CN105806803B - 一种多指标协同分析波长组合及其选择方法 - Google Patents

一种多指标协同分析波长组合及其选择方法 Download PDF

Info

Publication number
CN105806803B
CN105806803B CN201610149509.1A CN201610149509A CN105806803B CN 105806803 B CN105806803 B CN 105806803B CN 201610149509 A CN201610149509 A CN 201610149509A CN 105806803 B CN105806803 B CN 105806803B
Authority
CN
China
Prior art keywords
wavelength
combination
cooperative analysis
index
follows
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.)
Active
Application number
CN201610149509.1A
Other languages
English (en)
Other versions
CN105806803A (zh
Inventor
潘涛
许定舟
肖青青
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.)
Guangdong Zhongtaxun Technology Co ltd
Original Assignee
Guangzhou Sondon Network Technology Co Ltd
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 Guangzhou Sondon Network Technology Co Ltd filed Critical Guangzhou Sondon Network Technology Co Ltd
Priority to CN201610149509.1A priority Critical patent/CN105806803B/zh
Publication of CN105806803A publication Critical patent/CN105806803A/zh
Application granted granted Critical
Publication of CN105806803B publication Critical patent/CN105806803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种多指标协同分析波长组合及其选择方法。所述多指标协同分析波长组合的选择方法，包括以下步骤：S1、信息的采集，S2、主特征波长组合的选择，S3、协同特征波长的选择，S4、多指标协同分析波长组合的确定。所述多指标协同分析波长组合包括主特征波长组合和协同特征波长组合。本发明是针对一类样品的多个指标同时进行近红外检测的最优协同分析波长组合的筛选方法，能够大大减少波长个数和模型复杂度，筛选得到的波长组合所建模型和全波段波长所建模型的性能指标相近，筛选得到的波长组合完全可以胜任多指标的近红外检测，为近红外光谱仪的小型化和专用化奠定了基础。

