基于svrm的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究-沈维政.pdf

《基于svrm的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究-沈维政.pdf》由会员分享，可在线阅读，更多相关《基于svrm的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究-沈维政.pdf（12页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第48卷第12期2017年12月东北农业大学学报Journal of Northeast Agricultural University48(12)：68-79December 2017网络出版时间2017-12-18 13：44：50 【URLhttp：knscnkinetkcmsdetail231391S201712181344016html基于SVRM的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究沈维政，胡枫竹，王艳，于海礁，孔庆明(东北农业大学电气与信息学院，哈尔滨150030)摘要：文章采用近红外光谱分析方法验证不同条件下氯化和碱化处理玉米秸秆粗蛋白含量测定效果。选择不同超声条件对

2、玉米秸秆样品前处理，获取54种样品，粗蛋白含量为2535 668547，依据xY残差法剔除29、30、38、51号异常样本，交互验证决定系数R2C由0679升至0840，将剩余50个样品划分为校正集(40s锄ples)及验证集(10 samples)，选用OSC方法对光谱去噪处理，对比平滑处(windowsizel5)，R2C由0827升至0865，选取波段9 781。1 093 cm-1作为特征波段，对比SVRM、PCR及PLS 3种粗蛋白定量分析模型，选取SVRM(C=001。Gamma=100)为最佳模型，校正集决定系数R2C为0833，RMSEC为0389，验证集决定系数R2P为091

3、4，RMSEP为0296。结果表明，近红外光谱分析方法测定玉米秸秆氨化、碱化处理后粗蛋白含量可行。关键词：玉米秸秆；氨化处理；碱化处理；SVMR；PCR中图分类号：06573 文献标志码：A 文章编号：10059369(2017)120068-12沈维政，胡枫竹，王艳，等基于SVRM的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究【J】东北农业大学学报，2017，48(12)：6879Shen Weizheng，Hu Fengzhu。Wang Yah，et a1Study on com straw crude protein quantitative analysis model with d

4、ifferentammonia and alkalization treatmentsJJournal of Northeast Agricultural University,2017，48(12)：68-79(in Chinese withEnglish abstmcI)Study on corn straw crude protein quantitative analysis model withdifferent ammonia and alkalization treatmentsSHEN Weizheng，HU Fengzhu，WANG Yan，YU Haijiao，KONG Q

5、-ngming(Sch00l of Electrical Engineenng and InformaUon，NoflheastAgdcultural University,Harbin 1 50030，China)Abstract：A rapid detection method based on near infrared spectroscopy(NIR)was used toquickly vedfy the crude protein of com straw in ammoniation and alkalization under different conditionsin t

6、his paperDifferent ultrasonic conditions were selected to pretreat the com strawA total of 54samples were obtainedThe crude protein content was 25356一68547Four abnormal samples，29，30，38 and 51，were excludedThe cross validation coefficient of determination(R2C)of the remaining50 samples rose from 067

7、9 to 084All the remaining 50 samples were divided into calibration set(40samples)and test set(1 0 samples)After denoising the spectrum by way of OSC and contrasting收稿日期：20171113基金项目：国家重点研发计划项目(2016YFD070020402)作者简介：沈维政(1977一)，男，教授，博士，博士生导师，研究方向为农业信息化。Email：wzshenneaueducn万方数据第12期 沈维政等：基于SVRM的不同氨、碱化处

8、理玉米秸秆粗蛋白定量分析模型研究smoothing(windowsize 1 5)R2C increased from 0827 to 0865The 9 781-1 093 cm“band wasselected as the characteristic band to compare three crude protein quantitative analysis models，SVRM，PCR and PLSFinally，SVRM(C=001，Gamma=l 00)was chosen as the best modelIts correctiondecision COeffici

9、ent R2C was 0833，RMSEC was 0389，validation set decision coefficient R2P was0914and RMSEP iS 0296The results showed that it is feasible tO use near inf怕red spectroscopyanalysis method to determine the crude protein contents of corn straw under ammoniation andalkalization conditionsKey words：com stalk

