食用油亚油酸近红外光谱筛选和模型优化分析

1.基于MWPLS法的亚油酸近红外光模型优化

首先对41个食用油的原始光谱进行均值化处理，去除噪声。初始化窗口宽度为11个波长变量，窗口宽度增加的步长为10波长变量，依次建立了窗口宽度为11～481的多个PLS模型。其中在窗口宽度为121个光谱数据点时，如图9-11所示：横轴为波数点值，纵轴为RMSECV的值，由RESECV随窗口位置变化的关系图可以计算得到最小的RMSECV。波段选取结果如图9-12所示。对应的波数点范围是4941～5874cm^-1。

对之前按Kennard-Stone法划分好的样本进行建模，MWPLS法建模结果如图9-13所示。所建模型的主成分数为13时，模型最佳，决定系数R²为0.9860，RMSECV为1.8624，RMSEP为1.3585。

图9-11 RMSECV随窗口位置变化的关系图

图9-12 MWPLS法波段选择图

图9-13 MWPLS法亚油酸模型分析结果

2.基于iPLS法的亚油酸近红外光模型优化

首先对41个食用油的原始光谱进行均值化处理，去除噪声。将原始光谱分成2～50个子区间分别建模比较。其中将原始光谱分成24个区间得到最佳模型，图9-14所示为各个子区间模型的RMSECV的比较图，由图可知在第19个区间得到最小的RMSECV。波段选取结果如图9-15所示。该区间对应的波数范围是5750～6105cm^-1。

图9-14 子区间模型的RMSECV的比较图

图9-15 iPLS法波段选择图

对之前按Kennard-Stone法划分好的样本集进行建模，iPLS法建模结果如图9-16所示。所建模型的主成分数为8时，模型最佳，决定系数R²为0.9912，RMSECV为1.4873，RMSEP为1.7488。

图9-16 iPLS法亚油酸模型分析结果

3.基于BiPLS法的亚油酸近红外光模型优化

首先对41个食用油的原始光谱进行均值化处理，去除噪声。将原始光谱分成2～55个子区间，选择每个划分区间下的最佳联合子区间分别建模比较。因为算法的计算量会随着划分区间数与联合子区间数的增大而剧烈增加，所以选择的子区间数应小于5。综合考虑RMSECV及RMSEP的值及联合子区间数，将原始光谱分成24个区间，3个子区间联合（11、19、21），波段选取结果如图9-17所示，区间对应的波数范围为5049～5396cm^-1、5758～6105cm^-1、8597～8944cm^-1。(www.xing528.com)

对之前按Kennard-Stone法划分好的样本集进行建模，BiPLS法建模结果如图9-18所示。所建模型的主成分数为13时，模型最佳，决定系数R²为0.9894，RMSECV为1.7845，RMSEP为1.3877。

4.基于SiPLS法的亚油酸近红外光模型优化

首先对41个食用油的原始光谱进行均值化处理，去除噪声。将原始光谱分成4～50个子区间，分别选择联合子区间个数为2、3、4进行联合建模，得到相对应的最佳模型，见表9-3。

图9-17 BiPLS法波段选择图

图9-18 BiPLS法亚油酸模型分析结果

表9-3 基于SiPLS法的子区间组合建模

图9-19 SiPLS法波段选择图

综合考虑RMSECV及RMSEP的值及联合子区间数，将原始光谱分成30个区间、4个子区间联合（3、6、15、23），波段选取结果如图9-19所示。区间对应的波数范围为5943～6213cm^-1、8349～8626cm^-1、10787～11065cm^-1、11643～11921cm^-1。建模结果如图9-20所示。

5.亚油酸定量模型比较

采用上述4种方法筛选波长后建立的最佳PLS模型见表9-4。从表中可以得出通过对划分区间数、联合区间数、区间选取等筛选得到的波长建立PLS回归模型，4种模型预测精度均明显优于全光谱建模，其中SiPLS法（联合4个区间）所建模型指标最佳。

观察利用4种特征波长挑选方法优选的波数范围，4种方法建立的模型所对应波数范围的公共区域集中于5900～6200cm^-1，而乙烯基的端亚甲基C-H伸缩振动的一级倍频吸收峰在6120cm^-1附近。预测结果较好的SiPLS法和BiPLS法优选的波数范围在8594～8626cm^-1也有公共区域，而烯烃化合物中的端亚甲基C-H伸缩振动的二级倍频（8897～8944cm^-1）正是在该区域有主要吸收峰。预测效果最好的SiPLS第4波段为11643～11921cm^-1，烯烃化合物中的端亚甲基C-H伸缩振动的三级倍频出现在11390cm^-1附近。因此本章采用4种方法所挑选的特征波长与理论分析的特征峰相符。

图9-20 SiPLS法亚油酸模型分析结果

表9-4 特征谱区筛选后建模结果比较