小波变换结合多维偏最小二乘方法用于近红外光谱定量分析
小波变换-分段直接校正法用于近红外光谱模型传递研究
( ヘ ( ARMS = 1 M M i=1
1 N
N
（ S2i λ
λ =1
-
S1i λ ）
（3）
Prcorrecte（d % ）=
ARMS2uncorrected - ARMS2corrected ARMS2uncorrected
× 100%
（4）
N 为光谱数据总数目，S2i λ和 S1i λ分别为第 i 个标准样品分别在仪器 2 和仪器 1 测定的 λ 波长处光
4. 2 标准样品数目的选择
PDS 算法属于有标传递方法。采用 K-S 方法，从源机校正集样品中选取标准样品。图 1 为目标机
Zh3-1 与源机传递后 ARMS 和 Prcorrected 与标准样品数目关系。标样越多，ARMS 越小，Prcorrected 越大；选定 标准样品数目为 9，此时仪器之间的 81. 7% 光谱差异
主因子。因此 f 控制主因子数的选定，f 越大，所选的主因子越多。可见，PDS 的参数包括 w 和 f 的确定。
2. 3 传递性能评价参数
采用光谱平均差异（ ARMS）和光谱校正率（ Prcorrected）评价传递性能。ARMS 反映了不同仪器之间光 谱的差异。ARMS 越大，仪器差异越明显；Prcorrected为不同仪器之间光谱差异扣除率，越大，传递性能越好。
图 1 ARMS 和 Prcorrected 与标样数目关系 Fig. 1 Plot of average of root mean square（ ARMS）and Prcorrected with size of standard samples
仪器无关的信息，传递性能也会变差。最佳的 w 和 f 需要通过反复筛选确定，通常选取最小 ARMScorrected 或最大 Prcorrected 对应的参数为最终的传递参数（ 见表 1）。 4. 4 光谱校正结果
近红外漫反射光谱-偏最小二乘法非破坏定量分析维生素C片
近红外漫反射光谱-偏最小二乘法非破坏定量分析维生素C片夏雨【期刊名称】《中国医药导报》【年(卷),期】2012(9)27【摘要】Objective To develop a near infrared diffuse reflectance spectroscopy with partial least square fitting (NIR-PLS) for nondestructive quantitative analysis of Vitamin C in Vitamin C Tablets. Methods A mathematical calibration model (110 samples) of NIR was proposed using the second derivative spectrum in the wavelength range of 10 000-4000 cm"1. This model was applied to predict the validation set and detect the marked concentration of Vitamin C in Vitamin C Tablets. Results The correlation coefficient (r) of the prediction value and the actual value in calibration set was 0.996 9, the root mean standard error of calibration (RMSEC) was 1.30. The root mean standard error of prediction (RMSEP) was 0.656 from the cross-validation. The average recovery of the prediction set was 97.24% (RSD = 4.89%, n = 10). Conclusion The established method is a rapid and simple way with good accuracy. The method can be applied in rapid qualitative and quantitative analysis of drugs.%目的采用近红外漫反射技术结合偏最小二乘法对维生素C片中的维生素C进行非破坏性定量分析.方法 110个校正集样品采用近红外二阶导数在10 000～4 000 cm-1光谱区间建立了维生素C片中维生素C的含量定量分析模型,对验证集进行验证,并计算实际样品的标示含量.结果校正集预测值与真实值的相关系数(r)为0.996 9,校正均方根误差(RMSEC)为1.30.对10个验证集样品进行外部验证,预测均方根误差(RMSEP)为0.656,预测值的平均回收率为97.24%(RSD = 4.89%,n = 10).结论本方法简便,快速,准确,适用于药品快速检查和质量控制.【总页数】4页(P112-114,117)【作者】夏雨【作者单位】首都医科大学附属北京友谊医院药剂科,北京,100050【正文语种】中文【中图分类】R927.2【相关文献】1.近红外漫反射光谱法非侵入式定量分析盐酸氨溴索片剂 [J], 张明旭2.近红外漫反射光谱法与偏最小二乘法结合作芦丁粉末药品的非破坏性分析 [J], 任玉林3.PLS-近红外漫反射光谱法对氢氧化铝粉末药品非破坏定量分析 [J], 商金卓;王彬;任瑞冰;赵羚志;任玉林4.PLS—近红外漫反射光谱法对盐酸氟桂利嗪粉末药品非破坏定量分析 [J], 刘福强;曲楠;王彬;赵羚志;任玉林5.短波近红外漫反射光谱法对氨苄西林粉末药品的非破坏定量分析 [J], 王桂芳;王彬;陈庆先;孙丽丽;任玉林因版权原因，仅展示原文概要，查看原文内容请购买。
近红外光谱定量分析的新方法：半监督最小二乘支持向量回归机
厂 ） ． ） （ ＝’ （ ＋ｂ 一∑ ｄ９ｘ （） ｂ ， ～ （） ＋
一
其中 和 ｅ 分别为包含 ｍ 和 个元 素的全 １ 向量 ， 和 列 Ｌ 分别为 ｍ 阶和 阶单位矩阵 。 ｚ 一（ ） （ ｚ ，… ， 记 ｌ （１ ，９ ｘ ）
￣ Ｘ ） ， ２ （ ＋ ） （ Ｏ ｍ ）ｚ 一 （ １ ， （ ） ，… ， （ ｈ ） ，则 Ｋｌ 一 ） ， １
一
２ １ 原 始 及 对 偶 问题 ．
。 一∑ （） ９ｘ ＋∑届 （ ）
ｉ １ ＝ ｉ＝ １
ａＬ
ａ
ｏ Ｅ∞ ＋∑屈一０
０ 争 一 挎 ＝ａ ，
，
其 中 ： 一Ｒ 为输 入空间到某一高维 （ 可能为无 穷维 ） 特征 空问 Ｈ 的映 射 ，嘞 表示 特 征 空 间 Ｈ 的维 度 ，毒 （ ， 一 ６，
近 红 外 光 谱 定 量 分 析 的新 方 法 ：半 监 督 最 小 二 乘 支 持 向量 回归 机
李 林 ，徐 硕 ，安 欣。 ，张录达
１０ ９ ０ １３
１ ．中 国农 业 大 学 信 息 与 电 气 工程 学 院 ，北 京
２ ．中国科学技术信息研究所信息技术支持 中心 ， 北京 １０ ３ ００８ ３ ．对外经济 贸易大学国际经济 贸易学院 ，北京
，
记线性方 程 组 （ ） ３ 的解 为 口 一（ ，ａ 口 ，… ，
ｂ 则 决 策 函 数 为 ，
ＪＫ Ｋ Ｌ＝ （ １ Ｉ『ｏ １．Ｌ２ Ｉ１ ｅ》 ］ ｌ ） ｕ＋ ２ ｌ ２ ， Ｙ Ｋ １］ ． ＋ ｌ 厂 口Ｉ 卢ｌ ］ ｌ ｆ 一
ｅ Ｋ １ ｍ
（ ＶＲ ｒ 及最小二乘 Ｓ Ｒ（．－ＶＲ） Ｓ ）］ Ｖ Ｉ Ｓ Ｓ Ｆ ，虽然 能够解 决一 等
小波变换-人工神经网络用于烟酸片的近红外快速、无损定量测定
小波变换-人工神经网络用于烟酸片的近红外快速、无损定量测定高鸿彬;相秉仁;李睿;刘浩【期刊名称】《中国药科大学学报》【年(卷),期】2006(37)4【摘要】目的：研究采用近红外漫反射光谱法结合小波变换-人工神经网络算法用于烟酸片的无损含量测定。
方法：所有光谱通过载有InGaAs检测器和光纤探头的傅立叶变换近红外装置获得。
所有样品在12000cm^-1到4000cm^-1扫描，每个样品光谱扫描64次，光谱预处理采用一阶导数。
特定波段7999．599～3999．8cm^-1用于建模，线性范围：50％～150％。
结果：预示集平均回收率100．06％，RSD％为1．5。
为确证近红外漫反射光谱法应用的可行性，预示集与参比方法紫外分光光度法测定结果进行比较，采用配对比较t检验，近红外法与紫外光谱法比较无显著性差异。
结论：近红外漫反射光谱法快速，简便，无损，能够用于烟酸片含量测定。
【总页数】4页(P326-329)【关键词】近红外漫反射光谱法;烟酸片;小波变换;人工神经网络【作者】高鸿彬;相秉仁;李睿;刘浩【作者单位】中国药科大学分析测试中心;江苏省药品检验所【正文语种】中文【中图分类】R917【相关文献】1.人工神经网络在近红外分析方法中的应用及深色油品的分析——人工神经网络-近红外分析方法快速测定原油馏程 [J], 王艳斌;刘伟;袁洪福;陆婉珍2.偏最小二乘法用于阿昔洛韦片的近红外漫反射快速、无损含量测定 [J], 周雨菁;相秉仁;王正武3.烟酰胺片的近红外漫反射光谱快速、无损定量测定 [J], 李睿;高鸿彬;相秉仁4.近红外光谱技术用于ABS塑料的快速无损测定 [J], 张晓晖;吕洁5.近红外漫反射光谱法快速、无损定量测定克拉霉素胶囊 [J], 孙美玲;相秉仁因版权原因，仅展示原文概要，查看原文内容请购买。
化学计量学-荧光分析法同时测定萘、1-萘酚和2-萘酚
