近红外光谱奇异样本剔除方法研究
近红外分析的样品前处理新技术研究
第27卷,第10期 光谱学与光谱分析Vol 127,No 110,pp2010220122007年10月 Spectroscopy and Spectral Analysis October ,2007 近红外分析的样品前处理新技术研究秦西云1,李军会23,杨宇虹1,常志强21.云南烟草科学研究所,云南玉溪 6531002.中国农业大学信息与电气工程学院,北京 100094摘 要 样品的水分含量、粒度等因素对近红外的检测结果会产生较大影响。
在近红外实验室分析中,为获得较好的分析准确度,一般需采用干燥和粉碎等处理。
文章以云南优质烤烟为实验材料,在近红外分析样品的前处理中创新性地采用微波快速干燥技术以及普通家用食物粉碎机快速粉碎的方法,使整个样品前处理时间可控制在5min 以内,同传统烘箱干燥、粉碎过筛等方法相比其处理速度可提高几十倍。
实验结果表明:当样品的水分含量差异较大时,通过微波快速干燥方法能有效提高和保证模型分析的准确度;烤烟样品经过普通家用食物粉碎机快速粉碎25s 后可消除粒度差异对近红外检测结果的影响。
研究结果可为近红外分析工作者提供一种快速有效的干燥和粉碎技术,从而简化样品的前处理。
关键词 近红外;烤烟;样品前处理;微波干燥中图分类号:O65713 文献标识码:A 文章编号:100020593(2007)1022010203 收稿日期:2006205219,修订日期:2006210215 基金项目:云南省科技厅科技攻关重大项目(2002N G01),“十五”国家科技攻关重大项目(2004BA210A03)和国家高技术研究发展计划“863”项目(2002AA248051,2002AA243011)资助 作者简介:秦西云,1962年生,云南烟草科学研究所研究员 3通讯联系人 e 2mail :caunir @引 言 样品的水分含量、粒度等因素对近红外的检测结果有较大影响[129]。
目前国内外解决此问题的有效方法之一是建立混合校正模型,即将意料到的外界影响因素包含到校正集中,尽可能消除背景因素的干扰,或者通过控制措施保持背景参数在测试过程中的一致性[4,6,8],从而实现分析模型的稳健性[10212]。
苹果近红外光谱的特征提取和分类研究
苹果近红外光谱的特征提取和分类研究
近红外光谱技术（Near-InfraredSpectroscopy，NIRS）是一种有效的分析技术，可用来对植物、动物、土壤和食品等物质进行快速、准确的分析测试，对于苹果的质量分析也是十分有效的。
本研究旨在利用NIRS技术来提取苹果的近红外光谱特征，并对它们进行分类。
首先，本研究采用的实验材料是一百多种不同苹果品种，他们的表皮颜色、形状、大小和净重都是不同的，为了更准确的提取近红外光谱特征，在收集实验材料期间我们严格控制了其他影响因素，并采取同样的存储和处理措施。
其次，我们在收集实验材料后，利用近红外光谱仪对每一种苹果进行了测试，从中提取出它们的光谱特征，特别是每个反应物的7200-1150nm波段以及该波段下的五个关键特征数据。
最后，经过特征提取和数据分析，我们构建了一个基于反映苹果近红外光谱特征的机器学习模型，该模型能够准确地将苹果样品分到不同的类别中。
此外，我们还利用这个模型对苹果的品质进行了分析，发现不同类别的苹果之间在其他品质参数方面也存在较大差异。
经过上述实验，我们证明了NIRS技术在苹果的品质分析中的有效性和可行性，当苹果的参数较多时，近红外光谱技术的特征提取和分类更具有优势。
同时也为苹果农业产业提供了一种新的分析技术，有助于农业生产的稳定性和可持续性发展。
本研究的最后一个结论是，NIRS技术在提取苹果近红外光谱特征和分类方面有良好的应用前景，它可以是一种快速、准确、经济的
苹果品质分析方法，对苹果农业产业有重要的意义。
PCA结合马氏距离法剔除近红外异常样品
Elim ina ting outlier sam ples in near2infrared model by method of PCA2maha lanob is d istance
CHEN B in, ZOU X ian2yong, ZHU W en2jing
( School of Food and B iology Engineering, J iangsu University, Zhenjiang, J iangsu 212013, China)
马氏距离计算 ,得到马氏距离分布图 (见图 4).
