加权SPXYE(WSPXYE)算法及其在近红外光谱模型转移中的应用

样本选择是模型转移的重要组成部分,其目的是在主光谱和从光谱中选择合适的样本,建立二者的转移模型,使得从光谱的预测样本能通过转移模型校正成类似于主光谱的样本,进而用主光谱的模型直接预测其浓度。目前,常用的样本选择算法有：Kennard-Stone 法 (KS法), SPXY法和SPXYE法。根据上述算法的特点,提出了一种新的样本选择方法：加权SPXYE法(WSPXYE法),进而将其用于选择合适的转移集样本。WSPXYE同样先计算样本间的距离,其距离有三个部分组成：光谱(X)之间的归一化距离d_xs,浓度(y)之间的归一化距离d_ys,以及校正误差(e)之间的归一化距离d_es。其加权代数和d_wspxye=αd_xs+βd_ys+(1-α-β)d_es即为WSPXYE距离。计算了WSPXYE距离之后,可以根据其距离选择距离较大的样本作为转移集样本。WSPXYE是Kennard-Stone法(KS法), SPXY法和SPXYE法的推广,而KS法（α=1,β=0）、SPXY法（α=0.5,β=0.5）以及SPXYE法（α=0.333,β=0.333）则是WSPXYE法的特例。直接校正法（DS）、有信息成分提取-典型相关分析法(CCA-ICE)作为模型转移算法验证了WSPXYE方法的效果。结果显示,与KS法、SPXY法以及SPXYE法相比,WSPXYE法可以通过调节参数,选择合适的样本,获得较低的误差。     

加权SPXYE(WSPXYE)算法及其在近红外光谱模型转移中的应用（英文）

样本选择是模型转移的重要组成部分,其目的是在主光谱和从光谱中选择合适的样本,建立二者的转移模型,使得从光谱的预测样本能通过转移模型校正成类似于主光谱的样本,进而用主光谱的模型直接预测其浓度。目前,常用的样本选择算法有:Kennard-Stone法(KS法), SPXY法和SPXYE法。根据上述算法的特点,提出了一种新的样本选择方法:加权SPXYE法(WSPXYE法),进而将其用于选择合适的转移集样本。WSPXYE同样先计算样本间的距离,其距离有三个部分组成:光谱(X)之间的归一化距离d_(xs),浓度(y)之间的归一化距离d_(ys),以及校正误差(e)之间的归一化距离d_(es)。其加权代数和d_(wspxye)=αd_(xs)+βd_(ys)+(1-α-β)d_(es)即为WSPXYE距离。计算了WSPXYE距离之后,可以根据其距离选择距离较大的样本作为转移集样本。WSPXYE是Kennard-Stone法(KS法), SPXY法和SPXYE法的推广,而KS法(α=1,β=0)、 SPXY法(α=0.5,β=0.5)以及SPXYE法(α=0.333,β=0.333)则是WSPXYE法的特例。直接校正法(DS)、有信息成分提取-典型相关分析法(CCA-ICE)作为模型转移算法验证了WSPXYE方法的效果。结果显示,与KS法、 SPXY法以及SPXYE法相比, WSPXYE法可以通过调节参数,选择合适的样本,获得较低的误差。     

结合光谱变换和Kennard-Stone算法的水稻土全氮光谱估算模型校正集构建策略研究

土壤组分光谱估算过程中校正样本集的构建会影响模型的预测精度。当前结合反射光谱和Kennard-Stone (KS)算法的校正样本集构建策略忽视了土壤反射光谱是土壤属性的综合反映,构建的样本集通常无法很好地代表目标土壤组分的变异。光谱变换方法可以突出目标组分的光谱特征,为此,本文以湖北省江汉平原滨湖地区水稻土为研究对象,结合包括一阶微分(FD)、Savitzky-Golay(SG)、Haar小波变换、标准正态变量变换(SNV)和多元散射校正(MSC)在内的光谱变换方法和KS算法进行校正样本集建构,通过对比不同样本集构建策略对使用偏最小二乘回归(PLSR)建立的土壤全氮含量光谱估算模型预测精度的影响,研究光谱变换是否有助于提高基于KS算法构建的校正样本集的代表性。结果表明：不同光谱变换会影响校正样本集的构建。反射光谱经过SG或Haar小波变换后,再使用KS算法构建校正样本集与直接基于反射光谱使用KS算法构建的校正样本集相同,建立的估算模型精度不变,相对分析误差(RPD)分别为1.41和1.27。结合FD,SNV或MSC变换和KS算法构建的校正集与基于反射光谱使用KS算法构建的校正集不同,建立的估算模型RPD分别从0.95,1.48和1.42提高到1.13、1.78和2.20。研究表明SNV和MSC等光谱变换方法可以提高基于KS算法构建的校正样本集的代表性,并可有效提高模型预测精度。     

