基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究（英文）

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析(PCA)和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明:基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。     

颗粒系的可见消光光谱分析及最佳波长的选择

在光全散射法颗粒粒径测量中,被测颗粒系的消光光谱包含有颗粒粒径、折射率等信息。对常用的单峰及双峰R-R分布的可见消光光谱进行模拟,分析了可见消光光谱随粒径和相对折射率变化的规律。选取二阶微分可见消光光谱不连续点对应的波长作为测量波长,并将可见光边界波长同时作为测量波长,在非独立模式下,采用遗传优化算法反演粒径分布。仿真计算与实验验证结果表明,通过消光光谱分析,可以预先确定被测颗粒系的分布状况,缩小优化算法中反演参数的搜索范围。结合最佳波长选择方法,使测量的精度和可靠性明显提高。对测量光谱加入1%随机噪声时,单峰及多峰分布粒径反演均能得到满意的结果。     

非独立模式算法下粒径分布反演及分类的研究

在光全散射法颗粒粒径测量中,提出一种非独立模式算法下粒径分布反演及分类的方法。对被测颗粒系分别按照不同的粒径分布函数同时进行反演,并依据反演误差大小判断被测颗粒系符合哪种分布函数。仿真实验结果表明,在非独立模式下,完全可以利用已知的不同分布函数的反演误差作为分类依据,从而更准确地确定被测颗粒系的粒径分布。采用的遗传反演算法能够在3个可见光波长下得到较准确的粒径分布,反演结果稳定可靠,最大限度地减少了多个波长的使用,从而对光源有更大的选择余地。对透射消光测量结果加入5%随机噪声时,单峰分布颗粒系的反演误差小于5%,多峰分布颗粒系的反演误差小于10%。整个算法运行时间小于2 s。该方法具有原理简单,计算速度快等优点,能够满足颗粒粒径在线测量的要求。     

跨微米尺度混合颗粒粒径的同步测量方法

基于多波长消光法和图像法颗粒测量原理,提出了跨微米尺度混合颗粒粒径同步测量方法,建立了亚微米-十微米尺度颗粒粒径消光光谱反演算法及十微米以上尺度颗粒粒径图像处理算法;采用分光棱镜,搭建了消光光谱与背光图像同步测量装置,利用500 nm～76.9μm粒径范围内的10种标准颗粒配成跨微米尺度混合颗粒样品并开展实验研究。结果表明:利用所提方法开展跨微米尺度混合颗粒粒径同步测量时,亚微米-十微米尺度颗粒消光光谱与十微米以上尺度颗粒背光图像的相互影响可忽略,可同步测量得到跨微米尺度混合颗粒粒径;利用消光法和图像法分别开展亚微米-十微米、十微米以上尺度颗粒粒径测量,与标准颗粒粒径相比,相对误差均小于8%,且测量重复性较好,这为跨微米尺度混合颗粒提供了一种有效的粒径测量手段。     

多分散Au-Ag合金纳米球的光谱消光法反演

贵金属纳米颗粒具有局域表面等离子体共振特性而引起了广泛的关注,其中Au-Ag合金纳米颗粒具有良好的结构稳定性、光热性能以及潜在的抗癌功效而得到普遍研究。在众多应用中的特性与其粒径和浓度密切相关,然而目前常用的电子显微镜观察法和动态光散射法不能同时获得粒径和浓度信息,因此采取有效手段测量颗粒粒径和浓度信息至关重要。基于光谱消光法,利用非负的Tikhonov正则化方法解决反演问题,并根据Mie理论计算消光矩阵。针对噪声问题,采取两种情况研究多分散Au-Ag合金纳米球粒径分布与浓度的反演问题。未添加噪声情况下,颗粒系Ⅰ的反演相对误差小于颗粒系Ⅱ,在波长范围300～500 nm之间的反演相对误差最小,对应平均粒径、粒径标准差和颗粒数浓度的反演相对误差分别为0%,-0.03%和0%。添加随机噪声情况下,将0.5%和1.0%的随机噪声添加进颗粒系Ⅰ中的消光谱,经过数据比较发现在波长范围200～600 nm之间的反演相对误差最小。当添加0.5%的随机噪声时,粒径分布、粒径标准差和颗粒数浓度的变化范围分别为79.76～80.15 nm, 5.60～6.61 nm和0.995 8×1010～1.005 9×1010个·cm-3;当添加1.0%的随机噪声时,粒径分布、粒径标准差和颗粒数浓度的变化范围分别为78.87～80.27 nm, 5.36～9.00 nm和0.992 4×1010～1.027 7×1010个·cm-3。反演结果随着随机噪声的增大,变化范围也明显增大即反演相对误差增大,并且每次添加相同随机噪声后的反演结果不同。为了减少随机噪声导致的不稳定性,对100次反演结果进行平均得到平均粒径、粒径标准差和颗粒数浓度。当随机噪声从0.5%增大至1.0%时,其反演结果的相对误差均增大,但是反演得到的粒径分布、粒径标准差和颗粒数浓度相对误差均小于6%,这说明通过反演算法得到的反演结果具有较好的稳定性。研究表明,光谱消光法为反演多分散Au-Ag合金纳米球粒径分布与浓度提供了一种简单、快速的表征手段,也对研究非球形纳米颗粒有启示作用。     

