豆粕中水分、氨基酸以和粗蛋白地分布对傅立叶近红外预测模型地影响.pdfVIP

2文献综述 2．1近红外光谱技术的原理 近红外(Near 学物质在近红外谱区内的光学特性，快速测定样品中一种或多种成分含量和特性的物理 倍频和这些基团伸缩振动的合频吸收，几乎包含了有机物中所有含H基团的信息，蕴含着 分子结构、组成状态等信息，与所见到的不同物质在不同的可见光谱区有不同的颜色一 样，不同的物质在近红外光谱区段具有不同的近红外光谱。所以近红外光谱不仅可以区 分不同的物质，而且能够根据吸收光谱的强弱判定其含量。但是要想获得某一组分的含 量信息或定性信息，必须借助化学计量学的方法，如主成分分析法、多元线性回归法、 偏最d-乘法、人工神经网络法等进行多元回归分析建立物质光谱与待测成分含量间的 线性或非线性模型，这个模型是多元回归的一个大矩阵，其数学模型可表示为： XAl+B2XA2+B3XA3+．．．．．．BKXAK C=Bo+B1 Bo～Bk为回归系数(也是在第K个波长点的吸收常数)； Al叫k为在第K个波长点的吸收强度； C为由近红外光谱分析的某个化学成分的含量。 通过对一批己知其化学成分含量的近红外光谱定标，可获得K个波长点的回归系数， 再用这个被确定的模型来预测未知样品中该化学成分的含量。在计算机的应用软件中， 这种通过多元回归建立模型形象化的体现为一条类似一元回归方程的曲线，用其相关数 值可以表示模型的优劣。在饲料原料中与品质有关的蛋白质、脂肪、纤维、氨基酸等有 机分子中都含有各种含氢基团(严衍禄(2005)等【41)，因此通过近红外光谱分析可以直接 测定生物样品中的这些成分的含量。 2．2近红外定量分析的过程 近红外光谱分析过程可分为定标和预测两部分(严衍禄(2005)H1等)。 定标模型的建立：建立定标模型的流程如图a所示，首先选取一组具有代表性的样 2 本，采用国标(GB)或其它公认的化学分析方法测定样本某成分含量(化学分析值或真值)， 用近红外光谱分析仪获得样本的光谱数据，并对其进行光谱预处理，再应用各种定性方 法(如聚类分析法)，或根据样本组分的浓度、产地和光谱特性等，将样本分为定标集和 验证集。利用定标集样本成分浓度与其光谱数据，通过多元线性回归(MLS)、主成分回归 浓度与其光谱之间的线性或非线性定标模型，以实现用现代近红外光谱信息对待测成分 的快速计算。 通过验证集样本的光谱数据(需经过与定标集样品光谱相同的预处理)和建立的定标 模型预测出对应成分含量，以检验定标模型的预测精度。如果预测误差在允许的范围内， 就输出定标模型，否则重新划分定标集和验证集，再次建立定标模型，直到定标模型的 预测精度满足要求为止。 aNIRS定标模型建立流 b未知样品成分含量预测流程 未知样本的预测：未知样本组分浓度预测的流程如图b所示。首先在相同条件下测 定未知样本的近红外光谱数据，并对其进行与建模时相同的光谱预处理：其次选择适当的 NIRS定标模型，并进行模型适应性检验，根据所选定的定标模型和未知样本的光谱数据 预测出未知样本的组分含量。 2．2．1评价近红外定标模型优劣的指标 评价近红外数学模型的相关性除通常采用的相关系数外，还经常采用决定系数：评 价近红外数学模型的测量偏差除通常采用的平均绝对误差和相对误差外，还经常采用标 准差、相对标准差、预测残差平方和等(严衍录等【4】’2005)。 coefficient ①决定系数R2(The ofdetermination) ∑◇，～i)2 2： R 1一生! ×100％ ∑◇，一Y。2 其中n为样本数；夕，为第f个样品的预测值；咒第f个样品的参考值(真值)；Ym为 样本真值的平均值。尺2接近100％表示预测浓度值接近真值，若R2=1则说明存在完全拟 合。当预测残差平方和大于总平方和(真值的方差)，R2为负值，表示拟合效果极差。 ②定标标准差(RMSECV)和预测标准差(RMSEP) RMSEc矿=IN；◇。一或)2