10、；ammoniaUon treatment；alkalization treatment；SVMR；PCR我国是世界秸秆产量大国，每年玉米秸秆产量达265亿t，但利用率很低。玉米秸秆是反刍动物重要粗饲料来源n，。玉米秸秆资源饲料化是现代畜牧业发展方向，但其粗蛋白含量低、中性洗涤剂纤维含量低、适口性差。玉米秸秆氨化、碱化处理技术是将一定浓度酸碱液按比例喷洒于玉米秸秆，打破纤维素、半纤维素与木质素间连接，微生物附和消化方法。玉米秸秆氨化、碱化处理具有提高粗蛋白含量，改善适口性，提高秸秆消化率、操作简单易行、成本低等特点。实际应用中，氨化与碱化处理后，秸秆粗蛋白含量是决定其饲用品质的重要指标。目前常

11、规蛋白测定方法速度慢、成本高，不适合大批量样品测定和筛选。近红外光谱分析技术作为快速无损检测方法，广泛应用于饲料及畜牧行业。Michacl等利用MRS技术建立秸秆NDF、ADF、活体外消化率及代谢能测定定标模型，各指标模型决定系数(R2)均08闭，为技术可行性奠定基础。白琪林采用PLS回归模型在国内首次建立玉米青贮样NDF、ADF、脂肪、维生素测定校正模型，定量分析模型适配性和稳定性较好，可满足玉米秸秆品质快速分析需要oI。吴军采用PLS方法建立普通品种、高油品种、高油群体玉米秸秆粉定量分析模型，明确NIRS在青贮玉米育种中应用嗍。采用近红外方法检测玉米秸秆主要成分(纤维素、半纤维素、木质素、

12、粗蛋白含量)研究较少，目前研究多集中在玉米籽粒品质快速测定。本文基于杠杆值浓度残差法，结合支持向量回归法初步建立玉米秸秆粗蛋白近红外定标模型，实现秸秆粗蛋白快速检测与模型解析，为玉米秸秆粗蛋白快速检测提供参考，为其饲用品质分析评价提供简便、准确的低成本测定方法。1 原理与方法11 SVMR支持向量回归支持向量机SVM(Support vector machine)方法是建立在SLT(Statistic learn yheory)VC(Vapnik-Chervonenkis)维理论和结构风险最小原理基础上，根据有限样本信息在模型复杂性与学习能力问寻求最佳折中，使用效果较好。SVM是新模式识别方法

13、，在小样本数、非线性和高维数据空间模式识别问题上优于传统算法。近年来，SVM已成功推广到函数逼近、信息融合等领域。最小二乘估计作为函数回归最基本工具之一，可解决最小二乘问题转化为SVM形式问题，保证函数具有最小预测风险降_9】。SVM数学模型如下：用线性回归函数厂=WX+b拟合数据k Yil，i=1，7,，茗iER问题，根据SVM理论，若采用线性占不敏感损失函数，I厂(功-yI。=I，(功一0yl一占l，(功一ylF其他引入松弛因子茧10和孝：10，则约束条件为扛?i“二+l江1，2，乃 (1)b【埘墨+一Yi占+ 。 工一 一。 最小化目标函数为，西，错沪丢卅+cn(fi+孝 (2)常数c0

14、控制对超出误差s样本惩罚程度，采用优化算法可得到其对偶问题，即约束条件，j善时-0，2，n (3)Io仪：C万方数据东北农业大学学报 第48卷对Lagrange因子a；，d：最大化目标为，形，Q)=一占i+a；)+)，；(仪i-“：)一 。扛1 扣1(4) n 、-r，吉；一a：)(呼一)oi誓)。“=1得到回归模型：，=(训+6=Ori-a溉功+矿 (5)i=l其中ai，a：不为0，对应样本为支持向量，如果用核函数KGi，菇i)替代(4)，(5)中内积运算可确定非线性拟合函数，(功=；一a：)Ki功+矿 (6)i=l式(5)(6)中b+取在边界上1点。12 PCR主成分回归在多元线性回归分析

15、中，自变量存在程度相关性。若相关程度较高，则各回归系数估计方差较大，无法准确解释因变量变化【101。主成分回归为多变量回归方法，可诊断自变量间共线性，首先对数据矩阵x主要成分分析(PCA)，得到变量转换成新变量，再对新变量采用多元回归建模【1】主成分分析数学模型如下。x=隔，X2，X3，五r为np数据矩阵，对X奇异值分解(SVD)，得到等式：x。p=以。A帅Ppp=L。，Pp。， (7)式中u为标准化得分矩阵，r为未标准化得分矩阵，P为权重矩阵，P列向量为x特征向量或主成分(PCs)。A为对角矩阵，对角线上前P个元素Ai为奇异值，是协方差矩阵xx各特征值平方根。Ai与第一个主要成分(PCI)得

