CN107290300A - 一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法 - Google Patents
一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法 Download PDFInfo
- Publication number
- CN107290300A CN107290300A CN201710484085.9A CN201710484085A CN107290300A CN 107290300 A CN107290300 A CN 107290300A CN 201710484085 A CN201710484085 A CN 201710484085A CN 107290300 A CN107290300 A CN 107290300A
- Authority
- CN
- China
- Prior art keywords
- amino acid
- acid content
- feed
- infrared spectrum
- feedstuff
- 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
Links
- 150000001413 amino acids Chemical class 0.000 title claims abstract description 62
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 239000002994 raw material Substances 0.000 claims abstract description 6
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract 2
- 238000002310 reflectometry Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 16
- 238000013480 data collection Methods 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 7
- 239000002253 acid Substances 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims 2
- 229910021529 ammonia Inorganic materials 0.000 claims 1
- 230000003466 anti-cipated effect Effects 0.000 claims 1
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 235000007164 Oryza sativa Nutrition 0.000 abstract description 19
- 235000009566 rice Nutrition 0.000 abstract description 19
- 235000015099 wheat brans Nutrition 0.000 abstract description 17
- 238000012827 research and development Methods 0.000 abstract description 3
- 240000007594 Oryza sativa Species 0.000 abstract 1
- 238000013139 quantization Methods 0.000 abstract 1
- 229940024606 amino acid Drugs 0.000 description 48
- 235000001014 amino acid Nutrition 0.000 description 48
- 241000209094 Oryza Species 0.000 description 18
- 238000012360 testing method Methods 0.000 description 5
- DHMQDGOQFOQNFH-UHFFFAOYSA-N Glycine Chemical compound NCC(O)=O DHMQDGOQFOQNFH-UHFFFAOYSA-N 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 description 3
- MTCFGRXMJLQNBG-REOHCLBHSA-N (2S)-2-Amino-3-hydroxypropansäure Chemical compound OC[C@H](N)C(O)=O MTCFGRXMJLQNBG-REOHCLBHSA-N 0.000 description 2