深度自编码器的近红外光谱转移研究

近红外光谱分析中多变量校准模型的建立依赖于校准建模的光谱样本。然而,近红外光谱测量环境的变化会导致同一被测物的光谱样本的偏移。为了削减光谱偏移后重新建立校准模型的成本,提出一种基于深度自编码器(DAE)的非线性光谱转移方法,以端到端的形式实现不同测量环境之间的光谱转移,避免已有的线性光谱转移方法在非线性偏移光谱时效果不佳的情况。该方法在操作前不需要对光谱进行预处理和特征提取等操作,可以实现原始光谱之间的转移,是首个端到端的非线性光谱转移方法。为了实现光谱空间的有效转移,设计了一种基于条件概率和参数最大似然法的误差函数惩罚项,结合梯度反向传播算法优化深度自编码的网络参数。为了验证该方法的有效性,引入两个公共的近红外光谱数据集,分别是药片数据集和玉米数据集。利用本方法进行光谱转移的过程主要有:根据Kennard-Stone(KS)算法分别将两个数据集划分为校准集、验证集和测试集;用校准集中的光谱样本输入深度自编码器,根据设计的误差函数求出误差,并用反向传播法迭代训练网络参数,直至模型最优;将预测集样本输入训练好的DAE转移模型,可以发现转移后的光谱与相应的目标光谱谱线基本重合,这说明该设计的转移模型的有效性。最后,为了进一步验证本方法的优越性,将该方法与经典的线性转移算法光谱空间变换(SST)和分段直接标准化(PDS)进行比较。这三种算法得到的转移光谱分别作为测试样本,输入已建立的偏最小二乘(PLS)多变量校准模型,通过比较预测均方根误差(RMSEP),可以发现该方法在多变量校准模型中的预测结果的均方根误差均小于SST和PDS,分别提高了5.7%和10.1%,表明由非线性深度自编码器转移的光谱样本具有高效和实用的特点。     

校正集选择方法对于积雪草总苷中积雪草苷NIR定量模型的影响

近红外光谱定量分析中,采用合适的校正集选择方法是建立预测性能良好的近红外定量模型的关键技术之一。校正集选择方法有RS法、CS法、KS法和SPXY法等,但是对以上校正集选择方法缺乏系统地比较。本文以积雪草总苷中积雪草苷NIR定量模型为载体,对NIR定量模型的7个评价指标进行分类和筛选,比较了CS法、KS法和SPXY法三种校正集选择方法对NIR定量模型的准确性和稳健性两类评价指标的影响。结果表明,SPXY法与CS法、KS法选择校正集样本后所建近红外模型的RPD和RSEP两个准确性评价指标存在显著性差异,模型的稳健性评价指标RMSECV和|RMSEP-RMSEC|不存在显著性差异。因此,建立积雪草总苷近红外光谱的积雪草苷偏最小二乘定量模型时,SPXY校正集选择方法能显著提高该定量模型的预测准确度,但对模型稳健性的评价指标没有显著影响,以上结论为中药固体体系建立近红外定量模型确定校正集选择方法提供参考。     

