CN108226090A - 一种成分含量检测模型构建的方法 - Google Patents
一种成分含量检测模型构建的方法 Download PDFInfo
- Publication number
- CN108226090A CN108226090A CN201611161701.9A CN201611161701A CN108226090A CN 108226090 A CN108226090 A CN 108226090A CN 201611161701 A CN201611161701 A CN 201611161701A CN 108226090 A CN108226090 A CN 108226090A
- Authority
- CN
- China
- Prior art keywords
- samples
- gradients
- sample
- component
- gradient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 44
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000010076 replication Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000013145 classification model Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 229920002472 Starch Polymers 0.000 description 11
- 235000019698 starch Nutrition 0.000 description 11
- 239000008107 starch Substances 0.000 description 11
- 238000002329 infrared spectrum Methods 0.000 description 9
- 241000209140 Triticum Species 0.000 description 7
- 235000021307 Triticum Nutrition 0.000 description 7
- 239000004615 ingredient Substances 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 4
- 108010068370 Glutens Proteins 0.000 description 3
- 235000021312 gluten Nutrition 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 101710188306 Protein Y Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000013312 flour Nutrition 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 1
- 108010050181 aleurone Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001235 sensitizing effect Effects 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
- G01N21/359—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
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
本发明公开一种成分含量检测模型构建的方法，其包括选取第一组分X、第二组分Y以及载体Z；分别配制第一组分X与载体Z的多个XZ梯度样以及第二组分Y与载体Z的多个YZ梯度样；利用多个XZ梯度样和多个YZ梯度样配制多个XYZ混合样；分别测定各XZ梯度样、YZ梯度样和XYZ混合样的近红外吸收光谱以及对单个XYZ混合样的光谱分别与多个XZ梯度样和多个YZ梯度样根据光谱曲线特征进行优化搜索，得到最优组合近似解，以得到该XYZ混合样中X、Y含量。本发明通过基于光谱曲线特征的遗传算法优化搜索解耦技术，实现对样本成分光谱的解耦，从而预测出各成分含量，样本建模简单，整体建模精度高，分类建模难度低，预测准确性与重复性好。
Description
技术领域
本发明属于光谱分析技术领域，具体地说，是涉及一种基于光谱曲线特征的优化搜索解耦技术进行成分含量检测模型构建的方法。
背景技术