图 4 60个样品的马氏距离分布图 Fig. 4 D istribution of mahalanobis distances of
60 samp les
从图中能够很明显地看出一些异常样品如 51, 11, 12等 ,为了进一步对异常样品进行判断分析 ,根 据 1. 4介绍的方法 ,设定 8 个不同权重系数 e ( 3, 2. 5, 2. 0, 1. 75, 1. 5, 1. 25, 1. 0, 0. 5) ,剔除异常样品 后 ,对 1 100～2 200 nm 波段光谱进行 11点 MAF平 滑 ,采取 PLS分别建模 ,其主成分数的选择采用交 互验证 ( cross validation)方法来选取.
似度的高低 ,当 e值越大 ,相似度越高 ;反之 , 相似度
越低 ,成为异常样品的可能性就越大. 针对以上不同
的 e值所选取的阈值范围 , 分别使用 PL S建模回归
预测 ,来进行阈值范围的选取.
1. 5 光谱数据处理与建模
文中使用江苏大学近红外光谱组编写的软件
N IRSA 对试验数据进行预处理及建模.
试验 所 用 仪 器 是 美 国 CONTROL DEVELOP2 M ENT公司生产的 N IR256 - 2. 2T2 光谱仪 (见 图 1) ,仪器主要参数 :采样区间 1 100 ～2 200 nm; 波 长通道个数 : 256个 ;波长准确度优于 0. 5 nm.
近红外光谱分析技术定标和预测中的相似样品剔除算法
近红外光谱分析技术定标和预测中的相似样品剔除算法The Algorithm of Eliminating the Similar Samples in the Processof Calibration and Prediction【作者】芦永军；曲艳玲；朴仁官；张军；【Author】LU Yong jun, QU Yan ling, PIAO Ren guan, ZHANG Jun Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130022, China【机构】中国科学院长春光学精密机械与物理研究所；应用光学国家重点实验室；应用光学国家重点实验室吉林长春130022；吉林长春130022；吉林长春130022；【摘要】在近红外仪器的研制和调试过程中,需要对实验仪器进行最终的定标分析来验证近红外分析仪器是否正常。
然而近红外定标过程中传统的方法往往将所有的样品对仪器进行定标分析,定标样品集在采集时为了能够覆盖将来所出现的样品范围,其数量往往是很大的,对于定标实验人员来说,其工作量是巨大的。
文章通过采用给出的相似样品剔除算法成功地从1 78个玉米粉样品中提取出94个优选样品,通过定标实验分析发现,经过该算法优选的样品不仅保持了原始样品集的代表性,而且达到了和原始样品集参与定标相近的定标精度。
经由此算法进行筛选得到的优选定标样品集数量上有了很大程度的减少,极大地减轻了实验人员的工作强度,而且为进行更多重复的实验提供了条件。
更多还原【Abstract】During the manufacture and debugging of the NIR instruments it is compulsory to make final calibration analysis to verify whether the instruments operate correctly. However, the conventional method of NIR calibration needs to make calibration analysis for the instruments with all the samples at hand. In fact in order to cover the samples that will be encountered in the future the amount of the