高光谱反射率的滨海地区土壤全磷含量反演

反射光谱在近年来广泛应用于土壤属性的估算。作为一种有效估算土壤全磷含量的手段,反射光谱技术可以很大程度上减少传统化学测量方法所损耗的人力物力。以江苏滨海土壤为研究对象,在30个采样点采集了共147个土样,测量土壤样品光谱反射率及全磷含量。利用原始光谱反射率数据及6种不同的光谱变换结果,通过随机抽样（RS）、KS、SPXY三种样本集划分方法,基于偏最小二乘回归（PLSR）和支持向量机（SVM）方法分别建立土壤全磷含量的估算模型,对比分析了三种样本集划分方法对估算结果精度的影响。结果表明：（1）以原始光谱反射率为数据,PLSR模型,RS方法在多数情况下可以获得较为稳定的模型精度,明显优于KS和SPXY方法;在SVM模型中,采用SPXY方法获得的模型结果最优,KS次之,RS结果最差。（2）不同的样本集划分方法所合适的光谱变换方法不同,对于三种划分样本集方法,PLSR和SVM对应的最优光谱变换分别是对数的倒数和一阶导数（KS方法）,原始光谱和一阶导数（RS方法）,一阶导数和多元散射校正（SPXY方法）。其中采用KS方法划分样本集,PLSR和SVM均能获得最佳的预测结果。并非所有光谱变换方法都可以提高模型精度,部分光谱变换后PLSR模型预测精度显著降低;（3）在所有的样本集划分方法中,SVM的建模效果优于PLSR,采用RS方法划分样本集,PLSR的预测精度高于SVM,而采用KS和SPXY方法划分样本集,SVM的预测精度整体高于PLSR。综上所述,本研究区域估算土壤全磷含量的最佳模型是基于KS样本集划分方法和一阶导数光谱变换建立的SVM模型,此时拟合优度（R2_p）为0.82。结果表明反射光谱可以对滨海地区的土壤全磷含量进行有效预测,对土壤磷元素的高效快速反演具有一定的指导意义。     

近红外光谱的结球甘蓝可溶性糖含量测定

结球甘蓝是一种富含碳水化合物的常见蔬菜,可溶性糖含量是决定其品质的重要参数。可溶性糖易溶于水,是蔬菜和水果口味的有效调节剂。作为碳水化合物,可溶性糖由三种元素C,H和O组成,其分子吸收光谱主要由被检测材料的分子中C-H,O-H和CO等基团的组合频率吸收和倍频吸收组成,包含丰富的有机物信息。因此,采用近红外光谱和化学计量学方法,探索结球甘蓝可溶性糖含量的快速检测方法。用德国布鲁克公司的MATRIX-Ⅰ型傅里叶变换近红外光谱仪采集161份结球甘蓝样本光谱数据。波数范围：12 800～4 000 cm-1(780～2 500 nm)。蒽酮比色法测量样本的可溶性糖。综合应用马氏距离法(MD)和蒙特卡洛交叉验证法(MCCV)剔除异常样本,采用Kennard-Stone(K-S)法将样本按照给定比例划分为校正集和验证集。分别使用Savitzky-Golay卷积平滑(S-G),一阶导数(FD),二阶导数(SD),多元散射校正(MSC)和变量标准化(SNV)及它们的组合共12种方法对样本进行光谱预处理,获得最佳预处理方法,提高光谱数据的信噪比。采用竞争性自适应重加权采样法(CARS)筛选偏最小二乘回归(PLS)模型中回归系数绝对值大的波数点,去掉回归系数绝对值小的波数点,以有效选择与所测特性值相关的最优波数组合,获得具有良好鲁棒性和强预测能力的校正模型。使用模型决定系数R2、交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)作为模型精度评价指标。根据蒙特卡洛交叉验证法和马氏距离剔除异常样本的原理,共剔除10个光谱或者化学值异常的样本。最终参与建模分析的样本个数为151。异常样本剔除后,通过K-S法将样本按照3∶1被分成校正集(110个样本)和验证集(41个样本)。使用原始光谱数据,预处理后的光谱数据和对应于优选波数的光谱数据,建立PLS模型。结果表明,利用MSC+FD光谱预处理可以提高建模精度,校正集R2从处理前的0.68增长到0.93,MSC+FD是本研究中理想的光谱数据预处理方法。利用CARS法共优选了84个建模波数。在12 000~10 000 cm-1波数区域内,有O-H键2级和C-H键3级倍频伸缩振动吸收,此区域主要的背景信息为水和其他含氢基团,在此区域内共包含了36个选定的波数。在8 500~6 000 cm-1区域,存在糖类和水的O-H键的1级倍频伸缩振动吸收,葡萄糖的O-H键的1级倍频伸缩振动吸收,该区域是包含反映可溶性糖成分的主要光谱区间,背景影响较小,CARS方法在此区域共选择了15个建模波数。5 800~4 000 cm-1区域与12 000~10 000 cm-1区域相似,包含的选定波数多,CARS方法在此区域选择了33个建模波数。利用CARS对参与建模的波数进行优选,减少了无关信息,降低了模型的复杂度,选择的波数不但引入了表征待测组分的光谱,同时还引入了代表背景信息的光谱,使得校正模型适应性增强。建立了结球甘蓝可溶性糖的全谱PLS模型,根据CARS波数优选结果,建立了结球甘蓝可溶性糖的CARS-PLS模型。对于全谱PLS定量模型,校正集的决定系数R2为0.93,RMSECV为0.157 2%,RMSEP为0.132 8%。对于CARS-PLS模型,校正集的决定系数R2为0.96,RMSECV为0.076 8%,RMSEP为0.059 4%。数据表明,两种模型具有相当的R2,但CARS-PLS模型的RMSECV是全谱PLS模型的1/2。RMSEP也接近1/2,CARS-PLS模型比全谱PLS定量模型所用建模变量少,模型得到简化,精度更优。用CARS-PLS模型对验证集41个样本进行预测,预测集决定系数R2为0.86,预测标准误差为0.059 4%。提供了一种工作效率较高的结球甘蓝质量无损检测方法。     