化学计量学-荧光分析法同时测定萘、1-萘酚和2-萘酚王凡凡;任守信;孟和;高玲【摘要】根据正交信号校正(OSC)、小波包变换(WPT)及偏最小二乘法(PLS)的算法原理,编制了名为POSC-WPTPLS的程序,结合荧光分析法快速、灵敏、选择性较好的优点,将该程序用于同时测定荧光光谱严重重叠的萘、1-萘酚和2-萘酚多组分体系,并将3种化学计量学方法(OSC-WPT-PLS、WPT-PLS和PLS)进行比较.3种化合物的总相对预测标准偏差分别为3.3%,5.9%和6.7%.结果表明:OSC-WPT-PLS 法优于WPT-PLS和PLS法.将本方法用于自来水及两种废水的分析,取得了良好的效果,回收率分别为97.4%～102.7%,98.8%～100.7%和98.1%～104.6%.%A programs named POSCWPTPLS was designed based on the arithmetic algorithm of partial least squares (PLS), orthogonal signal correction (OSC) and wavelet packet transform (WPT), combined with the advantage of fluorescence analysis of rapid, sensitive and highly selective,the POSCWPTPLS program was used to determine the mixture of naphthalene, 1-naphthol, 2-naphthol with severe overlapping fluorescence spectra. Three kinds of chemometric methods (OSC-WPTPLS, WPT-PLS and PLS) were applied in this study for comparison. The relative standard errors of prediction (RSEP) for all compounds were 3.3％, 5.9％ and 6.7％, which showed OSC-WPT-PLS method was better than others. The method was used to analyze the tap water and two kinds of wastewaters with good recoveries of 97.4％-102.7％, 98.8％-102.7％ and 98.1％-104.6％.【期刊名称】《分析化学》【年(卷),期】2011(039)006【总页数】5页(P915-919)【关键词】荧光分析法;化学计量学技术;同时测定;萘、1-萘酚和2-萘酚【作者】王凡凡;任守信;孟和;高玲【作者单位】内蒙古大学化学化工学院,呼和浩特,010021;内蒙古大学化学化工学院,呼和浩特,010021;内蒙古大学化学化工学院,呼和浩特,010021;内蒙古大学化学化工学院,呼和浩特,010021【正文语种】中文对不经分离的多组分体系进行同时测定,一直是分析化学工作者感兴趣的课题。
小波多尺度分段直接校正法用于近红外光谱模型传递的研究
小波多尺度分段直接校正法用于近红外光谱模型传递的研究王菊香;李华;邢志娜;郭恒光【摘要】分段直接校正(PDS)算法是目前最常用的近红外光谱模型传递方法,但它在对整个谱区进行校正时,始终依赖大小不变的传递窗口.为了提高传递效果,本研究在PDS基础上提出了一种新的算法--小波多尺度分段直接校正法(WMPDS),用于混胺的近红外光谱模型传递,并详细讨论了模型的传递参数和传递结果.本算法首先对混胺的近红外光谱进行小波分解,然后用PDS算法对每一层小波系数进行传递,PDS窗口随小波系数频率的提高进行动态调整,最后进行小波重构.本算法能有效消除不同仪器之间的大部分差异,大幅度地改善分析精度,与传统的PDS相比,传递效果明显提高.%Piecewise direct standardization (PDS) is the most popular method on near infrared analysis calibration transfer. One of the disadvantages of PDS is that the window widths are the same in the whole near infrared (NIR) spectral wavelengths as the window width is too large in some spectra region and too small in the others. A new calibration transfer method based on PDS was proposed to improve the calibrated results, the new method is wavelet multi-scale piecewise direct standardization (WMPDS). It was used for calibration transfer in NIR analysis of mixed amine. Wavelet transfer (WT) was conducted to discompose NIR data and then PDS was applied to correct the wavelet coefficients. The window widths of PDS were changed as the wavelet coefficients changed and the reconstruction of the coefficient was next to the correction of PDS. WMPDS can well correct the differences betweeninstruments and improve analytical accuracy greatly. The performance of WMPDS is better than that of PDS in NIR calibration transfer.【期刊名称】《分析化学》【年(卷),期】2011(039)006【总页数】5页(P846-850)【关键词】近红外光谱;模型传递;小波多尺度分段直接校正【作者】王菊香;李华;邢志娜;郭恒光【作者单位】海军航空工程学院飞行器工程系,烟台,264001;海军91388部队,湛江,524000;海军航空工程学院飞行器工程系,烟台,264001;海军航空工程学院飞行器工程系,烟台,264001【正文语种】中文模型传递也称仪器标准化,是指经过数学处理后,使一台仪器上的模型能够用于另一台仪器,从而减少重新建模所带来的巨大工作量,实现样品和数据资源的共享[1]。
小波变换在红外图像处理中的实际应用案例
小波变换在红外图像处理中的实际应用案例红外图像处理是一项重要的技术，广泛应用于军事、安防、医疗等领域。
而小波变换作为一种有效的信号分析工具，被广泛应用于红外图像的处理和分析中。
本文将介绍小波变换在红外图像处理中的实际应用案例。
一、红外图像去噪红外图像通常受到噪声的干扰，影响了图像的质量和清晰度。
小波变换可以有效地去除红外图像中的噪声。
通过将红外图像进行小波变换，可以将图像分解为不同频率的子带，然后根据噪声的特性选择合适的子带进行滤波处理。
例如，可以选择高频子带进行滤波，以去除高频噪声，同时保留图像的细节信息。
经过小波去噪处理后，红外图像的质量得到了显著的提升。
二、红外图像增强红外图像通常存在低对比度、模糊等问题，影响了图像的观察和分析。
小波变换可以通过增强图像的细节和对比度，改善图像的质量。
通过对红外图像进行小波变换，可以将图像分解为不同频率的子带，然后对每个子带进行增强处理。
例如，可以选择高频子带进行增强，以增加图像的细节和清晰度。
经过小波增强处理后，红外图像的观察和分析变得更加方便和准确。
三、红外图像目标检测红外图像中的目标检测是红外图像处理的重要应用之一。
小波变换可以通过对红外图像进行分析和处理，实现目标的检测和提取。
通过对红外图像进行小波变换，可以将图像分解为不同频率的子带，然后根据目标的特征选择合适的子带进行分析和处理。
例如，可以选择低频子带进行目标的检测，以提取目标的位置和形状信息。
经过小波目标检测处理后，红外图像中的目标可以被准确地提取出来。
四、红外图像分类识别红外图像的分类识别是红外图像处理的重要应用之一。
小波变换可以通过对红外图像进行分析和处理，实现图像的分类和识别。
通过对红外图像进行小波变换，可以将图像分解为不同频率的子带，然后根据不同类别的特征选择合适的子带进行分析和处理。
例如，可以选择高频子带进行目标的分类和识别，以提取目标的纹理和形状信息。
经过小波分类识别处理后，红外图像中的目标可以被准确地分类和识别出来。
化学计量学方法在近红外光谱分析中的应用
化学计量学方法在近红外光谱分析中的应用摘要：近年来，近红外光谱的应用前景越来越广泛，利用近红外光谱技术分析样品凸显了多种应用优势，在近红外光谱分析中引进化学计量学方法，能够有效消除近红外光谱模型的干扰因素，提高光谱分析的可靠性。
基于此，本文深入分析了近红外光谱这一概念，为化学计量学方法在其中的应用，提出几点建议。
关键词：化学计量学方法、近红外光谱分析、应用一、近红外光谱概述近红外光谱分析技术是一种有效的分析手段，分析速度快，可以实现过程的在线定量分析，在待测样品的物理制备过程中，不会参与化学干预，近红外光谱分析技术对样品无化学污染。
仪器操作简便，测量过程误差影响因素少，测量的准确度能够满足使用需求。
近红外光谱技术在生物医学领域体现了强大的发展潜力，能够用于生物反应过程的研究与检测，获取重要变量参数，辅助于生物体组织的研究，技术对组织的透过性好，可以对生物体进行非破坏、非介入的分析。
近红外光谱技术在现阶段发展已经相对成熟，但分析仪器的成本相对较高，定量分析的精度容易受其他因素影响，充分配合化学计量学方法，能够有效提高模型的稳定性与精度，减轻外界因素对定标模型的干扰问题。
二、化学计量方法在近红外光谱分析中的应用（一）光谱预处理算法光谱预算处理法是提高近红外光谱模型预测效果的一种方法，在近红外光谱采集到的光谱信息中容易掺杂无关信息与噪声，为了减少噪声成分，消除光谱中的背景干扰，可采取光谱预处理算法提高信号信噪比。
根据实际分析过程中所获取光谱数据的情况，选择不同预处理的方法和组合，调整每个测量变量的可变性和关系，使预处理方法对数据起到良好的“清洗”作用。
例如，在近红外光谱分析中，可以从不同的角度针对性选择光谱预处理算法。