samples set and the labor that the personnel need to offer are enormous. In this paper a new algorithm is presented which can be used to effectively eliminate the similar samples in the original sample set. By using this algorithm we have chosen 94 optimal samples in the original 178 sample set successfully. After performing calibration experiment we found that the sample set chosen by this algorithm are equally representative to the original sample set and obtained almost the same precision compared to the original sample set when the two sample sets were individually calibrated. This algorithm brings great relief to the labor of the workers, presents the possibility of performing more experiments and greatly improves the efficiency of performing calibration experiment. As a result, the amount of calibration sets and the labor of the personnel are reduced remarkably.。
近红外光谱分析技术的数据处理方法
引言近红外是指波长在780nm～2526nm范围内的光线，是人们认识最早的非可见光区域。
习惯上又将近红外光划分为近红外短波（780nm～1100nm）和长波（1100 nm～2526 nm）两个区域.近红外光谱（Near Infrared Reflectance Spectroscopy，简称NIRS）分析技术是一项新的无损检测技术，能够高效、快速、准确地对固体、液体、粉末状等有机物样品的物理、力学和化学性质等进行无损检测。
它综合运用了现代计算机技术、光谱分析技术、数理统计以及化学计量学等多个学科的最新研究果，并使之融为一体，以其独有的特点在很多领域如农业、石油、食品、生物化工、制药及临床医学等得到了广泛应用，在产品质量分析、在线检测、工艺控制等方面也获得了较大成功。
近红外光谱分析技术的数据处理主要涉及两个方面的内容：一是光谱预处理方法的研究，目的是针对特定的样品体系，通过对光谱的适当处理，减弱和消除各种非目标因素对光谱的影响，净化谱图信息，为校正模型的建立和未知样品组成或性质的预测奠定基础；二是近红外光谱定性和定量方法的研究，目的在于建立稳定、可靠的定性或定量分析模型，并最终确定未知样品和对其定量。
1工作原理近红外光谱区主要为含氢基团X-H（X=O,N,S,单健C,双健C,三健C等）的倍频和合频吸收区，物质的近红外光谱是其各基团振动的倍频和合频的综合吸收表现，包含了大多数类型有机化合物的组成和分子结构的信息。
因为不同的有机物含有不同的基团，而不同的基团在不同化学环境中对近红外光的吸收波长不同，因此近红外光谱可以作为获取信息的一种有效载体。
近红外光谱分析技术是利用被测物质在其近红外光谱区内的光学特性快速估测一项或多项化学成分含量。