- -1 Amino Chemical group 0.000 description 2
- 239000004475 Arginine Substances 0.000 description 2
- 239000004471 Glycine Substances 0.000 description 2
- ONIBWKKTOPOVIA-BYPYZUCNSA-N L-Proline Chemical compound OC(=O)[C@@H]1CCCN1 ONIBWKKTOPOVIA-BYPYZUCNSA-N 0.000 description 2
- ODKSFYDXXFIFQN-BYPYZUCNSA-P L-argininium(2+) Chemical compound NC(=[NH2+])NCCC[C@H]([NH3+])C(O)=O ODKSFYDXXFIFQN-BYPYZUCNSA-P 0.000 description 2
- AGPKZVBTJJNPAG-WHFBIAKZSA-N L-isoleucine Chemical compound CC[C@H](C)[C@H](N)C(O)=O AGPKZVBTJJNPAG-WHFBIAKZSA-N 0.000 description 2
- ROHFNLRQFUQHCH-YFKPBYRVSA-N L-leucine Chemical compound CC(C)C[C@H](N)C(O)=O ROHFNLRQFUQHCH-YFKPBYRVSA-N 0.000 description 2
- KDXKERNSBIXSRK-YFKPBYRVSA-N L-lysine Chemical compound NCCCC[C@H](N)C(O)=O KDXKERNSBIXSRK-YFKPBYRVSA-N 0.000 description 2
- ROHFNLRQFUQHCH-UHFFFAOYSA-N Leucine Natural products CC(C)CC(N)C(O)=O ROHFNLRQFUQHCH-UHFFFAOYSA-N 0.000 description 2
- KDXKERNSBIXSRK-UHFFFAOYSA-N Lysine Natural products NCCCCC(N)C(O)=O KDXKERNSBIXSRK-UHFFFAOYSA-N 0.000 description 2
- 239000004472 Lysine Substances 0.000 description 2
- ONIBWKKTOPOVIA-UHFFFAOYSA-N Proline Natural products OC(=O)C1CCCN1 ONIBWKKTOPOVIA-UHFFFAOYSA-N 0.000 description 2
- MTCFGRXMJLQNBG-UHFFFAOYSA-N Serine Natural products OCC(N)C(O)=O MTCFGRXMJLQNBG-UHFFFAOYSA-N 0.000 description 2
- ODKSFYDXXFIFQN-UHFFFAOYSA-N arginine Natural products OC(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-N 0.000 description 2
- AGPKZVBTJJNPAG-UHFFFAOYSA-N isoleucine Natural products CCC(C)C(N)C(O)=O AGPKZVBTJJNPAG-UHFFFAOYSA-N 0.000 description 2
- 229960000310 isoleucine Drugs 0.000 description 2
- DWNBOPVKNPVNQG-LURJTMIESA-N (2s)-4-hydroxy-2-(propylamino)butanoic acid Chemical compound CCCN[C@H](C(O)=O)CCO DWNBOPVKNPVNQG-LURJTMIESA-N 0.000 description 1
- QNAYBMKLOCPYGJ-REOHCLBHSA-N L-alanine Chemical compound C[C@H](N)C(O)=O QNAYBMKLOCPYGJ-REOHCLBHSA-N 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 235000004279 alanine Nutrition 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
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)
- Fodder In General (AREA)
Abstract
