利用偏最小二乘法建立了原始光谱吸光度与土壤有机碳、全氮和碳氮比之间的定量分析模型.结果表明：土壤有机碳和全氮的模型拟合效果良好,决定系数R²分别为0.92和0.91（P<0.001）,相对分析误差RPD分别为3.45和3.36,利用该模型对验证样本土壤有机碳和全氮的预测值与实测值之间的相关系数分别为0.94和0.93（P<0.001）,表明可以用近红外光谱分析法对黑土有机碳和全氮含量进行测定.但是利用近红外光谱分析法对土壤碳氮比的预测并不理想,虽然验证样本集黑土碳氮比模型预测值与实测值呈显著相关（r＝0.74,P<0.001）,但是校正模型的R²为0.61,RPD仅为1.61,建立的模型不能对黑土碳氮比做出合理的估测.     

冬小麦叶片SPAD值高光谱估测的预处理方法

为选择合适的光谱预处理方法,提高叶片SPAD值的预测精度,本研究分析冬小麦不同叶位叶片SPAD值与光谱的响应关系,对原始光谱数据进行归一化处理(NC)、多元散射校正(MSC)和基线校正(BC)及组合处理,并结合连续投影算法(SPA)和逐步多元线性回归(SMLR)构建SPAD值光谱估测模型。结果表明:增加施氮量能提高冬小麦不同叶位叶片的SPAD值,生育前期顶二叶在近红外光谱区域反射率最大,生育后期则为顶一叶最大;单一光谱预处理中基于NC处理的光谱预测模型最好(R2=0.770、RMSE=1.483),MSC处理降低了模型预测效果,组合预处理中,以BC+NC建模效果最好,R2和RMSE分别为0.755和1.540;部分预处理在一定程度上可以消减噪音,但不当的预处理方法会降低模型的预测能力;预处理方法并不是越多越好,顺序不同预测模型精度不同。     

近红外光谱技术预测猪肉的pH、嫩度和蒸煮损失

以冷却猪肉为研究对象,评价近红外光谱（NIR）技术用于肉类物理特性预测的可行性以及不同的光谱处理方法和建模方法对预测准确性的影响。试样取自排酸24h的同一批猪胴体的小里脊肉,采集4000—10000cm-1的光谱。经外部验证的偏最小二乘（PLS）模型在预测pH时表现出良好的相关性（Rc^2=0．88,Rp^2=0．80,SEC=0．08,SEP=0．084）,嫩度与蒸煮损失模型的相关性分别是Rc^2=0．50和0．57,R;=0．34和0．50。在各种光谱预处理方法中,平滑处理结合多元散射校正（MSC）或标准正态变量变换（SNV）的效果最好。     

基于相关分析和偏最小二乘回归的黄绵土土壤全氮和碱解氮含量的高光谱预测

以采取植被恢复措施的陕西省吴起县为研究区,实地采集24个土壤剖面不同层次的黄绵土土样100个,在进行土壤样本全氮（TN）和碱解氮（AHN）含量及实验室反射光谱数据测量和分析的基础上,用相关分析（CA）结合偏最小二乘回归（PLS）方法建立黄绵土土壤TN和AHN含量的校正模型,并用独立样本对校正模型进行验证.结果表明： 利用6种光谱变换方式建立的校正模型中,微分光谱建立的校正模型是预测研究区土壤TN含量的最佳模型,校正和验证R²分别为0.929和0.935,均方根误差（RMSE）分别为0.045和0.047 g·kg^-1,相对预测偏差（RPD）为3.12;而归一化变换建立的校正模型是预测土壤AHN含量的最佳模型,校正和验证R²分别为0.873和0.773,RMSE分别为9.946和16.204 mg·kg^-1,RPD为1.538.所建立的全氮预测模型可以对0～40 cm土层的TN进行有效预测,而碱解氮的预测模型对同一深度只能进行粗略预测.本研究为采取植被恢复措施的退化生态系统区黄绵土土壤全氮的快速预测提供了一种较好的方法,但是对于碱解氮的准确、快速预测,需要进一步研究.     