被测样品的光谱特征是多种组分的反射光谱的综合表现，各组分含量的测定基于各组分最佳波长的选择，按照式(1)回归方程自动测定结果：组分含量＝C0＋C1(Dp)1＋C2(Dp)2＋…＋Ck(Dp)k(1)式中：C0～k为多元线性回归系数；(Dp)1～k为各组分最佳波长的反射光密度值（D＝－lgp，p为反射比）。
《水果品质检测中的近红外光谱数据处理分析》
《水果品质检测中的近红外光谱数据处理分析》一、引言随着科技的发展，水果品质的检测技术也在不断进步。
其中，近红外光谱技术因其非破坏性、快速、无损的检测特点，在水果品质检测中得到了广泛应用。
本文将详细介绍水果品质检测中近红外光谱数据的处理与分析过程，并探讨其在提高水果品质评估中的重要性。
二、近红外光谱技术的基本原理近红外光谱（NIR）是一种通过分析样品的光谱特征，进行定性和定量分析的技术。
其原理是基于样品分子对不同波长光线的吸收程度，产生独特的光谱曲线。
这些光谱曲线可以反映出样品的物理、化学性质。
在水果品质检测中，近红外光谱技术可以用于评估水果的含糖量、含水量、果皮颜色等关键品质指标。
三、近红外光谱数据的采集与预处理1. 数据采集：首先，通过近红外光谱仪对水果样品进行光谱数据的采集。
在采集过程中，应确保光谱仪与水果样品之间的位置固定，避免外界干扰，确保数据的准确性。
2. 数据预处理：采集到的原始光谱数据需要进行预处理以提高数据的可靠性。
预处理过程包括去除噪声、平滑处理、归一化等步骤。
其中，噪声的去除可以有效提高信号的信噪比；平滑处理可以消除光谱曲线中的毛刺和抖动；归一化处理则可以使不同样品的光谱数据具有可比性。
四、近红外光谱数据的处理分析方法1. 特征提取：通过对预处理后的光谱数据进行特征提取，可以获得与水果品质相关的关键信息。
常用的特征提取方法包括主成分分析（PCA）、偏最小二乘法（PLS）等。
这些方法可以有效地从大量的光谱数据中提取出与水果品质相关的关键变量。
2. 模式识别：基于提取的特征变量，可以采用模式识别技术对水果品质进行分类和评估。
常用的模式识别方法包括支持向量机（SVM）、神经网络等。
这些方法可以根据已知的样本数据建立分类模型，对未知的样本进行预测和分类。
3. 定量分析：近红外光谱技术还可以用于水果品质的定量分析。
通过建立光谱数据与水果品质指标之间的数学模型，可以实现对水果品质的精确评估。
PCA结合马氏距离法剔除近红外异常样品
Ａ ｓ ａｔ Ｏ ｔｅ ｓｍ ｌ ｆ ｎｓ ｏ ｇ ｆ ｅｃ ｅｓ ｂｌｙｏ ｅｍ ｄ ｌｎｎａ— ｆ ｒｄ Ｎ Ｒ）ｓ ｅ— ｂ ｔ ｃ ： ｕｌ ｒ ａ ｐｅ ｏ ｅ ｔ ｎｌ ｉ ｕ ｎ ｅｔ ｔ ｉｔ ｆ ｈ ｏ ｅ ｉ ｅｒ ｎ ａ （ Ｉ ｒ ｉ ｓｔ ｒ ｙｎ ｌ ｈ ａ ｉ ｔ ｉｒ ｅ ｐｃ
ａ ｄ０． ３８ ３；ｔ ｅｒ ｏ ｅ ｎ ｓ ｕ ｒ ｒｏ ｓ ｏ ｒ ｄ ｃｉ ｎ ｗｅ ｅ０． ３ ８ ａ ｄ ０． ３ ５；ａ ｄ ｔ ｅ ｍｅ ｎ ｒ ｌｔｖ ｎ ９ ｈ ｏ ｔｍ ａ ｑ ａ ｅ ｅ ｒ ｒ ｆｐ ｅ ｉｔｏ ｒ ０９ ｎ ６１ ｎ ｈ ａ ｅ ａｉｅ ｅ ｒｒ ｆｐ ｅ ｉ ｔ ｎ ｗｅ ｅ １ ３ ｒｏ ｓ ｏ ｒ ｄ ｃ ｉ ｒ ． ４％ ａ ｄ ２． ０％ ． Ｃｏ ｏ ｎ ８ ｍｐａ ｅ ｏ ｔ ｅ ｏ ｉｉ ｌｃ ｌｂ ａｉｎ ｍｏ ｅ ，ｈ ｒ ｄ ｃｅ ｒ ｄ ｔ ｈ ｒｇｎａ ａｉ ｒ ｔｏ ｄ ｌ ｔ ｅ ｐ ｅ ｉ ｔｄ
ｔｂ ｉｈ ｄ ａ ｄ ｕｓ ｄ ｔ ｓｉ ｔ ｈ ｏ ｔ ｎ ｓ ｏ ｏａ — ｃ ｄ ａ ｄ ｖ ｌｔｌ ｃｄ ｏ ｈ ｔ ｅ ５ ｖ ｎ ｇ ｒｓ ｍｐ ｅ ａ ｌｓ ｅ ｎ ｅ ｏ ｅ ｔｍａ ｅ ｔ ｅ ｃ ｎ ｅ ｔ ｆｔｔ ｌａ ｉ ｎ ｏａ ｉｅ ａ ｉ ｆｔ ｅ ｏ ｈ ｒ １ ｉ ｅ ａ ａ ｌｓ
批注本地保存成功开通会员云端永久保存去开通ห้องสมุดไป่ตู้
维普资讯
２ ９卷
２ ９
＿
Ｊ ＵＲＮ Ａ Ｌ Ｏ Ｆ Ｊｌ Ｎ Ｇ ＳＵ ＵＮ ｌ ＥＲＳＩ ｏ Ａ Ｖ ＴＹ（ ｔ ａ Ｓ ｉ ｎ ｅＥ ｉ ｏ ） Ｎａｍ ｌ ｃｅ ｃ ｄ ｔ ｎ ｉ