本发明公开了一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法,其步骤:A、特征降维与提取:特征降维与提取是指压缩饲料或原料光谱发射率、减少冗余信息的过程,通过对光谱数据进行降维处理,提高数据质量、增强后面模型预测准确性;B、构建局部加权模型:对降维处理后饲料或饲料原料样本的红外光谱反射率和氨基酸含量的局部依赖关系进行拟合;C、加权回归系数求解和预测:用加权最小二乘法求解加权回归系数,并预测氨基酸含量。方法易行,操作简便;对饲料原料如米糠和麦麸氨基酸含量的预测结果表明,本发明优于目前广泛使用的偏最小二乘方法。适用于畜牧养殖和饲料研发行业中经济、快速地量化饲料和饲料原料中氨基酸含量。
Description
技术领域
本发明属于饲料原料氨基酸含量的预测技术领域,更具体涉及一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法,它适用于食品、土壤环境、农业、地理科学等领域中基于光谱反射率数据预测观测对象属性值的研究工作。
背景技术
畜牧养殖和饲料研发领域中饲料和饲料原料中营养成分(特别是氨基酸含量)的测定是饲料配料中必不可少的常规操作,该过程费时且经济负担大。如何快速、价廉地量化饲料原料中氨基酸含量一直是人们感兴趣的问题。当前预测饲料原料氨基酸含量的主流思想,是对饲料或饲料原料红外光谱反射率与其氨基酸含量的依赖关系进行数学建模。偏最小二乘法被广泛用于该依赖关系的数学建模。
本质上,偏最小二乘法是一种全局线性回归模型。全局线性回归模型工作的前提假设条件是:自变量和响应变量的依赖关系在全局上平稳不变。这实际上违背了自变量和响应变量之间依赖关系的局部变异性。例如,不同区域和品种来源的大宗原料玉米粒氨基酸含量通常具有加大的变异性,这种变异性自然导致玉米粒红外光谱反射率与其氨基酸含量的局部依赖关系不平稳。这很大程度上降低了偏最小二乘法的预测准确性。
发明内容
本发明的目的是在于提供了一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法,方法易行,操作简便;对饲料原料如米糠金额麦麸氨基酸含量的预测结果表明,与目前广泛使用的偏最小二乘方法的预测结果相比,本发明的预测精度提高了13.5~49.8%。
为了实现上述的目的,本发明采用以下技术措施:
其技术构思是:一种属性相似加权回归算法,包括:特征降维与提取、构建局部加权模型、加权系数求解和预测3部分。该算法充分考虑了饲料或饲料原料红外光谱反射率与饲料或饲料原料主要氨基酸含量的依赖关系的变异性,采用局部属性相似加权方法增强饲料或饲料原料光谱反射率与其氨基酸含量的依赖关系,以提高饲料和饲料原料氨基酸含量的预测精度。
一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法,其步骤是:
A、特征降维与提取:特征降维与提取是指压缩饲料或原料光谱波段发射率、减少冗余信息的过程。实际应用中不同光谱观测仪器输出的饲料或饲料原料红外光谱波段通常在750nm~2300nm的范围,属高维数据集。由于波段数据维数高且冗余信息多,需要对光谱数据进行降维处理,以提高数据质量、增强后面模型预测准确性。
给定N个饲料或饲料原料观测样本的红外光谱反射率数据集SN及其任意一种氨基酸含量数据集PN;K个待预测饲料或饲料原料点,其已知的红外光谱发反射率数据集Sk,其相应氨基酸含量PK未知。红外光谱反射率数据集SN是N行D列矩阵,红外光谱发反射率数据集Sk是K行D列矩阵,D<1500;其中每行对应一个观测样本的光谱反射率,每列对所有观测样本的任意一波段上的反射率。氨基酸含量数据集P是N行1列向量。然后将英文用括号
本发明采用雅可比(Jaccobi)矩阵特征值和特征向量求解法,实现对高维红外光谱反射率数据集SN和红外光谱发反射率数据集Sk的降维处理。首先采用雅可比(Jaccobi)矩阵特征值和特征向量求解法,求解红外光谱反射率数据集SN的特征向量χ,χ满足方程(1):
(λI-SN)χ=0 (1)
方程(1)λ是矩阵SN的特征值,I是单位矩阵。方程(1)中特征向量χ求解属于矩阵分解领域的常规内容,本发明不做详细说明。
SN的特征向量χ的前L维(L<D)通常代表了矩阵SN的最大变异性,在本发明中L通常取值10。本发明利用公式(1)和(2)实现观测样本红外光谱反射率数据集SN和待预测饲料或饲料原料红外光谱发反射率数据集Sk的降维处理公式(1)和(2):
和分别对应降维后观测样本和待预测点的最优光谱反射率成分。
B、构建局部加权模型:本发明中局部加权模型的核心是对饲料或饲料原料观测样本的红外光谱反射率和氨基酸含量的局部依赖关系进行拟合。给定任意饲料或饲料原料观测点最优光谱反射率对应氨基酸含量Pi,1≤i≤N,本发明用公式(3)拟合该点最优光谱反射率和对应氨基酸含量Pi的关系
公式(3)中,β={β0,β1,βj...,β10}是回归系数,是对应观测样本i在最优波段位置j的反射率,1≤j≤10。
C、加权回归系数求解和预测:β是未知的,本发明用加权最小二乘法求解,即公式(4)进行求解:
