人工神经网络法测定五组分红外光谱体系

介绍了人工神经网络在非线性多组分校准中的应用,所用三层神经网络由反向传播算法来训练。采用大量模拟数据训练神经网络,得到了一系列优化参数,选择红外谱图严重重叠的五种大气有机毒物作为多组分体系,相对标准误差（ＲＳＤ％）、百分标准预测误差（ＳＥＰ％）和百分标准误差（ＳＥＣ％）被用于衡量神经网络的性能。     

Simultaneous Determination of Multicomponents in Air Toxic Organic Compounds with Partial Least-Squares Method Using FTIR Spectroscopy

The multicomponent analysis with Partial Least-Squares Method (PLS) using FTIR spectroscopy has been studied in this paper. In order to ensure the reliability of the prediction results, a criterion SO and SA is created in the PLS algorithm to conclude the similarity between the prediction samples and the calibration ones. An example for the simultaneous determination of Ethylbenzene, Styrene, o-Xylene, m-Xylene and p-Xylene is supplied. The experimental designs of the both the calibration and prediction samples are discussed as well as the significant factor number. With proper multivariate calibration conditions, the average mean relative error (MRE %) is 0.25 % and the average relative standard deviations (RSD%) for Ethylbenzene, Styrene, o-Xylene, m-Xylene and p-Xylene are 0.19, 0.15, 0.06, 0.44 and 0.13 %, respectively.

     

基于高光谱成像的苹果多品质参数同时检测

利用高光谱空间散射曲线的3个洛伦兹拟合参数对苹果的品质(硬度、可溶性固溶物含量)进行同时检测。采用偏最小二乘,逐步多元线性回归和BP神经网络3种方法,对归一化处理和未归一化处理的3个洛伦兹参数组合分别建立苹果品质的预测模型。结果表明:采用偏最小二乘法对未归一化处理参数的组合建立硬度的预测模型其预测结果最好,校正组相关系数Rc=0.93,校正标准差SEC=0.56,验证组相关系数Rv=0.84,验证标准差SEV=0.94。采用偏最小二乘法对归一化处理参数的组合建立可溶性固形物的预测模型其预测结果最好,Rc=0.95,SEC=0.29,Rv=0.83,SEV=0.63。研究结果表明:利用高光谱空间散射曲线的多拟合参数组合可以同时检测苹果的多品质参数。     

可见/近红外光谱法无损检测赣南脐橙可溶性固形物

应用可见/近红外光谱法对赣南脐橙可溶性固形物进行了无损检测研究。通过主成分分析,获取光谱的有效信息,将其作为人工神经网络的输入变量进行非线性建模。90个建模样品训练结果是,样品参考值与预测值之间的相关系数为0.9147,训练均方差为0.5203;38个未知样品预测结果是:样品参考值与预测值之间的相关系数为0.9033,预测均方差为0.6964,相对预测偏差4.5709%。实验结果表明基于人工神经网络的可见/近红外光谱法无损检测赣南脐橙可溶性固形物是可行的。     

反刍动物精料补充料中肉骨粉快速检测近红外光谱法

为探讨利用近红外漫反射光谱技术快速定量分析反刍动物精料补充料中肉骨粉含量的可行性,收集了我国常用的、具有代表性的精料补充料225个和肉骨粉75个,按照不同的肉骨粉含量（0.5%～ 35%）制备样品225个,其中135个为定标集,90个作为独立的验证集。用光栅型近红外光谱仪进行光谱扫描,选择合适的光谱预处理方法和光谱范围,采用改善的偏最小二乘法（MPLS）建立了定量分析 模型,相关系数为0.979,标准差为1.522%,交互验证标准差为1.582%。用90个独立的验证样品对所建立的定量分析模型进行验证,相关系数为0.972,预测标准差为1.764%,RPD值为5.99。结果表明 利用近红外反射光谱法可以分析精补料中肉骨粉的含量,对于丰富我国动物源性饲料的快速检测手段,具有实际应用意义。     