双光谱区间遗传算法及其在模型转移中的应用

在近红外光谱分析中，将近红外光谱和浓度信息建立统计模型，通过光谱代入模型即可预测未知样本浓度。但是，检测条件的变化会导致光谱的改变，进而导致原有的模型不能准确预测光谱改变后的样本。对此，模型转移可以通过校正新测量的光谱（从光谱），使得从光谱能够被原有光谱（主光谱）建立的模型准确预测。模型转移可以使用全光谱进行校正，但是全光谱中往往包括噪声、背景等干扰信息，这些干扰会增加预测误差。故可以使用变量选择方法找出光谱中有化学意义的信息来模型转移。但是一般的变量选择算法只选择主光谱的区间，从光谱使用主光谱相同的波长区间模型转移。但是在实际工作中，主光谱和从光谱有化学意义的区间往往不一致，主从光谱使用同一区间模型转移会增加误差；此外，有时二者原光谱的波长范围并不一致，从主光谱选出的区间不能用于从光谱的校正。对此，提出了基于双光谱区间遗传算法（GA-IDS），同时选择主光谱和从光谱有化学意义的区间，进而实现模型转移。GA-IDS算法步骤包括，①随机产生种群；②分析种群中每条染色体，删去错误染色体；③根据每条染色体，找出其相应的主光谱和从光谱波段组合，并计算其模型转移后的验证均方根误差(RMSEV)；④按照概率，执行选择、交叉、变异操作。在一次迭代结束之后，返回到步骤②，重新执行纠错、计算RMSEV、选择、交叉、变异。达到停止迭代的要求后，将最低的RMSEV值所对应的染色体保存下来作为最优染色体，其所对应的主从光谱区间作为最优区间。用玉米、小麦两套数据测试了该算法，结果显示，与全光谱相比，GA-IDS选择的主从光谱区间可以显著地降低误差；与向后迭代区间选择法（IIBS）相比，在小样本情况下，GA-IDS的误差显著地小于IIBS方法。     

向后迭代区间选择算法及其在近红外光谱模型转移中的应用

近红外光谱（NIR）具有快速、无损、操作方便的特点,故广泛用于食品分析。作为一种间接的分析技术,NIR需要建立光谱与待测浓度之间的统计模型来实现检测。故模型的维护有助于保证NIR的预测准确性。在外界条件发生变化的情况下,诸如样品性状的改变、仪器对理化指标函数关系的变化、湿度和温度等环境因素的改变,会导致相同样品的光谱信号发生偏移,进而使得原有模型的预测精度下降。此时,如果重新建模,虽然可以解决光谱偏移对建模的影响,但是重新建模将耗费大量的人力物力。对此,模型转移可以在避免重新建模的情况下,校正光谱的偏移,进而提高模型预测精度。通常模型转移算法多用全光谱进行模型转移,这种方法计算量较大,且不能找到合适的有化学意义的波段。故提出一种基于模型转移中的变量选择方法：向后迭代区间选择法（IIBS）,通过计算主光谱（用于建模的那组光谱）和从光谱（发生偏移,需要通过模型转移算法将其校正的光谱）中,变量区间的重要性信息（回归系数（β）、残差向量（Res）以及变量重要性投影（VIP））。进而通过计算该区间变量重要性信息的几何平均数,并以此作为该区间的区间重要性指标。接着根据区间的重要性,删除重要性信息较小的变量区间。然后对主光谱和从光谱重复迭代上述过程：计算变量的重要性信息,计算区间的重要性信息,删除重要性信息较小的区间。最后,比较不同的主光谱和从光谱区间组合的验证均方根误差（RMSEV）,选择RMSEV最小的主光谱和从光谱区间作为最优区间。玉米、小麦两套NIR数据测试了该算法。结果显示,与全波段相比,β,Res以及VIP均可以从主光谱和从光谱中选择较少的,有化学意义的区间,提高模型转移的精度。在比较不同变量重要性向量方面,基于β的变量选择算法,模型转移的计算误差较小。     