ｉ ｒｄｃｅ ｅ．Ｔ ｅｒｓ ｌ ｈ ｗｅ ｈ ｔｔｅｒ ｌｔ ｅｃ ｅ ｃｅ ｔ 尺） ｏ ｈ ｒｄｃｅ ｅ ｗ ｒ ． ７ ｎｐ ｅ ｉｔｄ ｓｔ ｈ ｅｕｔ ｓ ｏ ｄ ｔａ ｈ ｅａｉ ｏｍ ｉｎｓ ｓ ｖ ｆ ｆｔｅ ｐ ｅ ｉｔｄ ｓｔ ｅｅ０ ９ ５９
基于近红外光谱的未知类别样品聚类方法
基于近红外光谱的未知类别样品聚类方法徐云;吴静珠;王一鸣;王文信【期刊名称】《农业工程学报》【年(卷),期】2011(027)008【摘要】在近红外光谱分析中,针对大量样品参与建模时,需将样品集进行分类,以减少样品光谱变异范围,提高近红外模型的预测准确度.本文以来自中国各地的222份小麦样品为例,在未知样品组分含量和类别归属的前提下,结合样品的近红外光谱信息,采用基于试探的未知类别的样品聚类方法(最邻近规则法和最大最小距离算法)对样品集分类.其中,最邻近规则法在阈值T为1.9时,最大最小距离算法在阈值为样品间的最大距离的1/2时,分类建模指标均优于未分类所建模型.从分类实现过程和结果可以看出:基于试探的未知类别的样品聚类方法中无需多次训练,且对未知类别的样品集无需事先确定分类数目,但需要确定分类阈值,阈值不同,则分类结果会随之改变.研究为近红外建模过程中未知类别样品的分类提供了一种参考方法.%In the case of a large numbers of samples participating in the modeling, classification modeling on the sample set could reduce the range of variation of the sample, and improve the prediction capability of the model. In this paper, 222 wheat samples across China were used as modeling sample. Combined with near-infrared spectral information of samples, the sample set was classified by probing-based unknown classes samples clustering methods (nearest neighbor approximation and maximum-minimum distance algorithm) , under the condition that the component content of samples and type of ownership were unknown. When thethreshold of the nearest neighbor approximation algorithm was 1.9, and the threshold of the maximum-minimum distance algorithm was half of the maximum distance, the classification model indicators were better than unclassified model. The classification process and results indicated that many times of training was not a necessity with the probing-based method of sample clustering with unknown categories, but the classification threshold need to be determined, the classification changing accordingly with different threshold values. This study provided a reference method for unknown category sample classification during the near-infrared modeling process.