近红外光谱每种信号的分析背景不同，在选择算法时需要结合实际信号特征，如Savitzky-Golay算法，可以对窗口范围中心及边缘范围的光谱数据施加大小权重，从而对数据进行平滑，提高分析效果。
基于小波包变换的云芝蛋白和多糖的近红外光谱分析
（． １吉林 大学生 命科 学学 院 ， 吉林 长 春 １０ １ ２ 吉 林大 学第 一 医院 ， ３０２； ． 采用小波包变换（ ｒ 提取云芝样品近红外漫反射光谱的特征信息， ｗＰ ） ｒ 结合偏最小二乘法（ Ｌ ） Ｐ Ｓ 建立测定药
（ ＭＳ Ｃ 为 ０ ０ ２６ ， Ｒ ） ０ ９ ７４ 应 用此模 型对预 测 集样品 中蛋 白含量 进行预 测 ， Ｒ Ｅ Ｖ） ． １ ３ （ ｖ 为 ．４ ２； 得到 预测 均方根 误差 （ Ｍ— Ｒ
Ｓ Ｐ 为 ０ ００４ ， 测 集 的 相 关 系数 （ ｐ 为 ０ ９ ８５ 。 多 糖 最优 分 析 模 型 校 正 集 的 交 互 验 证 均 方根 误 差 （ Ｍ Ｅ Ｖ） Ｅ ） ． １ １预 Ｒ） ．５ ６ Ｒ ＳＣ 为 ０ ０ ６ ８ （ ｖ 为 ０ ９ ９６ ； 用 此 模 型 对 预 测 集 样 品 中 的 多 糖 含 量 进 行 预 测 ， 到 预 测 均 方 根 误 差 （ Ｍ Ｅ 为 ．１ ８ ， Ｒ ） ． １ ２ 应 得 Ｒ Ｓ Ｐ）
测 定 蛋 白含 量 均 会 对 样 品 有 一 定 损 耗 ， 适 用 于对 大规 模样 品 做 不 无 损 分 析 使用 。通 过测 定样 品 的 近 红 外 光 谱 ， 与 其 蛋 白 和 多糖 并 含 量 间 建 立模 型 （ 最 ／ ｚ 乘 法 ） 可 以 进 行 样 品 含 量 的 无 损 分 偏 Ｊ ． ￣ ， 析 ， 测量费用较低 。 且
病 等。现代 医药 学研 究 表 明， 云芝 子实 体 、 从 菌丝 体 、 发酵 液 津 ＩＲ一３０ Ｓ １０积分 球 附件 ； 自动凯 氏定氮 仪 ２０ ； 全 ３ ０ 联想 家悦 中提取的云芝糖肽具有广泛 的药理作用 ， 如增 强正常机体的免疫 Ｅ ０ ０微型计算机 。 ３３ 功能 ； 拮抗动物 因负瘤 而引起 的免疫 抑制一 ； 抑制动物 和人 癌细 ２ 方 法 胞的生长 ； 拮抗化疗药物 引起 的免疫抑制 ； 抗溃疡活性及抗病毒 、 ２ １ 原理 与算法 ． 抗肝炎活性 ； 显著减 轻小 鼠 由热板 法醋 酸腹 腔注 射及 电刺 激 ２ １１ 小波包算 法原 理 ．． 小 波包 分析 对逼 近 系数 和细节 系
基于小波变换的云芝蛋白和多糖的近红外光谱分析
测 集 样 品进 行 预 测 ， 到 较 好 的 结 果 ， 方 法 有 望 成 为 一 种 代 替 得 该 现 行 真 菌 活 性 成 分 测 定 的快 速 绿 色 分 析 方 法 。
３ 材 料 与 方 法 ３１ 实验 材 料 ． 云 芝 菌 种 （ 国科 学 院 微 生 物 所 ， 号 ： ．１ １ 。 中 编 ５０ ６ ）
ｄ’ ∑ （一 ２ ） ｉ： Ｉ ｋ ‘ ‘
ｋ
菌 云 芝 中 蛋 白 含 量 和 多 糖 含 量 定 量 分 析 模 型 ， 用 小 波 包 变 换 的 ８０ 采 ０
—
２０ ｈ 波 段 的 光 谱 ， 尺 度 为 ６时 ， 立 的 模 型 最 优 。 正 交 小 波 包 ５ Ｏｍ 在 建
最 有 效 的 分 析 方 法 之 一 。 本 文 应 用 近 红 外 光 谱 法 结 合 Ｐ Ｓ ＮＲ Ｌ （ Ｉ
—
科 病 等 。现 代 医 药 学 研 究 表 明 云 芝 糖 肽 有 广 泛 的 药 理 作 用 ， 增 如
Ｐ Ｓ 建 立 云芝 中 蛋 白 含 量 的定 量 分 析 模 型 ， 用 所 建 模 型对 预 Ｌ） 并
＋ ∑ （— ２ ） 舀 １ ｋ
ｘ
（） ３
多尺 度分 析 对近 红 外 光谱 具 有 较 强 的 去 噪 和 压 缩 能 力 ， 而使 Ｐ Ｓ 从 Ｌ 模 型 更 具 有 代 袁 性 和 稳 健 性 ， 时 也 提 高 了 建 模 效 率 和 模 型 的 预 测 同
精 度 。 该 方 法 预 测 精 度 能 满 足 云 芝 蛋 白 定 量 和 多 糖 含 量 分 析 的 要
（ ） 组 正 交 基 就 称 为 Ｌ （ ） 一 个 小 波 基 。小 波 包 分 析 对 逼 近 Ｒ一 ２Ｒ 的 系 数 和 细 节 系 数 都 做 了 分 解 ， 信 号 在 全 频 带 内 进 行 分 解 同 时 使 可 以进 行 频 带 的 选 择 ， 比小 波 变 换 更 精 细 的分 析 方 法 。分 解 后 是 的信 号 的 系数 可 以 按 照 公 式 （ ） 行 重 构 。 ３进
近红外光谱结合小波变换-随机森林法快速定量分析甲醇汽油中甲醇含量
近红外光谱结合小波变换-随机森林法快速定量分析甲醇汽油中甲醇含量作者：李茂刚闫春华薛佳张天龙李华来源：《分析化学》2019年第12期摘;要;建立了一种基于近红外光谱（Near infrared spectroscopy，NIR）结合小波变换-随机森林（Wavelet transform-Random forest，WT-RF）的用于甲醇汽油中甲醇含量快速定量分析的方法。
采用傅里叶变换红外光谱仪采集54个甲醇汽油样品的光谱，并进行光谱解析;探究不同光谱预处理方法对样品NIR光谱的处理效果，重点探究基于不同小波基函数与小波分解层数的小波变换（Wavelet transform，WT）光谱预处理效果，并通过优化变量重要性阈值筛选随机森林RF校正模型的输入变量;基于优化后的参数及输入变量，构建了甲醇汽油NIR光谱的WT-RF模型。
为了进一步验证此模型的预测性能，将其与小波变换-偏最小二乘校正模型（Wavelet transform-Partial least squares，WT-PLS）和小波变换-最小二乘支持向量机校正模型（Wavelet transform-Least square support vector machine，WT-LSSVM）进行对比。
结果表明，WT-RF校正模型具有最佳的预测性能，其交叉验证决定系数（Coefficient of determination of cross-validation，R2cv）和均方根误差（Root mean square error of cross-validation，RMSECV）分别是0.9990和0.0044%，预测集决定系数（Coefficient of determination of prediction set，R2p）和均方根误差（Root mean square error of prediction set，RMSEP）分别为0.9885和0.0191%。
基于小波变换-遗传算法-偏最小二乘的草莓糖度检测研究
收稿日期:2018-11-16 修回日期:2019-03-26基金项目:山东省高等学校科技计划(N o .J 17K B 131) *通讯作者:原帅,男,硕士,副教授,研究方向:光信号获取与处理㊂E -m a i l :yu a n s h u a i 1981@126.c o m 第36卷第1期V o l .36 N o .1分析科学学报J O U R N A LO FA N A L Y T I C A LS C I E N C E 2020年2月F e b .2020D O I :10.13526/j .i s s n .1006-6144.2020.01.020基于小波变换-遗传算法-偏最小二乘的草莓糖度检测研究张 娟1,原 帅*2,张 骏3(1.烟台汽车工程职业学院电子工程系,山东烟台265500;2.烟台大学文经学院,山东烟台264005;3.烟台大学光电信息科学技术学院,山东烟台264005)摘 要:采用近红外漫反射光谱分析技术,对草莓糖度进行了无损检测研究㊂利用便携式近红外光谱仪采集草莓样品在600~1100n m 波段内的漫反射光谱数据㊂首先利用小波变换(WT )多分辨率方法对光谱数据进行去噪预处理,然后利用遗传算法(G A )优选特征波长,最后运用偏最小二乘法(P L S )建立草莓糖度的WT -G A -P L S 校正模型㊂该模型校正集的相关系数R C 为0.9395,校正集的均方根误差R M S E C 为0.1615,预测集的相关系数R P 为0.9652,预测集的均方根误差E M S E P 为0.5042㊂与全光谱模型(F S -P L S )和小波变换模型(WT -P L S )相比,该模型预测能力更强,稳健性更优㊂关键词:近红外光谱;小波变换;遗传算法;偏最小二乘回归;草莓;糖度中图分类号:O 657.3 文献标识码:A 文章编号:1006-6144(2020)01-111-05草莓口感酸甜,营养丰富,是一种人们普遍喜爱的水果㊂草莓糖度是决定口感和营养的重要因素㊂传统的水果糖度检测的方法多采用理化分析法,检测时间长㊁步骤繁琐㊁成本高㊂随着近红外光谱测量技术和近红外光谱仪器的快速发展,近红外光谱技术现已广泛应用于无损检测领域[1]㊂新型便携式近红外光谱仪具有体积小㊁低功耗㊁高性能㊁高稳定性等优点,适合现场检测和在线分析,越来越广泛应用于水果生产中的管理监测㊁产后加工和质量评判中[2,3]㊂基于便携式-近红外光谱测量分析技术可实现水果内部品质的简单㊁快速㊁无损检测,具有成本低㊁重现性好㊁分析效率高等优势[4]㊂近年来,国内外利用近红外光谱技术对草莓糖度的检测和分析进行了大量的研究工作,其中光谱数据预处理和预测模型的建立方法是研究热点㊂金同铭等[5]采用一阶导数逐步回归的方法获取定量分析定标方程,对草莓的糖度㊁酸度等多指标进行分析;牛晓颖等[6]采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机和反向传播人工神经网络的输入变量,建立了草莓糖度的近红外定量模型;I T O [7]将草莓原始近红外光谱数据进行二阶导数处理,利用多元线性回归法建立预测模型㊂为了获得精确度更好㊁预测能力更高的红外光谱模型,本研究采用小波变换(WT )去噪预处理,以遗传算法(G A )并结合偏最小二乘法(P L S)实现波长优化选择,建立草莓糖度的近红外光谱模型,并进行分析和验证㊂1 实验部分实验所用的样品为市场购买的草莓,共选择了果形均匀的55个样本㊂将40个样本分为校正集,15个样本为预测集㊂为减小环境温度和湿度对草莓样品光谱测量的影响,将样品放置在环境温度为25ħ,相对湿度为65%的实验室中5h 