Description

一种多指标协同分析波长组合及其选择方法
技术领域
本发明涉及近红外光谱技术领域，具体涉及近红外光谱仪器设计与分析建模中多指标协同分析波长组合及其选择方法。
背景技术
近红外光是介于可见光与中红外光之间的电磁波。随着化学计量学和计算机技术的发展，现代近红外光谱分析技术以其简便、快速和易于实现在线分析等优点，在农业、食品、环境、生物医学等领域得到广泛应用。
全波段通用型近红外仪器的技术已经比较成熟、但仪器体积大、价格昂贵，主要适用于实验室检测，不利于近红外光谱技术的规模化应用。适用于某一特定领域或任务的小型专用近红外仪器的研发是目前的重要发展方向，其中，信息波长的优选是关键技术。
发明内容
有鉴于此，有必要针对上述的问题，提供一种多指标协同分析波长组合及其选择方法。
一种多指标协同分析波长组合的选择方法，包括以下步骤：
S1、信息的采集
利用近红外光谱仪采集样品的光谱数据，并采用标准分析方法测定样品的各指标理化值。
S2、主特征波长组合的选择
采用有效的多变量分析方法建立每个指标的定标模型。在建模过程中将样品随机划分为定标样品集、预测样品集。
定标集用于建立近红外定量分析模型，预测集用于评估模型的预测效果；采用预测均方根误差(Root Mean Square Error for Prediction,RMSEP)评价近红外预测值与实测的理化值之间的误差，其公式如下：
其中，Ci分别为第i个预测样品的预测值和实测值；M为预测样品的个数；RMSEP值越小说明模型的精度越高。
现以等间隔组合偏最小二乘法(Equidistant Combination Partial LeastSquares,EC-PLS)为例进行说明。EC-PLS方法对所有等间隔波长组合建立PLS模型，按照最小RMSEP优选适当的等间隔波长组合。它包括四个参数：起始波长(Initial Wavelength,I)、波长个数(Number of Wavelengths,N)、波长间隔个数(Number of Wavelength Gaps,G)及PLS因子个数(Number of PLS Factors,F)。根据实际情况，分别设置对每一参数组合(I,N,G,F)分别建立PLS定标预测模型，确定全局最优模型如下：
基于统计学的考虑，最优RMSEP值容许上浮一定的比例(如α，可根据实际情况设定)，对应得到满足条件的s个模型，其参数集合(有效模型)可表示如下：
Ωα＝{(I,N,G,F)|RMSEP(I,N,G,F)≤RMSEP*(1+α)},(3)
对应的s个波长组合(有效方案)如下：
其中Nj为第j个波长组合的波长个数。汇总全部s个有效方案的波长(共p个)，并按照它在全部s个有效方案中出现的概率大小排序为：λ1,λ2,…,λp。排在前面概率大的波长对应了分析指标的特征，其中，前d个波长称为主特征波长。
S3、协同特征波长的选择
设共有K个需要分析的指标，按照步骤S2，基于EC-PLS方法，对应每个指标的全局最优模型的RMSEP分别为RMSEP*,k,k＝1,2,…,K,其参数集合(有效模型)如下：
在此基础上，得到K个指标协同分析的有效模型如下：
对应的t个波长组合(方案)如下：
其中Ni为第i个波长组合的波长个数。汇总全部t个有效方案的波长(共q个)，并按照它在全部t个有效方案中出现的概率大小排序为：μ1,μ2,…,μq。排在前面概率大的波长对应了协同分析的特征，其中，前e个波长称为协同特征波长。
S4、多指标协同分析波长组合的确定
设根据步骤S2得到的对应第k个指标的主特征波长组合如下：
设根据步骤S3得到的对应K个指标协同分析的协同特征波长组合如下：
Δ＝{μ1,μ2,…,μe}， (9)
则本发明中多指标协同分析波长组合如下：
采用式(10)的波长组合对每个指标建立PLS定标预测模型，多指标综合RMSEP值最小的模型对应的波长组合为多指标协同分析波长组合。
优选地，EC-PLS方法的参数设置为
I∈I＝{400,402,...,2498},N∈N＝{1,2,...,1050},G∈G＝{1,2,...,50},F∈F＝{1,2,...,30}，并可根据实际情况进行调整。
优选地，参数αk设置为0.01≤αk≤3，并可根据实际情况进行调整。
优选地，步骤S2中每个指标的主特征波长的个数dk设置为1≤dk≤10，并可根据实际情况进行调整。
优选地，步骤S3中协同特征波长的个数e设置为1≤e≤100，并可根据实际情况进行调整。
优选地，本发明中指标个数为1～6个。
优选地，本发明中样品的种类为一种或两种以上。
优选地，步骤S1中采集的光谱数据为全波段光谱数据。
优选地，收集的样品数量为50～1000个。
多指标协同分析波长组合，包括主特征波长组合和协同特征波长组合；所述主特征波长组合由每个指标的主特征波长组成，每个指标的主特征波长为出现概率最高的数个波长；所述协同特征波长组合为多个指标中都出现的大于一定概率的满足一定条件的多个协同特征波长的组合。