公式(4)中,是给定样点邻近点对其的影响权重系数,是邻近点的氨基酸含量,是邻近点的在最优波段位置j的反射率。
用公式(5)计算:
公式(5)中,表示样点到其邻近点的距离,按公式(6)计算;α参数取到周边最邻近点20个观测点的距离的平均值。
公式(6)中,T表示矩阵转置计算。
对公式(4)两端求导,可导出回归系数的解的矩阵表达式如下:
公式(7)中,是与样点邻接的20个样本最优光谱反射率组成的20行11列矩阵,矩阵 是权重对角矩阵,即每个对角元素值是对应邻近观测点对点的加权影响系数;是与样点邻接的20个样本氨基酸含量组成的列向量。
给定K个待预测饲料或饲料原料点,其最优的红外光谱发反射率数据集则待预测饲料或饲料原料氨基酸含量Pk按公式(8)计算:
公式(8)中,是与样点邻接的20个样本最优光谱反射率组成的20行11列矩阵,矩阵 是权重对角矩阵,即每个对角元素值是对应邻近观测点对点的加权影响系数;是与样点邻接的20个样本氨基酸含量组成的列向量;为最优的红外光谱发反射率数据集。
本发明与现有技术相比,具有以下优点和效果:
本发明的优点和有益效果在于考虑了饲料或饲料原料红外光谱反射率与饲料或饲料原料主要氨基酸含量的依赖关系的变异性,在预测模型构建中提出了一种局部属性相似加权方法增强饲料或饲料原料光谱反射率与其氨基酸含量的依赖关系,从而实现了饲料和饲料原料氨基酸含量预测精度的提高。与目前广泛使用的偏最小二乘法相比,本发明饲料原料氨基酸的预测精度提高了13.5~49.8%。
具体实施方式
实施例1:
以下实例用于说明本发明,但不用来限制本发明的应用范围。
本实例应用包括:全国不同地区和不同水稻品种米糠样本98个和小麦麦麸样本98个,每个样本包含了已测定的近红外光谱反射率数据(750~1500nm)和8种氨基酸含量(丙氨酸、精氨酸、甘氨酸、异亮氨酸、亮氨酸、赖氨酸、脯氨酸、丝氨酸)数据(见表1)。
本发明通过交叉检验过程以比较本发明提出的属性相似加权回归算法和偏最小二乘方法的性能差异。交叉检验过程,随机抽取25个样本作为测试样本,剩余73个样本作为训练样本;利用训练样本筛选属性相似加权回归算法和偏最小二乘方法的最优模型参数,然后对测试样本的氨基酸含量预测,再比较氨基酸含量预测值与实测值的差异。均方根误差(RMSE)和平均相对误差(RE)用于评估本发明对氨基酸含量预测的准确性。
表1样本米糠和麦麸8种氨基酸平均含量(mg/g)
一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法,其步骤是(应用本发明预测实例中米糠和麦麸氨基酸含量的简要过程如下):
A、特征降维与提取:采用雅可比(Jaccobi)矩阵特征值和特征向量求解法,按下述公式(1)和公式(2)对米糠/麦麸样本的红外光谱反射率数据进行降维处理,分别输出训练样本和测试样本的最优红外光谱反射率数据(共10维)。输出的10维米糠/麦麸光谱反射率数据集作为自变量数据集,参与下一步数据依赖关系模型构建。
本发明利用公式(1)和(2)实现米糠或麦麸样本红外光谱反射率数据集SN和待预测米糠或麦麸红外光谱发反射率数据集Sk的降维处理。和分别对应降维后米糠或麦麸样本和待预测点的最优光谱反射率成分。
B、构建局部加权模型和加权回归系数求解及预测:按以下公式(3)对米糠或麦麸训练样本最优光谱反射率数据和氨基酸含量数据的依赖关系进行数学建模,按以下公式(4)~(6)构建预测模型,通过公式(7)计算模型回归系数;结合米糠或麦麸样本的最优光谱反射率数据,用以下公式(8)米糠或麦麸预测样本的氨基酸含量。
公式(3)中,β={β0,β1,βj...,β10}是回归系数,是对应观测样本i在最优波段位置j的反射率,1≤j≤10。
公式(4)中,是给定样点邻近点对其的影响权重系数,是邻近点的氨基酸含量,是邻近点的在最优波段位置j的反射率。
公式(5)中,表示样点到其邻近点的距离,按公式(6)计算;α参数取到周边最邻近点20个观测点的距离的平均值。
对公式(4)两端求导,可导出回归系数的解的矩阵表达式如下:
公式(7)中,是与样点邻接的20个样本最优光谱反射率组成的20行11列矩阵,矩阵 是权重对角矩阵,即每个对角元素值是对应邻近观测点对点的加权影响系数;是与样点邻接的20个样本氨基酸含量组成的列向量。
给定K个米糠或麦麸待预测饲料和饲料原料点(实例中K=25),其最优的红外光谱发反射率数据集则待预测米糠/麦麸氨基酸含量Pk按公式(8)计算:
C、评估与比较:本发明将本技术对氨基酸预测结果与经典偏最小二乘预测结果进行了比较。均方根误差(RMSE)和平均相对误差(RE)用于评估和比较两个方法对米糠或麦麸样本氨基酸含量(丙氨酸、精氨酸、甘氨酸、异亮氨酸、亮氨酸、赖氨酸、脯氨酸、丝氨酸)预测的准确性。
表2反映了本发明和偏最小二乘法对25个米糠测试样本8种氨基酸含量预测结果的准确性。从表1可以看出,本发明输出的均方根误差(RMSE)的范围为0.12~0.58、平均相对误差范围为7.7~12.1%,小于偏最小二乘输出的相应结果(RMSE,0.15~0.95;RE,8.9~24.1%),预测精度提高了13.5~49.8%;这证实了本发明比目前广泛使用的偏最小二乘法对氨基酸含量的预测准确性更高。