基于近红外光谱和支持向量机的子宫内膜癌早期诊断研究

近红外光谱结合化学计量学方法对癌症的辅助诊断已有了文献报道.该文测定了77例不同生理阶段的子官内膜组织病理切片的近红外光谱,对其分别进行多元散射校正(MSC)、正交信号校正(OSC)以及二者联用的预处理方法,采用拉丁配分法选择3/4样本作为训练集,1/4样本作测试集,建立支持向量机(SVM)模型进行分类,并与基于同样预...     

小波变换的潮滩沉积物含水量预测

潮滩沉积物水分的分布在空间和时间上会有很大的变化,含水量的变化会导致沉积物中生源要素含量的变化。因此,实时、准确、快速的监测潮滩沉积物含水量,对了解潮滩的各种特性,掌握潮滩生源要素信息,潮滩资源的开发有着重要意义。采集青岛市东大洋村潮间带的沉积物115份,分别测定新鲜样品、风干4周、风干8周样品的可见近红外光谱和含水量。以db10小波基和sym6小波基对原始光谱进行小波变换,采用偏最小二乘回归建立潮滩沉积物含水量模型。通过10阶小波变换获取原始光谱的低频信息A_n和高频信息D_n(n=1, 2, …,10),通过原始光谱S分别与高频信息D_n做差值,得到S-D_n,对A_n,D_n和S-D_n建立潮滩沉积物含水量模型,并对模型结果进行分析。原始光谱建立模型的R2_p为0.841,RMSEP为2.767,RPD值为2.481。通过对db10小波基变换后的低频和高频信息分析,无用信息主要集中在D₃和D₄,去除D₃和D₄建立的含水量模型,相比于原始光谱模型精度有明显提高,R2_p为0.878,RMSEP为2.501,RPD值为2.749;通过sym6小波基变换后进行分析,无用信息主要集中在D₅和D₉,去除D5和D9建立含水量模型与原始光谱模型相比,精度也有一定提高,R2_p为0.87,RMSEP为2.475,RPD值为2.768。因此通过小波变换对原始光谱划分低频信息和高频信息进行分析,能够有效找到潮滩沉积物含水量的干扰信息,实现特征信息提取,从而建立准确度更高的潮滩沉积物含水量模型,为潮滩沉积物含水量实时、动态监测提供理论基础。     