后测量㊂1.1 实验仪器及测量条件草莓近红外光谱数据的采集使用A v a n t e s 公司的A v a S pe c -2048T E C 便携式光纤光谱仪,使用与仪器111第1期张娟等:基于小波变换-遗传算法-偏最小二乘的草莓糖度检测研究第36卷配套的A v a S o f t7.0软件㊂数据采集时光谱仪探头距离草莓样品正上方高度为5m m㊂光谱检测系统的参数设置为:测量波段范围为600~1100n m,积分时间5m s,光谱采样间隔0.28n m,光谱平滑阶数为3阶㊂为减小实验测量误差,每一样品的不同位置进行3次光谱测量,取其平均值,得到的光谱数据以e x c e l 形式导出㊂1.2糖度测定将采集完红外光谱的草莓样品榨汁,使用手持W Z113折射仪测量其糖度值㊂表1为校正集和预测集样本的糖度测量值㊂表1校正集和预测集样本糖度测量值T a b l e1T h em e a s u r e r e s u l t s o f c a l i b r a t i o na n d p r e d i c t i o n s a m p l e sM e a s u r e i t e m S a m p l en u m b e r M a xv a l u e M i nv a l u e M e a nv a l u e S t a n d a r dd e v i a t i o nC a l i b r a t i o n s e t4011.16.98.21.02P r e d i c t i o n s e t1510.97.08.41.011.3校正模型采用具有较强抗干扰能力的偏最小二乘法(P L S)[8]建立校正模型,对草莓糖度进行定量分析和预测㊂选择校正集相关系数R C㊁预测集相关系数R P㊁校正集均方根误差R M S E C和预测集均方根误差E M S E P 作为模型的评价指标[9]㊂2光谱数据预处理2.1数据规范化[10]对每一条光谱数据运用极差标准归一化公式进行计算变换㊂̇x i j=x i j-m i n x i jm a x x i j-m i n x i j(1)其中,i=1,2 n,n为校正集样品数;j=1,2 m,m为波长点数㊂采用极差标准归一化处理后的光谱数据在(0,1)之间,分布更均衡[11]㊂目的是一方面降低同一草莓样品多次测量之间的差别,减小因草莓大小差异引起的光散射和微小光程差变化带来的影响,为后续分析提供可靠的数据源;另一方面,消除冗余信息,加快模型收敛速度,提高模型的稳健性和预测能力㊂2.2小波去噪由于受到各种因素的影响,检测获得的近红外光谱信号夹杂噪声干扰㊂利用小波变换多分辨率方法[12],对近红外光谱信号进行不同分辨尺度的变换分解㊂通过调节尺度因子,将原始信号c0(n)(n=1,2, ,N)分解成某尺度的锐化信号(d1(n),d2(n), ,d1(n))和平滑信号(c1(n),c2(n), ,c1(n))[11]㊂最大限度的去除掉高频噪声元素,提取各尺度下的有效细节信息特征,然后再进行小波系数反变换,重构得到需要的光谱㊂本实验采用D a u b e c h i e s5滤波器5尺度分解,对草莓近红外光谱信号进行分解㊁重构[13],实现滤波预处理㊂2.3波长选择利用具有自适应的全局㊁快速搜索的遗传算法(G A)[12]与最小二乘法(P L S)有机结合[14],对草莓光谱进行波长优化选择㊂遗传算法是模拟生物进化机制随机优化的算法,应用于波长选择的实现主要包括染色体参数编码㊁群体初始化㊁适应度函数设计㊁遗传操作设计和评价六个基本步骤[15]㊂G A-P L S波长优选的思路是通过交互验证法评价模型的预测能力来选择适应度函数[16]㊂实现方法是以所选特征波长变量建立偏最小二乘回归校正模型,得到交互验证均方根误差R M S E C V最小作为遗传算法的适应度函数,通过遗传算法的选择㊁交换和突变等算子的操作,不断的遗传迭代,剔除不相关或非线性变量,选取最优的有效特征波长[17]㊂在保证精度的前提下,简化校正模型,提高校正模型的预测能力和稳健性[18]㊂R M S E C V=(y i-y'i)n(2)其中,y i表示校正集中样品含量的真实值,y'i表示模型的预测值,n表示对应校正集的样本数目㊂211第1期分析科学学报第36卷3 结果与分析3.1 数据预处理与分析图1为随机抽取的一个草莓样品的原始近红外光谱图㊂在600~1100n m 整个光谱区都有较高的信噪比,影响校正模型的精确性和稳定性㊂故首先对光谱数据进行极差归一化处理,为后期光谱预处理提供可靠数据源㊂然后利用D a u b e c h i e s 5滤波器多尺度小波分析,对原始光谱进行各个尺度下的分解重构㊂图2是草莓光谱小波分解第5阶信号㊂可以看出,变换后的光谱很好的消除了高频噪声,光谱轮廓清晰平滑,在700㊁760n m 附近特征峰明显㊂图1 草莓的原始近红外光谱F i g .1 O r i g i n a l n e a r i n f r a r e d s p e c t r u mo f s t r a w b e r r y 图2 小波分解第5阶信号F i g .2 T h e f i f t ho r d e r s i gn a l o fw a v e l e t t r a n s f o r m 3.2 遗传算法波长优选采用V i s u a l C ++编写遗传算法程序㊂便携式光谱仪测量波长范围600~1100n m ,共有2001个波长数据㊂以草莓近红外光谱全部2001个波点数作为选择对象,考虑其有效特征波长的个数,经过多次实验验证,确定遗传算法的控制参数:群体初始化为80,选择算子为转轮法,交叉概率p c 为0.5,变异概率p m 为0.01,选取遗传迭代次数为100㊂迭代终止,选取累计贡献率高于50%的201个波点数建立草莓糖度校正模型㊂3.3 草莓糖度校正模型建立及预测分别利用偏最小二乘法建立草莓糖度原始光谱全光谱模型(F S -P L S )㊁小波变换全光谱模型(WT -P L S )和小波变换与遗传算法波长选择模型(WT -G A -P L S ),通过M a t l a b 编程实现㊂表2列出了三种校正模型的预测结果㊂由表2可见,F S -P L S 模型预测精度最低,WT -G A -P L S 模型精度明显优于F S -P L S 和WT -P L S ㊂由于全光谱数据比较复杂,含有冗余信息和噪声,因此F S -P L S 模型误差较大,预测能力较低㊂利用小波滤波去除了其他干扰信息,采用遗传算法选用包含重要信息的特征波长建立WT -G A -P L S 模型,明显提高了模型的精确度和预测能力㊂表2 草莓糖度的不同偏最小二乘校正模型结果T a b l e 2 P L S c a l i b r a t i o nm o d e l s f o r p r e d i c t i o no f d i f f e r e n tm e t h o d s M o d e l i n g mo d e l V a r i a b l e R C (C o r r e l a t i o n c o e f f i c i e n t o f c a l i b r a t i o n s e t )R M S E C (C o r r e l a t i o n r o o tm e a n s q u a r e e r r o r )R P (C o r r e l a t i o n c o e f f i c i e n t o f p r e d i c t i o n s e t )R M S E P (P r e d i c t i o n r o o tm e a n s q u a r e e r r o r )F S -P L S 20010.90620.72360.88650.7854WT -P L S 200120.92990.54150.95320.6088WT -G A -P L S2010.93950.16150.96520.5042图3是WT -G A -P L S 模型40个校正集样本的预测值与实测值的散点图㊂从图中可以看出各点均匀的散布在回归线两侧,预测值与实测值有很好的相关性㊂该模型校正集的相关系数R C 为0.9395,校正集均方根误差R M S E C 为0.1615,具有较高的精度㊂图4是15个预测集样本的预测值与实测值的散点图㊂预测值与实测值同样有很好的相关性㊂模型预测集相关系数R P 为0.9652,预测集均方根误差E M S E P 为0.5042㊂表明校正模型具有较好的稳定性和可靠性㊂WT -G A -P L S 模型采用的波点数由2001减少到201个,在保证精度㊁稳定度的前提下简化了建模变量,可见遗传算法是一种有效的近红外光谱特征波长选择方法㊂311第1期张娟等:基于小波变换-遗传算法-偏最小二乘的草莓糖度检测研究第36卷图3校正集糖度预测值与实测值的散点图F i g.3P r e d i c t i v ea n da c t u a lv a l u eo fc a l i b r a t i o ns e t s u g a r d e g r ee 图4预测集糖度的预测值与实测值散点图F i g.4P r e d i c t i v ea n da c t u a lv a l u eo f p r e d i c t i o ns e t s u g a r d e g r e e4结论采用小波滤波㊁遗传算法和偏最小二乘回归法三者有机结合,建立了草莓糖度的近红外光谱的小波变换-遗传算法-偏最小二乘(WT-G A-P L S)校正模型㊂该模型校正集的相关系数R C为0.9395,校正集均方根误差R M S E C为0.1615,预测集的相关系数R P为0.9652,预测集均方根误差E M S E P为0.5042,模型具有良好的稳定性㊁可靠性和预测性能㊂研究表明,利用便携式光谱仪检测草莓糖度,不仅满足品质的检测需求,还为长期监控果实动态变化,实现果园生产中的管理提供了可能性㊂参考文献:[1] Y USH,L I UJ.J o u r n a l o fA n h u i I n s t i t u t e o fE d u c a t i o n(于绍慧,刘晶.