与现有技术相比，本发明具有以下的优点：
(1)本发明是针对一类样品的多个指标同时进行近红外检测的最优协同分析波长组合的筛选方法，例如可筛选同时满足饲料原料中粗蛋白、水分、粗脂肪近红外检测的最优协同波长组合，较现有只能针对单个指标进行筛选的技术应用范围更加广泛并节省成本。
(2)本发明方法能够大大减少波长个数和模型复杂度，筛选得到的波长组合所建模型和全波段波长所建模型的性能指标相近，筛选得到的波长组合完全可以胜任多指标的近红外检测，为近红外光谱仪的小型化和专用化奠定了基础。
附图说明
图1为本发明实施例1中100个玉米粉的样品近红外光谱图。
图2为本发明实施例2中1000个豆粕的样品近红外光谱图。
图3为本发明实施例2中320个玉米粉的样品近红外光谱图。
具体实施方式
下面结合实施例和附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例以玉米粉的粗蛋白、水分和粗脂肪的近红外透射光谱分析为例，说明本发明所提出的一种多指标协同分析的协同波长组合及其选择方法。光谱采集仪器为Nexus870傅里叶变换近红外光谱仪(Nicolet公司)，其近红外波段为：9997～3996cm-1，扫描次数为32，室内温度为25±1℃，湿度为46±1RH。
S1、对100个玉米粉样品进行测试，得到光谱数据和样品粗蛋白、水分和粗脂肪指标的理化值。粗蛋白测定方法参考国家标准GB/T6432-94；水分测定方法参考国家标准GB/T6435-2006；粗脂肪测定方法参考国家标准GB/T 14772-93。表1和图1分别为100个玉米样品的理化值统计分析和光谱图。
表1玉米样品化学值统计分析
从100个样品中随机挑选出50个样品为定标样品集，余下50个样品为预测样品集。定标样品集用于建立近红外光谱分析模型；预测样品集用于评估模型的定量预测效果。以RMSEP(Root Mean Square Error of Prediction,预测均方根误差)为评价指标，RMSEP为近红外光谱检测技术预测值与常规方法检测的理化值之间的误差，RMSEP值越小说明模型的精度越高。RMSEP的公式如下：
其中，为第i个样品的预测值；Ci为第i个样品的实测值；M为总样品的个数。
S2、采用EC-PLS方法分别建立每个指标的分析模型，按照最小RMSEP优选适当的等间隔波长组合。其中，I∈I＝{3996,4011,...,9997},N∈N＝{1,2,...,200},G∈G＝{1,2,...,30},F∈F＝{1,2,...,30}，建模过程中，从100个样品中随机挑选出50个样品为定标集，余下样品为预测集，最优EC-PLS模型的结果汇总如表2。
表2外部EC-PLS结果汇总
基于统计学的考虑，将玉米粗蛋白、水分、粗脂肪的最优RMSEP值上浮，其α同时设为0.379，对应得到满足条件的62188个模型及波长组合(有效方案)；汇总全部62188个有效方案的波长(共390个)，并按照它在全部62188个有效方案中出现的概率大小排序为：λ1,λ2,…,λ390。排在前面概率大的波长对应了分析指标的特征，其中，前9个波长称为主特征波长。具体波长如下：5307、5477、5539、5662、5755、5863、5955、6048和6279(cm-1)，其中粗蛋白的主特征波长为：5477、5662和5755(cm-1)；水分的主特征波长为：5307、6048和6279(cm-1)；粗脂肪的主特征波长为：5539、5863和5955(cm-1)。
S3、共有3个需要分析的指标，按照步骤S2，基于EC-PLS方法，对应每个指标的全局最优模型的RMSEP分别为RMSEP*,k,k＝1,2,3,其中α1＝0.593、α2＝1.00、α3＝1.586；其中α1为玉米粗蛋白指标，α2为玉米水分指标，α3为玉米粗脂肪指标；参数集合(有效模型)如下：
在此基础上，得到3个指标协同分析的有效模型如下：
对应的53425个波长组合(有效方案)如下：
汇总全部53425个有效方案的波长(共390个)，并按照它在全部53425个有效方案中出现的概率大小排序为：μ1,μ2,…,μ390。排在前面概率大的波长对应了协同分析的特征，其中，前91个波长称为协同特征波长，组成协同特征波长集。
根据备选条件和式(10)从协同特征波长集中挑选出协同特征波长组合与主特征波长组合组成协同分析波长组合，列出所有满足条件的协同分析波长组合，备选条件设置为：总波长个数N’：17<N’<50，协同波长的间隔数G’：G’≥2。在此条件下，得到4816组协同特征波长组合，也即具有4816组协同分析波长组合。
