10.3964/j.issn.1000‐0593(2020)01‐0215‐06
饲料中粗脂肪和粗纤维含量的近红外光谱快速分析
采用近红外光谱(NIRS)结合偏最小二乘(PLS )方法,实现对饲料中粗脂肪和粗纤维的快速定量分析.采用Norris‐Williams平滑求导(NW )和多元散射校正(M SC)方法对光谱进行预处理;蒙特卡罗无信息变量消除法(MCUVE)、变量组合集群分析法(VCPA)和区间变量迭代空间收缩法(iVISSA)用于光谱变量选择和优化;PLS用于光谱校正模型的建立,采用校正集相关系数(Rc ) 、交互验证均方根误差(RM SECV ) 、预测集相关系数(Rp )和预测集均方根误差(RM SEP)评价模型.光谱预处理中经M SC处理后的光谱模型优于其他预处理方法,其RM SECV和RM SEP值都减小,Rc 和 Rp 值都增大.脂肪定量分析中,原始光谱模型的RM SECV和 Rc 为0.21和0.87 ,RM SEP和Rp 为0.20和0. 88 ,变量数(V n )为1 501 ;经MCUVE方法选择变量后建立的定量模型,其RM SECV和 Rc 为0.17和0.92 ,RM SEP和 Rp 为0.19和0.89 ,V n 为400个;经VCPA选择变量建立PLS定量模型,其RM SECV和 Rc 为0.21和0.87 ,RM SEP和 Rp 为0.25和0. 81 , V n为12 ;经iVISSA选择变量后的模型,其RM SECV和Rc 为0. 21和0. 86 ,RM SEP和Rp 为0. 20和0. 87 , V n为20 .粗纤维定量分析中,原始模型的RM SECV和 Rc 为0. 28和0.91 ,RM SEP和 Rp 为0.25和0. 95 , V n为1 501 ;经MCUVE选择后的模型,其RM SECV和Rc 为0.23和0.95 ,RM SEP和Rp 为0.23和0. 94 , V n为740 ;经VCPA选择变量后的模型,其RM SECV和Rc 为0. 27和0. 91 ,RM SEP和Rp 为0. 30和0. 91 , V n为11 ;经iVISSA选择后变量的模型,其RM SECV和Rc 为0. 29和0. 90 ,RM SEP和Rp 为0. 27和0. 93 , V n为20 .结果表明,MSC方法可以有效提高光谱质量,消除光谱平移误差;MCUVE变量选择方法可以简化模型提高模型精度和稳定性,建立最优模型.在粗脂肪的定量分析模型中,M SC 处理后的光谱经过MCU VE选择后剩余400个变量,Rc 和 Rp 相较于全谱模型提高了0.05和0. 01 ,RMSECV和RM SEP分别降低到了0. 17和0.19 ;经VCPA和iVISSA选择变量的模型其结果与全谱模型相似,但其变量分别只有12和20个.在粗纤维模型中,经MCU VE选择后740个变量用于建立PLS模型,其Rc 和 Rp 为0. 95和0. 94 , RM SECV和RM SEP分别为0.23和0. 23 ;VCPA和iVISSA分别运用11和12个变量建立回归模型,但结果都比MCUVE模型差.利用饲料近红外光谱建立MSC‐MCUVE‐PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析.
近红外光谱、饲料、蒙特卡罗无信息变量消除法、变量组合集群分析法、区间变量迭代空间收缩法
40
S816.2(普通畜牧学)
国家自然科学基金项目;国家质量监督检验检疫总局科技计划项目;江西省自然科学基金项目
2020-01-18(万方平台首次上网日期,不代表论文的发表时间)
共6页
215-220