【总页数】5页(P345-349)【作者】徐云;吴静珠;王一鸣;王文信【作者单位】中国农业大学信息与电气工程学院,北京100083;北京工商大学计算机与信息工程学院,北京100037;中国农业大学信息与电气工程学院,北京100083;中国农业大学经济管理学院,北京100083【正文语种】中文【中图分类】O657.3【相关文献】1.基于多染色体演化的自适应类别数聚类方法 [J], 倪广翼;章孝灿;苏程;俞伟斌2.基于样本加权FCM聚类的未知类别局部放电信号识别 [J], 贾亚飞;朱永利;高佳程;袁博3.网上拍卖品的价格层级与类别对买方出价行为的影响——基于函数性数据聚类方法的分析 [J], 严明义;程诗有4.基于试探的未知类别聚类的识别算法应用研究 [J], 张飞5.基于多类别的镉稻米近红外光谱识别分析 [J], 朱向荣;李高阳;江靖;谢运河;单杨因版权原因，仅展示原文概要，查看原文内容请购买。
现代近红外光谱分析技术的原理及应用
现代近红外光谱分析技术的原理及应用1 简介近红外光（near infrared,NIR）是介于可见光（VIS）和中红外光（MIR或IR）之间的电磁波美国材料检测协会（ASTM）将近红外光谱区定义为波长780-2526nm的光谱区（波数为12820-3959cm-1）习惯上又将近红外区划分为近红外短波（780-1100nm）和近红外长波（1100-2526nm）两个区域。
从20世纪50年代起，近红外光谱技术就在农副产品分析中得到广泛应用，但是由于技术上的原因，在随后的20多年中进展不大。
进入20世纪80 年代后，随着计算机技术的迅速发展，以及化学计量学方法在解决光谱信息提取和消除背景干扰方面取得的良好效果，加之近红外光谱在测试技术上所独有的特点，人们对近红外光谱技术的价值有了进一步的了解从而进行了广泛的研究。
数字化光谱仪器与化学计量学方法的结合标志着现代近红外光谱技术的形成。
数字化近红外光谱技术在20 世纪90年代初开始商品化。
近年来，近红外光谱的应用技术获得了巨大发展，在许多领域得到应用，对推进生产和科研领域的技术进步发挥了巨大作用。
近红外光谱技术是90年代以来发展最快、最引人注目的光谱分析技术，测量信号的数字化和分析过程的绿色化使该技术具有典型的时代特征。
由于近红外光在常规光纤中有良好的传输特性，使近红外光谱技术在实时在线分析领域中得到很好的应用。
在工业发达国家，这种先进的分析技术已被普遍接受，例如1978年美国和加拿大采用近红外法代替凯氏法，作为分析小麦蛋白质的标准方法。
20世纪90年代初,外国厂商开始在我国销售近红外光谱分析仪器产品,但在很长时间内，进展不大，其原因主要是：首先，近红外光谱分析要求光谱仪器、光谱数据处理软件（主要是化学计量学软件）和应用样品模型结合为一体，缺一不可。
但被分析样品会由于样品产地的不同而不同，国内外的样品通常有差异，因此，进口仪器的应用模型一般不适合分析国内样品。
近红外光谱分析技术的数据处理方法
引言近红外是指波长在780nm～2526nm范围内的光线，是人们认识最早的非可见光区域。
习惯上又将近红外光划分为近红外短波（780nm～1100nm）和长波（1100 nm～2526 nm）两个区域.近红外光谱（Near Infrared Reflectance Spectroscopy，简称NIRS）分析技术是一项新的无损检测技术，能够高效、快速、准确地对固体、液体、粉末状等有机物样品的物理、力学和化学性质等进行无损检测。
它综合运用了现代计算机技术、光谱分析技术、数理统计以及化学计量学等多个学科的最新研究果，并使之融为一体，以其独有的特点在很多领域如农业、石油、食品、生物化工、制药及临床医学等得到了广泛应用，在产品质量分析、在线检测、工艺控制等方面也获得了较大成功。
