学位论文 > 优秀研究生学位论文题录展示

化学计量学与近红外光谱法在木材与奶粉品质分析中的应用

作　者: 丁丽
导　师: 张卓勇
学　校: 首都师范大学
专　业: 分析化学
关键词: 综纤维素木质素密度微纤丝角化学计量学三聚氰胺
分类号: O657.33
类　型: 硕士论文
年　份: 2009年
下　载: 184次
引　用: 0次
阅　读: 论文下载

内容摘要

杉木是针叶材结构用材树种,是一种天然高分子有机物,主要化学成分为纤维素、半纤维素、木质素。在制浆造纸中,木质素是影响制浆性能和纸浆质量的重要因素。微纤丝角是木材性质中重要物理量之一,对木材弹性模量和异向收缩性有直接影响。因此利用反向传递神经网络法(BP-NN)结合近红外光谱技术,分析近红外光谱数据和杉木中综纤维素、木质素、密度、微纤丝角含量的相关性,这对近红外光谱技术在我国造纸领域与木材科学中的应用具有一定的实用意义。奶粉生产中常常需要检查蛋白质含量,常常使用一种叫做“凯氏定氮法(Kjeldahl Method)”的方法,但是这一方法不能有效地辨别食品中的其他含氮物质。三聚氰胺含氮量高达66%,一旦被搀杂进奶粉中,就可以提高仪器“读出”的蛋白质含量。但常规实验室测定方法检测时间长,繁琐,且破坏样品。因此采用一种新的、快速、准确、无损的方法测定奶粉中三聚氰胺含量,这对奶粉中蛋白质的检测有重大意义。针对上述问题,本文研究采用适合定量分析要求的近红外光谱技术,结合化学计量学方法如反向传递神经网络(BP-NN),径向基函数神经网路(RBF-NN)、支持向量机(SVM)、和偏最小二乘法(PLS)等化学计量学方法建立杉木成分的定量预测和奶粉品质的快速检测方法,为两种物质的定量预测提供了研究思路。本文研究内容包括以下四个方面:1.利用近红外光谱(NIR)技术结合反向传递神经网络法(BPNN)定量预测了杉木中的综纤维素、木质素、密度和微纤丝角。首先对杉木的原始近红外光谱进行卷积(Savitzky-Golay)平滑和二阶导数处理,再利用小波变换压缩,将由171个数据点组成的近红外光谱压缩为86个数据点。最后用BP神经网络建模,采用Leave-n-out交叉验证法对模型进行验证,并讨论了隐含层神经元个数、学习速率、动量因子和学习次数对所建BP网络的影响。所建网络模型对预测集中杉木样本的综纤维素、木质素、密度、微纤丝角进行了预测,预测的相关系数R值分别为:0.91、0.90、0.78、0.87,预测标准误差SEP分别为:0.86%、0.33%、2.29%、4.99%。结果表明该方法快速,无损,基本能满足定量分析的要求。2.利用RBF神经网络结合近红外光谱(NIR)技术预测杉木中密度、微纤丝角。对原始光谱进行平滑和二阶导数处理,用RBF神经网络法建模,采用Leave-one-out交叉验证法对模型进行验证,并对参数的影响进行了讨论。杉木密度、微纤丝角预测模型的相关系数R值分别为0.81、0.87,预测均方根误差RMSEP分别为:0.03、0.04。结果表明该方法基本能满足定量分析的要求。3.利用支持向量机(SVM)结合近红外光谱(NIR)技术预测杉木中密度。首先选择平滑、二阶导数、范围归一化作为杉木密度近红外光谱的数据预处理方法。用支持向量机(SVM)建立模型,并对建模参数的影响作了系统的研究。在参数优化条件下,杉木密度预测模型的相关系数R值为0.93,预测均方根误差RMSEP值为:0.017。并与径向基-人工神经网络(RBF-NN)比较结,果表明,该方法快速、无损且可靠,可作为杉木密度测定的快速手段。4.本工作采用近红外光谱技术(NIRS)结合偏最小二乘法(PLS)建立了奶粉中三聚氰胺含量的定量分析模型。实验结果表明,平滑、一阶和二阶微分光谱建立的模型均不如原始光谱建立的模型好,采用原始光谱建立模型测定奶粉中三聚氰胺含量时,最有效的波长范围为4000.63~6803.63 cm-1和6800~9700 cm-1,最优模型测定奶粉中三聚氰胺含量的交互验证均方根误差(RMSECV)为0.000498,相关系数R为0.99990,模型对预测集样品中的三聚氰胺含量预测,预测均方根误差(RMSEP)为0.000221,预测相关系数R达到0.92839,研究表明近红外光谱检测技术可用于奶粉中三聚氰胺的定量分析。