近红外光谱是指介于可见光(Vis)和中红外之间的电磁波，波长范围为780～2526nm。近红外光谱信息来源于分子经光照射后，对光子的吸收。通过吸收光子，分子的运动状态从基态跃迁到高能态的激发态，而被吸收的光子，其能量是量子化的，等于分子动能的两种能量级之差，否则不能被吸收。因此，不同成分的物质在近红外区域都有特定的吸收波长段，这就为近红外光谱定量分析提供了基础。但由于分子振动的倍频与合频能级跃迁所需能量间距离散，导致近红外光谱谱峰宽。而相同分子振动倍频与合频形式多样，致使近红外光谱谱峰较多。当检测对象成分复杂时，各成分的近红外光谱吸收峰会发生大量重叠，光谱信息共线性严重，成分间的相互干扰，使得近红外光谱定量分析的建模与预测难度增大。
通常来说，一条近红外光谱通常包括几百甚至上千个波长点的吸光度信息，其中大部分信息高度相关，为冗余变量。常用的办法是通过采用基于化学计量学的方法进行变量优选，在压缩数据和优化模型的同时，可减少冗余信息的影响，提高运算速度和模型性能。然而，当几种成分的特征吸收峰距离较近时，通过近红外光谱优选方法也难以有效解决。所以，同样的样品，采用不同的优选算法组合，或者同样的算法组合，选取不同的参数，结果往往不尽相同，有的甚至矛盾，这使得近红外光谱处理方法方面的报道很多，但通常仅适用于研究者自身的试验条件和试验对象，通用性不强，难以形成统一标准，也严重影响了近红外光谱分析方法的应用推广。
发明内容
本发明的目的是解决现有技术中因检测对象成分复杂，导致各组分吸收光谱大量重叠，光谱共线性严重，使得近红外光谱分析困难的问题，提供一种基于光谱曲线特征的优化搜索解耦技术的成分含量检测模型构建的方法，建立了样本集不同成分的含量梯度谱图库，通过对测试样本的光谱与样本集中成分含量梯度谱图库的光谱曲线特征进行优化搜索，得到与测试样本最优匹配谱图，从而得到该成分的含量。
为了实现上述目的，本发明的成分含量检测模型构建的方法包括如下步骤：
S10：选取第一组分X、第二组分Y以及载体Z；
S20：分别配制第一组分X与载体Z的多个XZ梯度样以及第二组分Y与载体Z的多个YZ梯度样；
S30：利用多个XZ梯度样和多个YZ梯度样配制多个XYZ混合样；
S40：分别测定各XZ梯度样、YZ梯度样和XYZ混合样的近红外吸收光谱；
S50：对单个XYZ混合样的光谱分别与多个XZ梯度样和多个YZ梯度样根据光谱曲线特征进行优化搜索，得到最优组合近似解，以得到该XYZ混合样中X、Y含量。
上述的方法的一实施例中，所述S10中，载体Z可与第一组分X和第二组分Y分别均匀混合，且该载体Z对第一组分X和第二组分Y在近红外光谱段不产生严重影响，或其影响可量化并测量。
上述的方法的一实施例中，所述S20中，按照第一组分X、第二组分Y的检测范围和检测精度列出各自的质量含量的梯度表，将第一组分X和载体Z、第二组分Y和载体Z分别按照梯度表配制XZ梯度样和YZ梯度样。
上述的方法的一实施例中，所述S20中，配制的XZ梯度样和YZ梯度样分别不少于30个，若不足30个，则按照30个梯度样均匀修正梯度表。
上述的方法的一实施例中，所述S30中，将多个XZ梯度样以及YZ梯度样分别按梯度排序并分档，然后XZ梯度样与YZ梯度样按分档数进行组合混合形成多个XYZ混合样。
上述的方法的一实施例中，所述S30中，分别从每档的XZ梯度样与每档的YZ梯度样中随机抽取1种样本，并各自从中取出固定重量，均匀混合后得到XYZ混合样。
上述的方法的一实施例中，按照XYZ混合样中X、Y、Z各自的重量计算出X、Y的含量。
上述的方法的一实施例中，所述S40中，每个XZ梯度样、YZ梯度样以及XYZ混合样的近红外吸收光谱重复测定，每次测定均重新装样，然后取平均光谱作为该梯度样或混合样的近红外吸收光谱值。
上述的方法的一实施例中，所述S50中，根据光谱曲线特征结合遗传算法，选定其中一个XYZ混合样的光谱分别与多个XZ梯度样和多个YZ梯度样进行优化搜索，以得到最优组合近似解的一个XZ梯度样和一个YZ梯度样，则所得到的该XZ梯度样的X含量即为选定的该XYZ混合样中的X含量，则所得到的该YZ梯度样的Y含量即为选定的该XYZ混合样中Y的含量。
上述的方法的一实施例中，所述S50之后还包括对一包括X和/或Y的待测样进行成分含量检测的步骤，其包括：测定待测样的近红外吸收光谱；根据光谱曲线特征结合遗传算法，对待测样的光谱分别与多个XZ梯度样和多个YZ梯度样进行优化搜索，以得到最优组合近似解的一个XZ梯度样和一个YZ梯度样，则所得到的该XZ梯度样的X含量即为该待测样中的X含量，则所得到的该YZ梯度样的Y含量即为该待测样中Y的含量。
本发明的有益功效在于，本发明通过基于光谱曲线特征的遗传算法优化搜索解耦技术，实现对样本成分光谱的解耦，从而预测出各成分含量，样本建模简单，整体建模精度高，分类建模难度低，预测准确性与重复性好。在提高建模效率的同时，也提高了预测的准确性与重复性。
以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
附图说明
图1为本发明的模型构建方法步骤流程图；
图2为本发明的配样流程图；
图3为本发明的混合样光谱分析流程图；
