近红外光谱方法模型的构建.docVIP

近红外光谱模型的构建及其在饲料营养中的应用 侯成立1，2，季海峰1(，张董燕1，王四新1，刘辉1，王晶1，王雅民1 （1.北京市农林科学院畜牧兽医研究所，北京 100097；2.内蒙古农业大学兽医学院，呼和浩特 010018） 摘要：近红外光谱分析技术是是近年来发展迅猛的一项高新分析检测技术，因其具有快速、无损、无污染等优点，已得到广泛的应用。本文综述了近红外光谱模型的分析预测流程、构建方法及其在饲料营养中的应用，并对其发展趋势进行了展望。 关键词：近红外光谱技术；模型构建；饲料营养 近红外光谱分析(near infrared reflectance spectroscopy，NIRSCalibration Mode)，最后根据未知样品的光谱数据，与校正模型相对应，计算出样品的组分。近红外光谱定量分析方法对物质成分测定流程见图1。 2 模型的构建及其方法 近红外光谱分析是一种间接分析技术，是采用化学计量学方法建立校正模型而进行的。因此，模型的构建对于预测结果的准确度与精确度至关重要。就目前而言，模型的构建主要包括光谱的预处理、波段的选择及模型构建方法的选择。其中，光谱预处理主要是为了去除干扰信息，突出有用信息，以便提高校正模型的可靠性和稳定性。而波段的选择不仅可以简化模型，还可以剔除不相关或非线性变量，得到预测能力强、稳健性好的校正模型。 目前，模型的构建方法主要有：多元线性回归（Multiple Linear Regression，MLR）、主成分分析（Principle Component Analysis，PCA）、主成分回归（Principle Component Regression，PCR）、偏最小二乘法（Partial Least Square，PLS）、支持向量机（Support Vector Machine，SVM）、仿生模式识别（Biomimetic Pattern Recognition，BPR）[1]、人工神经网络（Artificial Neural Net，ANN）、Boosting回归[2]等。 另外，在模型构建过程中，要定期加入新的样品以提高适用度，这就要求要添加的样品应该是影响模型精度的样品（截距调整的节点），从而进行定标模型的升级。 3 近红外光谱技术在饲料营养中的应用 3.1 原料成分的检测 饲料原料是配制饲料的关键，对饲料原料的检测对于畜牧业生产至关重要。方利民等[3]提出了基于独立分量分析-神经网络回归（ICA-NNR）的近红外分析建模方法，并用于玉米中水分、淀粉、蛋白质3种主要成分含量的测定，结果检验样品集的化学检测值与近红外预测值的相关系数分别为：淀粉r=0.971，蛋白质r=0.976，水分r=0. 975。杨方等[4]选用偏最小二乘法（PLS）为建模方法，采用二阶导数和Norris导数滤波法处理光谱数据后，建立了玉米籽粒粉末中CNCPS组分的近红外分析模型；其中干物质（DM）、粗蛋白质（CP）、粗脂肪（Fat）、粗灰分（Ash）、淀粉（Starch）、中性洗涤纤维（NDF）、酸性洗涤纤维（ADF）、可溶性蛋白（SP）、酸性洗涤不溶蛋白（ADIP）和中性洗涤不溶蛋白（NDIP）等决定系数分别为0.9743、0.9683、0.9478、0.9098、0.9777、0.9354、0.9269、0.857 5、0.5319和0.6833，标准差（SD）与预测均方根（RMSEP）的比值（SD/RMSEP）值分别为3.96、4.78、3.75、4.25、4.13、3.88、3.12、3.06、5.50和2.85。另外，杨增玲等[5]为了能更加快速准确的定性判别鱼粉中是否掺有肉骨粉（MBM），采用DPLS方法建立判别分析模型，结果定标模型的正确判断率为95.7%，外部验证正确判断率为95.6%，对于掺入量≥5%MBM时，正确判断率为100%。 3.2 配合饲料成分的检测 近年来，NIRS在配合饲料中的应用较多，如对水分、脂肪、粗蛋白、粗灰分、粗纤维、钙、磷、氨基酸等成分的检测，使用该方法有利于有效提高检测效率，降级检测成本。董娟娟[6]通过试验对15种不同饲料成品分别用传统方法和近红外分析方法进行检测其中的水分、粗蛋白、粗脂肪、粗纤维、粗灰分、钙、磷、盐等指标，结果均无显著差异，但检测速度大大加快。另外，Alomar D[7]等利用近红外对市售狗粮中营养组分进行分析，认为近红外分析技术能够成功分析动物饲料成分。刘波平等[8]采用偏最小二乘与人工神经网络方法对70个饲料样品建立起天门冬氨酸（Asp）、谷氨酸（Glu）、丝氨酸（Ser）和组氨酸（His）4种氨基酸含量的预测校正模型，结果偏最小二乘-反向传播网络模型对样品4个组分含量的预测决定系数（R2）分别为：0.