16、分相关，由第一个主成分PCI所解释方差，有A，A：A。13样品采集制备及标定131样品采集制备选取东北农业大学阿城实验实习基地玉米秸秆作为试验样品，仪器为微型植物粉碎机、超声仪和50 mL离心管；化学试剂为干物质5尿素和4NaOH溶液。收获后秸秆切割成23 cm长度后备用。132标准化学标定氨化处理：干物质5尿素溶水，均匀喷洒在秸秆上，塑料袋密封，处理30 d后，72 h放氨后制样、称重。处理后将秸秆65下烘箱中烘干48 h至恒重，烘干秸秆粉碎、称重。碱化处理：取秸秆干物质4NaOH溶水，均匀喷洒于秸秆上，塑料袋中密封，处理7 d后打开，72 h放碱后制样、称重。处理后将秸秆65下烘箱中烘干4

17、8 h至恒重，烘干秸秆粉碎、称重。无处理空白样：晾晒风干秸秆，未经其他处理，称重后将秸秆65下烘箱中烘干48 h至恒重，烘干秸秆粉碎、称重。133超声波处理取过100目筛秸秆粉末在水浴条件下超声波处理。超声功率分别为60、75、90、105和120W，超声时间分别为5、10、15、20、25 min，固液比分别为1：5、1：10、1：15、1：20、1：25，容器内声功率密度分别为12、15、18、21、24 WmL。处理后烘干，密封，保证良好厌氧环境，置于室温内预处理，试验结束后测定秸秆水分、蛋白质、半纤维素、纤维素和木质素含量。经过范式法测定得到玉米秸秆粗蛋白54个样品，其中粗蛋白含量为2

18、535668547，平均值为37 15。14光谱采集试验采用Thermo公司Antaris II近红外光谱仪对玉米秸秆样本光谱扫描。秸秆样品为固体粉末，漫反射光谱扫描光谱范围4 00012 000 cm-1，对应波长范围2 500。1 000 nm，共计519个波长点，最小光谱扫描分辨率为4 cm，采用积分球扫面方式，光源为119 w厂7 Vw卤钨灯，SabIR光纤探测器，工作电压6 V，选用空气作对比对象，样品扫描前背景扫面设定64次，试验中扫描次数设定64次，横坐标为波数范围4 00012 000 cm，纵坐标为样品吸光度，扫描结果如图1所示。2结果与分析21异常样本剔除异常样品称界外样品

19、(Ouiliers)，在近红外光谱分析过程中异常样品识别主要用于模型建立过程中界外样品识别和预测分析时待测样品是否为模型界外样品判断。校正过程中会出现两类异常样品：一是含有极端组成样品，成为高杠杆点样品，影响回归结果；二是参考数据与预测值在统计意义上有差异校正样品。预测过程界外样品识别主要是用来检测待测样品是否在所见校正模型覆盖范围内，确保其预测结果准确性。模型界外样品主要包括：浓度界外样品，光谱残差界外样品和最邻近距离界外样品n2】。万方数据第12期 沈维政等：基于sVRM的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究褂萎耋波长(rm。)Wawdcnth图l玉米秸秆近红外光谱图像Fig1

20、Near infrared sp蚓image of corn触211霍特林(Hotelling)慨计采用光谱方法和常规方法对比检测不同样品测量值，也称为成对t检验，实质是判断两种方法间偏差均值(接近零)是否与期望值(零)存在显著性差异，即判断光谱方法与常规方法是否存在系统误差。霍特林个统计是重要统计方法，基于主成分分析椭圆二维模型，多用以检验多元变量稳定性，如果一个观测量主成分保持稳定，则该观测量严统计量应保持在稳定水平。检测用来判断均值与x或与真值显著性差蘸曼耋蟛异，t值按下式计算：萨堕S(8)式中，d为两种方法多测样品间对应差值平均值；S为两种方法所测样品间对应差值标准偏差；为样品数目。通

21、过显著性检测，若发现分析结果存在显著性差异，结果存在系统误差；若无显著性差异，则表明此分析结果差异来自偶然误差。本文设定缺省P值为5，由图2可知，选择临界极限5时，玉米秸秆粗蛋白模型中46、47、28、7号样品超出极限值，予以剔除。最佳主因子l(77)Factor 1(77)图2玉米秸秆粗蛋白模型主成分得分Fig2 PCA scores of corn stalk crude protein model万方数据东北农业大学学报 第48卷212 XY残差对校正模型样品xY方差分析，其中X(Residual sample X-variance)表示样品光谱，Y(Residual sample Y-