图4为本发明的待测样光谱分析流程图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案进行详细的描述，以更进一步了解本发明的目的、方案及功效，但并非作为本发明所附权利要求保护范围的限制。
本发明的成分含量检测模型构建的方法是一种通过先对各单一成分不同梯度含量样品的光谱曲线特征建立谱图特征库，再对复杂样品的光谱曲线特征与特征库进行最优匹配，从而得到该复杂样品各组成成分的最优匹配解，以最终实现样品成分含量检测。
具体地，如图1所示，本发明的成分含量检测模型构建的方法包括如下步骤：
S10：选取第一组分X、第二组分Y以及载体Z；
S20：如图2所示，分别配制第一组分X与载体Z的多个XZ梯度样以及第二组分Y与载体Z的多个YZ梯度样；
S30：如图3所示，利用多个XZ梯度样和多个YZ梯度样配制多个XYZ混合样；
S40：分别测定各XZ梯度样、YZ梯度样和XYZ混合样的近红外吸收光谱，如图3所示；
S50：对单个XYZ混合样的光谱分别与多个XZ梯度样和多个YZ梯度样根据光谱曲线特征进行优化搜索，得到最优组合近似解，以得到该XYZ混合样中X、Y含量。
所述S10中，载体Z可与第一组分X和第二组分Y分别均匀混合，且该载体Z对第一组分X和第二组分Y在近红外光谱段不产生严重影响，或其影响可量化并测量。
所述S20中，按照第一组分X、第二组分Y的检测范围和检测精度列出各自的质量含量的梯度表，将第一组分X和载体Z、第二组分Y和载体Z分别按照梯度表配制XZ梯度样和YZ梯度样。配制的XZ梯度样和YZ梯度样分别不少于30个，若不足30个，则按照30个梯度样均匀修正梯度表。
所述S30中，将多个XZ梯度样以及YZ梯度样分别按梯度排序并分档，然后XZ梯度样与YZ梯度样按分档数进行组合混合形成多个XYZ混合样。其中，分别从每档的XZ梯度样与每档的YZ梯度样中随机抽取1种样本，并各自从中取出固定重量，均匀混合后得到XYZ混合样。并按照XYZ混合样中X、Y、Z各自的重量计算出X、Y的含量。
所述S40中，每个XZ梯度样、YZ梯度样以及XYZ混合样的近红外吸收光谱重复测定，每次测定均重新装样，然后取平均光谱作为该梯度样或混合样的近红外吸收光谱值。
所述S50中，根据光谱曲线特征结合遗传算法，选定其中一个XYZ混合样的光谱分别与多个XZ梯度样和多个YZ梯度样进行优化搜索，以得到最优组合近似解的一个XZ梯度样和一个YZ梯度样，则所得到的该XZ梯度样的X含量即为选定的该XYZ混合样中的X含量，则所得到的该YZ梯度样的Y含量即为选定的该XYZ混合样中Y的含量。
其中，所述S50之后还可包括对一包括X和/或Y的待测样进行成分含量检测的步骤，其包括：测定待测样的近红外吸收光谱；根据光谱曲线特征结合遗传算法，对待测样的光谱分别与多个XZ梯度样和多个YZ梯度样进行优化搜索，以得到最优组合近似解的一个XZ梯度样和一个YZ梯度样，则所得到的该XZ梯度样的X含量即为该待测样中的X含量，则所得到的该YZ梯度样的Y含量即为该待测样中Y的含量。
另，如图4所示，配制的XYZ混合样中的X、Y、Z各成分标准含量可计算得到，未知的待测样的标准值则可通过化验的方式得到，再通过对该预测值与标准值进行对比分析，即可对本方法构建的进行验证。
本发明利用光谱曲线特征的优化搜索技术将样本中两种不同成分的近红外吸收光谱解耦并进行定量分析。以下以小麦粉的蛋白与水分光谱曲线特征的优化搜索解耦技术为例进行详细说明。
S10：选取第一组分X为小麦水分、第二组分Y为小麦蛋白，载体Z为淀粉。
针对小麦粉的性状、检测指标和载体易获取性，本发明选取的载体Z为淀粉。淀粉对蛋白在近红外光谱段的敏感区影响较小。
S20：配制X、Y两种成分的XZ与YZ梯度样。
配制梯度样需要按小麦蛋白和水分两种成分的检测范围和检测精度列出各自的含量梯度表，如下：
小麦水分检测范围：11-35％；分辨能力：±0.3％
小麦蛋白检测范围：9-30％；分辨能力：±0.5％
将淀粉与水分按梯度表的质量比配制水分淀粉梯度样(即XZ梯度样)30个，则样品水分含量比例的步长hm＝(35-11+1)/30＝0.83
30个样的含量比例为：
(其中，i＝1～30)
其中为水分含量比例，Csi为淀粉的含量比例。
将淀粉和蛋白按梯度表的质量比配制蛋白淀粉梯度样(即YZ梯度样)30个，则样品蛋白含量步长hp＝(30-9+1)/30＝0.73
30个样的含量比例为：
Cpj＝9+0.73*(j-1)；Csj＝100-Cpj；(其中，j＝1～30)
其中Cpj为蛋白含量比例，Csj为淀粉的含量比例。
将两种梯度样各自均匀混合、编号与保存。
S30：利用S20中配制的XZ梯度样和YZ梯度样，配制XYZ混合样。
其中，先将XZ梯度样按浓度梯度排序分为5档，每档6个样本，YZ梯度样也按浓度梯度排序也分为5档，每档6个样本，则XZ梯度样与YZ梯度样按三档进行混合的档混合样的组合数为25，生成组合表。
