用于红外光谱分析的溴化钾的提纯

分析纯溴化钾的红外光谱中通常含有杂质产生的强干扰吸收带,不能直接作为红外光谱分析用的试剂。以乙二胺四乙酸（EDTA）为螯合剂,与分析纯溴化钾中的杂质生成水溶性络合物,通过重结晶、高温焙烧,去除了溴化钾中的杂质,得到了高纯度的溴化钾。实验结果表明,该溴化钾的光谱纯度优于市面上价格昂贵的光谱纯溴化钾,获得了更高质量的红外光谱图,降低了红外光谱实验的成本。     

基于短波红外成像光谱仪的矿石光谱测量

为了实现对不同矿物成分的识别,研制了一台用于矿石光谱分析的短波红外成像光谱仪,并基于此台仪器获取了多种矿石的图像信息和光谱信息。阐述了设计原理,并对整个系统的光学设计结果进行了成像质量分析。采用单色准直光法对该系统进行了测试,得到各光谱通道的中心波长以及光谱分辨率等光谱性能参数,测试结果显示,该仪器光谱分辨率优于10 nm,满足应用需求。利用研制出的成像光谱仪对岩石样品进行了实验,并对获得的光谱曲线进行了光谱分析。实验分析结果表明,该仪器具有良好的性能,能够较为准确地判断不同矿石。设计的短波红外成像光谱仪具有高分辨率、结构简单、小型化、重量轻等优点,便于机载成像,有益于其在地质勘探领域的应用。     

基于LabVIEW的太赫兹时域光谱分析软件

针对目前太赫兹光谱仪的数据采集和数据处理软件不能兼容的情况,设计了一个基于LabVIEW软件平台的THz时域光谱分析软件。主要研究了THz时域光谱系统的反射式以及透射式样品光学信息提取算法、支持向量机分类算法、以及偏最小二乘等分析算法以及它们的LabVIEW实现。该软件采用全LabVIEW代码实现,能够实现样品光学信息提取,物质分类识别以及多组分样品浓度分析,并且具有很高的移植性,可扩展性,与数据采集软件具有很好的兼容性。利用该光谱分析软件,分析了三种塑化剂的THz时域光谱信号,得到了它们在THz波段的折射率和吸收系数, 结果表明三种塑化剂可以用THz时域光谱完全区分,软件运行稳定可靠。     

右旋甲基苯丙胺振动光谱的理论和实验研究

利用激光共焦显微拉曼光谱技术和显微红外技术采集了右旋甲基苯丙胺的拉曼光谱和红外光谱,用密度泛函理论B3LYP/6-311G++(d,p)基组对分子进行几何构型优化,并进行拉曼和红外光谱的计算。结果表明:右旋甲基苯丙胺的拉曼光谱和红外光谱的计算结果和实验结果基本一致。在此基础上,用Gaussview软件对分子的振动模式进行了详细的归属。研究结果为今后右旋甲基苯丙胺的光谱分析提供了理论依据,也为苯丙胺类毒品的光谱分析研究提供了重要参考。     

基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域,但传统拉曼光谱分析过程中的预处理主要依赖人为经验,光谱特征提取虽然能够降低信号维度,同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高,受到测量过程中环境干扰和分析过程中多种误差影响,导致最终分类效果并不理想。针对此问题,提出基于一维卷积神经网络（one-dimensional convolution neural network,1D-CNN）的拉曼光谱定性分类方法。实验采集雌酮（Estrone）、雌二醇（Estradiol）,雌三醇（Estriol）三种不同雌性激素粉末的拉曼光谱,设计随机平移、添加噪声和随机加权三种光谱数据增强方法,构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试;基于拉曼光谱数据特点提出一维卷积神经网络分类模型,将光谱预处理、特征提取和定性分类的全过程融为一体。通过大量仿真实验,优化所提出的神经网络模型超参数和训练过程并测试分类效果,从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比,评价模型性能。实验结果表明,本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类,分类正确率最高可达98.26%,分析过程中无需光谱预处理和特征提取步骤,简化了光谱分析流程,并能保留更多有效信息。同时,当模拟测量噪声强度达到60 dBW时,传统方法分类正确率均明显出现不同程度明显降低,卷积神经网络模型依然能够取得96.81%的分类正确率,说明相比对传统拉曼光谱分类方法,所提出方法受光谱测量噪声影响更小,鲁棒性更强,适用于分析更复杂现场测量的强噪声拉曼光谱信号。该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。     

