论文部分内容阅读
尽管基于现代近红外光谱(NIRS)技术的茶叶品质分析研究已经取得了一定的进展,然而,很多方面仍需要完善,如：测量的精确度还有限,在定量分析时,并未考虑到样品量的大小对结果的影响,很大程度上降低了量测的准确度；样品成分测定仍仅限于单组分的测定；在解析获得的近红外光谱数据时,传统的计量学方法效果并不是最佳等。针对茶叶品质分析的这种现状,本论文开展了如下两个方面的工作：(1)结合基于镱为内标的近红外光谱(NIRS)技术和多变量校正技术,用于实现茶叶品质(茶多酚和游离氨基酸的含量)的定量分析,稀土元素镱作为内标,用于校正基于粉末样品测量过程中,由于样品量的不一致导致的光谱变化。推进(boosting)技术被引入用于提高最小二乘-支持向量回归(LS-SVR)方法的性能,发展一种新型多变量建模算法——推进最小二乘-支持向量回归(BLS-SVR),用于实现多变量建模任务。结果表明,基于镱为内标的近红外光谱(NIRS)结合推进最小二乘-支持向量回归(BLS-SVR)方法给出了令人满意的结果,能实现茶叶品质的准确、快速和低成本的分析。而且,引入推进(boosting)技术大大增强了最小二乘-支持向量回归(LS-SVR)方法的建模性能,同时,推进最小二乘-支持向量回归(BLS-SVR)也优于传统的偏最小二乘回归(PLSR)。(2)结合推进(boosting)技术和偏最小二乘-判别分析(partial least square-discriminant analysis,PLS-DA)技术,发展了一种新型的模式识别技术,即推进偏最小二乘-判别分析(boosting partial least square-discriminant analysis,BPLS-DA)技术。该方法首先在原始训练集的不同加权版本的基础上构建一系列偏最小二乘-判别分析(PLS-DA)模型,然后通过加权多数投票来组合这一系列构建的模型的预测结果。结合现代近红外光谱(NIRS)技术,和推进偏最小二乘-判别分析(BPLS-DA),对不同品牌的茶叶进行定性分析。同时,为了证实BPLS-DA这种新型模式识别方法的优势,在研究中也采用了三种常用的经典方法,即主成分分析(principal componentanalysis,PCA)、线性判别分析(linear discriminant analysis,LDA)和偏最小二乘一判别分析(PLS-DA)。数据结果表明：利用近红外光谱(NIRS),结合推进偏最小二乘-判别分析(BPLS-DA)方法能快速、准确地实现茶叶品牌识别。而且,推进(boosting)技术的引入大大改善了单个偏最小二乘-判别分析(PLS-DA)的模型能力。此外,BPLS-DA是一种优于LDA的模式识别方法。