按组合表的25种组合搭配，分别从分档后的XZ梯度样与YZ梯度样中随机抽取1种样本，并各自从中取出10g左右，称重精确到1mg，均匀混合得到XYZ混合样，并按X、Y、Z各自的重量，计算出混合样中X、Y的含量。如此操作共得到XYZ混合样25个。
其中，抽取的XZ梯度样质量为M1，其中水分X含量为淀粉Z的含量比例为Csi，抽取的YZ梯度样质量为M2，其中蛋白Y含量为Cpj，淀粉Z的含量比例为Csj，则混合样中X、Y、Z的浓度为：
水分X的浓度
蛋白Y的浓度
淀粉Z的浓度Cs＝100-Cm-Cp。
S40：分别测定XZ梯度样、YZ梯度样和XYZ混合样的近红外吸收光谱。
其中，所述S40中，测定30个XZ梯度样和30个YZ梯度样以及25个XYZ混合样的近红外吸收光谱，每个样可重复测三次，每次重新装样，三次取平均光谱作为该样的近红外吸收光谱值。
S50：对单个XYZ混合样光谱，分别与XZ梯度样库和YZ梯度样库光谱，根据光谱曲线特征进行优化搜索，得到最优组合近似解，则将该梯度样的X、Y含量，即为该混合样中X、Y的含量；
其中，所述S50中，对单个XYZ混合样分别与30个XZ梯度样根据光谱曲线特征进行优化搜索，得到最优近似解，则将该梯度样的X的含量，作为该混合样中X的含量。同理，对单个XYZ混合样分别与30个YZ梯度样根据光谱曲线特征结合遗传算法进行优化搜索，得到最优近似解，则将该混合样中Y的含量，作为该混合样中X的含量。依次类推，即可得到所有XYZ混合样的X、Y含量值。通过对预测值与标准值进行对比分析，即可对本方法进行验证。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种成分含量检测模型构建的方法，其特征在于，包括如下步骤：
S10：选取第一组分X、第二组分Y以及载体Z；
S20：分别配制第一组分X与载体Z的多个XZ梯度样以及第二组分Y与载体Z的多个YZ梯度样；
S30：利用多个XZ梯度样和多个YZ梯度样配制多个XYZ混合样；
S40：分别测定各XZ梯度样、YZ梯度样和XYZ混合样的近红外吸收光谱；
S50：对单个XYZ混合样的光谱分别与多个XZ梯度样和多个YZ梯度样根据光谱曲线特征进行优化搜索，得到最优组合近似解，以得到该XYZ混合样中X、Y含量。
2.根据权利要求1所述的方法，其特征在于，所述S10中，载体Z可与第一组分X和第二组分Y分别均匀混合，且该载体Z对第一组分X和第二组分Y在近红外光谱段不产生严重影响，或其影响可量化并测量。
3.根据权利要求1所述的方法，其特征在于，所述S20中，按照第一组分X、第二组分Y的检测范围和检测精度列出各自的质量含量的梯度表，将第一组分X和载体Z、第二组分Y和载体Z分别按照梯度表配制XZ梯度样和YZ梯度样。
4.根据权利要求3所述的方法，其特征在于，所述S20中，配制的XZ梯度样和YZ梯度样分别不少于30个，若不足30个，则按照30个梯度样均匀修正梯度表。
5.根据权利要求1所述的方法，其特征在于，所述S30中，将多个XZ梯度样以及YZ梯度样分别按梯度排序并分档，然后XZ梯度样与YZ梯度样按分档数进行组合混合形成多个XYZ混合样。
6.根据权利要求5所述的方法，其特征在于，所述S30中，分别从每档的XZ梯度样与每档的YZ梯度样中随机抽取1种样本，并各自从中取出固定重量，均匀混合后得到XYZ混合样。
7.根据权利要求6所述的方法，其特征在于，按照XYZ混合样中X、Y、Z各自的重量计算出X、Y的含量。
8.根据权利要求1所述的方法，其特征在于，所述S40中，每个XZ梯度样、YZ梯度样以及XYZ混合样的近红外吸收光谱重复测定，每次测定均重新装样，然后取平均光谱作为该梯度样或混合样的近红外吸收光谱值。
9.根据权利要求1所述的方法，其特征在于，所述S50中，根据光谱曲线特征结合遗传算法，选定其中一个XYZ混合样的光谱分别与多个XZ梯度样和多个YZ梯度样进行优化搜索，以得到最优组合近似解的一个XZ梯度样和一个YZ梯度样，则所得到的该XZ梯度样的X含量即为选定的该XYZ混合样中的X含量，则所得到的该YZ梯度样的Y含量即为选定的该XYZ混合样中Y的含量。
10.根据权利要求9所述的方法，其特征在于，所述S50之后还包括对一包括X和/或Y的待测样进行成分含量检测的步骤，其包括：测定待测样的近红外吸收光谱；根据光谱曲线特征结合遗传算法，对待测样的光谱分别与多个XZ梯度样和多个YZ梯度样进行优化搜索，以得到最优组合近似解的一个XZ梯度样和一个YZ梯度样，则所得到的该XZ梯度样的X含量即为该待测样中的X含量，则所得到的该YZ梯度样的Y含量即为该待测样中Y的含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611161701.9A CN108226090B (zh) | 2016-12-15 | 2016-12-15 | 一种成分含量检测模型构建的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611161701.9A CN108226090B (zh) | 2016-12-15 | 2016-12-15 | 一种成分含量检测模型构建的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108226090A true CN108226090A (zh) | 2018-06-29 |