表2本发明与偏最小二乘法对米糠8种氨基酸含量预测精度比较
表3反映了本发明和偏最小二乘法对25个麦麸测试样本8种氨基酸含量预测结果的准确性。从表3可以看出,本发明输出的均方根误差(RMSE)的范围为0.32~0.94、平均相对误差范围为7.5~11.1%,小于偏最小二乘输出的相应结果(RMSE,0.45~1.12;RE,9.3~15.2%),预测精度提高了19.3~27.0%;这进一步证实了本发明比目前广泛使用的偏最小二乘法对氨基酸含量的预测准确性更高。
表3本发明与偏最小二乘法对麦麸米糠8种氨基酸含量预测精度比较
与传统广泛应用的偏最小二乘法相比,本发明对饲料和饲料原料氨基酸含量的预测精度更高。本发明技术适用于畜牧养殖和饲料研发行业中经济、快速地量化饲料和饲料原料中氨基酸含量。
以上为本发明的最佳实施方式,依据本发明公开的内容,本领域的普通技术人员能够显而易见地想到一些雷同、替代方案,均应落入本发明保护的范围。
Claims (1)
1.一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法,其步骤是:
A、特征降维与提取:特征降维与提取是指压缩饲料或原料光谱波段发射率、减少冗余信息的过程。实际应用中不同光谱观测仪器输出的饲料或饲料原料红外光谱波段通常在750nm~2300nm的范围,红外光谱波段数据维数高且冗余信息多,对光谱数据进行降维处理,提高数据质量、增强后面模型预测准确性;
给定N个饲料或饲料原料观测样本的红外光谱反射率数据集SN及其任意一种氨基酸含量数据集PN;K个待预测饲料或饲料原料点,其已知的红外光谱发反射率数据集Sk,其相应氨基酸含量PK未知,红外光谱反射率数据集SN是N行D列矩阵,红外光谱发反射率数据集Sk是K行D列矩阵,D<1500;其中每行对应一个观测样本的光谱反射率,每列对所有观测样本的任意一波段上的反射率,氨基酸含量数据集P是N行1列向量;
采用雅可比矩阵特征值和特征向量求解法,实现对高维红外光谱反射率数据集SN和红外光谱发反射率数据集Sk的降维处理,首先采用雅可比矩阵特征值和特征向量求解法,求解红外光谱反射率数据集SN的特征向量χ,χ满足方程(1):
(λI-SN)χ=0 (1)
方程(1)λ是矩阵SN的特征值,I是单位矩阵,方程(1)中特征向量χ求解属于矩阵分解领域的内容;
SN的特征向量χ的前L维通常代表了矩阵SN的最大变异性,利用公式(1)和(2)实现观测样本红外光谱反射率数据集SN和预测饲料和饲料原料红外光谱发反射率数据集Sk的降维处理公式(1)和(2):
和分别对应降维后观测样本和待预测点的最优光谱反射率成分;
B、构建局部加权模型:局部加权模型的核心是对饲料或饲料原料观测样本的红外光谱反射率和氨基酸含量的局部依赖关系进行拟合,给定任意饲料和饲料原料观测点最优光谱反射率对应氨基酸含量Pi,1≤i≤N,公式(3)拟合该点最优光谱反射率和对应氨基酸含量Pi的关系:
公式(3)中,β={β0,β1,βj...,β10}是回归系数,是对应观测样本i在最优波段位置j的反射率,1≤j≤10;
C、加权回归系数求解和预测:用加权最小二乘法求解按公式(4)进行求解:
公式(4)中,是给定样点邻近点对其的影响权重系数,是邻近点的氨基酸含量,是邻近点的在最优波段位置j的反射率;
用公式(5)计算:
公式(5)中,表示样点到其邻近点的距离,按公式(6)计算;α参数取到周边最邻近点20个观测点的距离的平均值;
公式(6)中,T表示矩阵转置计算;
对公式(4)两端求导,导出回归系数的解的矩阵表达式如下:
公式(7)中,是与样点邻接的20个样本光谱反射率组成的20行11列矩阵,矩阵 是权重对角矩阵,每个对角元素值是对应邻近观测点对点的加权影响系数;是与样点邻接的20个样本氨基酸含量组成的列向量;
给定K个待预测饲料或饲料原料样品,红外光谱发反射率数据集按公式(8)预测饲料或饲料原料氨基酸含量Pk:
公式(8)中,是与样点邻接的20个样本最优光谱反射率组成的20行11列矩阵,矩阵 是权重对角矩阵,每个对角元素值是对应邻近观测点对点的加权影响系数;是与样点邻接的20个样本氨基酸含量组成的列向量;为红外光谱发反射率数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710484085.9A CN107290300A (zh) | 2017-06-23 | 2017-06-23 | 一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710484085.9A CN107290300A (zh) | 2017-06-23 | 2017-06-23 | 一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107290300A true CN107290300A (zh) | 2017-10-24 |