差分偏振FTIR光谱法探测水面溢油污染

传统热红外遥感探测水面溢油污染时需要大面积洁净水域与污染水域进行辐射对比,并且通过红外影像无法鉴别溢油种类。为了能够及时了解某一水域的溢油污染程度以及溢油的种类,文章提出了差分偏振FTIR光谱法探测水面溢油污染。该方法通过获取分析目标在水平和垂直两个偏振方向的偏振强度差谱对目标实现探测,具有很好的时效性。文章分析了差分偏振FTIR光谱探测的辐射传输模型,并在室外对水面0号柴油油膜和SF96油膜进行了差分偏振FTIR光谱探测实验。实验结果表明该方法不需要大面积洁净水域进行辐射对比即可直接对水面溢油污染物进行探测,并且通过分析差分偏振FTIR光谱中的光谱特征可以识别水面溢油的种类。该方法弥补了传统热红外遥感探测水面溢油污染的局限性。     

傅里叶中红外光谱结合稀疏表示分类方法鉴别小麦赤霉病感染等级

旨在探索感染不同等级赤霉病的小麦中主要成分含量变化引起的傅里叶中红外光谱信息响应,并结合模式识别方法实现基于傅里叶变换中红外光谱的小麦赤霉病等级无损检测。以感染不同等级赤霉病小麦为研究对象,在4 000~400 cm-1波数范围内采集95个小麦样本的傅里叶中红外光谱数据,利用载荷系数法（XLW）与随机森林算法（RF）分析选取小麦样本傅里叶中红外光谱中的敏感波长,利用稀疏表示分类（SRC）算法建模识别小麦感染赤霉病等级。结果表明：XLW算法和RF算法选择的特征波长作为定性分析模型的输入时模型鉴别准确率与全波段光谱数据作输入时均达90%以上,特征波长提取算法可以有效简化模型并提高效率。RF-SRC模型鉴别效果最好,建模集鉴别准确率达97%,测试集鉴别准确率达96%。小麦感染赤霉病等级的不同会引起小麦中水分、淀粉、纤维素、可溶性氮素、蛋白质、脂肪等物质含量的变化,采用RF算法选择的特征波长均反映了这些物质所对应的傅里叶中红外光谱透射光谱特征的差异,结合SRC模型进行小麦赤霉病等级鉴别可达到最好的鉴别效果。因此,利用傅里叶中红外光谱技术结合模式识别方法对小麦赤霉病等级鉴别是可行的,解释了傅里叶中红外光谱技术检测小麦赤霉病等级的机理。     

基于主成分分析-二阶导数光谱成像的红外显微图像分析

红外显微成像技术将红外光谱技术和显微技术相结合,不仅可以提供测试样品的光谱信息而且能够提供测试样品的空间分布信息。然而复杂样品的红外显微图像谱峰重叠严重,无法直接获得目标组分的分布信息。将因子分析与光谱分离技术相结合提出了主成分分析-二阶导数光谱成像方法。通过兔子动脉红外显微图像中胆固醇分布的成像实验,验证该方法的可行性和有效性。实验结果表明,该方法可以提高光谱分辨率,挖掘隐藏于重叠谱峰中的有用信息,是一种有效的红外显微图像分析方法。     