| CN108226090B CN108226090B (zh) | 2020-02-07 |
Family
ID=62651465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611161701.9A Active CN108226090B (zh) | 2016-12-15 | 2016-12-15 | 一种成分含量检测模型构建的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108226090B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074360A (zh) * | 2023-08-29 | 2023-11-17 | 无锡迅杰光远科技有限公司 | 建模方法、检测方法、装置和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101769867A (zh) * | 2010-01-08 | 2010-07-07 | 中国农业大学 | 一种堆肥产品品质的无损检测方法 |
| CN101915753A (zh) * | 2010-07-30 | 2010-12-15 | 浙江师范大学 | 基于遗传神经网络的激光诱导击穿光谱定量分析方法 |
| WO2011161102A1 (de) * | 2010-06-22 | 2011-12-29 | Senspec Gmbh | Vorrichtung und verfahren zum erkennen und überwachen von inhaltsstoffen oder eigenschaften eines messmediums, insbesondere von physiologischen blutwerten |
| CN105588828A (zh) * | 2015-12-16 | 2016-05-18 | 新希望双喜乳业（苏州）有限公司 | 一种拉曼光谱快速检测牛奶脂肪含量的方法 |
| CN105738311A (zh) * | 2015-12-01 | 2016-07-06 | 昆明睿意铂科技股份有限公司 | 一种基于近红外光谱技术的苹果甜度无损快速检测方法 |
| CN106482938A (zh) * | 2016-10-14 | 2017-03-08 | 温州大学 | 基于ga‑bp网络的液压制动系统多源融合故障预示方法 |
| CN106950192A (zh) * | 2017-03-27 | 2017-07-14 | 中国食品发酵工业研究院 | 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 |
-
2016
- 2016-12-15 CN CN201611161701.9A patent/CN108226090B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101769867A (zh) * | 2010-01-08 | 2010-07-07 | 中国农业大学 | 一种堆肥产品品质的无损检测方法 |
| WO2011161102A1 (de) * | 2010-06-22 | 2011-12-29 | Senspec Gmbh | Vorrichtung und verfahren zum erkennen und überwachen von inhaltsstoffen oder eigenschaften eines messmediums, insbesondere von physiologischen blutwerten |
| CN102946794A (zh) * | 2010-06-22 | 2013-02-27 | 森斯派克有限公司 | 用于测定并监视测量介质的含量或特性的装置和方法，特别地用于测定并监视生理血液值 |
| CN101915753A (zh) * | 2010-07-30 | 2010-12-15 | 浙江师范大学 | 基于遗传神经网络的激光诱导击穿光谱定量分析方法 |
| CN105738311A (zh) * | 2015-12-01 | 2016-07-06 | 昆明睿意铂科技股份有限公司 | 一种基于近红外光谱技术的苹果甜度无损快速检测方法 |
| CN105588828A (zh) * | 2015-12-16 | 2016-05-18 | 新希望双喜乳业（苏州）有限公司 | 一种拉曼光谱快速检测牛奶脂肪含量的方法 |