22、variance)表示样品化学数值。计算Y残差，Y方差越大，校正模型对其拟合能力越弱，雏扣解释能力越低n 31。由图3a可知，玉米秸秆粗蛋白模型中30、38号样品具有较高残差，予以剔除，对剩余50个样品再次统计残差，由图3b可知，29、51号样品具有较明显残差，剔除。样品(最佳主因子3)Samples(factor-3)a一54个样品残差统计结果aStatistical results of 54 sample residuals川JLuIL 血11IJO 10 20 30 40 50 60样品(最佳主因子3)Samples(factor一3)b一剔除30、38号后样品残差统计结果b-Stat

23、istical results of 52 sample residuals图3玉米秸秆粗蛋白模型xY残差统计结果Fig3 XY residual statistical results of corn straw crude protein model213 3D视图分析除采用Y方差判断异常样本外，Leverage也是重要异常样本判定方法，可弥Sh Y方差判定单一性不足，本文采用Residual sample Xvariance作为x轴，Leverage作为Y轴，Residual sample Y-variance作为z轴3D视图方法判定。该方法工作原理：计算校正模型杠杆值。其中杠杆值用于检

24、测样品是否远离该模型描述空间中心有效，高杠杆值样品为异常值。计算校正模型xY残差residual。建立Residual sample Xvariance作为x轴，Leverage作为Y轴，Residual sample Yvariance作为z轴3D模型。由图4可知，大部分样品均匀分布在3D视图圆心处，但部分样品距离圆心较远，距离较远样品杠杆值及xY方差较大。30、38及29、51号样品明显距离圆心较远，综合3个方向数值判定4个样品可剔除。42O86420l11OOO00o岳盘矗面一涮鼷净万方数据第12期 沈维政等：基于SVRM的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究咯婪翻j苴a-54

25、个样品残差统计结果a-Statistical results of 54 sample residualsb一剔除30、38呼后样晶残差统计结果b-Statistical results of 52 sample residuals图4基Leverage3D视图分析法测定异常样本结果Fig4 Determination of outlier samples results based on Leverage 3D view analysis针对以上异常样品剔除方法选择交互验证(Cross Validation)。图5显示在无任何样品剔除情况下用54个玉米秸秆粗蛋白样品建立偏最,b-乘回归模型，

26、由图5可知，粗蛋白交互验证模型决定系数尺2为0679015，决定系数较低，交互验证均方误差根RMSECV为0622，由模型可见，29、30、38、51号样品优于校正曲线。经过Y残差及3D视图分析法剔除4个异常样本后，交互验证模型决定系数R2提升为084，交互验证均方误差根RMSECV降为0378。对剔除异常样品后50个玉米秸秆样品分类，依据定量分析模型需求将样品分为校正集和验证集，其中选择40个样品作为校正集，10个样品作为验证集，统计分析结果见表1。由表l可知，校正集和验证集样品分布均匀，数值差异显著。22光谱去噪处理光谱预处理是定性和定量分析基础。近红外光谱仪采集光谱除样品信息外，包含其他

27、无关信息和噪音，如电噪音、样品背景和杂散光等。因此，在用化学计量学方法建立模型时，应对光谱预处理。光谱预处理旨在消除光谱数据无关信息和噪音。本文选用正交信号分解方法去除噪声，选取平滑处理(window size 15)对比验证。万方数据74 东北农业大学学报 第48卷实测值()(最佳主因子3)Reference Y(factor一31a一原始光谱交互验证模型aOff,riM spectrum interactive verification model实测值()(最佳主因子3)Reference Y factor一3)b一剔除4个样品后交互验证模型b-Cross validation mode

28、l after eliminating 4 samples图5玉米秸秆粗蛋白原始模型及去除异常样本后交互验证模型Fig5 Original spectra model and removing outlier samples validation model of corn straw crude protein表1玉米秸秆粗蛋白校正集及验证集统计Table 1 Calibration set and validation set statistics of corn straw crude proteinnLo芑g净哥量山一nm函州堪瑙一一冰一遥嚣聪一nLo苗曼卜丐点PaJdnm函州堪蜡一一