全文目录

摘要  4-6
Abstract  6-11
第一章绪论  11-36
  1.1 近红外光谱分析技术  11-15
    1.1.1 近红外光谱分析技术发展简介  11
    1.1.2 近红外光谱分析技术的基本原理  11-12
    1.1.3 近红外光谱分析技术的优点与局限性  12-15
  1.2 近红外光谱技术中的化学计量学（CHEMOMETRICS）方法  15-28
    1.2.1 化学计量学在近红外光谱预处理中的应用  15-16
    1.2.2 人工神经网络  16-21
    1.2.3 径向基函数（RBF）神经网络  21-23
    1.2.4 支持向量机（SVM）  23-27
    1.2.5 偏最小二乘方法  27-28
  1.3 近红外光谱技术结合化学计量学在各领域中的应用  28-31
    1.3.1 农业领域  28
    1.3.2 食品分析  28-29
    1.3.3 制药工业  29
    1.3.4 石油化工  29-31
  参考文献  31-36
第二章 BP 神经网络与近红外光谱定量预测杉木中的综纤维素、木质素、密度、微纤丝角  36-47
  2.1 引言  36-37
  2.2 实验部分  37-38
    2.2.1 仪器与试剂  37
    2.2.2 综纤维素和木质素、密度、微纤丝角的测定  37
    2.2.3 NIR 光谱采集  37-38
    2.2.4 数据的采集与处理  38
  2.3 结果与讨论  38-43
    2.3.1 隐含层神经元个数的选择  38-40
    2.3.2 学习速率的选择  40-41
    2.3.3 动量因子的选择  41-42
    2.3.4 学习次数的选择  42-43
  2.4 用BP 网络进行预测与验证  43-44
  2.5 结论  44-45
  参考文献  45-47
第三章 RBF 神经网络与近红外光谱预测杉木密度、微纤丝角  47-54
  3.1 引言  47-48
  3.2 实验部分  48-49
    3.2.1 仪器与试剂  48
    3.2.2 密度、微纤丝角含量测定  48
    3.2.3 NIR 光谱采集  48-49
    2.2.4 数据的采集与处理  49
  3.3 结果与讨论  49-52
    3.3.1 隐含层节点数MN 的选择  49-50
    3.3.2 散布常数SC 的选择  50-51
    3.3.3 用RBF 网络进行预测与验证  51-52
  3.4 结论  52
  参考文献  52-54
第四章支持向量机与近红外光谱法预测杉木密度  54-63
  4.1 引言  54-55
  4.2 实验部分  55-56
    4.2.1 仪器与试剂  55
    4.2.2 密度测定方法  55
    4.2.3 NIR 光谱采集  55
    4.2.4 数据的采集与处理  55-56
  4.3 结果与讨论  56-61
    4.3.1 SVM 参数的优化  56
    4.3.2 核函数的选择  56-57
    4.3.3 核函数参数γ的选择  57
    4.3.4 不敏感损失因子ε的选择  57-58
    4.3.5 正则化因子C 的选择  58-59
    4.3.6 预测结果  59-60
    4.3.7 两种建模方法的比较  60-61
  4.4 结论  61
  参考文献  61-63
第五章近红外光谱定量预测奶粉中三聚氰胺含量  63-73
  5.1 引言  63-64
  5.2 实验部分  64-66
    5.2.1 仪器与试剂  64
    5.2.2 样品制备  64
    5.2.3 图谱采集  64-65
    5.2.4 建立NIRS 数学模型  65-66
    5.2.5 定标模型的可靠性评价  66
  5.3 结果与讨论  66-70
    5.3.1 光谱波数段的选择  66
    5.3.2 光谱预处理方式的选择  66-67
    5.3.3 主因子数的选择  67
    5.3.4 最优模型的内部交互验证  67-68
    5.3.5 最优模型的外部验证  68-69
    5.3.6 最优模型的检验  69-70
  5.4 结论  70
  参考文献  70-73
攻读硕士期间论文发表情况  73-74
致谢  74-75

化学计量学与近红外光谱法在木材与奶粉品质分析中的应用

内容摘要

全文目录

相似论文