基于碘化银固定相的薄层色谱-红外光谱联用研究

在分析复杂混合物方面原位薄层色谱-红外光谱联用有巨大潜力,二者联用能够相互取长补短,极大地提高对复杂混合物的解析能力。但因固定相自身的红外吸收能够对样品的检测造成干扰,使该方法进展缓慢。实验应用对中红外光透明的碘化银纳米微粒作为固定相制备薄层层析板,并对碘化银薄层板的层析效果及原位红外光谱检测的可行性进行了初步的研究。通过正交设计实验法优化反应条件,制备出粒径为100 nm左右的碘化银颗粒;应用沉降-挥发法制备薄层层析板,实验表明该薄层板具备分离混合物的能力,且原位红外光谱检测结果表明碘化银作为固定相不干扰样品检测。     

稀土、荧光素及邻菲啰啉配合物的合成及表征

在乙醇和水的混合溶液中,制备出钕、邻菲口罗啉和荧光素的三元络合物。通过对生成物的红外和拉曼光谱的综合分析,发现当反应比例为邻菲口罗啉:钕离子:荧光素为1:2:3时,三者能有效络合。光谱分析的结果表明:荧光素的羧基以单齿形式与金属离子配合。依据实验和理论分析对实验中的相关现象做出了解释。     

基于数据挖掘技术的瓦斯气体红外光谱定量分析方法的研究

瓦斯气体的监测是影响煤矿安全的重要因素之一,对其的在线实时监测成为煤矿安全的重要保障。本文采用红外光谱分析技术,对瓦斯气体的红外定量分析算法进行了研究。为提高模型分析精度,将数据挖掘技术应用在分析算法中。通过增加基于K平均非分层聚类分析对数据进行处理发现,带聚类分析的偏最小二乘算法比单纯采用偏最小二乘算法在精度上明显占优。另外,为减少模型中个别定标样本误差对精度的影响,采用聚类分析的方式进行了数据预处理,发现这种去噪方法在分析精度上又有所提高。     

基于无人机红外光谱技术的影像数据匹配方法研究

无人机加载红外光谱载荷对区域内影像进行获取现已成为遥感领域一种重要的技术手段,可通过对携带位置信息的影像进行分类提取,得到植被盖度、温度指数等一系列因子指标。利用FREE BIRD(自由鸟)小型低空无人机系统挂载Tetracam红外相机(310万像素)对新疆玛纳斯县一河道进行影像获取。无人机飞行面积约为20.5 km2,为了得到更加精确的植被、温度等因子,需要对无人机红外影像进行配准,通过优化SIFT匹配参数和RANSAC粗差剔除后,获取了可靠的匹配结果,即经过算法匹配后的影像与原影像进行了误差比对,能够满足后期的应用需要, 这也是本文的创新点之一。将影像进行配准后进行二维影像拼接,将多张红外影像按照航向重叠度不低于60%,旁向重叠度不低于50%的概率进行拼接,得到拼接后的红外影像图。另外比较了SIFT和SUFT两种算法,利用优化的SIFT算法及改进的FLIR传感器获取1 600张热红外影像,利用地面同步测量数据对拼接后的红外影像进行算法匹配,并利用ENVI(完整的遥感图像处理平台)软件进行温度及植被盖度的影像反演,得到了研究区域的单一影像及红外影像的温度反演图及植被反演图。通过对两种算法的对比得到更加优化的算法模型,并对该模型进行回归分析和精度检验,得到该模型的相关系数R2为0.767,匹配精度为81.51%,模型精度较高。本模型的建立对日后无人机红外影像的配准及提取反演奠定了理论和实践基础。     

基于烟叶电子鼻-近红外数据融合的支持向量机分类判别烟叶年份

提出了一种基于烟叶近红外光谱(NIR)和烟叶电子鼻(EN)融合数据的烟叶年份判别的支持向量机分类模型。在NIR和EN数据融合的基础上,利用遗传算法来进行变量选择,再建立烟叶年份判别支持向量机模型,所得到的烟叶判别模型在训练集和独立测试集上都具有较高的准确率。建立的烟叶判别NIR-E-SVM模型的建模准确率达到100%,留一法准确率达到98.55%,对未知样本的预报准确率为90%。     

