【目的】监控加热卷烟雾化基材生产中的质量稳定性,建立快速、同时测定加热卷烟雾化基材中水分、丙二醇、甘油和烟碱含量的近红外分析方法。【方法】采用自举软收缩(Bootstrapping soft shrinkage approach,BOSS)变量选择方法筛选特征...【目的】监控加热卷烟雾化基材生产中的质量稳定性,建立快速、同时测定加热卷烟雾化基材中水分、丙二醇、甘油和烟碱含量的近红外分析方法。【方法】采用自举软收缩(Bootstrapping soft shrinkage approach,BOSS)变量选择方法筛选特征波长变量,结合偏最小二乘法(Partial least squares,PLS)分别建立片状、丝状加热卷烟雾化基材中4种化学成分近红外含量预测模型,并与其他变量选择方法进行对比。【结果】(1)基于BOSS算法优选波长变量所建立的模型预测精度最优,模型R2均大于0.95,RMSECV(Root mean square error of cross-validation,交叉验证均方根误差)均小于0.7%。(2)水分、丙二醇、甘油和烟碱的RMSEP(Root mean square error of cross-prediction,交叉预测均方根误差)均小于0.75%,且验证集RMSEP与建模集RMSECV值相近,各模型均具有较好的预测准确性。(3)各成分模型RSD(Relative standard deviation,相对标准偏差)均小于2%,模型重现性较好。展开更多
文摘【目的】监控加热卷烟雾化基材生产中的质量稳定性,建立快速、同时测定加热卷烟雾化基材中水分、丙二醇、甘油和烟碱含量的近红外分析方法。【方法】采用自举软收缩(Bootstrapping soft shrinkage approach,BOSS)变量选择方法筛选特征波长变量,结合偏最小二乘法(Partial least squares,PLS)分别建立片状、丝状加热卷烟雾化基材中4种化学成分近红外含量预测模型,并与其他变量选择方法进行对比。【结果】(1)基于BOSS算法优选波长变量所建立的模型预测精度最优,模型R2均大于0.95,RMSECV(Root mean square error of cross-validation,交叉验证均方根误差)均小于0.7%。(2)水分、丙二醇、甘油和烟碱的RMSEP(Root mean square error of cross-prediction,交叉预测均方根误差)均小于0.75%,且验证集RMSEP与建模集RMSECV值相近,各模型均具有较好的预测准确性。(3)各成分模型RSD(Relative standard deviation,相对标准偏差)均小于2%,模型重现性较好。