可见光/近红外光谱技术快速测定橙汁柠檬酸含量

为了快速无损测定橙汁的柠檬酸含量,提出了一种用可见光/近红外光谱技术进行检测的新方法。选用高效液相色谱法作为光谱柠檬酸测定的标定方法。采用平滑点数为5的移动平滑法对原始光谱进行预处理消除噪声。由于采集的光谱数据量非常大,为了减少建模时间,建模之前采用小波变换对经过预处理的大量光谱数据进行降维压缩,并在Matlab7.01中通过自编程序实现此变换。利用光谱专用分析软件Unscrambler 9.5,对压缩后的新变量进行分析,建立偏最小二乘(PLS)校正模型。考虑到不同小波基及分解尺度对数据压缩的影响,采用预测平方和PRESS值最小的评价标准,选择最佳的小波基Db4及分解尺度5。用于本实验的样本总数为40,其中30个样本进行建模,10个用于预测。用校正集相关系数(r)和标准偏差(SEC)作为校正模型的评价指标,预测结果采用预测相关系数(r)和预测标准偏差(SEP)来评定。文章将基于小波变换的PLS模型与直接建立的PLS模型进行了比较,偏最小二乘法结合小波变换的模型预测相关系数为r=0.901, 预测标准偏差SEP=0.937;而由PLS建立的模型其预测相关系数r=0.849,预测标准偏差SEP=1.662。由此可见,由偏最小二乘法结合小波变换所得模型效果优于单独使用偏最小二乘法的结果。     

可见-近红外光谱的小麦硬度预测模型预处理方法的研究

硬度是评价小麦品质的一个重要质量参数,对小麦的分类、最终用途以及小麦籽粒组成的研究都非常重要。为实现小麦硬度的快速、准确检测,在详细分析小麦籽粒成分对红外光吸收特性的基础上,研究建立径向基函数(RBF)神经网络模型实现对未知样品硬度的准确检测,并着重分析了不同光谱信号预处理方法对模型预测精度的影响。从各小麦主产区收集111个小麦样品,扫描样品获得可见-近红外光谱,采用马氏距离判断并剔除异常光谱;利用优化后的SPXY划分样品集合,得到校正集84个样品,预测集24个样品;利用连续投影算法(SPA)从262个光谱波点中提取47个特征光谱;分别使用一阶导数、二阶导数和标准正态变量变换(SNV)及其不同组合对光谱进行预处理,验证不同预处理方法之间的相互影响,寻找最优的预处理方法组合。校正集预处理后的特征光谱数据作为RBF模型的输入,采用硬度指数法测定的对应样品硬度作为输出建立模型。预测结果显示当采用SNV和SPA处理光谱数据时模型的效果达到最优,评价指标判别系数(R2)、预测标准差(SEP)和相对分析误差(RPD)可分别达到0.90, 3.02和3.11,表明基于可见-近红外光谱的RBF神经网络模型能够准确地预测小麦的硬度,与传统检测方法相比具有方便、快速、无损等优点,为小麦硬度的检测提供一条更为便捷与实用的方法。     

