利用Tikhonov正则化算法进行光谱特征波长的选择及其参数优化

在烷烃类多组分混合气体,尤其轻烷烃类气体傅里叶变换红外光谱定量分析中,其中在红外光谱区域吸收峰严重交叉重叠,不易建立定量分析模型。为此,采用Tikhonov正则化算法对甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷和正戊烷等七种轻烷烃类混合气体傅里叶变换红外光谱进行特征波长的选择,以便建立定量分析模型。选择六种各气体浓度组成混合烷烃气体,采用Tikhonov正则化算法,通过对比分析混合气体在中红外全波段、主吸收峰和次吸收峰波段特征波长的选择和TR参数的优化,选择出七种气体成分的傅里叶变换红外光谱的特征波长。利用选择的特征波长和Tikhonov正则化参数对实测甲烷光谱数据进行检验分析,与其他气体成分的交叉灵敏度最大为11.153 7%,最小为1.239 7%,预测均方根误差为0.004 8,有效增强了Tikhonov正则化算法在轻烷烃类混合气体定量分析中的实用性,初步验证了利用Tikhonov正则化进行烷烃类混合气体傅里叶变换红外光谱特征波长选择的可行性。     

混合气体红外光谱支持向量机分析的新方法

介绍了一种基于支持向量机的混合气体红外光谱组分浓度和种类分析的新方法。利用核函数将组分气体特征吸收谱线重叠严重的混合气体光谱在高维空间变换后,建立SVM回归校正模型,进行混合气体浓度分析。在利用支持向量机回归校正模型进行混合气体组分浓度分析的同时,证明支持向量机回归校正模型也可用于混合气体组分种类分析。对不同组分和不同组分浓度的混合气体红外光谱数据进行了实验,研究了谱仪扫描间隔、分析特征波长范围、核函数和惩罚因子等因素对分析结果的影响。混合气体组分浓度实验结果的最大平均绝对误差Mean AE为0.132%;混合气体组分种类识别的准确率大于94%。解决了传统的光谱分析方法中光谱特征谱线重叠、光谱数据的维数大、定性和定量分析无法使用同一方法等问题,可用于其他混合气体的红外光谱分析,具有实际应用价值。     

基于SVM的混合气体红外光谱分析关键技术研究

为了解决海量混合气体光谱数据样本无法获取、混合气体组分气体特征吸收谱线重叠、混合气体组分浓度分布的随意性等问题,将支持向量机用于混合气体红外光谱分析中.提出了光谱数据样本特征选择、数据预处理、SVM校正模型参量优化及层次式混合气体光谱分析结构等关键技术.实验分析了上述4项关键技术对分析结果的影响.实验结果显示,采用关键技术的混合气体组分浓度分析的最大绝对误差为2.93%,最大平均绝对误差为0.73%.     

粒子群优化算法在混合气体红外光谱定量分析中的应用

通过将粒子群优化技术及BP神经网络技术相结合,建立了三种烃烷混合气体的红外光谱定量分析模型。混合气体主要由甲烷、乙烷、丙烷三种组分气体组成,三种组分气体浓度范围分别为0.01%～0.1%。文章首先采用主成分分析技术从红外光谱1 866个数据中提取了5个特征变量作为神经网络的输入,将气体浓度作为网络输出。然后将粒子群优化算法与BP神经网络技术相结合,对网络的隐含层节点数进行了优化选择。再对结构优化后的网络进行训练,建立气体分析模型。分析模型的标准气体验证实验结果表明,采用此方法建立混合气体红外光谱定量分析模型所用时间(大约4 600 s)比单纯采用BP神经网络进行遍历优化建模所用时间(大约24 500 s)降低5倍以上,模型预测精度水平相当,网络结构大致相同,具有一定的实践意义和应用潜力。     

