研究目的
利用近红外反射光谱(NIR)和偏最小二乘回归建立多元模型,用于预测马黛茶样品中的水分含量,从而便于开展质量控制操作。
研究成果
采用近红外光谱技术与偏最小二乘回归(PLSR)的三潜变量多元模型,能有效预测马黛茶水分含量(平均误差2.5%),展现出卓越的可靠性和快速检测优势,适用于质量控制。该方法最大限度减少样品处理步骤,精准利用关键光谱区域,适合常规化应用。
研究不足
该研究可能受限于仅针对马黛茶样本的特异性,以及依赖AOAC方法获取参考水分值(这可能引入误差)。模型性能可能因不同样本类型或条件而变化,且光谱范围与预处理方法未必适用于所有应用场景。
1:实验设计与方法选择:
本研究采用近红外光谱(NIR)结合偏最小二乘回归(PLSR)的多变量校准方法预测水分含量。通过一阶导数和多元散射校正(MSC)对光谱数据进行预处理,以校正散射效应和基线偏移。
2:样品选择与数据来源:
从六家生产商收集38份商业马黛茶样品,经干燥、粉碎后储存于聚乙烯袋中。共使用114份样品,其中90份用于校准,24份用于外部验证。水分含量采用AOAC重量法测定。
3:实验设备与材料清单:
包括布鲁克光学公司的TENSOR? 37傅里叶变换红外光谱仪(检测器分辨率4 cm-1)、干燥用瓷皿、干燥器和聚乙烯袋。数据分析使用Origin 6.1?(OriginLab公司)和Matlab 7.0(MathWorks公司)软件。
4:1)、干燥用瓷皿、干燥器和聚乙烯袋。数据分析使用Origin 1?(OriginLab公司)和Matlab 0(MathWorks公司)软件。
实验流程与操作步骤:
4. 实验流程与操作步骤:样品在10000-4000 cm-1范围以漫反射模式扫描,背景光谱以空白光路采集,每个样品测量三次光谱。水分分析需将样品在100°C烘干至恒重,经干燥器冷却后称重?;Ъ屏垦Х治霭ń馄资莸汲鲋罬atlab,应用一阶导数和MSC预处理,并进行带交叉验证的PLSR分析。
5:数据分析方法:
采用留一法交叉验证的PLSR建立校准模型,通过载荷向量、交叉验证标准误差(SECV)、相关系数(R2)评估模型,并利用杠杆值和学生化残差识别异常值。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容