玉米育种过程中,灌浆期籽粒含水率检测时,通常需要脱粒,采集穗中间200粒为检测样本。为了保护亲本,避免破坏性检测,该研究提出一种基于近红外光谱的灌浆期玉米籽粒水分定量分析通用模型,用于灌浆期玉米籽粒水分的田间原位检测。首先构建...玉米育种过程中,灌浆期籽粒含水率检测时,通常需要脱粒,采集穗中间200粒为检测样本。为了保护亲本,避免破坏性检测,该研究提出一种基于近红外光谱的灌浆期玉米籽粒水分定量分析通用模型,用于灌浆期玉米籽粒水分的田间原位检测。首先构建GA-IRIV-DS光谱数据处理策略。利用遗传算法(genetic algorithm,GA)和迭代保留信息变量(iterative retention of information variables,IRIV)二次波长筛选方法,提取光谱数据中有效的水分变量信息,减小特征空间维度的同时提高模型预测精度;再结合直接校正算法(direct standardization,DS),降低预测样本与建模样本的差异性,将玉米灌浆期穗尖部籽粒光谱数据校正为中间200籽粒的光谱,使水分定量分析模型能够具备中间200籽粒和穗尖部籽粒2种检测样本的通用性。在GA-IRIV-DS光谱数据处理策略的基础上,构建基于偏最小二乘法(partial lpeast squares regression,PLSR)的水分定量分析通用模型。经过验证,GA-IRIV-DS光谱数据处理策略校正后的光谱差异性降低了59.4%。为了进一步验证GA-IRIV-DS光谱数据处理策略的有效性,分析了GA+IRIVN组合波长筛选提取光谱特征,并分别与全光谱、多种典型波长筛选方法结合DS方法构建基于偏最小二乘法(PLSR)的水分定量分析模型结果相比较。试验结果表明,两种样本预测集GA-IRIVN-DS-PLSR模型效果均优于全光谱和其他模型,中间籽粒样本和穗尖部籽粒样本的预测决定系数(R^(2))达到了0.9715和0.9012,均方根误差(RMSEP)较全光谱下降了80.10%和64.60%。证明基于GA-IRIVN-DS光谱数据处理策略建立的近红外光谱水分定量分析模型具有一定泛化能力,可以为玉米育种过程中,减少检测过程中的样本破坏和提高检测效率提供可行的参考方法。展开更多
目的建立蒲黄炭炮制程度判别和多成分定量的近红外(Near infrared,NIR)快速分析方法。方法制备“不及”“适中”“太过”3种炮制规格的蒲黄炭样品186批,采集不同规格蒲黄炭的NIR光谱,分别采用偏最小二乘判别分析(Partial least squares ...目的建立蒲黄炭炮制程度判别和多成分定量的近红外(Near infrared,NIR)快速分析方法。方法制备“不及”“适中”“太过”3种炮制规格的蒲黄炭样品186批,采集不同规格蒲黄炭的NIR光谱,分别采用偏最小二乘判别分析(Partial least squares discriminant analysis,PLS-DA)、K-最近邻(k-nearest neighbor,kNN)和支持向量机(Support vector machine,SVM)建立蒲黄炭炮制程度的判别分析模型,以准确度(Accuracy,ACC)和错误率(Error rate,ER)对不同类型判别模型的判别效果进行评价。然后采用偏最小二乘(Partial least squares,PLS)建立蒲黄炭中原儿茶酸、3-羟基苯甲酸、4-羟基苯甲酸、壬二酸、槲皮素、槲皮素-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、山柰酚、山柰酚-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、异鼠李素、香蒲新苷、异鼠李素-3-O-新橙皮糖苷和柚皮素的定量分析模型,计算校正集和验证集相关系数(r_(cal)、r_(pre))、校正集误差均方根(Root mean square error of calibration,RMSEC)、验证集误差均方根(Root mean square error of prediction,RMSEP)和性能偏差比(The ratio of prediction to deviation,RPD)对PLS模型预测性能进行评价。结果与PLS-DA和KNN模型相比,SVM模型对不同炮制程度蒲黄炭判别效果最优,校正集和验证集的ACC分别为90.08%和93.44%,ER分别为9.08%和5.21%。蒲黄炭中12种化学成分的PLS模型r_(cal)和r_(pre)均大于0.9,RPD均大于2.3。结论本文采用NIR光谱并结合化学计量学建立蒲黄炭炮制程度判别分析和多成分定量分析的快速检测方法,该方法快速、无损、准确,为快速判断蒲黄炭炮制程度和分析化学成分变化,保证蒲黄炭炮制工艺的稳定性和饮片质量的可控性提供科学依据和方法支撑。展开更多
