9.2.1实验材料与光谱采集

实验总共收集了46个食用植物油样本，包括花生油、王米油、葵花籽油、芝麻油、大豆油和橄榄油等，购买于北京的超市。

实验样本中的油酸、亚油酸、硬脂酸以及棕榈酸的实际含量均使用国标法测定，即采用气相色谱法测定，用来作为校正模型建立时油酸、亚油酸、硬脂酸和棕榈酸的真实含量。

使用德国布鲁克公司生产的VERTEX 70型红外光谱仪采集食用植物油样本的近红外光谱，采集光谱时使用液体光纤探头，光程为2mm。仪器参数设定如下：波数范围为4000～12500cm^-1，分辨率为16cm^-1 ，对每个样本重复扫描32次，采样点个数为1102。

46个食用植物油样本均未经化学处理，将液体光纤探头深入到装有样本的塑料瓶里。在进行扫描样本的过程中，每次扫描样本测量前必须使用石油醚清洗光纤探头，以避免样本之间产生交叉污染。

根据浓度残差法剔除5个异常样本后，样本集共有41个样本，采用Kennard-Stone法划分校正集样本31个，验证集样品10个。

9.2.2基于窗口移动的PLS法介绍

1．移动窗口PLS (MWPLS)法

MWPLS法的基本原理是沿波长变化的方向顺序滑动截取指定窗口宽度的区间，建立一系列的PLS模型，根据RMSECV选取最佳光谱区间，窗口宽度不同则所包含的光谱信息不同，因此窗口宽度决定了所建PLS模型性能，是采用MWPLS法的关键。该算法的最大优势在于：即使有干扰存在，所建模型依然非常稳定，其预测能力优于传统全光谱的PLS法。

2．间隔PLS (iPLS)法

iPLS法将全光谱等分成n个子区间，然后分别在全光谱以及各个子区间内建立PLS回归模型，并利用交互验证分别计算出全波谱回归模型和各子区间回归模型的预测残差平方和(PRESS)，以全波段回归模型的PRESS作为阂值，从各间隔中选取出PRESS值小于阈值的波段建模，以达到波段优选的目的。n值不同，区间宽度不同，则子区间光谱信息不同，因此如何确定合适子区间数目是采用iPLS法的关键。该算法的缺点是只能选择单一子区间进行建模，没有考虑到可以使用多个子区间进行联合建模。

3．向后间隔PLS(BiPLS)法

BiPLS法是将全光谱等分成n个子区间，依次剔除一个子区间，用剩下的n-1个区间联合建模，共计可以计算得到n个RMSECV值。最小RMSECV值所对应的区间就是第一个排除的区间，以此类推，计算直到剩下最后一个区间。确定合适的子区间个数，n值是采用BiPLS法的关键。对比于iPLS法，该方法可以弥补iPLS法利用单一子区间建模的缺陷。

4．联合间隔 PLS(SIPLS)法

SiPLS法是iPLS法的一个扩展，它是通过划分不同子区间个数n及子区间的任意组合来筛选相关系数最大且误差最小的一个组合区间。因此合适的子区间的个数和联合区间数是采用SiPLS法的关键。该方法可以弥补iPLS法利用单一区间建模的缺陷，但同时随着子区间个数的增加，运算次数会急剧增大，建模时间也会更长。

文章来源：《多光谱食品品质检测技术与信息处理研究》

版权与免责声明：转载目的在于传递更多信息。

如其他媒体、网站或个人从本网下载使用，必须保留本网注明的"稿件来源"，并自负版权等法律责任。

如涉及作品内容、版权等问题，请在作品发表之日起两周内与本网联系，否则视为放弃相关权利。