29、求一趔嚣隧万方数据第12期 沈维政等：基于SVRM的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究 75221平滑去噪平滑处理可剔除信号毛刺，令光谱更平滑，检测图像特征强弱及其方向，其平滑结果较好兼顾噪声消除和特征保持，平滑处理15点去噪后光谱如图6a。222正交信号分解正交信号分解(osc)是近年提出模型校正前滤波技术，该算法在滤波同时充分考虑光谱与样品化学组成间关系。主要目的是去除光谱数据集中于分析量无关变化部分，多元校正模型预测能力褂娄耋褂目米督童加强。应用此方法可降低PLS模型复杂度，减少潜变量，在潜变量中移出与分析无关变量后，模型意义更明确。OSC去燥后光谱如图6b。对以上处理后样本

30、建立粗蛋白定量分析模型并验证，结果如表2所示。由表2可知，两种方法中选择正交信号分解验证结果较好，交互验证决定系数为0864，均方误差根为0346，由于所测玉米秸秆样品为固体粉末，正交信号分解对消除固体颗粒分布不均及固体颗粒产生散射效果较好。波长(cm“)Wavelentha平滑处理15点去燥a contrasting smoothing(windowsize 15)波长(cml)Wavelenthb-OSC去噪处理b-OSC denoising processing图6玉米秸秆粗蛋白光谱去噪结果Fig6 Spectral denoising results of corn stalk cru

31、de protein万方数据76 东北农业大学学报 第48卷表2玉米秸秆光谱去除噪声后模型交互验证结果Table 2 Corn stalk model validation results after spectral denoising方法 主因子数交互验证集决定系数 均方误差根 补偿系数Method Factors 砰C RMSEC Offset原始光谱orisinal spcctrum 3 084 0378 0578平滑15点Smooth 15 pcints 3 0851 0374 0553正交信号分解Orth。gonal si印a1 1竺!竺竺璺!竺 ! !：!竺 !：!竺旦竺一23定

32、量分析模型本文选择9 781。1 093 cm-1作为玉米秸秆粗蛋白特征波段建立粗蛋白定量分析模型。231 支持向量回归支持向量机可有效克服神经网络方法收敛速度慢、解不稳定及泛化能力差缺点，对小样本、非线性和高维数据空间模式识别问题具有优势。本文将SVM回归法应用于近红外光谱定量分析，建立定标模型效果良好，结果见图7，表3。由图7，表3可知，SVMR模型核函数选择为Radial basis function。选择核参数Gamma为001、01、1、10、100，惩罚因子C为001、O1、10作最优参数选取，最终Gamma为100，C为001具有最低RMSEP。I。唱10(C)-202O L09

33、10(Gamma)图7惩罚因子C与核函数Gamma选择Fig7 Selection of penalty factor and kernel function表3玉米秸秆粗蛋白最优参数C和Gamma选择Table 3 Optimal choice of C and Gamma in model of corn straw crude protein232主成分回归主成分回归是将主成分分析(Principal Component Analysis PCA)与多元线性回归分析结合方法。主成分回归有效降低数据维度，确定各变量对各主成分贡献。本文选取PCR最大主因子数为20模型验证，由图8可知，在校正

34、集中选择主成份数O8642OOOOOO02乱苫岳一，12一零一诺涮瑙恹四球目辎万方数据第12期 沈维政等：基于SVRM的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究 774，浓度残差升高，因此最佳主成份数选择4。分别对比PLS，SVRM及PCR 3种模型结果，由表4和图9可知，SVRM具有最优模型精度，R2C，袋剁镁将世因子Factora一主成份数选择结果a-Selection result of principal component number为0933，RMSEC为0389，RT为0914，RMSEP为0312，相对于PLS及PCR验证模型均有较高提升。n皇d卜q当2一。乱实测值()

35、(最佳主因子3)Reference Y(factor一3)b一验证集校正结果bVerification set correction result图8 PCR模型中主成份数选择及模型验证结果Fig8 Choosing the number of principal components in PCR model and model validation results表4最优玉米秸秆粗蛋白定量分析模型对比结果TabIe 4 Comparative analysis of results model of optimal corn stalk crude protein模型方法 主因子数 交互验