Family
ID=60097849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710484085.9A Pending CN107290300A (zh) | 2017-06-23 | 2017-06-23 | 一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107290300A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108279212A (zh) * | 2018-01-04 | 2018-07-13 | 中国科学院亚热带农业生态研究所 | 一种基于高光谱的动物肉松金属元素含量的预测和评估方法 |
CN114166783A (zh) * | 2021-11-16 | 2022-03-11 | 华中农业大学 | 牛奶中游离的异亮氨酸含量的中红外快速批量检测方法 |
CN115452763A (zh) * | 2022-10-27 | 2022-12-09 | 佛山市南海区杰大饲料有限公司 | 一种基于近红外光谱的功能性鱼类饲料检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103959292A (zh) * | 2011-09-23 | 2014-07-30 | 陶氏益农公司 | 用于近红外光谱分析的化学计量 |
CN104215604A (zh) * | 2014-09-16 | 2014-12-17 | 中华人民共和国南通出入境检验检疫局 | 粮食、饲料中蛋白质含量的测定方法 |
CN104237157A (zh) * | 2014-09-28 | 2014-12-24 | 首都师范大学 | 应用太赫兹时域光谱技术检测粮食中氨基酸含量的方法 |
CN104424373A (zh) * | 2013-08-26 | 2015-03-18 | 中国科学院亚热带农业生态研究所 | 一种空间变量相关性的精细表达方法 |
WO2016160384A1 (en) * | 2015-04-01 | 2016-10-06 | The Climate Corporation | Forecasting national crop yield during the growing season |
-
2017
- 2017-06-23 CN CN201710484085.9A patent/CN107290300A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103959292A (zh) * | 2011-09-23 | 2014-07-30 | 陶氏益农公司 | 用于近红外光谱分析的化学计量 |
CN104424373A (zh) * | 2013-08-26 | 2015-03-18 | 中国科学院亚热带农业生态研究所 | 一种空间变量相关性的精细表达方法 |
CN104215604A (zh) * | 2014-09-16 | 2014-12-17 | 中华人民共和国南通出入境检验检疫局 | 粮食、饲料中蛋白质含量的测定方法 |
CN104237157A (zh) * | 2014-09-28 | 2014-12-24 | 首都师范大学 | 应用太赫兹时域光谱技术检测粮食中氨基酸含量的方法 |
WO2016160384A1 (en) * | 2015-04-01 | 2016-10-06 | The Climate Corporation | Forecasting national crop yield during the growing season |
Non-Patent Citations (6)
Title |
---|
丁丽敏等: "近红外(NIRS)和粗蛋白预测氨基酸含量的精度比较研究", 《饲料工业》 * |
中华人民共和国国家质量监督检验检疫总局: "《中华人民共和国国家标准 GB/T18868-2002》", 24 September 2002 * |
任继平等: "应用近红外技术快速测定饲料中原料氨基酸含量", 《中国饲料》 * |
刘波平等: "偏最小二乘-反向传播-近红外光谱法同时测定饲料中 4中氨基酸", 《分析化学研究简报》 * |
张维军等: "近红外技术及其在预测饲料原料总氨基酸含量上的应用", 《中国饲料》 * |
王旭峰: ""近红外光谱分析技术在饲料品质快速检测中的应用研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108279212A (zh) * | 2018-01-04 | 2018-07-13 | 中国科学院亚热带农业生态研究所 | 一种基于高光谱的动物肉松金属元素含量的预测和评估方法 |
CN114166783A (zh) * | 2021-11-16 | 2022-03-11 | 华中农业大学 | 牛奶中游离的异亮氨酸含量的中红外快速批量检测方法 |