基于强影响度的近红外奇异样本识别算法研究

校正样本选择以及奇异样本剔除对于近红外光谱定量和定性建模非常重要。现有的识别奇异样本的方法一般都基于数据重心估计,需要一个经验的判断阈值,在很大程度上限制了其识别准确性和实用性。针对现有方法奇异样本识别准确率低的问题,改进了一种现有度量尺度-杠杆值,构造出一种新的基于强影响度的奇异样本识别算法。这种度量尺度在一定程度上减少了对数据重心的依赖,使正常样本更加聚集,拉开了奇异样本与正常样本的距离;同时,为了避免人工根据经验设定阈值的不合理性,引入统计学领域中跳跃度的概念,提出了一种自动阈值设定方法判别奇异样本。为了验证该算法的有效性,利用马氏距离、杠杆值-光谱残差法与该算法分别对200个代表性校正集样本中的异常样品进行剔除,然后通过偏最小二乘法(PLS)对剩余的校正集样本(以烟碱为指标)定量建模,并对60个代表性测试集样本进行预测,以交互验证均方根误差(RMSECV)、相关系数(r)和预测均方根误差(RMSEP)为评价指标比较各算法的优劣。实验对比结果表明,基于强影响度的奇异样本识别算法较现有方法明显提高了奇异样本识别的准确率,具有较低的RMSECV(0.104),RMSEP(0.112)以及较高的R(0.983),提高了模型的稳定性和预测能力。     

土壤水分去除算法的田间原位光谱反演棉田有机质

田间原位可见-近红外光谱(VIS-NIR)能够有效的提高土壤属性的检测效率,但由于原位土壤中水分因素的影响,土壤属性的预测精度很难达到预期。如何有效去除土壤中的水分对土壤其他属性光谱预测的影响,是利用田间原位光谱高精度预测土壤属性所面临的难题,也是土壤光谱技术由室内转向田间的突破口。该问题的有效解决,可减除土壤样品的采集与室内预处理等过程,实现土壤属性的田间原位光谱测定。以新疆南部地区阿拉尔垦区十二团棉田为研究区,采用网格采样法共采集了116个0～20 cm深度的表层土壤样品,剔除1个异常值样品,得到115个有用样品,利用SR-3500型便携式地物光谱仪采集了231个样点的田间原位光谱数据,土样经风干、研磨和过筛等处理后测定其室内光谱和有机质含量。利用Kennard-Stone算法将115个土样分为69个转换子集及46个预测集,采用外部参数正交化法(EPO)、光谱直接转换法(DS)及光谱间接转换法(PDS)三种去除水分算法结合原位光谱反射率(R)、反射率一阶微分(R′)、反射率对数(LOG(R))以及反射率倒数(1/R)四种数学变换方式,运用随机森林(RF)模型进行不同组合模型的构建及精度评价。结果表明：(1)土壤有机质含量越高,土壤光谱反射率越低。土壤田间原位光谱反射率低于土壤室内光谱反射率;(2)室内光谱反射率与土壤有机质含量之间的相关性大于田间原位光谱,室内光谱经一阶微分变换后与土壤有机质含量之间的相关性显著提升。(3)土壤室内光谱反射率模型预测精度(R2=0.86, RPD=2.08, RMSE=1.55 g·kg-1, MAPE= 0.14)高于田间原位光谱反射率模型(R2=0.71, RPD=1.49, RMSE=2.17 g·kg-1, MAPE=0.20)。在去除水分算法模型中,以EPO一阶微分模型去除水分效果最好,决定系数R2由0.71提高到0.83,RPD由1.49提高到2.04,RMSE由2.17 g·kg-1降低至1.58 g·kg-1,MAPE由0.20降低至0.14。本研究实现了去除土壤水分因素的影响,提高了田间原位光谱预测土壤有机质的精度,为南疆棉田大尺度土壤有机质的预测及土壤肥力的评价提供了重要的参考。     

