波长选择是光谱建模分析的重要步骤。 研究了近红外光谱法分析油页岩含油率过程中的波长选择方法, 用以剔除光谱数据中的冗余信息和干扰信息, 提高分析模型的建模效率和预测能力。 分别采用相关系数法(CC)、 移动窗口偏最小二乘法(MWPLS)和无信息变量消除法(UVE)对油页岩近红外漫反射光谱数据的波长区间进行了选择, 研究了不同阈值、 窗口宽度和噪声矩阵对上述方法的影响, 建立了所选择波长处的反射率数据和样品含油率标准值间的偏最小二乘(PLS)分析模型, 比较了上述方法的选择效果。 结果表明: 与使用全谱数据建模相比, 采用上述方法筛选过的光谱数据均能提高模型的建模效率和预测能力, 其中经UVE法筛选后的光谱数据仅占全谱数据总数的22.8%, 模型的RMSECV却降低了9.3%, RMSEP降低了4.5%。

采用间隔偏最小二乘法(IPLS)和移动窗口偏最小二乘方法(MWPLS),在640～1 100 nm范围内建立血糖短波近红外的优化模型。使用马氏距离对人血清样品中的奇异样品进行筛选,将检测光谱分别等分为2～15份进行IPLS分析,对比建立预测模型。设窗宽为151 nm,成分数范围(1～20),全谱进行MWPLS,对预测模型进行优化。结果显示,依据马氏距离采用最小半球体积法能有效筛选所采集光谱中的奇异光谱,IPLS可以有效地找到葡萄糖分子官能团对应的近红外特征谱段,MWPLS能够找到适合建模的精确起止波长点,通过偏最小二乘法建立血糖浓度的预测模型,相关系数R=0.982 2,预测均方差RMSEP=0.163 5 mmol/L,偏差Bias=-0.087 3 mmol/L。

基于近红外光谱分析技术结合模式判别方法建立了一种人参和西洋参鉴别的新方法。 收集根状、 根须和粉末状的样品共90份, 在有聚乙烯包装袋的情况下直接采集近红外光谱, 去除原始光谱中包装袋的显著吸收后进行了MSC与一阶导数处理, 然后采用移动窗口偏最小二乘法选择了建模光谱区间, 分别建立了PLS-DA, PCA-DA和SVM判别模型, 并对3种模型作了对比分析, 结果表明SVM判别效果最优, 其对预测集的正确判别率为100%。 该方法准确、 便捷, 可实际应用于企业原料药材的质量控制, 实现对原料药材的快速筛查<英文标题>Research on Fast Discrimination between Panax Ginseng and Panax Quinquefolium Based on Near Infrared Spectroscopy

应用近红外(NIR)光谱技术结合化学计量学法建立测定蛹虫草菌丝体中腺苷、 蛋白、 多糖和虫草酸4种主要有效成分含量的定量分析模型, 可应用于蛹虫草高产突变株的筛选和发酵条件的优化。 468株蛹虫草突变株在不同的摇瓶发酵条件下进行发酵, 收集菌丝体粉末样品并采集NIR光谱, 同时采用常规方法分别测定样品的4种有效成分含量。 偏最小二乘法(PLS)用于建立NIR光谱与有效成分含量间相关模型。 采用蒙特卡罗偏最小二乘法(MCPLS)识别异常样本和选择合适的校正集样本数； 采用移动窗口偏最小二乘法(MWPLS)筛选波长变量； 以逼近度(Da)为考察指标, 选择最有效的光谱预处理方法和最适的PLS隐变量数, 最终得到测定蛹虫草菌丝体中腺苷、 蛋白、 多糖和虫草酸含量的最优PLS模型, 其校正集样本参考值与预测值间相关系数(Rc)分别为0.929 43, 0.984 79, 0.907 85和0.851 31； 预测集误差(RMSEP)为0.667 14, 0.020 65, 0.011 31和0.011 59, 表明模型具有很好的拟合度和预测性能, 应用该方法进行蛹虫草诱变筛选和发酵条件的优化是可行的。

光谱数据压缩、 信息变量提取是近红外应用研究的热点, 是简化模型、 提高预测精度的重要手段。 本文以杏可见/近红外光谱为例, 采用二阶导数、 标准化和正交信号校正(OSC)处理以滤除光谱与浓度阵无关的信号; 使用SCMWPLS选择出880, 894～910和932 nm为建模区间建立PLS预测模型, 其相关系数(R)、 校正误差(SEC)和预测误差(SEP)分别为0.920, 0.454和0.470; 进行独立运行GA程序100次, 依次选择入选频率较高的2个波长点888和900 nm作为回归变量, 建立GA-MLR预测模型, 其R, SEC, SEP分别为0.905, 0.488和0.459, 均优于全谱的偏最小二乘建模结果。 结果显示, OSC可以滤除光谱与浓度阵无关的信号, 减少建立模型所用的主因子数; SCMWPLS和GA可以寻找最优信息变量组合。 该方法对于建立低维度、 高精度近红外快速分析模型具有普遍参考意义。