合肥师范学院学报),2018,35(3):1.[2] L I U Y D,Z H O U Y R.J o u r n a l o fC h i n e s eA g r i c u l t u r a lM e c h a n i z a t i o n(刘燕德,周延睿.中国农机化学学报),2013,34(4):204.[3] Y U A NS,Z HA N GJ,L I U M J,e t a l.J o u r n a l o fA n a l y t i c a lS c i e n c e(原帅,张娟,刘美娟等.分析科学学报),2016,32(4):553.[4] Z HA O Y R,Y U K Q,L I UZP,e t a l.J o u r n a l o f S h a n x iA g r i c u l t u r a l S c i e n c e s(赵艳茹,余克强,刘志鹏等.山西农业科学),2012,40(6):698.[5]J I N T M,C U IH C.A c t aA g r i c u l t u r a eB o r e a l i-S i n i c a(金同铭,崔洪昌.华北农学报),1994,9(2):120.[6] N I U X Y,Z HA OZL,Z HA N GX Y.J o u r n a l o fA g r i c u l t u r a lM e c h a n i z a t i o nR e s e a r c h(牛晓颖,赵志磊,张晓瑜.农机化研究),2013,35(5):204.[7]I T O H.A c t aH o r t i c u l t u r a e,2002,567(2),751.[8] A n n aP e i r s,J e r o e nT i r r y,B e r tV e r l i n d e n.P o s t h a r v e s tB i o l o g y a n dT e c h n o l o g y,2000,28(2),269.[9] Y A N Y L,C H E N B,Z HU DZ.P r i n c i p l e,T e c h n o l o g y a n d A p p l i c a t i o no fN e a r I n f r a r e dS p e c t r o s c o p y.B e i j i n g:C h i n aL i g h t I n d u s t r y P r e s s(严衍禄,陈斌,朱大洲.近红外光谱分析的原理技术与应用.北京:中国轻工业出版社),2013: 165.[10]C H E N R,Z HA N GJ,L IXL.S p e c t r o s c o p y a n dS p e c t r a lA n a l y s i s(陈蕊,张骏,李晓龙.光谱学与光谱分析),2012,32(5):1230.[11]Z H E N G T T.E x t r a c t i o na n dC l a s s i f i c a t i o no fP e a n u tS e e d sb y V i s i b l e-N e a r I n f r a r e dS p e c t r o s c o p y,Y a nT a i:Y a n t a iU n i v e r s i t y(郑田田.花生种子可见-近红外光谱的特征提取与分类识别.烟台:烟台大学),2013:12.[12]F A NSX,HU A N G W Q,L I JB,e t a l.S p e c t r o s c o p y a n dS p e c t r a lA n a l y s i s(樊书祥,黄文倩,李江波等.光谱学与光谱分析),2014,34(8):2089.[13]X U CF,L IG K.P r a c t i c a lW a v e l e tM e t h o d.W u h a n:H u a z h o n g U n i v e r s i t y o f S c i e n c e&T e c h n o l o g y P r e s s(徐长发,李国宽.实用小波方法.武汉:华中科技大学出版社),2001:290.[14]S p i e g e l m a nC H,M e x h a n eMJ,G o e t zMJ.A n a l y t i c a l c h e m i s t r y,1998,70(1),35.[15]C HU Y XL,Y U A N H F,L U W Z.P r o g r e s s i nC h e m i s t r y(褚小立,袁洪福,陆婉珍.化学进展),2004,16(4):528.[16]WA N GJH,HA N D H.S p e c t r o s c o p y a n dS p e c t r a lA n a l y s i s(王加华,韩东海.光谱学与光谱分析),2008,28(10):2308.411第1期分析科学学报第36卷[17]J I ALJ,Z HA N G HJ,WA N GJ,e t a l.F o o da n dF e r m e n t a t i o n I n d u s t r i e s(贾柳君,张海红,王健等.食品与发酵工业),2017,43(2):191.[18]B I EJX,Z HA O YF.C o m p u t e r&D i g i t a l E n g i n e e r i n g(别军象,赵宇峰.计算机与数字工程),2014,42(16):6.D e t e c t i o no f S u g a rD e g r e e i nS t r a w b e r r yB a s e d o n W a v e l e t T r a n s f o r m-G e n e t i cA l g o r i t h m-P a r t i a l L e a s t S q u a r e sZ H A N GJ u a n1,Y U A NS h u a i*2,Z H A N GJ u n3(1.E l e c t r o n i cD e p a r t m e n t,A u t o m o t i v e E n g i n e e r i n g V o c a t i o n a lC o l l e g e,Y a n t a i265500;2.I n f o r m a t i o nE n g i n e e r i n g D e p a r t m e n t,W e n j i n g C o l l e g e o f Y a n t a iU n i v e r s i t y,Y a n t a i264005;3.I n s t i t u t e o f O p t o-E l e c t r o n i c I n f o r m a t i o n,Y a n t a iU n i v e r s i t y,Y a n t a i264005)A b s t r a c t:N e a r i n f r a r e d(N I R)d i f f u s er e f l e c t a n c es p e c t r o s c o p y w a su s e dt os t u d y t h en o n-d e s t r u c t i v e d e t e c t i o no f s t r a w b e r r y s u g a r c o n t e n t.F i r s t l y,t h ed i f f u s e r e f l e c t a n c e s p e c t r ao f s t r a w b e r r y s a m p l e s i n 600-1100n mb a n dw e r e c o l l e c t e db yp o r t a b l en e a r i n f r a r e d s p e c t r o m e t e r.T h ew a v e l e t t r a n s f o r m(WT) m u l t i-r e s o l u t i o na n a l y s i sm e t h o d w a su s e dt od e n o i s et h eo r i g i n a l s p e c t r a ld a t a,a n dt h es p e c t r a ld a t a w i t h o b v i o u s c h a r a c t e r i s t i c p e a k s a n d c l e a r c o n t o u r w e r e o b t a i n e d.T h e g e n e t i c a l g o r i t h m(G A) a l g o r i t h m w a s u s e d t oo p t i m i z e t h e s e l e c t i o no f2001w a v e l e n g t h p o i n t s i n600-1100n mb a n d,a n d201 w a v e l e n g t h p o i n t sw i t h a c u m u l a t i v e c o n t r i b u t i o n o fm o r e t h a n50%w e r e o b t a i n e d.P a r t i a l l e a s t s q u a r e s r e g r e s s i o n(P L S)w a s u s e d t o e s t a b l i s h t h e WT-G A-P L S c a l i b r a t i o n m o d e l o f s t r a w b e r r y.T h e c o r r e l a t i o nc o e f f i c i e n tR Co f t h e