S4、对玉米粉的3个指标分别计算这4816种协同分析波长组合的外部直接PLS结果。根据三个指标的综合RMSEP值，挑选出RMSEP最小的模型，该模型的协同分析波长组合有18个波长点，这18个波长点组合为：4582、4752、4798、4891、5076、5122、5199、5246、5276、5307、5477、5539、5662、5755、5863、5955、6048和6279(cm-1)。
为了验证本实施例中所选的波长组合的建模效果，发明人进行了以下对比试验。采用外部直接PLS建模方法，分别利用全波段波长、步骤S4选出的协同分析波长组合建立近红外预测模型，以RMSEP为模型的性能指标考察优选的波长组合的建模效果，结果见表3-4。
表3全谱外部直接PLS结果汇总
表4各指标协同波长组合外部直接PLS结果汇总
由表3和表4可见，由本发明方法优选出的18个波长点针对玉米粉中粗蛋白、水分和粗脂肪三个指标直接PLS所建立的预测模型，其RMSEP分别为：0.316、0.240、0.241(％)；与全波段直接PLS所建模型的性能指标相近；通过此方法优选的波长个数下降了95.4％{(390-18)/390×100％}。因此该方法所选取的18个波长点完全可胜任玉米粉3个指标的近红外检测，大大减少的波长个数和模型复杂度，为小型、专用型近红外光谱检测设备研制提供依据。
实施例2
本实施例以豆粕和玉米粉的粗蛋白、水分的近红外漫反射光谱分析为例，说明本发明所提出的一种多样品多指标协同分析的波长选择方法具体步骤。
光谱采集仪器为SupNIR2700近红外光谱仪，其近红外波段为1000～1799nm，扫描次数为30，室内温度为25±1℃，湿度为46±1RH。
S1、对1000个豆粕和320个玉米粉两种样品进行测试，得到光谱数据和样品的粗蛋白、水分的化学值。粗蛋白测定方法参考国家标准GB/T6432-94；水分测定方法参考国家标准GB/T6435-2006；图2为1000个豆粕样品的光谱图，图3为320个玉米样品的光谱图。
S2、采用EC-PLS方法分别建立每个指标的分析模型，按照最小RMSEP优选适当的等间隔波长组合。其中，I∈I＝{1000,1001,...,1799},N∈N＝{1,2,...,200},G∈G＝{1,2,...,30},F∈F＝{1,2,...,30}，建模过程中，定标集和预测集的划分见下表5；豆粕玉米样品化学值统计分析见表6；最优EC-PLS模型的汇总表如表7。
基于统计学的考虑，将豆粕粗蛋白、豆粕水分、玉米粗蛋白和玉米水分的最优RMSEP值上浮，其α同时设为0.119，对应得到满足条件的60387个模型及波长组合(有效方案)；汇总全部60387个有效方案的波长(共800个)，并按照它在全部60387个有效方案中出现的概率大小排序为：λ1,λ2,…,λ800。排在前面概率大的波长对应了分析指标的特征，其中，前8个波长称为主特征波长，具体波长如下：1369、1391、1447、1549、1598、1607、1672和1677(nm)，其中豆粕粗蛋白的主特征波长为：1369和1607(nm)；豆粕水分的主特征波长为：1447和1677(nm)；玉米粗蛋白的主特征波长为：1391和1598(nm)；玉米水分的主特征波长为：1549和1672(nm)。
表5样品集划分表
表6豆粕玉米样品化学值统计分析
表7外部EC-PLS结果汇总
S3、共有4个需要分析的指标，按照步骤S2，基于EC-PLS方法，对应每个指标的全局最优模型的RMSEP分别为RMSEP*,k,k＝1,2,...4,,其中α1＝0.865、α2＝1.77、α3＝1.50、α4＝0.33；其中α1为豆粕粗蛋白指标，α2为豆粕水分指标，α3为玉米粗蛋白指标，α4为玉米水分指标；参数集合(有效模型)如下：
在此基础上，得到4个指标协同分析的有效模型如下：
对应的54070个波长组合(方案)如下：
汇总全部54070个有效方案的波长(共800个)，并按照它在全部54070个有效方案中出现的概率大小排序为：μ1,μ2,…,μ800。排在前面概率大的波长对应了协同分析的特征，其中，前90个波长称为协同特征波长，组成协同特征波长集。
根据备选条件和式(10)从协同特征波长集中挑选出协同特征波长组合与主特征波长组合组成协同分析波长组合，列出所有满足条件的协同分析波长组合，备选条件设置为：总波长个数N’：9<N’<50，协同波长的间隔数G’：G’≥20。在此条件下，得到20774组协同分析波长组合，即具有20774组协同分析波长组合。
S4、对豆粕粗蛋白、豆粕水分、玉米粗蛋白和玉米水分4个指标分别计算20774种组合的外部直接PLS结果。根据4个指标的综合RMSEP值，挑选出RMSEP最小的模型，该模型的协同波长组合有15个波长点，这15个波长点组合为：1369、1391、1414、1447、1471、1495、1524、1549、1573、1598、1607、1631、1651、1672和1677(nm)。
