[发明专利]一种基于近红外光谱技术快速检测赖氨酸含量的方法

权利要求书

1.一种基于近红外光谱技术快速检测赖氨酸含量的模型建立方法，其特征在于，包括如下步骤：

(1)收集不同来源的样品，经处理制得不同物料状态下的待测样品；

(2)以现有技术方法分别测定各待测样品的水分含量及烘干后的赖氨酸含量；

(3)分别对步骤(1)中制得的不同物料状态下的待测样本进行近红外光谱信息采集，得到校正集样本光谱数据；

(4)对步骤(3)中不同物料状态校正集光谱数据进行预处理，建立不同物料状态下的定量分析模型，并筛选出最优样品处理方法；

(5)对步骤(4)中所得最优物料状态下的定量分析模型光谱进行预处理，并对预处理后的光谱数据进行特征信息数据的提取，以建立校正模型；

(6)验证建立的所述校正模型的准确性。

2.根据权利要求1所述的模型建立方法，其特征在于：所述步骤(1)中，所述物料状态包括：未粉碎未烘干态、粉碎未烘干态、未粉碎烘干态、粉碎烘干态。

3.根据权利要求1或2所述的模型建立方法，其特征在于：所述步骤(3)中，所述近红外光谱信息采集的步骤为采用近红外漫反射方式对各待测样品进行扫描以获取光谱数据；所述扫描方式为连续波长近红外扫描，光谱采集范围为1000nm-2500nm，光谱仪分辨率为10nm，扫描次数32次，每个样品采集三次光谱然后取平均，每个所述待测样品的扫描时间为1min。

4.根据权利要求1-3任一项所述的模型建立方法，其特征在于：所述步骤(4)中，所述光谱预处理步骤为采用变量标准化处理和去散射处理、变量标准化、多元散射校正、二阶导数方法中至少一种。

5.根据权利要求1-4任一项所述的模型建立方法，其特征在于：所述步骤(4)中建立定量分析模型的步骤和所述步骤(5)中建立校正模型的步骤中，所采用的化学计量学方法为偏最小二乘法。

6.根据权利要求1-5任一项所述的模型建立方法，其特征在于：所述步骤(5)中，所述光谱数据进行特征信息数据提取步骤采用竞争性自适应重加权算法(CARS)进行提取特征信息数据，具体包括如下步骤：

(a)取样：基于蒙特卡罗采样法对模型进行取样，并在每次CARS采样中，都需要从样品集中随机抽取一定量的样品作为校正集，以建立PLS模型；

(b)基于指数衰减函数去除变量：假定所测样本光谱阵为X(m×p)，m为样本数，p为变量数，SSC真实值矩阵为y(m×1)，则PLS回归模型为：

y＝Xb+e；

式中，b表示一个p维的系数向量，e表示预测残差；

其中，b＝Wc＝[b₁，b₂，…，b_p]^T(W表示得分矩阵和X的线性组合系数)，b中第i个元素的绝对值|b_i|(1≤i≤p)表示第i个变量对SSC值的贡献，该值越大表示所对应变量在SSC的预测中越重要；

利用指数衰减函数强行去除|b_i|值相对较小的波长点，并采用MC采样，在第i次采样运算后，变量点的保存率通过如下指数函数计算：

r_i＝ae^-ki；

式中，a和k表示常数分别在第1次和第N次MCS时，样本集中全部p个变量和仅2变量参与建模，即r₁＝1且r_N＝2/p，从而a和k的计算公式如下：

a＝(2/P)^1/(N-1)；

k=ln(p/2)N-1;]]>

式中，ln表示自然对数，变量数p为1499，设定MC采样50次；

(c)基于自适应重加权采样技术进一步对变量进行筛选，通过评价每个变量点的权重w_i进行变量筛选，权重值的计算如下：

wi=|bi|Σi=1p|bi|,i=1,2,3......p;]]>；

(d)通过计算并比较每次产生的新的变量子集的RMSECV值，以RMSECV值最小的变量子集作为最优变量子集；并以此对全光谱数据与光谱特征信息数据构建校正模型进行优选。