近红外光谱法的甜菜糖度快速测定

为了实现甜菜依据含糖量定等分级,甜菜收购环节的按质论价,促进甜菜制糖行业的良好健康发展,应用近红外光谱技术对甜菜糖度的快速检测进行了系统研究,确定了一种快速、无损、准确的测量甜菜糖度的方法。采集具有代表性的28个甜菜品种,820个甜菜样品作为校正集,70个样品作为预测集,扫描得到甜菜校正集样品的近红外原始光谱,选择合适的光谱预处理方法,采用偏最小二乘法建立甜菜糖度的定量预测数学模型,以校正模型的内部交互验证均方根误差(RMSECV)、决定系数(R2)和外部预测标准误差(SEP)为指标对模型的性能进行评价,并对模型的预测效果进行了比较。采用一阶导数和标准正态变量变换对光谱进行预处理并结合偏最小二乘法所建立的定量预测数学模型的预测能力较好。甜菜糖度定量校正数学模型的模型决定系数为0.908 3,内部交互验证预测均方根误差为0.376 7。用此数学模型对预测集70个样品进行预测,预测值与实测值的相关系数达到0.921 4,预测标准误差为0.439,预测值和实测值之间不存在显著性差异(p＞0.05)。结果表明：近红外光谱法作为一种简单、快速、无损、环保的检测方法,能够良好的评价甜菜的糖度。建立的模型具有很高的精确性,可以满足甜菜糖含量测定的需要,该方法可以实现甜菜收购环节的定等分级和按质论价。     

红外光谱法与荧光光谱成像技术结合神经网络对正毛化橘红的快速鉴别

为探究一种快速、可靠的化橘红检测方法,本实验分别采用傅里叶变换衰减全反射红外光谱法和荧光光谱成像技术结合多层感知器(MLP)神经网络所构建的模式识别方法,对化橘红进行鉴别,并对两种方法进行了比较。实验以81个正毛化橘红,37个其他品种橘红共118个样品为研究对象,采集所有样品的红外光谱和荧光光谱图像。根据光谱曲线中不同样品间的差异,取红外光谱中550-1800 cm-1区段范围内的光谱数据和荧光光谱曲线中的400～720 nm区段的光谱数据进行分析,应用主成分分析法(PCA)对化橘红的光谱数据进行降维处理,再结合MLP神经网络对化橘红样品进行判别分析。实验中分别使用多元散射校正(MSC)、标准正态变量校正(SNV)、一阶导(FD)、二阶导(SD)以及Savitzky-Golay(SG)平滑数据预处理方法,并比较他们对鉴别模型的影响。分析结果表明：利用红外光谱法(FTIR/ATR),经由Savitzky-Golay(SG)平滑预处理得到的数据,通过隐层函数为sigmoid的三层MLP模型,能够得到最优正毛化橘红识别率,其结果训练集和测试集的识别率都为100%;利用荧光光谱成像技术,由多元散射(MSC)预处理的结果是最理想的。经过预处理的数据,通过隐层函数为sigmoid函数的三层MLP模型,训练集识别率达到100%,测试集识别率达到96.7%。由此可见,衰减全反射红外光谱法(FTIR/ATR)和荧光光谱成像技术分别与MLP神经网络构建的识别模式,均可对化橘红的判别达到快速、可靠的效果。     

深度神经网络在红外光谱定量分析VOCs中的应用

鉴于浅层人工神经网络(ANN)需要依靠先验知识进行人工提取特征,同时较浅的网络结构限制了神经网络学习复杂非线性关系的能力,将深度神经网络(DNN)应用于利用傅里叶变换红外光谱(FTIR)对多组分易挥发性有机物(VOCs)进行的浓度反演研究,并利用仿真实验验证了算法的有效性。从美国环境保护署(EPA)的数据库中选取了包括苯、甲苯、 1,3-丁二烯、乙苯、苯乙烯、邻二甲苯、间二甲苯、对二甲苯在内的八种VOCs气体在8~12μm波长范围内的吸光度谱,每种气体有四种不同浓度下的谱线,依据Beer-Lambert定律从每种VOCs气体中选择一种浓度下的吸光度谱进行混合,得到65 536种不同的VOCs混合气体吸光度谱样本。随机选择5 000组混合气体的吸光度谱,其中4 000组作为训练样本, 1 000组作为预测样本。通过积分提取和主成分提取对光谱矩阵进行降维预处理,将光谱维度从3 457维降到30维。将光谱矩阵经过预处理后得到的新矩阵作为网络输入,对应八种VOCs的浓度矩阵作为输出,建立了30-25-15-10-8的深度神经网络回归预测模型来实现多组分VOCs浓度反演,反演得到样本的均方根误差为0.002 7×10-6,相比于前人利用非线性偏最小二乘拟合、人工神经网络等方法拟合的精度有了明显的提高。每种VOCs气体的均方根误差均不超过0.005×10-6,每个样本的均方根误差均不超过0.006×10-6,证明了深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性。当训练样本不足(典型值:小于500)时,深度神经网络无法充分地学习,网络误差较大,精度低于单隐藏层的人工神经网络,但随着训练样本数量的增加,深度神经网络的精度不断提高,当训练样本数充足时,相比浅层的人工神经网络,深度神经网络具有更强的非线性关系学习能力,预测精度更高,模型更为稳定。同时,由于训练前对光谱矩阵进行了降维处理,大大降低了算法的复杂度,有效提高了反演效率。分析表明,深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性,无需人工提取特征就能够充分学习数据特征,同时对多组分VOCs进行浓度反演并达到较高精度。     