c a l i b r a t i o n s e t i s0.9395,t h eR M S E Co f t h e c a l i b r a t i o n s e t i s0.1615, t h e c o r r e l a t i o n c o e f f i c i e n tR Po f t h e p r e d i c t i o ns e t i s0.9652,a n dt h eE M S E Po f t h e p r e d i c t i o ns e t i s 0.5042.C o m p a r e dw i t h t h e f u l l s p e c t r u m m o d e l(F S-P L S)a n d t h ew a v e l e t t r a n s f o r m m o d e l(WT-P L S), t h em o d e lh a sb e t t e r p r e d i c t i o na b i l i t y a n dr o b u s t n e s s.T h ea p p l i c a t i o no f p o r t a b l es p e c t r a la n a l y s i s t e c h n o l o g yp r o v i d e sat h e o r e t i c a lb a s i s f o r t h en o n-d e s t r u c t i v ed e t e c t i o no fs t r a w b e r r y s u g a rc o n t e n t, a l s o p r o v i d e s a f e a s i b i l i t y f o r l o n g-t e r m m o n i t o r i n g o f f r u i td y n a m i c c h a n g e s,t h e r e a l i z a t i o no f o r c h a r d m a n a g e m e n t a n d p o s t-h a r v e s t d e t e c t i o n.K e y w o r d s:N e a r i n f r a r e d s p e c t r o s c o p y;W a v e l e t t r a n s f o r m;G e n e t i c a l g o r i t h m s;P a r t i a l l e a s t-s q u a r e s r e g r e s s i o n; S t r a w b e r r y;S u g a r d e g r e e511。
小波聚类方法和近红外光谱技术用于药片种类判别
小波聚类方法和近红外光谱技术用于药片种类判别小波聚类方法和近红外光谱技术用于药片种类判别药品的质量和安全是影响人民健康的重要因素之一，因此，在药品的生产、加工和质量控制过程中需要进行药品种类的准确定义和鉴别。
传统的药品鉴别方式需要对药品样本进行破壳分析，这样会破坏药品的完整性和实验可重复性。
而采用近红外光谱技术结合小波聚类方法可以克服这些问题，从而在药品鉴别方面具有广阔的应用前景。
近红外光谱技术是一种无损分析技术，其原理是将近红外光线穿过样本，然后根据光线的吸收、散射和反射进行分析，从而可知样本的成份及内部结构特征。
由于该技术所涉及的光线波长范围在700-2500nm之间，克服了在可见光范围内化学反应活性低和不透光性强的问题，因此近红外光谱技术应用非常广泛。
而小波聚类方法是将小波分析与聚类分析相结合的方法。
小波分析是一种能够对信号进行多尺度变换的数学方法，其可以将信号分解成不同的频段，从而更好地掌握信号中不同频率的信息。
而聚类分析是一种常见的数据分析方法，其可以将数据分成一定数量的类别，便于进行比较和分类。
因此，近红外光谱技术和小波聚类方法的结合被用于药片种类的判别，具有诸多优点。
基于近红外光谱技术收集到的光谱数据可以通过小波变换对其进行分解，得到各个频段对应的小波系数。
然后，将这些小波系数作为输入数据应用聚类算法，自动对不同的药品样本进行分类。
由于小波聚类方法可以快速准确地处理大量数据集，因此该方法可以通过样本的光谱数据进行药品种类的快速分类，从而达到准确鉴别的目的。
总之，近红外光谱技术和小波聚类方法的结合可应用于药片种类的判别。
这种方法不仅具有快速准确的处理数据的性能，而且可以在无损分析的前提下，保证药品的完整性和实验可重复性，是一种非常有效和实用的药品鉴别的方法。
互信息诱导子空间集成偏最小二乘在近红外光谱定量校正中的应用解析
互信息诱导子空间集成偏最小二乘在近红外光谱定量校正中的应用I know no such thing as genius, it is nothing but labour and diligence.【摘要】在集成框架下，提出了一种联合自助采样和基于互信息变量选择的子空间回归集成偏最小二乘算法MISEPLS。
此算法的核心是通过训练集自助采样和随后计算互信息的方式来引入成员模型的差异性。
由于互信息量小于一个特定阈值的变量被淘汰，每个成员模型在原始变量的一个子空间得到训练。
模型融合考虑了简单平均和加权平均两种方式()。
通过两个近红外光谱定量校正实验，与建立单模型的全谱偏最小二乘算法(PLS)和基于互信息变量选择的偏最小二乘算法(MIPLS)进行了比较。
结果表明，在不增加模型复杂度的情况下，MISEPLS能建立起更精确、更稳健的校正模型。
Hide one's talents in a napkin.【关键词】互信息，子空间，集成，校正，近红外光谱1 引言近年来, 近红外光谱(NIR)技术以其简便、快捷、低成本、无污染以及不破坏样品等优点，被越来越多地应用于石油、化工、医药、食品等领域[1～４]。
近红外光谱对应分子中含氢基团的振动倍频与合频，加之各种干扰存在和物理因素影响，具有背景复杂、谱峰重叠、变动、信号弱的特点，其中的有效信息率非常低。
因此，从复杂、重叠、变动的光谱信号中提取微弱的有用信息，并建立校正模型是应用近红外光谱技术的难点和关键，直接决定了其可用性[５]。
化学计量学算法已成为近红外光谱技术的核心技术之一[６]。
具有代表性的化学计量学算法包括偏最小二乘(PLS)[７]、人工神经网络(ANN)[８,９]、支持向量机(SVM)[1０]等(医药学/临床医学论文 )。
传统的校正技术一般基于建立单一模型，在很多情况下，特别是当训练集较小时，单一模型的预测能力与稳健性难于达到要求[1１]。
起源于机器学习的集成或共识(Ensemble or consensus)策略为解决该类任务提供了新思路[1２]。
小波聚类方法和近红外光谱技术用于药片种类判别
小波聚类方法和近红外光谱技术用于药片种类判别方利民;林敏【摘要】对310个药片样品的近红外光谱数据进行了聚类分析.首先使用小波变换对光谱数据矩阵进行多尺度分解,在进行有效压缩之后,采用经典分类方法对合适选取的小波系数组合进行聚类分析,提出了小波聚类方法.该方法分别用于实验室药片、中试药片和规模生产药片样品的分析,按药片样品的组成得到4个类别.结果表明,对实验室药片和中试药片样品分类的精确度均达到100%;对于规模生产药片的分类,共120个样品中只有1个样品被错误划分,精确度也高达99.2%.近红外光谱技术结合小波聚类方法的聚类性能是令人满意的,相比经典聚类分析,更加快速,易于使用,对制药行业约片质量以及成本控制均有积极作用.【期刊名称】《光谱学与光谱分析》【年(卷),期】2010(030)011【总页数】4页(P2958-2961)【关键词】近红外光谱;小波分析;聚类;判别分析;药片【作者】方利民;林敏【作者单位】中国计量学院计量测试工程学院,浙江,杭州,310018;中国计量学院计量测试工程学院,浙江,杭州,310018【正文语种】中文【中图分类】O657.3药品的生产制造过程包含多个精密而且复杂的阶段，除最终成品外，每个阶段的中间成品都需要进行质量控制。
由于工艺时间长、中间产品物理性质不同等，使得分析测试的过程显得复杂、费时，传统的方法急需改进［1］。
新的药品最终产品及中间成品的质量控制方法需要具有高效性、无破坏，而且分析过程无需溶液（溶剂）等，近几年快速发展的光谱分析技术引起了广大药学领域研究者的极大兴趣［2－4］。
其中，近红外（near infrared，NIR）光谱分析技术的快速、低成本、无破坏性、样品无需预处理、易于在线应用等优点使其在制药领域得到了广泛的应用［4，5］。
小波分析技术可用于去噪、压缩和特征提取，在NIR光谱分析中已被广泛使用，包括定量和定性分析［6］。
NIR技术在药物定性分析，如种类判别、原材料产地鉴别、中间产品的辨识等，都逐渐得到了应用［7，8］。
基于偏最小二乘增量式神经网络的近红外光谱定量分析模型
基于偏最小二乘增量式神经网络的近红外光谱定量分析模型近红外光谱是一种快速、无损、可靠的质量分析方法，被广泛应用于食品、药品、化妆品、农产品等领域。
在近红外光谱定量分析中，建立准确的模型是非常重要的，而基于偏最小二乘增量式神经网络的近红外光谱定量分析模型可以更加准确地预测样品中物质含量。
偏最小二乘回归（partial least squares regression，PLS）可以在处理多重共线性时，减少变量之间的相关性对回归结果的影响。
将偏最小二乘回归和神经网络相结合可以实现更好的数据处理和预测分析，并可以大大提高分析准确性和精度。
增量学习是一种连续改善模型性能的学习方法，可以实现对新数据学习和旧数据进行差异分析，更新模型参数。
基于偏最小二乘增量式神经网络的近红外光谱定量分析模型充分利用了偏最小二乘回归和神经网络的优点，并通过增量学习不断改善分析模型的性能。
基于偏最小二乘增量式神经网络的近红外光谱定量分析模型首先对原始光谱数据进行预处理，如求导、归一化等操作，以消除信号中的噪声和杂乱信息。
然后利用偏最小二乘回归算法进行预测建模，并将其与神经网络相结合，构建基于偏最小二乘增量式神经网络的模型。
模型的输入层为预处理后的光谱数据，隐层为偏最小二乘回归算法和神经网络的结合，输出层为样品中需要分析的物质含量。