CN114166783B (zh) * | 2021-11-16 | 2024-02-20 | 华中农业大学 | 牛奶中游离的异亮氨酸含量的中红外快速批量检测方法 |
CN115452763A (zh) * | 2022-10-27 | 2022-12-09 | 佛山市南海区杰大饲料有限公司 | 一种基于近红外光谱的功能性鱼类饲料检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Measuring leaf nitrogen concentration in winter wheat using double-peak spectral reflection remote sensing data | |
CN101762463B (zh) | 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法 | |
CN107290300A (zh) | 一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法 | |
CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
CN104376434B (zh) | 卷烟多点加工质量的综合评价方法 | |
CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
CN104020127B (zh) | 一种利用近红外光谱快速测量烟叶中无机元素的方法 | |
dos Santos Luciano et al. | Empirical model for forecasting sugarcane yield on a local scale in Brazil using Landsat imagery and random forest algorithm | |
CN102305772A (zh) | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 | |
Febbi et al. | Automated determination of poplar chip size distribution based on combined image and multivariate analyses | |
CN110503156B (zh) | 一种基于最小相关系数的多变量校正特征波长选择方法 | |
CN105044022A (zh) | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 | |
CN108956584B (zh) | 一种桑椹中重金属元素铬的快速准确检测方法 | |
CN109409350A (zh) | 一种基于pca建模反馈式载荷加权的波长选择方法 | |
Zhang et al. | Prediction of crude protein content in rice grain with canopy spectral reflectance. | |
Huan et al. | Variable selection in near-infrared spectra: Application to quantitative non-destructive determination of protein content in wheat | |
CN109299434A (zh) | 货物海关通关大数据智能评级及抽检率计算系统 | |
CN108872156A (zh) | 一种基于光谱反射率倒数的油墨组份比例预测方法及设备 | |
CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
CN116501925B (zh) | 多源遥感数据下叶面积指数预测方法、系统、设备及介质 | |
Safdar et al. | Reviving grain quality in wheat through non‐destructive phenotyping techniques like hyperspectral imaging | |
CN104200283B (zh) | 一种基于因子‑主属性模型的中长期电力负荷预测方法 | |
CN109376898A (zh) | 一种基于内外部指标影响的电量分析预测方法 | |
CN108596405A (zh) | 灰库产量的预测方法及系统 | |
CN106779494A (zh) | 一种航天遥感应用技术成熟度判定方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171024 |
|
WD01 | Invention patent application deemed withdrawn after publication |