虉草粗蛋白近红外定量分析模型的建立

虉草（Phalaris arundinacea L.）为多年生冷季型禾本科高产牧草,粗蛋白（CP）是评价饲草品质的关键指标,但目前的化学分析方法存在诸多缺点,寻求高效、快速、准确、安全的虉草CP测定方法是现代草地畜牧业发展和草原生态恢复急需解决的实际问题。本研究旨在利用近红外光谱（NIRS）建立虉草CP的定量分析模型,为快速测定虉草CP提供有效方法。试验采集不同品种（品系）、生育期、栽培条件、干燥方式、生长年限、部位以及刈割次数的虉草样品454份,采用瑞士Buchi公司的傅里叶近红外光谱仪和Operator软件采集原始光谱,应用K-S算法剔除具有相似光谱的样品,筛选出210份用于建模和模型评价。通过凯氏定氮法测定210份样品的粗蛋白含量并在Management console软件中对光谱进行赋值,再采用软件NIRcal 5.4按照6∶3的比例将样品随机分为校正集和验证集,并剔除异常样品,运用不同的光谱预处理、回归算法、建模波段和主成分数建立8个虉草CP含量的近红外定量分析模型,通过外部验证表明8个模型均可以进行实际测定。最后比较不同的统计学参数获取最佳模型。结果表明,采用4 000~10 000 cm-1的建模光谱波段、sa3+ncl+db1（3点平滑+趋近归一化+一阶导数处理）的预处理方法、8/1-4的初/次级主成分数和偏最小二乘法（PLS）所建的模型为最佳模型,其校正决定系数（R2_cal）为0.982 1,验证决定系数（R2_val）为0.980 2,均大于0.98,表明预测性能优秀;校正标准差（SEC）和验证标准差（SEP）分别为0.780 2和0.783 2,均较小且非常接近,表明模型的分析精度很高并具有很好的适应性;残差（BIAS）为-0.000 5,接近于0,说明模型的稳定性很高,对外界因素不敏感;预测相关系数（r）为0.99,可见样品化学值与定标模型预测值的相关度极高;相对分析误差（RPD）为7.37,RPD>4.0表明模型能够很好地进行定量分析。综上,该试验在国内首次建立了虉草CP近红外定量分析模型,该模型样品来源多、数量大、分布范围广,预测精度和准确度高,适用范围大,为快速测定虉草粗蛋白提供了有效方法,在虉草品质分析、育种、家畜日粮配置以及草产品评价流通等方面具有应用前景。     

FTIR结合化学计量学对三七地下部位鉴别及皂苷含量预测

当今中药市场上掺假现象屡见不鲜，不良商贩利用三七须根粉末假冒主根和剪口粉末，严重影响三七的质量与药效。通过傅里叶变换红外光谱(FTIR)结合化学计量学建立三七主根、剪口和须根粉末鉴别及四种皂苷含量快速预测模型，为快速三七质量控制提供基础。采集三七主根、剪口和须根红外光谱，超高效液相色谱(UPLC)测量样品中三七皂苷R₁、人参皂苷Rg₁、人参皂苷Rb₁和人参皂苷Rd含量。采用纵坐标归一化及二阶导数对原始红外光谱进行预处理；Kennard-stone算法将60个样本分为2/3训练集与1/3预测集。训练集数据结合支持向量机(SVM)判别建立三七主根、剪口和须根粉末鉴别模型，最佳核函数c和g采用交叉验证进行网格式搜索，预测集数据用于对判别模型进行外部验证。正交信号校正偏最小二乘回归(OSC-PLSR)建立三七中四种皂苷含量预测模型，红外光谱采用一阶、二阶导数及Savitsky-Golay平滑5点、7点、9点、11点预处理。60个样本分为2/3训练集与1/3预测集，训练集数据建立OSC-PLSR模型，预测集数据对OSC-PLSR模型的预测结果进行外部验证。结果显示： (1)二阶导数可有效的分离原始谱图的叠合隐蔽谱峰，并提高谱图的分辨率；(2)交叉验证网格式搜索计算出最佳核函数c=2.828 43，g=4.882 81×10-4，此时训练集判别正确率为100%；(3)SVM判别模型核函数设置为最佳核函数，预测集数据外部验证正确率为100%，所有样本均被正确鉴别；(4)三七皂苷R₁、人参皂苷Rg₁、人参皂苷Rb₁和人参皂苷Rd最优含量预测模型预测值与UPLC检测值接近，预测效果良好。FTIR结合SVM判别能对三七主根、剪口和须根粉末快速鉴别，结合OSC-PLSR能对四种皂苷含量进行准确预测。该方法准确可靠，可为中药材三七提供快速有效的质量控制。     