在增量学习过程中，新的样品数据被不断加入到训练集中，然后进行再次训练，以更新模型参数。
同时，旧数据也可以被重新训练，以适应新样品的变化。
通过这种方式，可以有效地提高模型性能和预测准确性，并使模型适应不同批次和生产环境下的样品分析需求。
基于偏最小二乘增量式神经网络的近红外光谱定量分析模型在实际应用中已被证明是一种非常有效和准确的方法。
模型可以自适应地学习和调整，可以在不同生产环境下分析样品，也可以适应不同时期的样品分析需求。
因此，基于偏最小二乘增量式神经网络的近红外光谱定量分析模型可以作为近红外光谱分析的有力工具，为食品安全、医药健康等领域提供准确和可靠的质量分析实验方法。
基于近红外光谱无损检测的水果品质定量分析与预测
基于近红外光谱无损检测的水果品质定量分析与预测马毅;汪西原【摘要】针对近红外光谱原理、检测技术及特点,利用近红外光谱检测漫反射技术在水果品质检测方法上的定量分析进行了深入系统研究.在光谱数据预处理上平滑和导数法最常见.建立模型以偏最小二乘法较常见.以遗传算法结合偏最小二乘法、小波分析结合偏最小二乘法等为代表的建模方法,其测量精度有所提高.模型优劣评价指标主要以相关系数(R)、校正集标准偏差(RMSEC)和预测集标准偏差(RMSEP)等参数决定.最后对相关研究进行展望.【期刊名称】《农业科学研究》【年(卷),期】2010(031)003【总页数】5页(P16-20)【关键词】近红外光谱;无损检测;水果;定量分析;漫反射;偏最小二乘法【作者】马毅;汪西原【作者单位】宁夏大学,物理电气信息学院,宁夏,银川,750021;宁夏大学,物理电气信息学院,宁夏,银川,750021【正文语种】中文【中图分类】O657水果品质检测技术多年来一直是农业工程领域的重要研究课题.随着计算机技术的迅速发展以及化学计量学方法研究的日益深入,近红外光谱技术在农产品品质检测领域得到较快发展.可溶性固形物含量、糖度、酸度和硬度等是评价果蔬品质的常规性状指标,对果蔬的定级和定价有着重要的影响[1].将近红外光谱技术应用于水果内部品质的检测,检测时间仅需数秒钟,而且可以同时检测多种成分,实现水果品质的快速分析,对水果分级、生产、加工质量控制具有十分重要的作用.本文就近红外光谱分析技术原理、特点及在水果定量检测方法上的应用做一些讨论.1 近红外光谱无损检测流程1.1 近红外光谱原理1800年近红外光谱区由 Herschel发现,是人类认识最早的非可见光光谱区[2].近红外光(Near Infrared,NIR)是介于可见光(VIS)和中红外光(MIR)之间的电磁波,按ASTM(美国试验和材料检测协会)定义是指波长为780～2526 nm(波数为12820～3959 cm-1)电磁波,近红外区划分为近红外短波(780～1100 nm)和近红外长波(1100～2526 nm)两个区域[3].由于NIR区的倍频和合频吸收弱,谱带复杂和重叠多,信息无法有效的分离和解析,限制了其应用.随着光学、电子技术、计算机技术和化学计量学的发展,多元信息处理的理论与技术得到发展,可以解决NIR谱区吸收弱和重叠的困难.有机物以及部分无机物分子中化学键结合的各种基团(如C=C,N=C,O=C,O=H,N=H)的运动(伸缩、振动、弯曲等)都有它固定的振动频率.当分子受到红外线照射时,被激发产生共振,同时光的能量一部分被吸收,测量其吸收光,可以得到极为复杂的图谱,这种图谱就表现为被测物质的特征.不同物质在近红外区域有丰富的吸收光谱,每种成分都有特定的吸收特征,这为近红外光谱定量分析提供了基础.1.2 近红外光谱无损检测技术、流程及特点目前常用的水果无损检测技术有:分光法检测技术(紫外光、可见光、近红外光)[4]、机器视觉检测技术、电磁特性检测技术、X线与激光分析法、力学特性检测技术、电子鼻与电子舌检测技术、超声波检测技术[5]、免疫学分析方法[6]等,其中应用最广泛、最成功的检测方法是光学方法.近红外光谱法是利用物质对光的吸收、散射、反射和透射等特性来确定其成分含量的一种非破坏性检测技术.近红外光谱检测水果样品中某种内部成分的具体过程为:①选择一定数量且具有代表性的水果样品(又称标准样品集).②用近红外光谱仪采集水果的近红外光谱.③用常规理化分析方法准确测定各个水果要预测的成分含量,并作为实测值.④应用化学计量学分析软件建立水果近红外光谱和成分分析值之间的数学模型.⑤利用已建立的定量数学模型对未知样品进行预测和精度分析.其流程见图1.图1 近红外光谱检测流程图近红外光谱技术用在水果品质检测上的优势是:①它属于非破坏性检测,可保留农产品完整外表而得其内在品质.②测试简单,无繁琐的前处理和化学反应过程.③测试速度快,大大缩短测试周期.④测试过程无污染,检测成本低.⑤近红外光谱包含了待测农产品的所有成分吸收信息,可同时检测多种内部成分.⑥对测试人员无专业化要求,且单人可完成多个化学指标的测试.⑦随模型中优秀数据的积累,模型不断优化,测试精度不断提高.⑧便于实现在线分析、远程控制.⑨测试范围可不断拓展.近红外光谱技术用在水果品质检测上的缺点和不足是:①近红外光谱容易受到样品温度、样品检测部位、样品状态以及检测参数等因素的影响,导致以系统误差为主的光谱信息存在差异性和光谱数据的不稳定性.因此,减少外界干扰,获得稳定光谱有待于研究.②目前研究中很少考虑水果的个体差异.同一品种水果由于产地、气候、采摘时间和储藏时间等条件不同,内部品质会有差异,这会导致水果对模型的适应性不同,模型对水果的预测度也有所不同.③近红外光谱技术依赖于采用化学计量学方法建立的数学模型,不同的建模方法存在差异.由于受使用条件、仪器稳定性等因素的影响,建立的数学模型的适应性也有所变化,而且每一种模型只能适应一定的时间和空间范围,因此需要不断对模型进行维护.2 近红外光谱水果品质无损检测方法与评价指标2.1 近红外光谱分析检测方法近红外光谱对水果分析可分为定量分析和定性分析,定性分析常用于水果的内部品质判别、浅层损伤、内部缺陷以及水果产地、品种鉴别等.定量分析一般用于评价水果内部成分含量,如糖度、酸度、硬度及维生素含量等.定量分析涉及光谱采集模式、光谱预处理、波段选择方法、建模方法和模型评价等[7].近红外光谱采集模式主要有反射、透射、漫反射等.(刘燕德等,2003)[8]研究了水果光特性检测原理及方法,并对三种不同检测方式进行了对比分析,结果表明,对于水果内部品质检测,最适宜用的方法是近红外漫反射光谱检测法.目前国内外水果光谱采集大多数使用漫反射光谱检测方式.光谱预处理方法有很多种,常见的有平滑、导数、标准归一化、傅立叶变换和小波变换[9]等.在波段选择方法上有相关系数法、遗传算法[10]、偏最小二乘法和独立分量分析法[11]等.建模方法常见的有多元线性回归(MLR)、偏最小二乘法(PLS)、主成分回归(PCR)、人工神经网络(ANN)[12]、支持向量机(SVM)[13]等.2.2 常见模型算法模型建立过程就是将通过预处理后的近红外光谱特征与水果有效含量数据进行关联,建立相关关系,建立模型以偏最小二乘(PLS)法最为常见,偏最小二乘法现已成为化学计量学中最有效的多变量校正方法,在化学测量及有关研究中得到广泛应用,它可以集多元线性回归分析、典型相关分析和主成分分析的基本功能为一体,将建模预测类型的数据分析方法与非模型式的数据认识性分析方法有机地结合起来,即:偏最小二乘回归≈多元线性回归分析十典型相关分析十主成分分析.其模型建立步骤可分为两步[14],具体如下:第一步,做矩阵分解,其模型为其中:T和U分别为X矩阵和Y矩阵的得分矩阵;P和Q分别为X矩阵和Y矩阵的载荷(主成分)矩阵;E和F分别为PLS模型拟合X和Y时所引进的误差.第二步,系数关联,将T和U作线性回归.令B为关联系数矩阵:U=TB,这里B=T′U(T′T)-1在预测时,由未知样品的矩阵X未知和校正得到的P校正求出未知样品X矩阵的T未知.然后得到利用PLS建模的优点是:①可以使用全光谱数据或部分光谱数据.②数据矩阵分解和回归交互结合为一步,得到的特征值向量与被测组分或性质相关,而不是与数据矩阵中变化最大的变量相关.③比较适用于小样本,多元数据分析.④可用于复杂的分析体系.其缺点是:①计算速度相对较慢,计算过程较繁,需要多次迭代.②模型建立过程复杂,较抽象,较难理解.2.3 模型评价指标评价建立后模型优劣指标一般常采用相关系数(R)、校正集标准偏差(RMSEC)和预测集标准偏差(RMSEP)[15].R越大,RMSEC和RMSEP越小,模型性能就越好.计算公式为式中:n为校正集样本数;N为预测集样本数;^yi为第i个样品的预测值;yi为第i个样品的参考值(真值);ym为校正集样本真值的平均值.RMSEC是衡量模型好坏的一个重要指标,RMSEP是衡量校正模型预测效果的重要指标.3 近红外光谱分析技术用于水果品质无损检测的研究3.1 苹果品质检测在对苹果的品质检测分析中,(Lammertyn et al,2001)[16] 、(Tsuyoshi etal,2002)[17] 、(Ying Yibin et al,2004)[18]、(刘燕德等,2005)[19]、(赵杰文等,2005)[20]、(王加华等,2008)[21]等人对苹果的糖酸度进行了近红外光谱检测分析.采用近红外漫反射采集方式采集数据,建立预测模型之前先进行光谱数据预处理,主要有平滑、导数、标准归一化和多元散射校正.平滑是去噪最常用的方法,以Savitzky-Golay卷积平滑法最为常见,但需要注意移动窗口及多项式次数的优化选择.导数可以有效地消除基线和其他背景所造成的干扰,但会引入噪声.建立模型的过程中以PLS算法最为常见,文献[21]中就PCR和PLS分别进行建立的模型进行了比较,结果以PLS所建立的模型最优.3.2 梨品质检测在对梨的品质检测分析中,(Liu Yande et al,2006)[22]、(刘燕德等,2006)[23]、(王加华等,2009)[24]、(潘璐等,2009)[25]等人对梨的糖酸度进行了近红外光谱检测分析.数据处理上大多采用平滑、导数、标准归一化和多元散射校正处理.文献[26]中对光谱进行了遗传算法波段优化,然后建立了遗传算法偏最小二乘法(GA-PLS)模型,建模结果为:R=0.966,RMSEC=0.469,RMSEP=0.797.将遗传算法用于波段选择,能更快达到最优解,有效提高测量精度,减少建模所用变量.3.3 其他水果品质检测除了对苹果和梨的研究之外,还有对橘子[26]、水蜜桃[27]、柑橘[28]、大白桃[29]和鲜枣[30]等水果进行近红外光谱分析检测.