Effect of self-absorption correction on LIBS measurements by calibration curve and artificial neural network

In this paper, laser-induced breakdown spectroscopy (LIBS) technique is used for concentration prediction of six elements of Mn, Si, Cu, Fe, Zn, and Mg in seven Al samples by two approaches of artificial neural network (ANN) and standard calibration curve. ANN is utilized as a new technique for determination and classification of various materials and elements in LIBS method. In this study, a few spectra of six aluminum standards with known concentrations are used for training of ANN. It should be noted that the mentioned network is not on trial and error basis, but it is a self-organized network. Calibration curve method, which is implemented in represented paper, determines certain relation between concentration and intensity. Then, the calibration curve and ANN methods obtained by six samples are used for prediction of the elements of the seventh standard sample in order to check the accuracy of these methods and make a comparison. In both approaches, a self-absorption correction is applied for high concentrations species and an improvement in prediction of two methods is seen. Results illustrate that at high concentrations except for Si, ANN shows a better prediction with a lower relative error compared to calibration curve approach after self-absorption correction. Primitive study without any self-absorption correction shows that ANN and calibration curve predictions with the best result are related to Fe with R ² = 0.99 % having the minimum errors.     

Interpretation of FTIR Spectra by Principal Components–Artificial Neural Networks

In order to improve the training speed and increase the predictive ability of artificial neural networks, principal component analysis (PCA) and partial least squares (PLS) were introduced to compress the original data. The principal components (PCs) of FTIR spectroscopic data matrix were obtained by PCA and PLS methods respectively, which were used as the inputs of neural networks. Results indicated that improvement was achieved in three aspects when the PCs instead of the original data were input to the networks. First, iterations were distinctly decreased from 8000 to less than 10. Second, computation time was shortened from 34.95 s to less than 1 s. Third, standard error of prediction (%SEP), mean relative error (MRE), and the root mean square error of prediction (RMSEP) decreased by 35% for the singular value decomposition–artificial neural network (SVD‐ANN) and 80% for the nonlinear iterative partial least squares–ANN (NIPALS‐ANN) or so, which means that the predictive ability was improved significantly. In addition, F‐test was introduced to compare the performance of PCA and PLS for compression of original data, and it was shown that the latter model was more efficient. The presented methodologies of variable selection provide a simple and rapid technique for ANN to interpret FTIR spectra accurately and are advantageous to the widespread use of artificial neural networks.     