36、证集决定系数 均方误差根 预测集均方误差根Model method Factors R2C RMSEC WP偏最dx_-乘回归PLS 3 O822 O6401 O890主成分回归PCR 4 0828 0393 O-893支持向量机回归SVMR 3 0933 0389 0914实测值()(最佳主因子3)Reference Y(faetor一3)aPLS定量分析模型验证结果aVerification results of PLS analysis model实测值()(最佳主因子3)Reference Y(factor一3)b-SVRM定量分析模型验证结果b-Verification result

37、s of SVRM analysis mode图9 PLS及SVRM定量分析模型验证结果Fig9 Validation results of PLS and SVRM quantitative analysis modeknm函州逍嗡一一枣一趔嚣聪一nLo芑BJ)净pal。I焉击一nm圜州坦蟛一一零一趔爵聪一n-opoa一卜I】oPo一h山一nm盟州军略一一零一趔爵聪万方数据东北农业大学学报 第48卷3 讨论与结论31异常样本剔除方法对比异常样本存在影响模型校正回归结果，使模型在统计上出现较大误差。引。褚小立等研究表明，异常样本应依据样本化学值Y或光谱值X是否严重偏离样本总体分布判别，偏离总体

38、分布超过设定范围值视为异常值n51。尹宝全等对玉米籽粒含水率、蛋白质含量及淀粉含量分析表明，马氏距离(Mahalanobis distance，MD)、半数重采样Resampling by half-mean，RHM)法等单一判定指标对异常样本判定效果不如基于x与Y联合判定方法，采用联合法判定玉米籽粒蛋白质模型决定系数为R2C为O86，相对标准偏差为006E161。刘翠玲等基于主成分及预测误差方差结果蒙特卡洛交叉验证法(MCCV)对比马氏距离剔除异常样本，RMSECV由0845 5提升到0880 8，RMSEP由0040 5降低到0035 5E切。本试验研究表明，基于杠杆值及xY残差3D视图分

39、析方法与上述方法试验结果具有一致性，构建霍特林rI2统计法、结合样品残差及光谱残差xY残差法、选择交互验证Cross Validation)交互验证模型决定系数砰从0679升至0840，交互验证均方误差根RMSECV从0622降为0378，结果与尹宝全等精度一致，比刘翠玲等验证法精度略低”71。蒙特卡洛交叉法2 000次PLS内部建模交叉验证得到每个样本均值一方差分布，有效提取优样品解，该方法模型拟合时间较长，不适用于实验室检测，不适用现场实时快速检测。32光谱噪声去除方法对比光谱中噪声存在导致光谱信息畸变、信息数据偏离，刘贤等建立秸秆青贮饲料粗蛋白近红外分析模型，选择9 0904 000 c

40、a。1波段正交信号分解法模型验证传递方法，对比斜率馘距、局部中心化、平滑去噪等处理方法，结果表明，采用OSC方法处理噪声其模型决定系数相比原始光谱从085升至090，校正标准差从0574降至0429t18】。本研究表明，采用正交信号分解方法可有效提升模型校正精度，交互验证决定系数从084升至0864，均方误差根从0378降为0346，与上述方法试验结果一致，同时均方误差相对较低，两者所测玉米秸秆样品均为固体粉末，本试验采用54个样品，多于上述研究的40个样品，样品覆盖度更高。任芊等采用OSCPLS方法建立固体材料挥发值测定模型，校正后模型测定系数R2从0735 9升至0946 3，模型可解释性

41、增强n明，与本试验结果一致，可知OSC法可有效去除原光谱矩阵中与因变量不相关变异信息，对消除固体颗粒分布不均及固体颗粒产生散射效果较好20-2”。33定量分析模型构建对比定量分析模型是在物质浓度与分析仪器响应值之间建立定量关联关系，定量分析模型分为线性及非线性模型122。薛俊杰等对玉米秸秆饲料样品粗蛋白建立基于线性模型PLs回归模型，其模型R2C为081，RMSEC为O65，R2P为082，RMSEC为059。结果与本试验结果一致，PLS线性建模方法可有效提升模型精度例。本试验加入基于非线性SVMR模型对比，结果相比于原始光谱R2C由O822升至0933，RMSEC由0640 l降至0389，