籼稻品质分析的近红外光谱模型建立及其应用研究

为了满足籼稻品质快速分析的需求,本研究利用籼稻精米粉近红外光谱建立了直链淀粉含量、蛋白质含量、碱消值、垩白度的回归预测模型.结果表明,本研究提供的预测模型具有良好的测定效果,用偏最小二乘法(PLS)获得的籼稻精米粉直链淀粉含量、蛋白质含量、碱消值、垩白度的回归模型和交叉验证显示最优校正决定系数(R~2)和交叉检验均方误差(RMSECV)分别为0.9561、1.55,0.9510、0.258,0.9076、0.283,0.9014、4.14.说明所建的近红外光谱预测模型具有实用价值.     

近红外光谱无损测定大豆种子生活力方法研究

：快速准确无损测定种子生活力是种质资源安全保存研究中的一项重要内容。采用傅立叶变换近红外漫反射光谱技术,结合偏最小二乘法,以保存不同年限的黄色大豆品种资源的种子为样品,建立其生活力的无破坏性测定数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行对比分析。结果表明：原始光谱在4000～10000nm全波段的模型预测精度较高。经Savitzky-Golay二介导数和标准化预处理后,生活力的PLS模型最好,校正集样品的相关系数为0.937,预测集样品的相关系数为0.902,RMSEC和RMSEP分别为2.190和2.684。可见模型预测的准确性接近常规发芽方法,能够满足种质资源快速、非破坏性活力检测的要求,为今后快速无损测定种子生活力提供了理论依据。     

施用生物炭后土壤有机碳的近红外光谱模型研究与应用

土壤有机碳是影响土壤肥力的最重要因素之一。生物炭由于具有高度芳香化碳结构和发达孔隙结构等特性,可以作为一种土壤改良剂,提高土壤有机碳含量,改善土壤物理结构,近些年成为农业环境领域研究的热点。分别采用传统方法和可见光近红外光谱（VIS-NIRS,400-2500 nm）技术对施加不同用量生物炭的土壤有机碳含量进行检测和对比分析,以期为含生物炭土壤的有机碳分析建立有效预测模型。通过比较不同样本选择方法（Kennard-Stone（KS）,Random selection（RS）和Sample set partitioning based on joint x-y distances（SPXY））和光谱预处理方法（Savitzky-Golay平滑（SG）、倒数的对数log（1/R）、标准正态变量变换（SNV）、一阶导数（Der1）、二阶导数（Der2）和多元散射校正（MSC））,以3种模型（组合间隔偏最小二乘模型（Synergy Interval Partial Least Squares,siPLS）,遗传算法-支持向量机模型（Genetic Algorithm-Support vector machine,GA-SVM）和随机森林模型（Random Forest,RF））来建立生物炭土壤有机碳预测模型。结果表明：（1）施加生物炭增加了土壤有机碳含量,增加幅度随生物炭添加量的提高呈增加趋势;（2）土壤反射率随土壤有机碳含量的增加而降低,在1410、1920和2200 nm光谱附近存在明显的吸收谷;（3）对比3种样本选择方法,KS方法所划分的样本集相对于RS方法和SPXY方法更适用于生物炭土壤有机碳模型的建立;（4）以SG+MSC预处理结合GA-SVM方法建立的模型精度最高,校正集的R_cal²和RMSECV值分别为0.9526和0.4839,验证集的R²_val和RMSEP值分别为0.8598和0.9987,RPD值为2.6017。该模型因具有精度高且模拟效果较好等优点,可用于含生物炭土壤的有机碳含量的科学预测。     

傅里叶变换中红外光谱结合偏最小二乘法快速测定蕨菜总多糖含量CSCD

本文建立了一种快速预测蕨菜总多糖含量的方法。采用蒽酮-硫酸比色法测定140份蕨菜总多糖含量作为参比值,采集140份蕨菜样品的傅里叶变换中红外光谱图,结合偏最小二乘法,建立蕨菜总多糖定量分析模型。通过比较多元散射校正法、标准正态变换法、一阶导数法、二阶导数法、多元散射校正+一阶导数法、标准正态变换+一阶导数法、多元散射校正+二阶导数法以及标准正态变换+二阶导数法共8种不同的光谱预处理方法,运用多糖类化合物的中红外光谱学特征吸收筛选建模波段,对蕨菜多糖含量预测模型进行优化。结果表明:采用标准正态变换法作为光谱数据预处理方法,以1750~1600、1500~1400、1350~1290、1160~1070、1060~970、930~800 cm^(-1)作为建模波段,获得校正集相关性系数R^(2)为0.9308,校正均方差(RMSEC)为0.374%,检验集相关性系数R^(2)为0.9145,预测均方差(RMSEP)为0.418%,20组样品进行完全外部验证误差为:-0.35%~0.31%,相对误差值为:-0.83%~5.24%,所构建定量模型可用于蕨菜总多糖含量预测。     