数据采集方式以漫反射为常见,对数据的预处理上采用平滑、导数、多元散射校正和小波变换等.多数以PLS建立模型,文献[12]还分别以偏最小二乘法结合遗传算法和人工神经网络(PLS-GA-BP)和偏最小二乘法结合BP神经网络(PLS-BP)建立模型进行相互比较,其结果PLS-GA-BP模型优于PLS-BP模型,其酸度和糖度的预测结果与测量值之间的相关系数和预测标准差分别为R=0.83699,RMSEP=0.109447;R=0.85409,RMSEP=0.60934.4 近红外光谱定量分析与传统测量部分水果品质比较近红外光谱分析技术应用在水果的定性与定量检测上有很明显的比较优势,见表1. 表1 苹果等水果糖度分析比较5 近红外光谱无损检测展望现代近红外光谱分析技术包括了近红外光谱仪、化学计量学软件和应用模型三部分.三者的有机结合才能满足快速分析的技术要求,缺一不可.近红外光谱分析的核心技术之一是光谱信息和组分之间建立函数关系及数学模型.在建立模型之前先要对光谱数据进行预处理,这样是为了去掉噪声等外界因素的干扰,从本文中可见平滑和导数是常见的去噪方法.小波变换由于降噪、消除基线漂移和满足局部性等优点,在数据预处理上有明显的优势,再结合遗传算法优化波段,剔除无用信息,这样建立的模型更优一些.建立模型时,PLS算法比较常见,这是因为PLS可以集多元线性回归、典型相关分析和主成分分析的基本功能为一体,其优点在本文中也提到.但是计算速度相对较慢,过程较繁,模型建立过程复杂、抽象和难理解等.最近也提到利用ANN和SVM算法来进行建模,在一些文章中也出现过,ANN能够很好解决抗干扰、抗噪声能力,ANN和SVM都能很好的解决非线性转换能力,但是学习时间都较长.6 结论本文就近红外光谱原理、检测流程、特点及水果定量检测上的应用进行了分析与探究,并就未来可能发展趋势进行了展望.近红外光谱分析技术具有快速、周期短、非破坏性,检测过程无污染、低成本及同时测定多种成分等特点,在很多领域得到广泛应用,随着算法的完善以及新的算法的提出,建立近红外光谱数据模型将会越来越优,精度也越来越高.从目前国内外研究进展情况来看,由于近红外光谱检测技术自身的许多优点,必将成为水果等无损检测中经济、有效且最具发展前景的分析技术之一. 参考文献:【相关文献】[1] 崔艳莉,冀晓磊,古丽菲娅,等.近红外光谱在果蔬品质无损检测中的研究进展[J].农产品加工:学刊,2007,(7):84-86.[2] 梁高峰,贾宏汝,谷运红,等.近红外光谱分析技术及其在农业研究中的应用[J].安徽农业科学,2007,35(29):9113-9115.[3] 李静,刘斌,岳田利,等.近红外光谱分析技术及其在食品中的应用[J].农产品加工:学刊,2007(3):44-47.[4] 应义斌,韩东海.农产品无损检测技术[M].北京:化学工业出版社,2005.[5] 刘燕德.无损智能检测技术及应用[M].武汉:华中科技大学出版社,2007.[6] 孙通,徐惠荣,应义斌.近红外光谱分析技术在农产品/食品品质在线无损检测中的应用研究进展[J].光谱学与光谱分析,2009,29(1):122-126.[7] 韩东海,王加华.水果内部品质近红外光谱无损检测研究进展[J].中国激光,2008,35(8):1123-1131.[8] 应义斌,刘燕德.水果内部品质光特性无损检测研究及应用[J].浙江大学学报:农业与生命科学版,2003,29(2):125-129.[9] 褚小立,袁洪福,陆婉珍.近红外分析中光谱预处理及波长选择方法进展与应用[J].化学进展,2004,29(4):528-541.[10] 陈斌,王豪,林松,等.基于相关系数法与遗传算法的啤酒酒精度近红外光谱分析[J].农业工程学报,2005,21(7):99-102.[11] 方利民,林敏.近红外光谱数据处理的独立分量分析方法研究[J].中国计量学院学报,2008,19(2):137-145.[12] 虞佳佳,何勇,鲍一丹.基于光谱技术的芒果糖度酸度无损检测方法研究[J].光谱学与光谱分析,2008,28(12):2839-2842.[13] 赵杰文,呼怀平,邹小波.支持向量机在苹果分类的近红外光谱模型中的应用[J].农业工程学报,2007,23(4):149-152.[14] 陆婉珍,袁洪福,徐广通,等.现代近红外光谱分析技术[M].北京:中国石化出版社,2000.[15] 夏俊芳,张战锋,王志山.番茄总糖含量的近红外光谱无损检测方法研究[J].食品科学,2009,6(30):171-174.[16] LAM MERTYN J,NICOLAI B,SM EDT D V,et al.Nonestructive measurement ofpH,soluble solids and firmness of Jonagold apples using NIRpectroscopy[J].Acta Horticulturae,2001(562):167-173.[17] TSUYOSHI T,KENKOH H,FUJITOSHI S.Measuring the Sugar Content of Apples and Apple Juice by Near Infrared Spectroscopy[J].OPTICAL REVIEW,2002,9(2):40-44.[18] YING YIBIN,LIU YANDE,FU XIAPING,et al.Effect of wavelet transform techniques upon the estimation of sugar content in apple with near-infraredspectroscopy[C].Nondestructive sensing for food safety,quality,and natural resources,2004,29-41.[19] 刘燕德,应义斌,傅霞萍.近红外漫反射用于检测苹果糖度及有效酸度的研究[J].光谱学与光谱分析,2005,25(11):51-54.[20] 赵杰文,张海东,刘木华.利用近红外漫反射光谱技术进行苹果糖度无损检测的研究[J].农业工程学报,2005,21(3):162-165.[21] 王加华,韩东海.基于遗传算法的苹果糖度近红外光谱分析[J].光谱学与光谱分析,2008,28(10):2308-2311.[22] LIU YANDE,YING YIBIN.Optical system for measurement ofinternal pearquality using near-infrared spectroscopy[J].Optical engineering,2005,44(7):1-5.[23] 刘燕德,应义斌,傅霞萍,等.一种近红外光谱水果内部品质自动检测系统[J].浙江大学学报:工学版,2006,40(1):53-56.[24] 王加华,潘璐,孙谦,等.遗传算法结合偏最小二乘法无损评价西洋梨糖度[J].光谱学与光谱分析,2009,29(3):678-681.[25] 潘璐,王加华,李鹏飞,等.砂梨糖度近红外光谱波段遗传算法优化[J].光谱学与光谱分析,2009,29(5):1246-1250.[26] SHAO YONGNI,HE YONG,BAO YIDAN.Nearinfrared spectroscopy for classification of oranges and prediction of the sugar content[J].International Journal of Food Properties,2009,12(3):644-658.[27] 刘燕德,应义斌.水蜜桃糖度和有效酸度的近红外光谱测定法[J].营养学报,2004,26(5):400-402.[28] 夏俊芳,李小昱,李培武,等.基于小波消噪柑橘内部品质近红外光谱的无损检测[J].华中农业大学学报,2007,26(1):120-123.[29] 马广,傅霞萍,周莹,等.大白桃糖度的近红外漫反射光谱无损检测试验研究[J].光谱学与光谱分析,2007,27(5):907-910.[30] 张淑娟,王凤花,张海红,等.鲜枣品种和可溶性固形物含量近红外光谱检测[J].农业机械学报,2009,40(4):139-142.[31] 李艳肖,邹小波,董英.用遗传区间偏最小二乘法建立苹果糖度近红外光谱模型[J].光谱学与光谱分析,2007,27(10):2001-2004.[32] 徐惠荣,汪辉君,黄康,等.PLS和 SMLR建模方法在水蜜桃糖度无损检测中的比较研究[J].光谱学与光谱分析,2008,28(11):2523-2526.。
小波变换-偏最小二乘法用于多组分混合物光度法同时测定
小波变换-偏最小二乘法用于多组分混合物光度法同时测定王丽平;司圣柱;董雄辎
【期刊名称】《合肥师范学院学报》
【年(卷),期】2010(028)006
【摘要】在波长范围380-600nm测定了藏红、荧光桃红、曙红三种色素混合物溶液的吸光度数据,用小波变换对光谱数据进行处理,然后将小波变换系数用偏最小二乘(PLS)法进行回归分析.用Daubechies4小波对原始吸光度数据进行一次分解,以低频系数作校正集并用交叉验证法选择主成分数进行PLS建模,获得了令人满意的预测结果.
【总页数】3页(P83-85)
【作者】王丽平;司圣柱;董雄辎
【作者单位】合肥师范学院化学化工系,安徽,合肥,230061;合肥师范学院化学化工系,安徽,合肥,230061;合肥师范学院化学化工系,安徽,合肥,230061
【正文语种】中文
【中图分类】O65
【相关文献】
1.小波变换-偏最小二乘法用于三种食用色素的可见分光光度法同时测定 [J], 司圣柱;司娲
2.偏最小二乘法用于食用香料3组分同时光度法测定 [J], 张国文;倪永年
3.小波变换-偏最小二乘法用于钨、钼、钛的分光光度法同时测定 [J], 金继红;陈家玮;张永文
4.小波变换-偏最小二乘法用于Co,Ni,Zn的分光光度法同时测定 [J], 陈莉莉;金继红;秦孙巍
5.人工神经网络用于光度法同时测定三组分染料混合物 [J], 林生岭;谢春生;王俊德;陈作如
因版权原因，仅展示原文概要，查看原文内容请购买。