基于堆栈压缩自编码的近红外光谱药品鉴别方法

由于近红外光谱在药品鉴别应用中具有分析速度快、样品无损、可现场检测等突出优点，目前已在众多领域中广泛应用。但近红外光谱存在信噪比低，吸收强度弱且谱峰重叠等缺点，无法从光谱中直接得到定性/定量的物质信息，因而近红外光谱分析技术常作为一种间接分析技术，并且光谱的化学计量学建模方法成为近红外光谱分析的核心内容。深度学习是机器学习的一个新的分支，并已经成功运用于多个领域。深度学习的网络结构和非线性的激活能力，使其模型特别适合高维、非线性的大规模数据建模。为进一步丰富近红外光谱建模方法，并提高近红外光谱分析技术的回归精度或分类准确率，将深度学习方法应用于近红外光谱分析，发展新的建模方法十分必要。面向近红外光谱定性分析技术，提出一种基于堆栈压缩自编码网络(SCAE)光谱定性分析方法，并应用于多类别药品的光谱分析，以区分或鉴别不同厂家生产的同种药品。压缩自编码网络(CAE)以自编码网络(AE)为基础，进一步加入雅克比矩阵作为约束项。自编码网络最初是用实现数据降维，以学习数据内部特征，而雅克比矩阵包含数据在各个方向上的信息，将其作为AE的约束项则可使提取到的特征对输入数据在一定程度下的扰动具有不变性，从而提高AE提取特征的能力。SCAE是一种由多层CAE构成的神经网络。前一层CAE的隐藏层作为后一层CAE的输入层，网络的全部参数是通过采用逐层贪婪的训练方式来获取的，训练结束后将所有网络视为一个整体，通过反向传播算法进行微调，最后使用Logistic/Softmax分类器进行定性分析。实验数据均为中国食品药品检定研究院采集，以头孢克肟胶囊作为二分类实验数据，硝酸异山梨酯片作为多分类实验数据。通过Bruker Matrix光谱仪测定每个样本在不同波长下的吸光度值得到其光谱曲线，再通过OPUS软件消除漂移等因素对光谱样本之间产生的偏差。接下来通过实验确定约束项雅克比矩阵的系数λ为0.003之后建立模型。建模过程分为五个阶段，分别为： 预处理阶段，预训练阶段，微调阶段，测试阶段和对比阶段。为了验证SCAE在分类准确性、算法稳定性和建模时间等方面的性能，与BP神经网络、SVM算法、稀疏自编码(SAE)和降噪自编码(DAE)开展对比实验研究。分类准确性方面，在不同的训练集与测试集的比例下，SCAE均有最佳的分类准确性与算法稳定性。建模时间方面，由于SVM算法不需要预训练和特征提取，所以运行时间方面比其他算法有大的优势，但是SCAE建模速度优于除SVM之外的其他对比算法。综合而言，使用SCAE进行药品鉴别有效可行。     

便携式近红外光谱仪测定苹果酸度和抗坏血酸的研究

应用便携式近红外光谱分析仪对6种苹果进行无损检测,运用Kernel Isomap结合广义回归神经网络的方法分别建立苹果酸度和抗坏血酸定量分析模型.结果表明:采用Kernel Isomap方法能够使模型具有良好的预测能力.苹果酸度模型校正集相关系数Rc=0.9994,预测集相关系数Rp=0.979 9,RMSEP=0.0...     