近红外光谱分析技术的数据处理主要涉及两个方面的内容：一是光谱预处理方法的研究，目的是针对特定的样品体系，通过对光谱的适当处理，减弱和消除各种非目标因素对光谱的影响，净化谱图信息，为校正模型的建立和未知样品组成或性质的预测奠定基础；二是近红外光谱定性和定量方法的研究，目的在于建立稳定、可靠的定性或定量分析模型，并最终确定未知样品和对其定量。
1工作原理近红外光谱区主要为含氢基团X-H（X=O,N,S,单健C,双健C,三健C等）的倍频和合频吸收区，物质的近红外光谱是其各基团振动的倍频和合频的综合吸收表现，包含了大多数类型有机化合物的组成和分子结构的信息。
因为不同的有机物含有不同的基团，而不同的基团在不同化学环境中对近红外光的吸收波长不同，因此近红外光谱可以作为获取信息的一种有效载体。
近红外光谱分析技术是利用被测物质在其近红外光谱区内的光学特性快速估测一项或多项化学成分含量。
被测样品的光谱特征是多种组分的反射光谱的综合表现，各组分含量的测定基于各组分最佳波长的选择，按照式(1)回归方程自动测定结果：组分含量＝C0＋C1(Dp)1＋C2(Dp)2＋…＋Ck(Dp)k(1)式中：C0～k为多元线性回归系数；(Dp)1～k为各组分最佳波长的反射光密度值（D＝－lgp，p为反射比）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． ２ ０ ９ ５ — ６ ０ ０ ２ ． ２ ０ １ ４ ． ０ ５ ． ０ １ ４
文章 编 号 ： ２ ０ ９ ５ — ６ ０ ０ ２ （ ２ ０ １ ４ ） ０ ５ — ０ ０ ７ ４ — ０ ６
引 用格 式 ： 刘翠玲 ， 胡玉君 ， 吴胜男 ， 等 ．近 红 外 光 谱 奇 异 样 本 剔 除 方 法 研 究 ．食 品科 学技 术 学 报 ， ２ ０ １ ４， ３ ２ （ ５ ） ： ７ ４— ７ ９ ．
的缺 陷．
红外 光谱 面粉 品质 检测模 型 的精 确性 和可 靠性 ．
１ 试验材料 、 仪 器 与 方 法
１ ． １ 样 品 的 准 备
试验 所 用 面 粉样 本 ， 是 从 合 作单 位 古船 面粉 厂
近 红 外 光谱 分 析 技术 是 一 种 物理 测 试技 术 ， 主
要 通过建 立 近红外 光谱 分析 模 型对未 知 的面粉 样 品 进 行预测 ， 分 析模 型 的 准 确程 度 能 够 直 接影 响对 未 知样 品的预测 精度 ．在建 立 面 粉 的近 红 外光 谱
取得 的不 同 日期 、 不 同生 产 线 生 产 的不 同种 类 的面
粉， 共计 ６ ０个 ． １ ． ２ 样 品 化 学 值 的 测 量
试 验采 用 国标 法 ８ ５ ０℃ 乙 酸镁 法 ， 准 确 测 量 面 粉样 本 的灰 分含 量 ， 所测值 作 为建模 时 的化 学值 ．
１ ． ３ 样 品 近 红 外 光 谱 的 采 集
第 ３ ２卷 第 ５期
７ ４ ２ ０ １ ４年 ９月
食 品 科 学 技 术 学 报
Ｊ ｏ ｕ ｒ ｎａ ｌ ｏ ｆ Ｆ ｏ ｏ ｄ Ｓ ｃ ｉ ｅ ｎｃ ｅ ａ ｎｄ Ｔｅ ｃ ｈ ｎｏ ｌ ｏ ｇ ｙ
Ｖｏ Ｉ ． ３２ ＮＯ ． ５
Ｓ ｅ ｐ． ２ ０１ ４
精 度 优 于 马 氏 距 离法 ．
关键 词 ： 近 红 外光谱 ； 异 常样 本 ；马 氏距 离法 ； ＭＣ Ｃ Ｖ； 灰 分 中图分 类号 ： Ｔ Ｓ ２ １ １ ． ７ ； Ｔ Ｓ ２ ０ ７ ． ３； Ｔ Ｐ ３ ９ １ ． ９
人 们 的 日常 生 活 离 不 开 面 粉 ， 面 粉 的 品 质 问 题