基于BP神经网络和激光诱导击穿光谱的燃煤热值快速测量方法研究

作为煤质评价的重要指标之一,热值的快速、准确测量对电厂燃煤锅炉的优化燃烧和经济运行至关重要。采用激光诱导击穿光谱(LIBS)技术结合BP神经网络定量分析模型和聚类分析,以35个煤粉样品作为研究对象进行热值的定量分析。基体效应对LIBS光谱数据的显著影响,针对基于某类煤粉样品所建立的定标曲线不能直接用于不同煤种的定量分析,采用K-means聚类方法根据热值、灰分、挥发分把样品分为三类对训练集和预测集样品进行优化选择。通过谱线强度和热值变量相关性分析,同时考虑特征谱线的物理意义,最终提取12条元素谱线的峰值强度作为输入参数,建立BP神经网络模型对燃煤热值进行预测。定标结果表明,建立的神经网络模型具有良好的定量分析能力,定标曲线拟合度R2为0.996,热值预测值的相对误差低于3.42%,多次重复测量的相对标准偏差在4.23%以内。对聚类分析中3类样品具有不同的预测能力,采用峰值强度作为输入参数时,能够在一定程度上减弱试验参数波动和基体效应造成的影响。定量分析结果的重复性和准确性可以通过对不同类别的煤种分别建立BP神经网络模型来进一步改善。LIBS技术结合BP神经网络可以对煤粉热值进行定量分析,在现场在线/快速检测领域具有很好的应用价值和潜力。     

黄酒糖度预测的可见-近红外光谱方法研究

提出了用可见近红外光谱结合不同化学计量学方法预测黄酒糖度的新方法。用240个黄酒样本建模,60个样本进行预测。通过对光谱数据进行平滑、变量标准化及一阶导数等预处理,建立并比较了偏最小二乘法,小波变换与偏最小二乘法相结合,主成分分析与人工神经网络相结合以及主成分分析与最小二乘支持向量机相结合四种不同建模方法的预测精度,以相关系数r、预测标准差、偏差等为评判标准,得到黄酒糖度预测的最优模型为最小二乘支持向量机模型。该模型对黄酒糖度预测的相关系数为0.962、预测标准差为0.021、偏差为-0.001,获得了理想的预测精度。结果表明应用可见近红外光谱对黄酒糖度进行预测是可行的,且最小二乘支持向量机模型能得到最优的预测结果。     

多种红外光谱校正法的两面针产地鉴别研究

由于红外光谱数据采集受仪器状态和实验环境的制约,影响对样品的正确识别。基于傅里叶变换红外光谱(FTIR)技术,用多种方法对两面针的红外光谱数据进行校正后,利用SIMCA法建立鉴别模型;分别对广西区内四个产地的两面针进行鉴别,通过比较分析以获得最适合建立两面针产地鉴别模型的光谱数据校正方法。结果显示,经多元散射校正和标准正态变换后,它们的PCA数据分布,以及产地分类模型之间的距离,都表明这两种校正方法在消除环境和人为因素的干扰的同时,能够很好的分离各个产地的样本,在对实际的样本识别中,其识别率和拒绝率均达到或接近100%。可见,多元散射校正和标准正态变换,均是两面针产地模型鉴别研究的理想校正方法。     

人工神经网络法对多组分大气污染物的同时监测

用 18 7 8的反向传播人工神经网络 (BP ANN)模型 ,对FTIR光谱图存在着严重混叠干扰的八种有毒易挥发有机化合物 (VOCs)组成的大气污染物进行了同时定量测定 ,得到了各污染物的浓度。所测定的八种VOCs为苯乙酮 ,苯酚 ,三氯甲苯 ,1,3丁二烯 ,氯苯 ,甲醇 ,三氯代乙烷和二氯甲烷。用标准预测误差 (%SEP) ,平均预测误差 (MPE)和平均相对误差 (MRE)来评价其预测能力。结果表明 ,本方法对多组分大气污染物定量分析 ,能够得到较为满意的结果。     

近红外漫反射光谱法对益母草颗粒的定量和定性分析

利用近红外光谱结合偏最小二乘法建立了快速测定益母草颗粒的盐酸水苏碱的定量分析模型,模型的决定系数为0.9622,内部交叉验证均方差为0.0576;然后用10个预测集样本对模型的性能进行验证,决定系数为0.9495,预测集标准偏差为0.0547,相对分析误差为4.45,表明该方法能应用于生产实践。最后选取样品的近红外光谱的6502.8—3999.6cm-1波段建立9个厂家的益母草颗粒聚类分析模型,结果不同厂家的样品能很好地进行分类,然后使用预测集样品对该模型进行检验,结果表明该方法准确快速。     

