公共文化服务平台

北京市优秀人才培养资助(2012D005003000007): 作品数：14 被引量：84H指数：6; 相关作者：孙晓荣刘翠玲窦颖胡玉君吴胜男更多>>; 相关机构：北京工商大学更多>>; 发文基金：北京市优秀人才培养资助北京市自然科学基金北京市教委科技创新平台项目更多>>; 相关领域：轻工技术与工程农业科学理学一般工业技术更多>>

基于紫外分光光度法的农药二嗪农定量建模研究: 2013年; 利用紫外可见分光光度计技术对二嗪农微量溶液进行了检测,并基于Lambert-Beer定律和最小二乘法建立了二嗪农微量溶液的定量分析数学模型,对校正集和预测集进行了定量分析。其中,基于Lambert-Beer定律的数学模型分析结果为:校正集相关系数R2=0.9892,预测集预测标准偏差RESEP=0.349;基于最小二乘法的数学模型分析结果为:校正集相关系数R2=0.9921,预测集RMSEP=0.282。结果表明,紫外分光光度计技术检测微量二嗪农含量具有快速,精度高的优点,可用于农药二嗪农的快速、准确鉴定。; 苗雨晴刘翠玲孙晓荣赵薇; 关键词：紫外分光光度法最小二乘法

基于模拟退火算法优化波长的面粉品质检测被引量：8: 2016年; 模拟退火算法(simulated annealing algorithm,SAA)是一种随机搜索、全局优化算法,为提高近红外光谱检测面粉品质模型的准确度与稳健性,实验提出基于SAA优化波长,再结合偏最小二乘(partial least squares,PLS)法建模预测的定量模型,并对SAA中冷却进度表参数设置进行对比分析。实验依据面粉中灰分含量梯度,随机选取126份样本的近红外光谱建立SAA-PLS模型。结果发现,SAA从2 074个波数优选出70个波数,结合PLS建立的定量模型相关系数为0.976 0,交互验证均方根误差(root mean square error of cross validation,RMSECV)为0.022,预测均方根误差(root mean square error of prediction,RMSEP)为0.030 1,全谱建立的PLS模型相关系数为0.778 5,RMSECV为0.066 6,RMSEP为0.076 8。结果表明,基于SAA优化特征谱区,建立灰分定量模型是可行的,且准确度与稳健性明显优于全谱定量分析模型。; 窦颖孙晓荣刘翠玲肖爽; 关键词：模拟退火算法偏最小二乘法面粉近红外光谱

基于NIR的小麦粉异常样本剔除方法研究被引量：9: 2014年; 近红外光谱定量分析的过程中,异常样品的干扰是影响分析模型的重要因素,因此异常样品的判别与处理是提高模型预测能力的一个重要步骤。选取古船面粉厂150个面粉样本,运用马氏距离法和蒙特卡罗交叉验证法(MCCV)分别对异常样品进行了判别和剔除,用剔除样本前后的交互验证均方差RMSECV和预测均方差RMSEP作为评价指标。结果表明,经过马氏距离和MCCV两种算法筛选后,预测精度均得到了提高。同时,对两种方法进行比较,得出适合小麦粉异常样本的剔除方法,提高了后期所建定量分析模型的精确性和可靠性。; 刘翠玲孙晓荣吴静珠吴胜男苗雨晴; 关键词：小麦粉近红外光谱

基于红外衰减全反射光谱的面粉种类快速鉴别被引量：2: 2015年; 研究提出基于支持向量机(support vector machine,SVM)算法结合红外衰减全反射光谱对不同种类的面粉进行快速分类。实验随机采集富强粉、精制雪花粉、麦芯粉及面包粉4种共139份常见面粉红外衰减全反射光谱,运用马氏距离筛选异常样本,并建立SVM模型对待测样本进行预测。实验采用二叉树SVM模型识别面粉种类,并通过网格法优化核函数参数,结果显示:富强粉、精制雪花粉、麦芯粉及面包粉的识别准确率分别为100%、100%、75%和85.71%,模型平均识别准确率为90.177 5%。结果表明,利用红外光谱结合SVM算法快速识别面粉种类是准确可行的。; 窦颖孙晓荣刘翠玲位丽娜胡玉君; 关键词：面粉支持向量机

基于近红外光谱技术的小麦粉灰分含量检测方法研究被引量：5: 2015年; 采用近红外光谱技术建立小麦粉灰分含量的快速检测方法。使用两种不同的近红外光谱仪器采集小麦粉的近红外光谱数据,以常规分析法的测定值作为建模数据,采用偏最小二乘(PLS)回归分析法建立小麦粉灰分的定量分析模型,比较两种不同的近红外光谱仪器扫描的小麦粉近红外光谱图对模型的影响。结果表明,MicroNIR-1700近红外光谱仪扫描的谱图所建校正集模型的相关系数R^2为90.69,均方根误差(RMSECV)为0.031 2,预测集模型的均方根误差(RMSEP)为0.021 7;VERTEX70傅里叶变换近红外光谱仪扫描的谱图所建校正集模型的相关系数R^2为89.40,均方根误差(RMSECV)为0.035 0,预测集模型的均方根误差(RMSEP)为0.036 6。两种仪器都能用于小麦粉光谱采集,并进行灰分含量快速检测,MicroNIR-1700在小麦粉灰分检测方面有更好的应用。; 刘翠玲胡玉君孙晓荣窦颖; 关键词：近红外光谱偏最小二乘法灰分