ｉ ｎ ｆ ｒ ａ ｒ ｅ ｄ ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｓ ｃ ｏ ｐ ｙ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ．Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｆ ｏ ｏ ｄ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，２ ０ １ ４， ３ ２（ ５ ）： ７ ４—７ ９ ．
样 本进 行剔 除．试验 中采 用马 氏距 离法和 蒙特 卡 洛采样 法 分别对 异 常样本进 行 了剔 除 ， 结果表 明 ： 用马 氏距 离法剔 除异 常样本 ， 当权 重 系数 为 １ ． ５ ， 剔除样 本数 为 ３时 ， 得 到最好 结果 ， 相 关 系数 （ Ｒ ）
为９ ２ ． ６ ７ ， 交互验证 均方 差 Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ为 ０ ． ０ ４ ８ ５ ； ＭＣ Ｃ Ｖ 法剔 除异 常样 本 ， 剔 除样 本 数 为 ３ ， 得 到 最 好 结果 ， 相 关 系数 （ 尺 ） 为９ ４ ． ６ ４ ， 交互验 证 均 方 差 Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ为 ０ ． ０ ４ １ １ ．故 马 氏距 离法 剔 除异 常样 本 能在 一定程 度上提 高校 正模 型 的精度 和预 测精 度 ， 但 ＭＣ Ｃ Ｖ法 剔 除异 常样 本后 模 型 精度 和预 测
指标 主要 有 水 分 、 灰 分 以及 面 筋 等 “ ．传 统 的 面 粉 品质检 测方法 （ 物 理化 学 法 ） 存 在 多种 缺 陷 ， 不 仅
耗费 时间 ， 而 且 容 易 对 面 粉 造 成 二 次 污染 ， 而 被 广泛应 用 于农作 物 品种检 测 和分析 的近 红外光 谱分 析 技术 能 够 在 不 破 坏 样 品 的前 提 下 对 样 品 进 行 准 确、 迅 速 的检测 ， 在一 定程 度上 克服 了传统 检测 方法
近 红 外 光 谱 奇 异 样 本 剔 除 方 法 研 究
刘 翠玲 ， 胡玉君 ， 吴胜男 ， 孙晓荣 ， Hale Waihona Puke 窦森 磊 ， 苗 雨晴 ， 窦 颖
（ 北 京 工商 大学 计 算机 与信 息 工程 学院 ，北 京 １ ０ ０ ０ ４ ８ ）
摘 要 ： 采 用近 红外 光谱 分析技 术 建立 面粉校 正模 型 ， 对面粉 中灰 分含 量进 行 定量 分析 ， 并对 异 常
Ｌ Ｉ Ｕ Ｃ ｕ ｉ ｌ ｉ ｎ ｇ ，ＨＵ Ｙｕ ｊ ｕ ｎ ，Ｗ Ｕ Ｓ ｈ ｅ ｎ ｇ ｎ ａ ｎ，ｅ ｔ ａ １ ．Ｏ ｕ ｔ ｌ ｉ ｅ ｒ ｓ ａ ｍｐ ｌ ｅ ｅ ｌ ｉ ｍｉ ｎ ａ ｔ ｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ ｓ ｆ ｏ ｒ ｂ ｕ ｉ ｌ ｄ ｉ ｎ ｇ ｃ ａ ｌ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｏ ｆ ｎ ｅ ａ ｒ
文献标 志 码 ：Ａ
需 要 对 异 常 样 本 进 行 判 别 和 处 理 ． 王 建 义 等 人 对
随着 生活水 平 的提 高 而 得 到普 遍 关 注 ， 食 品 监 管 部
门对 面粉 品质 的控 制尤 为重 要． 目前 对 面 粉 的评 价
产 生异 常样 品的原 因进 行 了详 细 的介 绍 ， 本 文 主要 探讨 马 氏距离 法 以及蒙 特卡 洛交 又验 证法 对剔 除异 常样本后 的数 据建 立 近 红 外 光 谱 分 析模 型 ， 通 过测 定模 型 的准确 度对 两种 方 法 进 行 比较 ， 从 而 提 高 近
分 析模 型时 要求 面粉 的近红 外光谱 图和化 学值 之 间 存 在一定 的相关性 ， 异 常样 品 的存 在 能 够 降低 谱 图 与 化学值 之 间 的相 关性 ， 降 低模 型 的预测精 度 ， 因此