CO分子振转光谱的理论研究

采用从头算的多参考组态相互作用(MRCI)方法并结合基组aug-cc-pCVQZ计算了CO分子基态(X1Σ+)的势能曲线和偶极矩曲线,得到的势能曲线、偶极矩曲线分别与RKR势、文献的偶极矩曲线吻合较好。利用所得的势能,求解双原子分子核运动的Schrdinger方程找到了CO分子X1Σ+态转动量子数J=0时的70个振动态,对于每一振动态,分别计算了其振动能级G(v)、转动惯性常数B_v和离心畸变常数D_v,并把计算结果与已知的42个实验值做了详细比较,结果表明,计算的振动能级G(v)、转动惯性常数B_v、离心畸变常数D_v与实验值符合较好。利用G(v),B_v导出的光谱常数[谐振频率ω_e(2 160.1 cm-1)、非谐振频率ω_eχ_e(13.1 cm-1)、转动常数B_e(1.918 cm-1)、振转耦合常数α_e(0.017 3 cm-1)]也与实验值的光谱常数[ω_e(2 169.8 cm-1),ω_eχ_e(13.3 cm-1),B_e(1.931 cm-1),α_e(0.017 5 cm-1)]较为符合,这在一定程度上证明了方法MRCI/Aug-cc-pCVQZ对CO分子基态性质的计算是合适而可靠的。利用乘积近似方法计算了CO分子在常温、中温、高温时的配分函数,在此基础上,计算了CO分子在T=296 K时的1-0跃迁带的谱线强度,通过比较发现,计算所得的线强度与HITRAN数据库符合较好。进一步计算的CO分子X1Σ+态1-0,2-0,3-0,4-0,2-1,3-1和4-1跃迁带的带强度也与实验值较为吻合,同时首次计算了CO分子X1Σ+态3-2跃迁带、4-2跃迁带的线强度及带强度。     

光谱多元分析校正集和验证集样本分布优选方法研究

分析了校正集和验证集样品数随性质分布不均匀性对光谱多元分析校正的不良影响,揭示了实际光谱多元校正中“均值化”现象,即性质值小的样本预测值结果偏大,性质值大的则偏小,提出了一种优选样品新方法—Rank-KS。其综合考虑光谱空间和性质空间对样本进行挑选,将性质空间平均分为若干小区间,在每个小区间内分别利用Kennard-Stone法和随机法进行校正集和验证集样本的挑选,这样得到的校正集和验证集可明显改善样本数随性质分布的均匀性。以红外光谱测定汽油中碳酸二甲酯(DMC)含量和近红外光谱测定二甲亚砜溶液二甲亚砜浓度为研究对象,分别采用Rank-KS、随机法、Kennard-Stone、浓度梯度法和SPXY等方法选择校正集和验证集样品,使用多元线性回归和偏最小二乘法建立模型,比较这些方法对光谱多元校正分析的影响,结果表明Rank-KS方法可改善校正集和验证集样品数随性质分布的均匀性;对于样本数分布中间局部样本多和两端局部少、或者局部没有样本的样本集,使用Rank-KS算法挑选校正集,无论使用MLR还是PLS1建立多元分析模型,均能明显改善其模型预测能力,使得到的模型的预测均方根最小。     

铜铅离子胁迫下玉米污染程度的光谱识别

重金属铜离子(Cu2+)与铅离子(Pb2+)污染对玉米叶片光谱的影响微弱、隐蔽而难于探测。研究中设置不同浓度Cu2+, Pb2+胁迫的玉米盆栽实验,测定了玉米叶片光谱、叶片中Cu2+, Pb2+含量与叶绿素相对含量,分析了Cu2+, Pb2+污染胁迫下玉米叶片光谱响应特征,并选取480～670与670～750 nm范围来进行分析,在光谱维中定义了光谱微分差信息熵指数与在频率域中通过谐波分析提取了前三次谐波振幅(c₁, c₂与c₃)指数,并用所定义的指数探测分别受Cu2+, Pb2+胁迫玉米叶片光谱微弱差异。实验结果表明,在480～670与670～750 nm范围内,玉米叶片中重金属离子浓度越大,其光谱微分差信息熵就越大;在480～670 nm波段,谐波分解后第一谐波振幅c₁与第二谐波振幅c₂可用于识别Cu2+, Pb2+污染程度;在670～750 nm波段,第一谐波振幅c₁、第二谐波振幅c₂与第三谐波振幅c₃可用于识别Cu2+污染程度,而c₂则可以识别Pb2+污染程度,污染胁迫越大振幅越大。在480～670与670～750 nm波段内,光谱微分差信息熵与前三次谐波振幅可作为识别玉米受Cu2+, Pb2+污染胁迫程度的指数,从光谱维与频率域两种维度来识别玉米受Cu2+, Pb2+胁迫程度的方法可行,文中定义的两类指数可稳健、可靠地探测与识别玉米受Cu2+, Pb2+影响所产生的光谱微弱差异,研究结果对利用高光谱来探测植被受重金属污染胁迫程度具有一定的参考价值。