基于近红外光谱的小麦粉湿面筋含量检测被引量：6: 2015年; 本文应用近红外光谱法测定小麦粉中湿面筋含量.对小麦粉的近红外光谱图进行消除常数偏移量、多元散射校正、减去一条直线三种预处理方法,用偏最小二乘法建立小麦粉的近红外光谱图与湿面筋含量之间的关系模型,并预测小麦粉中湿面筋含量.实验结果显示减去一条直线预处理后的模型评价指标最优,模型的相关系数R2为93.4,模型交互验证后的均方差为0.51,预测结果的均方根误差为0.456.实验结果表明,近红外光谱法能够用于小麦粉湿面筋含量的测定.; 胡玉君刘翠玲窦森磊孙晓荣; 关键词：近红外光谱湿面筋偏最小二乘法

基于MicroNir-2200的小麦粉水分含量快速检测被引量：2: 2018年; 将近红外便携式光谱仪MicroNir-2200作为光谱采集工具,建立了小麦粉水分含量的近红外快速校正模型,分析探讨了以MicroNir-2200为基础的近红外光谱快速无损检测技术的优缺点。实验采用MicroNir-2200采集小麦粉样品的近红外光谱数据,以软件Unscramble 9.7建立小麦粉水分含量的近红外偏最小二乘(PLS)校正模型,分析了各种预处理方式对建模效果的影响,并用内部交叉验证和外部预测2种方法评价模型。实验结果表明:利用MicroNir-2200扫描的谱图所建最佳小麦粉水分含量校正模型决定系数为0.929,校正均方根误差(RMSEC)为0.111,交叉验证均方根误差(RMSECV)为0.126,预测均方根误差(RMSEP)为0.154。表明所建模型具有较好的准确性和稳定性,以MicroNir-2200为基础的近红外光谱技术可方便、快捷地应用于小麦粉生产现场水分含量的快速检测。; 孙晓荣王赋腾刘翠玲张颖付新鑫; 关键词：近红外光谱技术小麦粉水分含量偏最小二乘法

近红外光谱奇异样本剔除方法研究被引量：21: 2014年; 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(R2)为92.67,交互验证均方差RMSECV为0.048 5;MCCV法剔除异常样本,剔除样本数为3,得到最好结果,相关系数(R2)为94.64,交互验证均方差RMSECV为0.041 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MCCV法剔除异常样本后模型精度和预测精度优于马氏距离法.; 刘翠玲胡玉君吴胜男孙晓荣窦森磊苗雨晴窦颖; 关键词：近红外光谱灰分

基于拉曼光谱技术的面粉品质快速检测被引量：11: 2014年; 由于目前国标法检测面粉水分、灰分以及湿面筋等品质参数的方法费时、费力,研究提出基于拉曼光谱分析技术建立面粉中水分、灰分和湿面筋的定量分析研究。实验随机采集100份不同种类的古船面粉样本,采集样本的拉曼光谱,运用光谱预处理方法结合偏最小二乘法建立分析模型,所建立的水分(含量取值范围为13.3%~15.4%)、灰分(含量取值范围为0.46%~0.85%)和湿面筋(含量取值范围为28%~36.8%)定量模型的相关系数分别达到0.945 66、0.993 39、0.981 65,校正均方根误差分别为0.145、0.012 6、0.456。结果表明,通过拉曼光谱技术实现面粉品质快速、无损、高效的检测可行且具有较大的发展空间。实验还通过新旧面粉的拉曼光谱,建立2013年与2014年生产面粉的距离匹配分析模型,实现过期面粉的快速鉴别,实验准确率达100%。; 窦颖孙晓荣刘翠玲赵浩然; 关键词：面粉拉曼光谱偏最小二乘法

光谱预处理对便携式近红外光谱仪快速检测小麦粉灰分含量的影响被引量：12: 2017年; 为了实现便携式近红外光谱仪现场快速分析小麦粉中灰分的含量,对125个小麦粉样本扫描并进行多种预处理后,建立了基于偏最小二乘(PLS)的定量分析模型。探讨了基线校正(Baseline)、矢量归一化(Normalize)、SavitskyGolay卷积平滑法、导数、标准正态变量变换(Standard Normal Variate Correction,SNV)以及多元散射校正(Multiplicative Scatter Correction,MSC)这六种预处理方法及其组合方式对建模的影响。结果表明:矢量归一化+Savitsky-Golay滤波平滑法是最佳预处理方法,相应建立的小麦粉灰分含量最佳模型的校正决定系数R_c^2为0.947,交叉验证决定系数R^2v为0.896,校正均方根误差(RMSEC)为0.026,交叉验证均方根误差(RMSECV)为0.037,预测均方根误差(RMSEP)为0.026。无预处理模型的校正决定系数为0.873,交叉验证决定系数为0.832,校正均方根误差为0.044,交叉验证均方根误差0.051,预测均方根误差为0.056;相较于无预处理模型,最佳模型的预测精度和稳健性有了很大的提高。; 王赋腾孙晓荣刘翠玲徐莹莹尹唯佳; 关键词：偏最小二乘灰分

北京市优秀人才培养资助(2012D005003000007)

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

北京市优秀人才培养资助(2012D005003000007)

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