文摘玉米育种过程中,灌浆期籽粒含水率检测时,通常需要脱粒,采集穗中间200粒为检测样本。为了保护亲本,避免破坏性检测,该研究提出一种基于近红外光谱的灌浆期玉米籽粒水分定量分析通用模型,用于灌浆期玉米籽粒水分的田间原位检测。首先构建GA-IRIV-DS光谱数据处理策略。利用遗传算法(genetic algorithm,GA)和迭代保留信息变量(iterative retention of information variables,IRIV)二次波长筛选方法,提取光谱数据中有效的水分变量信息,减小特征空间维度的同时提高模型预测精度;再结合直接校正算法(direct standardization,DS),降低预测样本与建模样本的差异性,将玉米灌浆期穗尖部籽粒光谱数据校正为中间200籽粒的光谱,使水分定量分析模型能够具备中间200籽粒和穗尖部籽粒2种检测样本的通用性。在GA-IRIV-DS光谱数据处理策略的基础上,构建基于偏最小二乘法(partial lpeast squares regression,PLSR)的水分定量分析通用模型。经过验证,GA-IRIV-DS光谱数据处理策略校正后的光谱差异性降低了59.4%。为了进一步验证GA-IRIV-DS光谱数据处理策略的有效性,分析了GA+IRIVN组合波长筛选提取光谱特征,并分别与全光谱、多种典型波长筛选方法结合DS方法构建基于偏最小二乘法(PLSR)的水分定量分析模型结果相比较。试验结果表明,两种样本预测集GA-IRIVN-DS-PLSR模型效果均优于全光谱和其他模型,中间籽粒样本和穗尖部籽粒样本的预测决定系数(R^(2))达到了0.9715和0.9012,均方根误差(RMSEP)较全光谱下降了80.10%和64.60%。证明基于GA-IRIVN-DS光谱数据处理策略建立的近红外光谱水分定量分析模型具有一定泛化能力,可以为玉米育种过程中,减少检测过程中的样本破坏和提高检测效率提供可行的参考方法。
文摘目的建立蒲黄炭炮制程度判别和多成分定量的近红外(Near infrared,NIR)快速分析方法。方法制备“不及”“适中”“太过”3种炮制规格的蒲黄炭样品186批,采集不同规格蒲黄炭的NIR光谱,分别采用偏最小二乘判别分析(Partial least squares discriminant analysis,PLS-DA)、K-最近邻(k-nearest neighbor,kNN)和支持向量机(Support vector machine,SVM)建立蒲黄炭炮制程度的判别分析模型,以准确度(Accuracy,ACC)和错误率(Error rate,ER)对不同类型判别模型的判别效果进行评价。然后采用偏最小二乘(Partial least squares,PLS)建立蒲黄炭中原儿茶酸、3-羟基苯甲酸、4-羟基苯甲酸、壬二酸、槲皮素、槲皮素-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、山柰酚、山柰酚-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、异鼠李素、香蒲新苷、异鼠李素-3-O-新橙皮糖苷和柚皮素的定量分析模型,计算校正集和验证集相关系数(r_(cal)、r_(pre))、校正集误差均方根(Root mean square error of calibration,RMSEC)、验证集误差均方根(Root mean square error of prediction,RMSEP)和性能偏差比(The ratio of prediction to deviation,RPD)对PLS模型预测性能进行评价。结果与PLS-DA和KNN模型相比,SVM模型对不同炮制程度蒲黄炭判别效果最优,校正集和验证集的ACC分别为90.08%和93.44%,ER分别为9.08%和5.21%。蒲黄炭中12种化学成分的PLS模型r_(cal)和r_(pre)均大于0.9,RPD均大于2.3。结论本文采用NIR光谱并结合化学计量学建立蒲黄炭炮制程度判别分析和多成分定量分析的快速检测方法,该方法快速、无损、准确,为快速判断蒲黄炭炮制程度和分析化学成分变化,保证蒲黄炭炮制工艺的稳定性和饮片质量的可控性提供科学依据和方法支撑。