基于粒子群优化的最小二乘支持向量机在混合气体定量分析中的应用

针对混合气体建模过程中最小二乘支持向量机参数难以确定及红外光谱数据计算量过大的问题,提出一种粒子群优化的最小二乘支持向量机方法,用于建立基于主成分分析特征提取的红外光谱多组分气体定量分析模型。首先对主吸收峰区域的550个红外光谱数据利用主成分分析技术进行了特征提取,将降维得到的7个特征值作为模型的输入变量从而有效地降低了计算量。混合气体主要由浓度范围分别是0.1%～1%的甲烷、乙烷及0.1%～1.5%的丙烷三种组分气体组成。采用最小二乘支持向量机技术分别建立了各组分气体的定量分析模型,利用粒子群优化算法对最小二乘支持向量机算法中的参数进行了优化选取,取代了传统的遍历优化方法,然后利用取得的最优参数重建定量分析模型。实验结果表明,采用此方法离线建模所用时间比采用遍历优化方法节省40倍以上,预测结果误差水平相当,满足实测要求。粒子群优化算法在全局优化及收敛速度方面具有较大优势。粒子群优化算法与最小二乘支持向量机技术相结合用于混合气体定量分析是切实可行的,具有一定的实际意义和应用价值。     

改进型 PSO‐SVM算法对井下多组分气体定量分析的研究

对于多组分混合气体定量分析而言,基于特征光谱的定量分析技术具有不可比拟的优势,而定量检测效率与精度取决于其采用的光谱数据处理算法的优劣。优化光谱分析算法参数与改进光谱数据处理方式是提高定量分析速度与精度的重要手段。针对井下多组分气体定量分析建模过程中支持向量机(SVM)参数难以确定,并且随组分数增多而呈指数增长的光谱数据运算量的问题,提出了一种改进型粒子群优化-支持向量机(PSO-SVM)算法。该算法主要针对多组分气体混合光谱数据量大,光谱特征信息存在交叠的问题进行研究。通过粒子变异约束PSO算法的收敛路径,再通过粒子信息共享提高模型优化效率,最后利用设置动态不敏感区提高模型精度。设计了一种井下多组分气体快速定量检测系统。该系统由CPU控制信号调制模块驱动红外光源,信号光经过滤尘除湿后的气室照射在探测器上。在压力与温度传感器补偿的基础上,由信号处理模块将探测得到的光信号量化传入CPU,最终,结合改进型PSO-SVM算法实现各组分气体浓度的定量分析。在完成井下实际样气采集、预处理的基础上,对浓度范围0～10.0%的CH₄和浓度范围0～1.0%的C₂H₆,C₃H₈,SO₂和CO₂共5种组分的混合气体进行了测试,获得了800组红外光谱数据,其中训练集400组,验证集400组。采用SVM建立了多组分气体的定量分析模型,利用改进型PSO对SVM中的参数进行了优化,并将获得的最优参数重建了定量分析模型。对采集的红外光谱数据分别由本算法与传统BP网络算法进行各组分气体浓度反演,实验结果显示,由于变异粒子对其产生的约束,使最优值收敛范围变小,从而提高了收敛速度,该算法建模时间仅为传统方法的1/10;由于通过气体光谱特性给出不敏感区,使特征光谱计算时交叉敏感效率降低,从而提高了模型预测的准确度,平均误差约为传统方法的1/5。由此可见,该算法在全局优化及快速收敛方面得到了显著提升,改进型PSO结合SVM用于井下多组分气体定量分析是可行的。改进型PSO-SVM算法对于多组分气体混合红外光谱数据的分离具有很好的适用性,其有一定的实际应用价值。     

近红外光谱(NIRS)技术快速测定湖泊沉积物营养组分研究

湖泊沉积物保存了湖泊环境演化的重要信息,但目前还没有建立起快速、准确的湖泊沉积物营养组分组合分析方法。该文利用近红外光谱(NIRS)技术,采用一阶导数、小波滤噪、正交信号校正、小波滤噪+正交信号校正、一阶导数+正交信号校正、正交信号校正+小波压缩6种光谱预处理技术和偏最小二乘(PLS)法相结合在国内建立了NIR光谱测定湖泊沉积物柱芯样品中总碳(TC),总氨(TN),总有机碳(TOC)和总磷(TP)的校正模型,结果表明虽然NIR光谱校正模型对TOC的预测效果不理想,但一阶导数+正交信号校正光谱校正模型对TC和TN,正交信号校正光谱校正模型对TP的预测效果较好,预测相关系数分别为0.759 7(TC),0.865 0(TN)和0.811 2(TP),预测误差(RMSEP)分别为0.13%(TC),0.008 2%(TN)和0.012%(TP)。该研究对于推动我国湖泊沉积物的光谱学特性研究具有重要意义。     

基于自动线性拟合的快速拉曼基线校正算法

近年来拉曼光谱以其无创、灵敏度高等众多优点在化学表征、生物医药、材料等领域引起广泛关注,而基线漂移的存在为后续的定性定量分析带来严重困扰,因此设计高性能的基线校准算法以提高分析结果的有效性及准确性具有重要意义。针对传统算法在批量拉曼光谱数据基线校正方面的不足,基于自动线性拟合算法提出一种快速基线校正算法以校正具有相似背景的批量拉曼光谱数据并详细阐述了该算法的核心思想以及算法实现流程。该算法首先从批量拉曼光谱数据中自动选择一条拉曼光谱数据作为基准光谱,使用自动线性拟合算法对其进行基线校准得到其基线以及分段标记点,然后利用标记点快速计算出组内其他与基准光谱具有较高相关性的拉曼光谱数据的基线,对于组内与基准光谱相关性不满足阈值要求的拉曼光谱则使用自动线性拟合算法对其进行单独基线校正,这使得算法具有具有较强的鲁棒性,可以适应复杂的拉曼光谱基线校正情形。分别使用快速基线校正算法与单独基线校正算法对多组实际拉曼光谱数据进行基线校正以对比分析算法基线校正效果,结果表明该算法可以实现对批量拉曼光谱数据的快速校正,基线校正效果良好,并且相较于单独进行基线校正算法耗时减少了30%以上,算法无参,简单易行,无需额外人工干预,是一种切实可行的批量拉曼数据自动基线校正算法。     

具有相同分子基团的多组分气体现场在线光谱分析

针对目前傅里叶变换红外光谱分析还不能独立应用于气体成分多、部分成分具有同种分子基团、气体浓度变化范围大的复杂多组分混合气体的在线分析问题,文章以甲烷、乙烷、丙烷、异丁烷和正丁烷五种轻烷烃气体的混合气体的光谱分析为例,提出采用充分考虑气体温度、压力及干扰气的影响,采用特征提取、光谱畸变识别与修正、神经网络的鲁棒建模与分层建模的方法来实现具有相同分子基团的混合气体光谱分析。最后给出了五种轻烷烃气体的光谱与气相色谱的在线分析结果。分析结果对比曲线表明,两种仪器分析结果曲线几乎完全重合,这说明该文提出的光谱分析方法可以独立应用于具有相同分子基团的多组分气体混合气体现场在线分析,解决了科学研究和工程应用中气体组分复杂、气体浓度变化范围大的复杂多组分混合气现场分析难题。     

基于自动线性拟合的快速拉曼基线校正算法（英文）

近年来拉曼光谱以其无创、灵敏度高等众多优点在化学表征、生物医药、材料等领域引起广泛关注,而基线漂移的存在为后续的定性定量分析带来严重困扰,因此设计高性能的基线校准算法以提高分析结果的有效性及准确性具有重要意义。针对传统算法在批量拉曼光谱数据基线校正方面的不足,基于自动线性拟合算法提出一种快速基线校正算法以校正具有相似背景的批量拉曼光谱数据并详细阐述了该算法的核心思想以及算法实现流程。该算法首先从批量拉曼光谱数据中自动选择一条拉曼光谱数据作为基准光谱,使用自动线性拟合算法对其进行基线校准得到其基线以及分段标记点,然后利用标记点快速计算出组内其他与基准光谱具有较高相关性的拉曼光谱数据的基线,对于组内与基准光谱相关性不满足阈值要求的拉曼光谱则使用自动线性拟合算法对其进行单独基线校正,这使得算法具有具有较强的鲁棒性,可以适应复杂的拉曼光谱基线校正情形。分别使用快速基线校正算法与单独基线校正算法对多组实际拉曼光谱数据进行基线校正以对比分析算法基线校正效果,结果表明该算法可以实现对批量拉曼光谱数据的快速校正,基线校正效果良好,并且相较于单独进行基线校正算法耗时减少了30%以上,算法无参,简单易行,无需额外人工干预,是一种切实可行的批量拉曼数据自动基线校正算法。     

应用多种近红外建模方法分析梨的坚实度

近红外光谱(near infrared spectroscopy,NIRS)技术是一种快速、无损的仪器分析方法,在农产品品质检测方面引起了广泛的关注,在近红外光谱信息和品质指标之间建立一个稳健的模型是近红外光谱分析中十分重要且有一定难度的过程,常见的多元校正方法有偏最小二乘回归(PLSR)、主成分回归(PCR)和逐步多元线性回归(SMLR)等,该研究中除了常用的线性方法外,还采用了一种结合非线性方法的组合算法[结合了SMLR和径向基神经网络(RBFN)]用于梨坚实度的近红外光谱检测。比较常用的线性建模方法,原始光谱的PLSR模型的得到了较好的结果：校正集相关系数r=0.87, 校正均方根误差RMSEC=3.88 N,预测集r=0.84, 预测均方根误差RMSEP=4.26 N;组合算法的建模结果比SMLR和PCR的结果好,但比PLSR的结果稍差：校正集r=0.85, RMSEC=4.15 N,预测集r=0.82, RMSEP=4.67 N。结果表明：NIRS可用于梨的坚实度检测,但是建模方法的选择值得进一步研究以提高预测的精度。     

基于小波变换的木材近红外光谱去噪研究

木材近红外光谱常常被一系列噪声所污染,影响光谱分析结果。为了提高近红外光谱分析精度,需要对光谱数据进行预处理。光谱导数可以消除光谱背景干扰和基线漂移等因素影响,提高光谱分辨率,但导数光谱在增强信号的同时,也使信号噪声得到增强。应用小波变换对杉木木材近红外一阶导数光谱进行去噪研究,分别采用9点平滑法、25点平滑法、非线性小波硬阈值和软阈值法、9点平滑+小波变换法和25点平滑+小波变换法对光谱数据进行去噪研究。结果显示, 小波变换能够有效去除导数光谱中的噪声信号,保留光谱中的有效信息,提高光谱信噪比,提高光谱的分析能力,在木材近红外光谱分析中具有很好的应用前景。     

BP神经网络与近红外光谱定量预测杉木中的综纤维素、木质素、微纤丝角

利用近红外光谱(NIR)技术结合BP神经网络定量预测了杉木中的综纤维素、木质素和微纤丝角。首先对杉木的原始近红外光谱数据进行卷积(Savitzky-Golay)平滑和二阶导数处理,然后利用小波变换压缩,将由171个数据点组成的近红外光谱压缩为86个数据点,最后用BP神经网络建模,采用Leave-n-out交叉验证法对模型进行验证,并讨论了隐含层神经元个数、学习速率、动量因子和学习次数对所建BP网络的影响。用所建的网络模型预测了测试集中杉木样本的综纤维素、木质素和微纤丝角 ,预测的相关系数R2值分别为0.91, 0.90, 0.87,预测均方根误差RMSEP分别为：0.86%, 0.33%, 4.99%。结果表明该方法快速,无损,基本能满足定量分析的要求。     

可见-近红外光谱分析技术对鱼油掺假定量快速无损检测方法研究

对掺入不同含量大豆油和菜籽油的鱼油进行鱼油掺假含量的可见-近红外光谱(Vis-NIR)研究。向3个不同品牌鱼油中分别掺入不同比例的大豆油,另外3个不同品牌中分别掺入不同比例的菜籽油,共获得300个样本。对所采集样本的光谱数据分别采用原始光谱,以及平滑,变量标准化(SNV),多元散射校正(MSC),一阶求导和二阶求导等预处理算法进行处理后,建立偏最小二乘回归(PLSR)模型。基于全波段光谱的鱼油中大豆油和菜籽油掺假含量预测的最优模型分别为全波段PLSR模型和MSC-PLSR模型,其预测相关系数(R_p)分别达到0.938 6和0.959 3。进一步采用连续投影算法(SPA)分析鱼油中大豆油和菜籽油掺假样品的光谱,并分别获得了11个和15个光谱特征波长变量。基于特征变量的PLSR模型的R_p分别为0.941 2和0.932 6。试验研究表明, 可以采用Vis-NIR技术实现对鱼油掺假物含量的检测。     

基于高光谱热红外发射率光谱的地表岩石CaO含量定量估计

通过对西藏冈底斯山东段23种岩石固体样本的野外发射率光谱测量,分别分析了这些样本的CaO含量与热红外发射率原始光谱和一阶微分光谱的相关关系。在此基础上,建立了几种典型的回归模型,并对各种建模结果进行了比较。结果表明,利用高光谱热红外发射率光谱反演地表岩石CaO的含量是可行的;地表岩石CaO含量与热红外发射率光谱特征之间有较好的对应关系;在10.3～13μm波长范围内,岩石的发射率随CaO的含量增加而降低;相比原始发射率光谱,一阶微分光谱具有更好的预测效果。结果为遥感岩矿识别提供了一种新的思路。     

近红外光谱分析杨木-桉木混合纸浆原料

近年来,随着林纸一体化战略的推进,多使用混合原料制浆。而混合原料比例及成分含量的快速分析难以实现已成为制约制浆工业发展的瓶颈。为解决此问题,以广泛使用的杨木-桉木混合原料为研究对象,用傅里叶近红外光谱仪采集了131个不同比例的杨木-桉木混合样品和30个单一杨木、桉木样品的近红外光谱;用化学法测定其综纤维素、聚戊糖及Klason木素含量。因主要化学成分含量的近红外光谱信息集中于7 600～4 000 cm-1区间,对该区间的光谱数据进行平滑、标准正态变换和一阶导数的预处理,运用LASSO算法建立了杨木含量与聚戊糖含量模型;对该区间数据进行平滑、标准正态变换和二阶导数预处理后结合LASSO算法建立了综纤维素含量模型;对该区间数据进行平滑、多元信号校正和二阶导数预处理后结合LASSO算法建立了Klason木素含量模型。杨木含量、综纤维素、聚戊糖、Klason 木素含量模型的预测均方根误差分别为1.82%,0.52%,0.67%和0.59%;绝对偏差范围分别为-3.01%～2.94%,-0.91%～0.83%,-0.91%～1.07%,-0.79%～0.92%。4种模型的性能总体上略优于传统偏最小二乘法所建的模型且满足实际需求,可以用于工业生产。     

沙质土壤热红外高光谱特征及其含沙量预测研究

为明确土壤热红外高光谱数据反演土壤含沙量的应用潜力,利用102F型便携式傅里叶变换红外光谱仪对沙质土壤进行测量,在进行相关分析和主成分分析的基础上,对土壤发射率光谱特征进行了分析,并采用偏最小二乘回归和主成分回归两种建模方法预测土壤含沙量.结果表明,沙质土壤发射率光谱中二氧化硅的Reststrahlen特征表现明显,在...     

基于可见光和近红外光谱鲜猪肉蒸煮损失和嫩度检测的研究

蒸煮损失和嫩度是决定猪肉的食用品质的重要指标,文章提出了可见光/近红外漫反射光谱检测真空包装猪肉的蒸煮损失和嫩度的新方法,从而实现对其快速、无损、无污染测定。利用光谱专用分析软件Unscrambler9.6对采集的近红外漫反射光谱分别进行卷积平滑、二阶微分法和多元散射校正预处理,用偏最小二乘法(PLS)建立其定量校正模型。结果表明近红外光谱漫反射法的预测值与常规方法测定值的相关系数分别为0.81和0.78。该研究结果说明基于可见光/近红外光谱漫反射光谱的检测方法简便易行,是无损检测猪肉的蒸煮损失和嫩度的较好方法。     

基于近红外漫反射光谱无损检测梨可溶性固形物的光强影响探究

通过设置四种不同的光源强度研究光强对近红外漫反射无损检测梨可溶性固形物的影响,对四种类别光强的光谱定性分析显示四类光谱差异微小,肉眼几乎无法辨别。在进一步的定量分析中,通过主成分分析、逐步线性回归分析以及偏最小二乘法分析的比较,主成分分析(r值跨度：0.253～0.606;RMSEC值跨度：0.549～0.614;RMSEP值跨度：0.455～0.752)与逐步线性回归分析(r值跨度：0.249～0.551;RMSEC值跨度：0.536～0.624;RMSEP值跨度：0.646～0.734)得到的模型较差。通过对光谱进行一阶求导和二阶求导预处理,主成分分析与逐步线性回归分析建模结果仍不理想。通过二阶求导预处理,偏最小二乘法所建的模型得到优化,其中相关系数r值跨度为0.947～0.970,混合模型的相关系数r值达到了0.95 7,分析结果表明光强对梨的近红外漫反射光谱无损检测可溶性固形物的影响差异不大,为光谱仪的田间作业奠定了基础。