畜禽肉化学成分近红外光谱检测技术研究进展

和传统的肉品化学成分检测方法相比,近红外光谱分析是一种能够快速、简单、安全和可同时测定多种化学成分的肉品检测方法。论述了近年来猪、鸡、牛、羊四种动物肉中粗蛋白质、肌间脂肪、脂肪酸、水分、灰分、肌红蛋白和胶原蛋白七种化学成分的近红外光谱分析检测研究进展,并探讨了目前研究中存在的问题及其原因。从已发表的研究结果可以看出,近红外光谱分析具有替代耗时成本高的现有肉品化学检测方法的巨大潜力,特别是用于商业上同步检测多种化学成分。研究大多采用主成分分析法进行特征光谱筛选,偏最小二乘和修正偏最小二乘法建立校正模型,交互验证进行预测结果评价。目前研究热点集中在肉中脂肪酸含量预测模型和应用近红外高光谱图像和多元回归预测肉中化学成分。近红外光谱预测结果差异性较大,这与样品集选择、光谱预处理和建模方法都有很密切的关系。样品选择对近红外预测精度具有重要的意义,非均质肉样影响了近红外化学成分预测精度。总的来说,肌间脂肪、脂肪酸与水分指标预测效果较好,粗蛋白质和肌红蛋白指标预测效果次之,灰分和胶原蛋白指标预测结果较差。     

一种广义噪声聚类的红外光谱茶叶品种鉴别研究

茶叶品种鉴别在茶叶的生产和销售中起着十分重要的作用。深入研究一种方法简单、易于操作、检测速度快的茶叶品种的鉴别方法,对于茶叶产品品种的鉴别有着十分重要的意义。利用红外光谱检测技术结合模糊聚类算法对茶叶品种进行快速鉴别是茶叶品种检测中最有效的和最实用的技术之一。为实现茶叶品种的快速分类,以快速广义噪声聚类(FGNC)为基础,提出一种新的广义噪声聚类(NGNC)。NGNC将FGNC目标函数中的欧式距离的平方扩展为欧式距离的p次方,提高了FGNC的聚类准确率。试验以优质乐山竹叶青、劣质乐山竹叶青和峨眉山毛峰三种茶叶为研究对象,采用FTIR-7600型傅里叶红外光谱仪检测茶叶样本的红外漫反射光谱。首先用主成分分析(PCA)对茶叶的高维红外光谱进行降维处理,然后用线性判别分析(LDA)进行茶叶光谱数据的品种类别信息的提取,最后分别运行FGNC和NGNC两种聚类算法进行茶叶红外光谱的聚类分析。实验结果表明,同FGNC相比较,NGNC具有更高的聚类准确率,更快的收敛速度和更逼近真实的聚类中心。总体而言,采用红外光谱技术检测茶叶样本,同时结合PCA,LDA和NGNC可实现快速、准确地聚类茶叶的红外光谱,能有效地实现茶叶品种的鉴别分析,为实现基于红外光谱和模糊聚类的茶叶品种鉴别分析提供了一种新方法和新思路。     

Rapid measurements of hydrogen cyanide concentration in combustion gas via terahertz spectroscopy

The development of a real-time measurement system to determine the concentrations of combustion gases mixed with smoke particles in fire environments is an essential technical issue in the fire safety field. In this study, the absorption line for the J = 8–7 rotational transition at 708.9 GHz of hydrogen cyanide (HCN) produced by the combustion of silk is rapidly measured in a 1 m cell during repeat scans (seven times a minute) via terahertz spectroscopy. The obtained time profile of HCN concentrations agrees well with the time profile obtained via Fourier transform infrared (FT-IR) spectroscopy. The maximum concentrations derived via terahertz spectroscopy are consistent with those derived via FT-IR within an accuracy of 10%. The minimum sensitivity of HCN is 100 ppm as detected via terahertz spectroscopy. The repetition rate, the accuracy, and the sensitivity for the scans demonstrate the potential of terahertz spectroscopy to rapidly diagnose combustion gas flow concentrations in fire environments.