近红外光谱测定灵芝子实体多糖含量

灵芝具有多种药理活性,多糖是其主要活性成分之一。目前灵芝多糖的定量常采用的比色法,使用比较繁琐,也缺乏一定的安全环保性。应用近红外光谱对灵芝进行多糖定量分析,发现对子实体直接分析存在定量不准的问题。为了快速准确地评估灵芝子实体多糖含量,本研究采用对灵芝子实体水提物进行近红外光谱检测与分析,由此建立了较好的定量模型。该模型优选谱段为5 461.7-4 235.1cm^-1,预处理方式为一阶导数+矢量归一化,校正集的维数=7,R²=0.9007,RMSECV=2.54,RPD=3.17;预测集的RMSEP=3.45,RPD=2.42,Corr. Coeff.=0.9181。这项工作为灵芝有效成分快速定量分析提供了新的方法与依据。     

应用近红外光谱预测水稻叶片氮含量

以水稻(Oryza sativa)新鲜叶片和干叶粉末两种状态的样品为研究对象, 基于近红外光谱(NIRS)技术, 应用偏最小二乘法(PLS)、主成分回归(PCR)和逐步多元回归(SMLR), 建立并评价了水稻叶片氮含量(NC)近红外光谱模型。结果表明, 基于PLS建立的模型表现最好, 鲜叶氮含量近红外光谱校正模型校正决定系数R_C²为0.940, 校正标准误差RMSEC为0.226; 干叶粉末氮含量的近红外光谱校正模型R_C²为0.977, RMSEC为0.136。模型的内部交叉验证分析表明, 预测鲜叶氮含量内部验证决定系数R_CV²为0.866, 内部验证标准误差RMSECV为0.243; 预测干叶粉末氮含量R_CV²为0.900, RMSECV为0.202。模型的外部验证分析表明, 预测水稻鲜叶氮含量的外部验证决定系数R_V²大于0.800, 外部验证标准误差RMSEP小于0.500, 预测干叶粉末氮含量的R_V²为0.944, RMSEP为0.142。说明, 近红外光谱分析技术与化学分析方法一致性较好, 且基于干叶粉末建立的近红外光谱预测模型的准确性和精确度较新鲜叶片高。     

奇异数据筛选法在玉米籽粒蛋白质近红外光谱检测中的应用

相对于传统生化测定方法,基于近红外光谱(Near infrared spectroscopy,NIRS)玉米籽粒蛋白质含量检测是一种快速、非破坏、且适用于多组分同时检测的新方法。但在建模过程中,由于奇异数据(异常值)的存在会影响近红外光谱模型的预测精度和稳定性,我们采用奇异数据筛选法剔除了玉米籽粒近红外光谱中的奇异数据并建立了玉米籽粒蛋白质含量的偏最小二乘支持向量机(Least squares support vector machine,LS-SVM)模型。本文分别采用杠杆值法(Leverage)、半数重采样法(Resampling by Half-Mean,RHM)和蒙特卡洛采样法(Monte-Carlo Sampling,MCS)剔除了玉米籽粒蛋白质光谱数据中的奇异数据并对模型结果进行比较。在剔除奇异数据的基础上,采用偏最小二乘回归法(Partial least squares regression,PLSR)提取主成分,并基于小生境蚁群算法(Niche ant colony algorithm,NACA)优化偏最小二乘支持向量机(LS-SVM)模型参数(γ和σ2),建立基于LS-SVM的玉米籽粒蛋白质定量分析模型。结果表明,采用3种奇异数据筛选法剔除奇异数据后所建LS-SVM模型的预测结果都优于采用原光谱数据所建模型,相比较而言,蒙特卡洛采样法为基于近红外光谱检测玉米籽粒蛋白质的最佳奇异数据筛选法。