为了验证本实施例中所选的波长组合的建模效果，发明人进行了以下对比试验。采用直接PLS建模方法，分别利用全波段波长、步骤S4选出的协同波长组合建立近红外预测模型，以RMSEP为模型的性能指标考察优选的协同波长组合的建模效果，结果见表8、表9。
表8全谱外部直接PLS模型性能指标
表9各指标协同波长外部直接PLS模型性能指标
由表8和表9可见，由该方法优选出的15个波长点针对豆粕、玉米粉中粗蛋白、水分4个指标直接PLS所建立的预测模型，与全波段直接PLS所建模型的性能指标相近；通过此方法优选的波长个数下降了98.1％{(800-15)/800×100％}。因此该方法所选取的15个波长点完全可胜任豆粕和玉米粉4个指标的近红外检测，大大减少的波长个数和模型复杂度，为小型、专用型近红外光谱检测设备研制提供依据。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种多指标协同分析波长组合的选择方法，其特征在于，包括以下步骤：
S1、信息的采集：
利用近红外光谱仪采集样品的光谱数据，并采用标准分析方法测定样品的各指标理化值；
S2、主特征波长组合的选择：
采用EC-PLS方法建立每个指标的PLS模型，按照最小RMSEP优选适当的等间隔波长组合；PLS模型包括四个参数：起始波长I、波长个数N、波长间隔个数G及PLS因子个数F；分别设置I∈I,N∈N,G∈G,F∈F；对每一参数组合(I,N,G,F)分别建立PLS定标预测模型，确定全局最优模型如下：
最优RMSEP值容许上浮一定的比例α，对应得到满足条件的s个模型，其参数集合可表示如下：
Ωα＝{(I,N,G,F)|RMSEP(I,N,G,F)≤RMSEP*(1+α)}, (3)
对应的s个波长组合如下：
其中Nj为第j个波长组合的波长个数。汇总全部s个有效方案的p个波长，并按照它在全部s个有效方案中出现的概率大小降序排列为：λ1,λ2,Λ,λp，前d个波长称为主特征波长；
S3、协同特征波长的选择
设共有K个需要分析的指标，按照步骤S2基于EC-PLS方法，对应每个指标的全局最优模型的RMSEP分别为RMSEP*,k,k＝1,2,Λ,K,其参数集合如下：
在此基础上，得到K个指标协同分析的参数集合如下：
对应的t个波长组合如下：
其中Ni为第i个波长组合的波长个数，汇总全部t个有效方案的q个波长，并按照它在全部t个有效方案中出现的概率大小降序排列为：μ1,μ2,Λ,μq，前e个波长称为协同特征波长；
S4、多指标协同分析波长组合的确定
设根据步骤S2得到的对应第k个指标的主特征波长组合如下：
设根据步骤S3得到的对应K个指标协同分析的协同特征波长组合如下：
Δ＝{μ1,μ2,Λ,μe}， (9)
则多指标协同分析波长组合如下：
采用式(10)的波长组合对每个指标建立PLS定标预测模型，多指标综合RMSEP值最小的模型对应的波长组合为多指标协同分析波长组合。
2.根据权利要求1所述的多指标协同分析波长组合的选择方法，其特征在于，EC-PLS方法的参数设置为
I∈I＝{400,402,...,2498},N∈N＝{1,2,...,1050},G∈G＝{1,2,...,50},F∈F＝{1,2,...,30}。
3.根据权利要求1所述的多指标协同分析波长组合的选择方法，其特征在于，参数αk设置为0.01≤αk≤3。
4.根据权利要求1所述的多指标协同分析波长组合的选择方法，其特征在于，步骤S2中每个指标的主特征波长的个数dk设置为1≤dk≤10。
5.根据权利要求1所述的多指标协同分析波长组合的选择方法，其特征在于，步骤S3中协同特征波长的个数e设置为1≤e≤100。
6.根据权利要求1所述的多指标协同分析波长组合的选择方法，其特征在于，指标个数为1～6个。
7.根据权利要求1所述的多指标协同分析波长组合的选择方法，其特征在于，样品的种类为一种或两种以上。
8.根据权利要求1所述的多指标协同分析波长组合的选择方法，其特征在于，步骤S1中采集的光谱数据为全波段光谱数据。
9.根据权利要求1所述的多指标协同分析波长组合的选择方法，其特征在于，样品数量为50～1000个。
CN201610149509.1A 2016-03-15 2016-03-15 一种多指标协同分析波长组合及其选择方法 Active CN105806803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610149509.1A CN105806803B (zh) 2016-03-15 2016-03-15 一种多指标协同分析波长组合及其选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610149509.1A CN105806803B (zh) 2016-03-15 2016-03-15 一种多指标协同分析波长组合及其选择方法

