光谱学与光谱分析
光譜學與光譜分析
광보학여광보분석
SPECTROSCOPY AND SPECTRAL ANALYSIS
2007年
11期
2216-2220
,共5页
刘波平%秦华俊%罗香%曹树稳%王俊德
劉波平%秦華俊%囉香%曹樹穩%王俊德
류파평%진화준%라향%조수은%왕준덕
近红外光谱%偏最小二乘法%GRNN网络%定量分析
近紅外光譜%偏最小二乘法%GRNN網絡%定量分析
근홍외광보%편최소이승법%GRNN망락%정량분석
研究了偏最小二乘(partial least squares,PLS)与广义回归神经网络(generalized regression neural networks,GRNN)联用在近红外光谱多组分定量分析中的应用.以饲料样品为实验材料,采用PLS-GRNN法建立了饲料中水溶性氯化物、粗纤维、脂肪三项组分含量近红外光谱定量分析模型.马氏距离法剔除强影响点和奇异点,用PLS法将原始数据压缩为主成分,取8个主成分吸收峰与4个原始图谱特征峰值输入GRNN网络,网络光滑因子σi为0.1.PLS-GRNN模型对样品3个组分含量的预测决定系数(r2)分别为:0.984 0,0.987 0,0.983 0;样品平行扫描光谱预测值的标准偏差分别为:0.003 26,0.065 5,0.031 4.结果表明所建PLS-GRNN模型通过近红外光谱能够准确预测饲料中水溶性氯化物、粗纤维、脂肪三项组分含量,为近红外光谱进行多组分定量分析提供了新思路,同时为解决近红外快速检测技术在预测组分含量较低的样品时误差相对较大的问题提供了可靠的方法.
研究瞭偏最小二乘(partial least squares,PLS)與廣義迴歸神經網絡(generalized regression neural networks,GRNN)聯用在近紅外光譜多組分定量分析中的應用.以飼料樣品為實驗材料,採用PLS-GRNN法建立瞭飼料中水溶性氯化物、粗纖維、脂肪三項組分含量近紅外光譜定量分析模型.馬氏距離法剔除彊影響點和奇異點,用PLS法將原始數據壓縮為主成分,取8箇主成分吸收峰與4箇原始圖譜特徵峰值輸入GRNN網絡,網絡光滑因子σi為0.1.PLS-GRNN模型對樣品3箇組分含量的預測決定繫數(r2)分彆為:0.984 0,0.987 0,0.983 0;樣品平行掃描光譜預測值的標準偏差分彆為:0.003 26,0.065 5,0.031 4.結果錶明所建PLS-GRNN模型通過近紅外光譜能夠準確預測飼料中水溶性氯化物、粗纖維、脂肪三項組分含量,為近紅外光譜進行多組分定量分析提供瞭新思路,同時為解決近紅外快速檢測技術在預測組分含量較低的樣品時誤差相對較大的問題提供瞭可靠的方法.
연구료편최소이승(partial least squares,PLS)여엄의회귀신경망락(generalized regression neural networks,GRNN)련용재근홍외광보다조분정량분석중적응용.이사료양품위실험재료,채용PLS-GRNN법건립료사료중수용성록화물、조섬유、지방삼항조분함량근홍외광보정량분석모형.마씨거리법척제강영향점화기이점,용PLS법장원시수거압축위주성분,취8개주성분흡수봉여4개원시도보특정봉치수입GRNN망락,망락광활인자σi위0.1.PLS-GRNN모형대양품3개조분함량적예측결정계수(r2)분별위:0.984 0,0.987 0,0.983 0;양품평행소묘광보예측치적표준편차분별위:0.003 26,0.065 5,0.031 4.결과표명소건PLS-GRNN모형통과근홍외광보능구준학예측사료중수용성록화물、조섬유、지방삼항조분함량,위근홍외광보진행다조분정량분석제공료신사로,동시위해결근홍외쾌속검측기술재예측조분함량교저적양품시오차상대교대적문제제공료가고적방법.