基于内标法和CARS变量优选的倍硫磷含量LIBS检测

利用共线双脉冲激光诱导击穿光谱（LIBS）技术对溶液中的倍硫磷含量进行定量检测研究。采用石墨对倍硫磷溶液进行富集,利用双通道高精度光谱仪获取样品的LIBS光谱。以碳元素谱线（CⅠ247.856 nm）为内标对210~260 nm波段谱线进行校正,然后利用竞争性自适应重加权算法（CARS）筛选与倍硫磷相关的重要波长变量,最后应用最小二乘支持向量机（LSSVM）建立倍硫磷含量的定标模型,并与基本定标法及内标法建立的单变量定标模型进行比较。研究结果表明,共线双脉冲LIBS技术可以用于溶液中的倍硫磷含量检测。基本定标法建立的最优定标模型的拟合度R²为0.935 04,预测集样品的平均预测相对误差（PRE）为41.50%;内标法建立的最优单变量定标模型的拟合度R²为0.993 61,预测集样品的平均PRE为14.91%;内标-CARS-LSSVM定标模型的拟合度R²为0.998 6,预测集样品的平均PRE为8.06%。对比上述3类定标模型,内标-CARS-LSSVM定标模型性能最优,内标法建立的定标模型次之,而基本定标法建立的定标模型最差。由此可知,CARS方法可以有效筛选倍硫磷相关的重要变量,内标法结合CARS及LSSVM方法可以改善定标模型性能,提高预测精度。     

近红外光纤光谱技术检测西红柿果浆总酸及可溶性糖的研究

为了探索一种简捷、快速、高效的西红柿品质检测方法,应用近红外光谱技术与光纤传感技术相结合的新方法,快速测量西红柿果浆样品中营养成分的含量。实验所用的主要仪器为近红外光纤光谱仪,波长范围为900～2 500 nm。以164个西红柿样品为标准样品,进行了光谱采集及相应的化学值测定。实验数据采用偏最小二乘法(PLS)进行回归,建立西红柿果浆中总酸及可溶性糖含量的数学模型,并对回归方法进行统计分析。结果为：西红柿果浆中总酸验证集的决定系数(R2)为0.967,均方根误差(RMSEC)为0.133,预测均方根误差(RMSEP)为0.103;总糖验证集的决定系数(R2)为0.976,均方根误差(RMSEC)为0.463,预测均方根误差(RMSEP)为0.460。均达到了较好的预测结果,表明该方法对定量分析西红柿果浆中多组分含量是可行的。基于该方法快速、简便及可对同一样品多组分含量同时分析的优点,它是一种极具发展前途的传感器,正在逐渐成为国际传感器领域的研究热点。     

Elimination of Interferents Influence in Simultaneous Determination of Organic Gases Using PLS with FTIR Spectroscopy∗

Abstract

The most serious problem in multivariate calibration analysis is that the prediction samples may contain the interferents which are not modeled in the calibration step. Then how to detect the interferents and eliminate their influence is significantly important in order to obtain the correct compositional analysis results. The so-called residual spectra library search is supplied and an iterative loop regression algorithm to successfully correct the spectrum containing two interferents is developed in this paper. Three groups of which each sample contains no, one or two interferents are supplied to amplify the above method. The mean relative standard deviation (RSD) for the three groups are 0.163, 0.375, 0.355%, respectively. There are no comparable difference among these RSDs, which proves the validation of the method provided in this paper. The results specify that PLS with FTIR spectroscopy is a powerful tool to resolve both the multicomponent simultaneous determination and the identification of interferents when combined with additional diagnostic and corrected procedure.