42、R2P由0890升至0914，比采用PLS模型结果更显著。薛俊杰等采自河北、山西、山东的217个秸秆样本，样品(品种、气候、土壤)存在较大地域性差异，本试验样本均选自黑龙江省，样品差异性小，PLS回归模型构建过程中只有最佳主因子数参数可供选择，模型精度更依赖样品代表性。SVMR可核函数、核参数及惩罚因子参数选择中，本试验选取最优参数Gamma为100，C为001构建定量分析模型精度相对最优。近红外光谱技术可有效、快速测定玉米秸秆粗蛋白含量，模型验证集决定系数R2P为0914，RMSEP为0296，相对标准偏差RSD为38，误差范围满足模型构建要求。【参考文献】【1】秦建有反刍动物饲料营养价值评

43、定方法探析叨南方农业，2017，1I(8)：86，88【2】Michael M，BlankeNoninvasive assessment of firmness and nirsugarS)measurement in印ple，pear and kiwi frui棚Erw-erbsObstbau，2013，55(1)：1924【3】白琪林，陈绍江，董晓玲，等近红外漫反射光谱法测定玉米秸秆NDF与ADF含量【J】光谱学与光谱分析，2004，24(11)：13451347【4】吴军，白琪林，苏胜宝，等近红外反射光谱法分析玉米秸秆纤维素含量的研究叨分析化学，2005，33(1 o)：14211423

44、万方数据第12期 沈维政等：基于SVRM的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究 79张新玉，王颖杰，刘若西近红外光谱技术应用于玉米单籽粒蛋白质含量检测分析的初步研究叨中国农业大学学报，2017，22(5)：2531Lomborg C J，Thomsen M H，Jensen E S，et a1Power plant intakequantification of wheat straw composition for 2nd generation bio-ethanol optimizationA Near Infrared Spectroscopy qVlaS)feasibilit

45、y study咖Bioresouree Technology，2010，101(4)：1 1991205Begone E，Venturello A，Leardi R，et a1Prediction of the opti-mllm harvest time of scarlet apples using DRUV-Vis and NIRspectroscopyJPostharvest Biology and Technology，2012，69：1523Chen L，Xing L，Han LRenewable energy from agro-residues inChina：Solid hi

46、ofuels and biomass bfiquetting technologyJRenewable and Sustainable Energy Reviews，2009，13(9)：2689-2695孙通，徐惠荣，应义斌近红外光谱分析技术在农产品，食品品质在线无损检测中的应用研究进展田光谱学与光谱分析，2009，29(1)：122126鲁雄，张力培。近红外光谱分析技术在饲料行业中的应用【J】安徽农业科学，2016，44(2)：8385杨琼，项瑜，杨季近红外光谱分析技术的研究与应用叫重庆三峡学院学报，2013，290)：8991石磊，王旭峰，邓丹雯，等近红外光谱分析技术啊IR)的研究现状及

47、其在饲料检测中的应用叨安徽农业科学，2012，40(21)：111001】102齐龙，朱克卫，马旭，等近红外光谱分析技术在大米检测中的应用册农机化研究，2011，33(7)：18-22皇才进，刘贤，杨增玲，等秸秆热值近红外光谱模型的外部验证结果间的统计比较分析【J】光谱学与光谱分析，2009，29(5)：1264一1267褚小立，陆婉珍近五年我国近红外光谱分析技术研究与应用进展【J】光谱学与光谱分析，2014，34(10)：2595-2605尹宝全，史银雪，孙瑞志，等近红外多组分分析中异常样本识别方法硼农业机械学报，2015(增1)：122-127刘翠玲，孙晓荣，吴静珠，等基于NIR的小麦粉异

48、常样本剔除方法研究【J】农机化研究，2014(4)：46-48刘贤，韩鲁佳，杨增玲，等基于正交信号校正的秸秆青贮饲料粗蛋白近红外分析模型传递方法【J】分析化学，2012，40(4)：596601任芊，解国玲，董守龙，等OSCPLS算法在近红外光谱定量分析中应用的研究m北京理工大学学报，2005，25(3)：272-275程荣霞，李汉中，李浩川，等玉米籽粒和秸秆粗蛋白质含量的配合力效应分析J】河南农业大学学报，2009，43(3)：227-231李华，王菊香，邢志娜，等基于正交信号校正的喷气燃料近红外光谱去燥研究J】计算机与应用化学，201 1，28(1)：99-102皇才进，韩鲁佳，刘贤基于近红外光谱技术的秸秆工业分析叨光谱学与光谱分析，2009，29(4)：960963薛俊杰，韩鲁佳，杨增玲，等玉米秸秆饲料营养成分NIRS在线检测【J农业机械学报，2016，