| CN106482938A (zh) * | 2016-10-14 | 2017-03-08 | 温州大学 | 基于ga‑bp网络的液压制动系统多源融合故障预示方法 |
| CN106950192A (zh) * | 2017-03-27 | 2017-07-14 | 中国食品发酵工业研究院 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| G LEDWICH等: "Decoupling for improved Modal Estimation", 《IEEE》 * |
| 吕程序: "基于变量选择的小麦粗蛋白含量近红外光谱检测", 《农业机械学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074360A (zh) * | 2023-08-29 | 2023-11-17 | 无锡迅杰光远科技有限公司 | 建模方法、检测方法、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108226090B (zh) | 2020-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104062257B (zh) | 一种基于近红外光谱测定溶液中总黄酮含量的方法 | |
| CN103018195B (zh) | 近红外光谱测定pbx炸药中pctfe含量的方法 | |
| Chen et al. | Representative subset selection and outlier detection via isolation forest | |
| CN106680238B (zh) | 基于红外光谱分析物质成分含量的方法 | |
| CN105136714B (zh) | 一种基于遗传算法的太赫兹光谱波长选择方法 | |
| Ilyushin et al. | Submillimeter wave spectrum of acetic acid | |
| CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
| CN104390927B (zh) | 煤炭样品中灰分的快速检测方法 | |
| CN1982872A (zh) | 快速检测滴丸剂水分含量的近红外漫反射光谱法 | |
| CN104931454A (zh) | 一种利用近红外光谱分析技术快速测定纺织品中莱卡纤维含量的方法 | |
| CN106680241A (zh) | 一种新型光谱多元分析分类与识别方法及其用途 | |
| CN107561033A (zh) | 基于太赫兹光谱的混合物中关键物质定性和定量测定方法 | |
| CN105319179B (zh) | 一种利用中红外光谱预测脱硫胺液中硫化氢含量的方法 | |
| CN109557071A (zh) | 一种危险液体混合物的拉曼光谱定性定量识别方法 | |
| CN104251839A (zh) | 南疆红枣建模用南疆红枣样品成分的光谱分离检测方法 | |
| CN108680515A (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
| CN103592255A (zh) | 一种基于近红外光谱技术的阿胶化皮液中总蛋白含量的软测量方法 | |
| Deiss et al. | Grinding and spectra replication often improves mid‐DRIFTS predictions of soil properties | |
| CN101135639A (zh) | 基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法 | |
| CN103063599B (zh) | 由透射红外光谱预测原油密度的方法 | |
| CN105300918B (zh) | 红外光谱结合化学计量学定性识别混合炸药成分的新方法 | |
| CN108226090A (zh) | 一种成分含量检测模型构建的方法 | |
| CN107727609A (zh) | 一种基于近红外光谱的多元掺伪三七定量分析方法 | |
| Brun et al. | Quantification of rubber in high impact polystyrene by Raman spectroscopy. Comparison of a band fitting method and chemometrics | |
| JP2018504709A (ja) | 自動定量的回帰 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |