拉曼光谱结合PSO-LSSVM算法检测三组分食用调和油含量

提出了一种将拉曼光谱和基于粒子群的最小二乘支持向量机(PSO-LSSVM)算法相结合快速定量检测三组分食用调和油含量的方法。以三组分的食用调和油为研究对象,对拉曼光谱分四步进行了预处理,进而准确提取拉曼光谱的特征峰强度。以训练集样本的特征峰强度和调和油样品的百分比含量作为回归预测模型的输入值和输出值,建立LSSVM和PSO-LSSVM数学模型,通过测试集样本的相关系数和均方误差对模型的预测能力进行分析。非线性建模的最小二乘支持向量机(LSSVM)算法的核函数参数σ和正则化参数γ对模型的学习和泛化能力影响很大,导致模型的预测精度和泛化能力过度依赖于参数--在优化步长过小时耗时较长,过大时又无法得到全局最优值。提出的PSO-LSSVM算法,利用粒子群全局优化能力和收敛速度快的特点对LSSVM的模型参数σ和γ进行优化,从而克服LSSVM算法中耗时与盲目性的问题。分析结果表明,PSO-LSSVM算法对三组分食用调和油中大豆油、花生油和葵花仁油定量预测模型的测试集相关系数分别为0.967 7,0.997 2,0.995 3;均方误差分别为0.054 9,0.009 2,0.047 1。与LSSVM算法相比,PSO-LSSVM模型的预测精度更高。因此,该方法可以快速、准确地检测三组分食用调和油的含量。     

近红外激发荧光光谱与拉曼光谱快速鉴别马铃薯品种

马铃薯是世界上最重要的食物之一,快速无损的进行马铃薯品种鉴别对其在应用中更好的发挥品种优势具有重要作用。研究了以近红外荧光光谱和近红外拉曼光谱的土豆品种鉴别,并对两者进行了比较。实验采用3个品种共98个土豆样本,随机将其分成校正集(74个)和预测集(24个)。首先使用785nm近红外激光激发,采集所有样本的荧光和拉曼混合光谱,然后从混合光谱中分别提取荧光光谱和拉曼光谱,最后对荧光光谱和拉曼光谱进行偏最小二乘判别分析(PLS-DA),PLS-DA模型采用留一法和全交互验证。结果显示,荧光光谱与拉曼光谱都能够对三个马铃薯品种进行鉴别,其中荧光光谱的PLS-DA模型预测Favorita品种效果较好(灵敏度为1,特异性0.86,准确性0.92),但Diamant品种(灵敏度为0.75,特异性0.75,准确性0.75)和Granola品种(灵敏度为0.16,特异性0.89,准确性0.71)预测的效果较差,而拉曼光谱图很好的解释了马铃薯中的主要营养成分,基于拉曼光谱的PLSDA模型的预测效果(三个品种预测灵敏度,特异性,准确性均为1)比荧光光谱判别效果显著提高。     

基于激光诱导击穿光谱和拉曼光谱对四唑类化合物的快速识别和分类实验研究

为了实现对四唑类化合物的快速非接触识别和分类,本文搭建了激光诱导击穿光谱和拉曼光谱集成测试系统。首先采集了4种四唑类化合物在1 064 nm激发波长下的拉曼光谱,包括四氮唑、5-氨基四氮唑、1,5-二氨基四氮唑和1-甲基-5-氨基四氮唑。通过对特定官能团拉曼峰位的分析,成功地将它们鉴别出来。然后基于激光诱导击穿光谱(LIBS)技术,采集各个样本的等离子体辐射光谱。选取140组光谱数据进行训练,建立分类模型,剩余60组数据对所得的类型区域的准确性进行验证。本文基于主成分分析(PCA)与支持向量机(SVM)相结合的算法,建立了两个分类模型。一是将全谱进行主成分分析,选取前64个主成分,利用支持向量机(SVM)算法建立模型。二是通过对比光谱差异,选取10个特征波长进行主成分分析,选取前3个主成分建立模型。发现前者平均预测准确度只有88. 3%,而后者60个光谱样本点全部落在其对应的标准样品类型区域内,分类准确度达到100%。实验结果表明,将激光诱导击穿光谱和拉曼光谱联合使用,可以准确地鉴别四唑类化合物。     

近红外光谱结合化学计量学对五元调和油中单组分油的定量分析

有关调和油快速准确定量检测的研究对于调和油质量控制具有重要意义。以往对调和油定量分析的研究大多集中于二元、三元和四元调和油,对更高元数调和油的研究很少,难以满足调和油检测需求。该研究的目的是探讨近红外光谱结合化学计量学对五元调和油中各单组分油进行定量分析的可行性。由玉米油、大豆油、稻米油、葵花油和芝麻油配制成51个五元调和油样品,并采集各样品12 000～4 000 cm-1范围内的近红外透射光谱。首先,采用光谱-理化值共生距离（SPXY）算法将调和油样品划分为38个校正集和13个预测集样品。其次,考察了主成分回归（PCR）、偏最小二乘（PLS）、支持向量回归（SVR）、人工神经网络（ANN）、极限学习机（ELM）等五种多元校正方法对五元调和油各组分定量分析的建模效果。然后,在最佳建模方法的基础上比较了SG平滑、标准正态变量（SNV）、多元散射校正（MSC）、一阶导数（1st Der）、二阶导数（2nd Der）和连续小波变换（CWT）六种光谱预处理方法,并讨论了预处理方法有效地原因。最后,在最佳预处理方法的基础上进一步利用竞争自适应重加权采样（CARS）和蒙特卡罗无信息变量消除法（MCUVE）筛选与预测组分相关的变量。结果显示,在五种建模方法中,PLS是最佳的建模方法,对玉米油、大豆油、稻米油、葵花油和芝麻油五种组分的预测均方根误差（RMSEP）分别为5.564 4,5.559 2,3.592 6,7.421 8和4.193 0。经过光谱预处理-变量选择,再建立PLS模型,对五种组分的RMSEP分别降低至1.955 3,0.562 4,1.145 0,1.619 0和1.067 1,预测相关系数（R_p）均高于0.98,表明采用合适的光谱预处理和变量选择方法,可以明显提高五元调和油中各单组分油定量分析的预测准确度。该研究为多组分调和油的快速无损定量检测提供了一种参考。     

基于ABC-SV R算法的拉曼光谱检测混合油脂肪酸含量

提出了一种基于激光拉曼光谱和人工蜂群智能优化支持向量回归机(ABC-SVR)算法的快速定量检测三组分混和油中3种脂肪酸含量的方法。该方法针对光谱数据信息与样本之间非线性、高维度的关系,建立了预测精度及建模效率均高于同类对比算法的数学模型,同时避免了气相色谱法、液相色谱法等对混合油脂肪酸含量的检测方式,根据纯种油中3种脂肪酸含量的国际标准,由油品配置体积得到脂肪酸质量,有效降低了检测成本与实验复杂程度,提高了检测工作的实用价值。首先根据一定梯度配置66组混合油检测样品,使用便携式拉曼光谱仪采集样本的拉曼光谱信息,扣除背景噪声;观察多组样本的拉曼光谱图可知,由于官能团浓度的差异,食用油的拉曼特征峰位移基本相同,特征峰的峰值明显不同,因此基于特征峰信息可以区分食用调和油的不同混合物;其次对拉曼光谱做背景扣除、光谱平滑、最大值谱线归一化三步预处理,以降低实验中不可控的外界因素及背景荧光的影响,准确提取光谱特征峰强度信息;然后根据纯种油中3种脂肪酸的国际标准含量,结合国家食品法典委员会标准CODEX STAN210-1999《指定的植物油法典标准》中规定的纯种油密度中值,由油品体积得到脂肪酸质量数;随机选取56组样本数据作为训练集,剩余10组样本数据作为预测集;以训练集光谱特征峰强度和脂肪酸质量分别作为回归模型的输入及输出值,建立SVR和PSO-SVR,ABC-SVR三种混合优化算法对比的定量分析模型,对测试集的3种脂肪酸含量分别进行预测;最后通过均方误差(MSE)、相关系数(r)及建模时间(Elapsed time)分别进行对比,建立数据表对模型精准度进行检验。实验结果表明,通过ABC-SVR定量分析模型效果最佳,3种脂肪酸含量预测值与真实值的均方差分别为0.88×10-4,16×10-4和8×10-4,均低于0.002;相关系数分别为93.43%,99.65%和99.43%,均高于93%;预测时间(Elapsed time)分别为1.26,2.42和2.14 s。因此,所提出的检测方法,具备较高的精确度、较快的建模时间,且在理论上的类似条件下可适用于其他样品检测工作,可为振动光谱学对食用油掺伪分析的进一步工作提供可行的理论依据。     

基于拉曼光谱快速鉴别新陈大米的方法研究

利用拉曼光谱技术结合化学判别方法建立新陈大米拉曼光谱判别模型。选取合适的样品预处理方式,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785nm波长的激光下,获取样品200~2 400cm-1的拉曼光谱信息,并对原始拉曼光谱进行基线校正、平滑、滤波等处理。应用主成分分析法(PCA)对光谱数据进行降维处理及粗分类鉴别;基于偏最小二乘分析法(PLS),建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明:该模型判断新陈大米是可行的,为稻谷新陈度的快速判别提供了一种新的方法。     

近红外透射光谱法检测三组分食用调和油含量的研究

以大豆油、花生油和玉米油三组分食用调和油为研究对象,采集样品在10 000～4 200 cm-1范围内的近红外透射光谱,对光谱进行不同预处理后结合偏最小二乘法分别建立调和油中三组分的定量分析模型,并检验模型预测的准确度和精密度。结果显示,一阶导数结合多元散射校正(FD+MSC),一阶导数结合减去一条直线(FD+SLS)以及一阶导数(FD)进行光谱预处理,可以得到大豆油、花生油以及玉米油含量的最优定标模型,分别是在5 450.1～4 597.7 cm-1,7 521.3～6 098.1 cm-1和9 993.7～7 498.2 cm-1谱区范围内获得的。各预测模型的相关系数R2和预测均方根RMSEP分别为99.89%,1.09%;99.88%,1.17%;99.76%,1.48%;配对t检验值在0.371 9～0.007 9之间;预测相对标准偏差RSD均小于1.50%。表明傅里叶变换近红外透射光谱分析技术可以快速准确可靠地检测三组分食用调和油中大豆油、花生油、玉米油的含量。     

基于拉曼光谱技术鉴别新陈大米的方法研究

基于拉曼光谱检测技术结合化学判别方法,建立新陈大米拉曼光谱判别模型;建立适当的样品预处理方法,确保样品制备的均一性,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785 nm波长激光激发下,获取样品200～2 400 cm-1的拉曼光谱信息;对原始拉曼光谱进行基线校正、平滑、滤波等处理。利用主成分分析法（PCA）对拉曼光谱进行降维处理及粗分类鉴别;基于偏最小二乘分析法（PLS）,建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明：该模型判断新陈大米是可行的,为大米新陈度的快速判别提供了一种新的方法。     

基于IABC-SVR算法的拉曼光谱定量分析山羊血清蛋白含量

提出了一种基于拉曼光谱和改进人工蜂群算法优化支持向量机回归（IABC-SVR）算法快速定量检测山羊血清蛋白含量的方法。传统人工蜂群算法在数据区域规模较大时,收敛速度逐渐减慢, 出现效率低、精准度下降、局部最优解概率高等问题。所提出的算法解决了这些问题,使算法在进化前期避免陷入局部最优解,在进化中后期能够保持解的全局搜索能力。常规测定血清蛋白总量的方法通常采用凯氏定氮法、双缩脲法等,但存在时效慢、污染样本等缺点。采用拉曼光谱法进行检测,具有快速、无损的优点。以山羊血清为分析对象,按一定体积比配置35组待测样本,用拉曼光谱仪采集拉曼光谱,光谱采集范围为300~1 300 cm-1,采用基线矫正去除荧光背景,使用Savitzky-Golay光谱平滑法对原始光谱进行平滑处理,归一化处理光谱数据,并对拉曼光谱特征峰进行归属。实验结果表明,拉曼光谱能够表征血清中主要化学集团的信息,且由于官能团浓度差异,光谱特征峰强度随浓度变化明显,因此基于特征峰信息可以测定血清蛋白总量。实验中,以购买的山羊血清蛋白含量为基准,通过配置样本的体积比得到各组待测血清样本的蛋白含量,配置的单个液体样本体积为3 mL,随机选取8组实验样本作为模型测试集,剩余27组作为模型训练集。以经过处理的光谱特征峰强度和对应的血清蛋白含量分别作为模型的输入值及输出值,建立IABC-SVR,ABC-SVR和BP三种算法的定量模型,对测试集血清蛋白总量进行预测。最后通过均方差(MSE),相关系数（r）与建模时间分别进行对比,结果表明通过IABC-SVR建立的山羊血清蛋白定量矫正模型效果最佳,模型的相关系数为0.990 27,均方误差为0.244 3,建模时间为1.9 s,预测值方差均小于0.001 g·mL-1,预测准确率为99.8%。实验结果表明,应用激光拉曼光谱技术结合IABC-SVR算法,对快速定量检测山羊血清蛋白含量,具有较高的准确率和稳定性。     

基于拉曼光谱技术的蜂王浆品质定量模型研究

蜂王浆是一种具有抗氧化、抗衰老、调节心血管系统和免疫功能的纯天然营养保健食品,近年来在食品、生物医学等领域广泛应用。由于蜂王浆的采集过程费时费力且没有快捷简便的方法检测其品质,使得市场上的蜂王浆产品质量参差不齐,因此实现蜂王浆品质的快速鉴别就显得至关重要。该研究以蜂王浆的水分和蛋白质为研究对象,利用拉曼光谱技术结合主成分回归算法(PCR)和偏最小二乘法对蜂王浆进行了快速定量检测,建立了水分、蛋白质的定量模型,探究对其定量分析的可行性,并进行光谱预处理以提升模型的预测能力,使其预测准确性更高。蜂王浆中水分和蛋白质化学值的测定分别采纳蜂王浆国家标准规定的减压干燥法和凯氏定氮法。蜂王浆光谱的采集则是由DXR激光共焦显微拉曼光谱仪测得。应用TQ Analyst分析软件对蜂王浆光谱进行预处理及建立定量分析模型。其中光谱预处理包括导数、标准正态变换、多元散射校正、Savitsky-Golay卷积这四种光谱预处理法,并按一定关系排列组合成多种不同的预处理方法,对蜂王浆样品光谱进行数据处理,寻找出最优的模型与处理方法。结果表明,利用主成分回归法建立蜂王浆水分和蛋白质的定量模型效果不理想,水分的定量模型结果表明,Savitsky-Golay平滑（7）处理校正集决定系数最高但也仅为0.741 3,预测集决定系数为0.661 6,RMSEC为0.656,RMSEP为1.34,建模效果差。蛋白质的PCR定量模型结果表明,Savitsky-Golay平滑（7）处理相较之下最优,校正集决定系数0.675 0,预测集决定系数为0.566 8,RMSEC为0.548,RMSEP为0.957,建模效果较差。因此,基于PCR所建模型对蜂王浆水分、蛋白质的含量有一定的预测可能性,但建模效果较差,预测准确度低,稳健性差。而结合偏最小二乘法并进行S-G（7）+二阶导数+SNV处理对蜂王浆水分建模效果最好,水分含量校正集和预测集的决定系数分别为0.992 7和0.948 8,RMSEC和RMSEP分别为0.162和0.442。蛋白质的PLS定量模型,通过对多种预处理组合处理结果进行对比,S-G（7）+一阶导数+SNV处理对蜂王浆蛋白质建模效果最佳,蛋白质含量校正集和预测集的决定系数分别为0.991 6和0.879 5,RMSEC和RMSEP分别为0.143和0.497,建模效果好。因此,利用拉曼光谱结合偏最小二乘法快速检测蜂王浆中水分和蛋白质的含量是可行的,且所建定量模型稳健性良好,预测准确度高。通过上述实验可总结得出,在一些不可避免的外界因素影响下,将多种预处理方法组合起来可以提高模型的准确性和稳健性,比用单一的光谱预处理方法修正光谱更加有效,优化效果更加明显,且有效提升了模型的各参数,更好的提高了模型预测的准确性。同时表明了,拉曼光谱技术应用于蜂王浆品质的快速检测是可行的,且检测准确度高,速度快,在蜂王浆品质的快速检测方面展现了很好地应用前景。     

基于激光诱导水拉曼抑制法的油膜厚度测量方法研究

为了实现水体表面油膜厚度的快速测量分析,以266 nm的激光作为探测系统的激发光源,基于激光诱导水拉曼散射光谱检测技术,通过获取不同种类不同厚度油膜存在下水拉曼光谱信息,建立油膜厚度反演模型。采用高斯函数拟合法校正了荧光光谱对拉曼光谱的干扰。然后根据水拉曼抑制法结合非线性最小二乘优化算法,建立油膜厚度反演模型。结果表明：对92#汽油、0#柴油、美孚机油20w-40、壳牌润滑油10w-40、采埃孚变速箱油AG6和原油油膜能探测到的油膜厚度范围为0.19~379.22 μm。采用水拉曼光谱-油膜厚度反演模型预测油膜厚度的平均相对误差在8.14%~15.81%之间。该方法能实现实验室条件下对微米级油膜的测量。     

拉曼光谱结合模式识别方法用于大豆原油掺伪的快速判别

大豆原油是我国的战略储备物资,然而目前储油市场上频繁出现大豆原油掺混的现象严重影响了食用油储备安全。基于此,通过大豆原油与部分植物精炼油拉曼谱图的特征差异,并结合主成分分析-支持向量机(PCA-SVM)模式识别建立了大豆原油是否掺伪的快速判别方法。以28个大豆原油、46个精炼油、110个掺伪油的拉曼谱图为模型样本;选择位于780～1 800 cm-1波段的谱图,预处理方法同时采用Y轴强度校正、基线校正和谱图归一化法;在此基础上应用PCA法提取特征变量,即以贡献率最高前7个主成分为变量进行SVM分析。SVM校正模型的建立是以随机选取的20个大豆原油和75个掺伪油样组成校正集,以8个大豆原油和35个掺伪油样组成验证集,分别运用并比较四种核函数算法建立的大豆原油SVM分类模型,并采用网格搜索法(grid-search)优化模型的参数,以四种模型的分类性能作为评判标准。结果表明：应用线性核函数算法构建的SVM分类模型可以很好地完成掺伪大豆原油的判别,校正集识别准确率达到100%,预测结果的误判率为0,判别下限为2.5%。结果表明应用拉曼光谱结合化学计量学能够用于大豆原油掺伪的快速鉴别。拉曼光谱简便、快速、无损、几乎没有试剂消耗,适合现场检测,从而为大豆原油的掺伪分析提供了一种新的备选方法。     

基于拉曼光谱和最小二乘支持向量机的橄榄油掺伪检测方法研究

为实现橄榄油中掺伪油类型的识别和掺伪量预测,对掺入葵花籽油、大豆油、玉米油的橄榄油共117个样品进行拉曼光谱检测,并用基于多重迭代优化的最小二乘支持向量机模型对掺入油的类型进行识别,综合识别率为97%。同时分别采用最小二乘支持向量机、人工神经网络模型、偏最小二乘回归建立橄榄油中葵花籽油、大豆油、玉米油含量的拉曼光谱定标模型,结果显示最小二乘支持向量机具有最优的预测效果,其预测均方根误差(RMSEP)在0.007 4～0.014 2之间。拉曼光谱结合最小二乘支持向量机可为橄榄油掺伪检测提供一种精确、快速、简便、无损的方法。     

食用植物油中反式脂肪酸含量的激光拉曼光谱检测

油脂中的反式脂肪酸(TFA)有害人们的身体健康,有必要对其含量进行监测。共收集各类食用植物油样本79个,涉及9个品种和27个品牌,分配到校正集和预测集的样本数分别为53个和26个。采用QE65000拉曼光谱仪采集79个样本的拉曼光谱,利用自适应迭代惩罚最小二乘法去除样本拉曼光谱的荧光背景;在此基础上,采用多种归一化方法对样本拉曼光谱进行处理,并对拉曼光谱的建模波数范围进行初选;再利用竞争性自适应重加权采样(CARS)方法筛选与食用植物油TFA含量相关的光谱变量,并应用偏最小二乘(PLS)回归将食用植物油TFA的特征变量光谱强度与气相色谱测定的TFA真实含量进行关联,建立食用植物油中TFA含量的定量预测模型。研究结果表明,多种归一化方法中,有4种归一化方法均能提高PLS定量预测模型的性能,其中Area normalization方法的效果最优;经建模波数范围初选,波数范围由686~2 301 cm-1缩减为737~1 787 cm-1,确定较优的建模波数范围为737~1 787 cm-1;经CARS方法筛选,共有31个光谱变量被选择,其选择的光谱变量主要分布在1 265,1 303,1 442及1 658 cm-1拉曼振动峰附近,且974 cm-1拉曼振动峰两侧均有光谱变量被选择;此外,CARS方法的PLS建模结果优于常用的无信息变量消除及连续投影算法。由此可知,激光拉曼光谱技术结合化学计量学方法检测食用植物油中的TFA含量是可行的。归一化方法、建模波数范围初选及竞争性自适应重加权采样(CARS)方法能有效提高TFA定量预测模型的预测精度和稳定性,优化后的TFA定量预测模型的校正集及预测集的相关系数和均方根误差分别为0.949,0.953和0.188%,0.191%。与未优化的预测模型相比,预测均方根误差由0.361%下降为0.191%,下降幅度为47.1%;建模所用的变量数由683个下降为31个,仅占原变量数的4.54%。     

Identification of waste cooking oil and vegetable oil via Raman spectroscopy

This paper made a qualitative identification of ordinary vegetable oil and waste cooking oil based on Raman spectroscopy. Raman spectra of 73 samples of four varieties oil were acquired through the portable Raman spectrometer. Then, a partial least squares discriminant analysis (PLS‐DA) model and a discrimination model based on characteristic wave band ratio were established. A classification variable model of olive oil, peanut oil, corn oil and waste cooking oil that was established through the PLS‐DA model could identify waste cooking oil accurately from vegetable oils. The identification model established based on selection of waveband characteristics and intensity ratio of different Raman spectrum characteristic peaks could distinguish vegetable oils from waste cooking oil accurately. Research results demonstrated that both ratio method and PLS‐DA could identify waste cooking oil samples accurately. The identification model based on characteristic waveband ratio is simpler than PLS‐DA model. It is widely applicable to identification of waste cooking oil. Copyright © 2016 John Wiley & Sons, Ltd.     

基于激光拉曼光谱的钻井液中含烃浓度定量识别研究

钻井液中的烃能够显示出地层的含油气情况，地层含油气浓度的检测对识别真假油气显示，特别是准确解释和评价油气层具有重要意义。基于激光拉曼光谱技术具有连续、快速、直接检测样品的独特优势，开展了激光拉曼光谱技术应用于钻井液中含烃浓度定量识别的研究。实验室条件下搭建的激光拉曼在线检测系统对C₇~C₁₄正构烷烃及苯进行了检测与振动模式指认，在水基钻井液中优选正辛烷作为标志烃，基于最小二乘法建立了水基钻井液中正辛烷不同特征峰数学模型，在1 298 cm-1频移处振动强度与正辛烷含量具有良好的线性关系；在柴油基钻井液中优选苯作为标志烃，基于最小二乘法建立了油基钻井液中苯的不同特征峰数学模型，在986 m-1频移处振动强度与添加苯含量具有良好线性关系。实验结果表明:激光拉曼光谱技术可用于钻井液中含烃浓度的检测，为反演地层含油气浓度，提高油气层判识精度提供了一种新的途径。     

应用拉曼光谱分析变压器油中溶解乙酸含量

乙酸是变压器油纸绝缘老化所生成酸类物质的主要成分;分析变压器油中溶解乙酸含量对准确评估运行变压器的老化状态具有重要意义。拉曼光谱技术是基于拉曼效应的一种分子分析技术,能很好地用于物质的非接触式原位检测。论文开展了变压器油中溶解乙酸含量拉曼光谱检测方法研究： 利用Gaussian 09W软件分析了乙酸分子的拉曼振动特性,对实测乙酸拉曼谱峰的振动模式进行了指认;基于实验室搭建的激光拉曼光谱液体检测平台,对不同乙酸含量的变压器油样进行了原位检测;选定891 cm-1作为变压器油中溶解乙酸分子的拉曼特征峰,基于乙酸891 cm-1与变压器油932 cm-1特征峰面积比值和最小二乘法建立了乙酸的定量分析方法,检测限可达0.08 mg·mL-1。实验结果表明： 激光拉曼光谱可应用于油中溶解乙酸含量原位检测并具有良好的检测稳定性和重复性,为变压器油中溶解乙酸含量的快速、无损检测提供了一种新方法。     

基于XGBoost的糖尿病血液拉曼光谱定量分析法

血液中包含着大量的生物信息,如激素、酶、血糖等成分,而血糖偏高将引发糖尿病。糖尿病有很多并发症,比如脑梗塞,脑出血,肾脏损害,眼底损害,周围神经病变等一系列疾病。目前,血液常规成分检测分析周期较长,结果反馈较慢,难以实现快速连续检测。光学检测技术能够根据待测物质的光谱鉴别物质化学成分和相对含量,因其灵敏度高、适用性强、分析速度快等优势,在血液无创检测领域逐渐发挥其优势。随着激光技术的不断进步,拉曼光谱技术作为一种非线性散射光谱技术,在血液检测技术中得到了广泛应用。为提高拉曼光谱的预测精度,首次将XGBoost算法应用到拉曼光谱血液血糖浓度中进行预测精度的提升。实验中106组血液样本及试验标准值为河北省秦皇岛市第一医院提供,选用布鲁克的MultiRAM光谱仪进行血液的拉曼光谱数据测量,实验中1 064 nm激发光源功率为400 mW,光谱分辨率为6 cm-1,扫描速率为10 kHz,扫描范围为400～4 000 cm-1,对每个样本重复采集10次并计算平均值作为原始光谱数据,以保证实验的准确性和可重复性。该方法无需对数据进行预处理,首先将光谱数据随机划分为训练集和测试集,比例为7∶3,训练集用于训练模型并确定模型参数,测试集用于测试模型的稳定性和预测精度。建立XGBoost模型后,用网格搜索法和k折交叉验证优化模型参数;引入模型评估指标和克拉克网格误差分析图对XGBoost模型血糖浓度的预测进行分析;最后将XGBoost模型与决策树(DT)、随机森林(RF)和支持向量机回归(SVR)模型进行对比。实验结果表明通过XGBoost建立的定量回归模型效果最佳,模型的决定系数为0.999 99,校正集均方误差为0.007 49,预测集均方误差为0.007 17,相对分析误差为331.973 18,预测点均落在克拉克网格误差分析图的A区。结果证明,将XGBoost算法应用到拉曼光谱血液成分定量分析中具有较高的预测精度,并且数据未经过预处理,可以有效缩短程序运行时间,其在拉曼光谱以及近红外光谱定量分析领域具有广阔的发展前景。     

X射线荧光光谱结合CARS变量筛选选择方法用于土壤中铅砷含量的测定

X射线荧光光谱分析作为一种以化学计量学为基础的定量分析技术,所建立模型优劣对结果的预测准确性显得十分重要。竞争性自适应重加权算法(CARS)采用自适应重加权采样技术,利用交互验证选出互验证均方根误差(RMSECV)值最低原则,寻出最优变量组合。为了进一步提高PLS模型的解释和预测能力,将竞争性自适应重加权算法(CARS)与X射线荧光光谱分析技术相结合,对土壤中重金属元素铅和砷进行特征波长变量筛选后建立偏最小二乘(PLS)模型。首先,利用CARS算法对铅含量密切相关的波长变量进行筛选,当采样次数为26次时,筛选出60个有效波长点;对砷含量密切相关的波长变量进行筛选,当采样次数为34次时,筛选出19个有效波长点;然后对优选出的波长点利用PLS方法分别建立土壤中铅和砷含量定量分析模型,并与经连续投影算法(SPA)及蒙特卡罗无信息变量消除(MC-UVE)方法波长变量筛选后所建立的PLS模型进行比较。结果显示：铅的CARS-PLS模型的预测集决定系数(R2)、交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)和相对预测误差(RPD)分别为0.995 5,2.598 6,3.228和9.401 1,砷的CARS-PLS模型的预测集R2,RMSECV,RMSEP和RPD分别为0.989 9,3.013 2,2.737 1和8.211 6;两元素的CARS-PLS模型性能均优于全波段PLS,SPA-PLS和MC-UVE-PLS模型。基于CARS-PLS的算法可以有效筛选出X射线荧光光谱特征波长点,在简化了建模复杂程度的同时,提高了模型的准确性和稳健性。