该研究针对中药制造过程水分含量关键质量属性的现场检测问题,以中药大品种同仁牛黄清心丸为载体,采用近红外(near infrared,NIR)光谱技术结合化学计量学方法,建立生产真实世界中带玻璃纸和不带玻璃纸的同仁牛黄清心丸水分含量NIR现场...该研究针对中药制造过程水分含量关键质量属性的现场检测问题,以中药大品种同仁牛黄清心丸为载体,采用近红外(near infrared,NIR)光谱技术结合化学计量学方法,建立生产真实世界中带玻璃纸和不带玻璃纸的同仁牛黄清心丸水分含量NIR现场检测模型。用烘干法测定水分含量作为参考值,采用偏最小二乘法(partial least squares,PLS)将光谱与水分参考值进行关联分析,并对光谱预处理方法进行筛选优化,进一步提高了模型的准确性和稳定性。结果表明,光谱预处理方法均采用标准正则变换(standard normal variate,SNV),带玻璃纸和不带玻璃纸的同仁牛黄清心丸样品潜变量因子数分别为2和7时,所建立的定量分析模型效果最优。带玻璃纸样品模型的预测决定系数(Rpre2)和预测均方根误差(root mean square error of prediction,RMSEP)分别为0.7657和0.1572%;不带玻璃纸样品模型的Rpre2和RMSEP分别为0.7722和0.2078%。该研究所建立的带玻璃纸和不带玻璃纸的同仁牛黄清心丸水分含量NIR定量模型均具有良好的预测性能,可实现对大蜜丸水分含量的快速、准确和无损定量分析,并为中药大品种制造中水分关键化学属性的现场质量控制提供了方法。展开更多
目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结...目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_(CAL)^(2))为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_(CV)^(2))为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。展开更多
文摘该研究针对中药制造过程水分含量关键质量属性的现场检测问题,以中药大品种同仁牛黄清心丸为载体,采用近红外(near infrared,NIR)光谱技术结合化学计量学方法,建立生产真实世界中带玻璃纸和不带玻璃纸的同仁牛黄清心丸水分含量NIR现场检测模型。用烘干法测定水分含量作为参考值,采用偏最小二乘法(partial least squares,PLS)将光谱与水分参考值进行关联分析,并对光谱预处理方法进行筛选优化,进一步提高了模型的准确性和稳定性。结果表明,光谱预处理方法均采用标准正则变换(standard normal variate,SNV),带玻璃纸和不带玻璃纸的同仁牛黄清心丸样品潜变量因子数分别为2和7时,所建立的定量分析模型效果最优。带玻璃纸样品模型的预测决定系数(Rpre2)和预测均方根误差(root mean square error of prediction,RMSEP)分别为0.7657和0.1572%;不带玻璃纸样品模型的Rpre2和RMSEP分别为0.7722和0.2078%。该研究所建立的带玻璃纸和不带玻璃纸的同仁牛黄清心丸水分含量NIR定量模型均具有良好的预测性能,可实现对大蜜丸水分含量的快速、准确和无损定量分析,并为中药大品种制造中水分关键化学属性的现场质量控制提供了方法。
文摘目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_(CAL)^(2))为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_(CV)^(2))为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。