Publications (2)

Publication Number Publication Date
CN105806803A CN105806803A (zh) 2016-07-27
CN105806803B true CN105806803B (zh) 2019-07-02

Family

ID=56467580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610149509.1A Active CN105806803B (zh) 2016-03-15 2016-03-15 一种多指标协同分析波长组合及其选择方法

Country Status (1)

Country Link
CN (1) CN105806803B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106644983B (zh) * 2016-12-28 2019-12-31 浙江大学 一种基于pls-vip-aco算法的光谱波长选择方法
CN111474128B (zh) * 2020-05-12 2023-03-14 暨南大学 一种基于光谱分离度的分光波长组合方法
CN111474124B (zh) * 2020-05-29 2023-04-07 暨南大学 一种基于补偿的光谱波长选择方法
CN113267466B (zh) * 2021-04-02 2023-02-03 中国科学院合肥物质科学研究院 基于光谱波长优选的水果糖度和酸度无损检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1657907A (zh) * 2005-03-23 2005-08-24 江苏大学 基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法
CN104215591A (zh) * 2014-09-25 2014-12-17 暨南大学 一种可见-近红外光谱无损判别的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1657907A (zh) * 2005-03-23 2005-08-24 江苏大学 基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法
CN104215591A (zh) * 2014-09-25 2014-12-17 暨南大学 一种可见-近红外光谱无损判别的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AO–MW–PLS method applied to rapid quantification of teicoplanin with near-infrared spectroscopy;Jiemei Chen et al;《Journal of Innovative Optical Health Sciences》;20160314;全文
NIR光谱用于土壤锌含量分析的波长优化模型;杨亚娜;《NIR光谱用于土壤锌含量分析的波长优化模型》;20150315;全文
近红外光谱用于玉米水分和粗脂肪的快速分析;肖青青;《中国优秀硕士学位论文全文数据库农业科技辑》;20151215;第2节，第3.2节，图2.4

Also Published As

Publication number Publication date
CN105806803A (zh) 2016-07-27

Similar Documents

Publication Publication Date Title
Castro‐Esau et al. Variability in leaf optical properties of Mesoamerican trees and the potential for species classification
Geladi et al. Linearization and scatter-correction for near-infrared reflectance spectra of meat
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
Wei et al. Common spectral bands and optimum vegetation indices for monitoring leaf nitrogen accumulation in rice and wheat
CN105806803B (zh) 一种多指标协同分析波长组合及其选择方法
Adjorlolo et al. Predicting C3 and C4 grass nutrient variability using in situ canopy reflectance and partial least squares regression
Tan et al. Analysis of different hyperspectral variables for diagnosing leaf nitrogen accumulation in wheat
Jiang et al. Sweetness detection and grading of peaches and nectarines by combining short-and long-wave fourier-transform near-infrared spectroscopy
Shu et al. Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds
Liu et al. Detection of crude protein, crude starch, and amylose for rice by hyperspectral reflectance
Lu et al. Nondestructive testing of pear based on Fourier near-infrared spectroscopy
Armstrong et al. Development of single-seed near-infrared spectroscopic predictions of corn and soybean constituents using bulk reference values and mean spectra
Mazarakioti et al. Inductively coupled plasma-mass spectrometry (ICP-MS), a useful tool in authenticity of agricultural products’ and foods’ origin
Xiang et al. Deep learning and hyperspectral images based tomato soluble solids content and firmness estimation
Kong et al. Off-nadir hyperspectral sensing for estimation of vertical profile of leaf chlorophyll content within wheat canopies
Wang et al. Rapid detection of chlorophyll content and distribution in citrus orchards based on low-altitude remote sensing and bio-sensors
Sobhan Species discrimination from a hyperspectral perspective
Zhang et al. Rapid identification of apple maturity based on multispectral sensor combined with spectral shape features
Fang et al. Application of multiple spectral systems for the tree disease detection: A review
Innamorato et al. Tracing the geographical origin of lentils (Lens culinaris Medik.) by infrared spectroscopy and chemometrics
Ferrara et al. Ripeness prediction in table grape cultivars by using a portable NIR device
Chen et al. Application of multispectral camera in monitoring the quality parameters of fresh tea leaves
Zhang et al. Online detection of watercore apples by Vis/NIR full-transmittance spectroscopy coupled with ANOVA method
Song et al. Detection of aflatoxin B1 in peanut oil using attenuated total reflection fourier transform infrared spectroscopy combined with partial least squares discriminant analysis and support vector machine models
CN102749420B (zh) 一种适宜凝胶型蛋白质加工的花生品质测定及其评价方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230714

Address after: Room A95, No. 66, Honghuagang West Street, Cencun Village, Tianhe District, Guangzhou, Guangdong 510000

Patentee after: Guangdong Zhongtaxun Technology Co.,Ltd.

Address before: Room 806-812, Building B, No. 89, Zhongshan Avenue West, Tianhe District, Guangzhou, Guangdong 510000

Patentee before: Pan Tao

Patentee before: GUANGZHOU SONDON NETWORK TECHNOLOGY Co.,Ltd.