基于二阶滤波器的消光起伏谱颗粒测量结果

消光起伏频谱法是一种新的测量两相流系统中颗粒粒径分布和浓度的方法,装置简单,操作方便,适合实时、在线测量。采用二阶低通滤波器对起伏的透射率信号分析,得到消光起伏频谱实验数据,并利用改进的Chahine循环方法计算得到颗粒的粒径分布和浓度信息。重点讨论高浓度情况,包括对特征函数频率响应的修正和对其阶高修正两个方面,得到修正参量并运用到反演算法中从而得到正确的测量结果。测量结果表明,通过高浓度修正,消光起伏频谱法可以在很大的颗粒浓度动态范围得到合理的测量结果,其可测颗粒最大体积分数视颗粒的大小而定。     

RGB三波段消光法测量细微颗粒粒度分布研究

提出了采用彩色相机RGB信号实现三波段消光法测量微米级颗粒粒度分布的方法。当一束平行白光入射到弥散细微颗粒时,测量不同波长的透射光强信号,用多波长消光法理论反演可以测得被测弥散细微颗粒粒度。当用彩色相机拍摄透射光,得到的图像实际是RGB三个波段的透射光信号,该信号与相机的RGB响应曲线、光源光谱特性、被测颗粒粒径及颗粒浓度有关。对RGB三波段信号用消光法理论进行分析和反演计算,可以得到细微颗粒的粒度分布。通过数值模拟与实验验证,表明用彩色相机RGB三波段消光法可以测量亚微米到3 mm大小的颗粒粒度分布。将该方法与图像法颗粒粒度测量相结合,可以将彩色相机测量颗粒粒度的范围拓展到从亚微米到数百微米。     

基于模式搜索的光谱消光粒径分布反演算法的研究

发展快速有效的反演算法用于粒径分布的重建是颗粒测量领域重要的研究课题之一。在光谱消光法粒径测量中,提出将模式搜索算法用于独立模式下粒径分布的重建,同时引入Tikhonov平滑泛函构建算法的目标函数,为保证搜索过程的快速性和准确性,设计了关于初始点的优选策略。利用该算法测量国家标准颗粒体积平均直径的相对误差为3.14%,不超过国家标准物质局给出的±8%的范围,且粒径分布宽度合理,没有明显展宽和伪峰现象。与Phillips-Twomey方法和遗传算法的对比结果表明,在综合考虑反演精度和反演时间条件下,该算法具有明显优势,更适合于快速准确的现场测量,具有较好的应用前景。     

光子相关光谱的自寻优累积反演算法实现

提出自寻优方案改进,用于光子相关光谱技术测量纳米颗粒粒径及分布的累积反演算法.阐述光子相关光谱技术测量纳米颗粒的基本原理.详细分析光子相关光谱技术中传统累积反演算法的原理,分析传统方法中造成反演结果不稳定的主要原因.提出以标准差为判定依据的自寻优累积反演算法,改善累积反演算法的测量精度和稳定性.实验结果证明方法可行可靠.     

非球形颗粒系粒径分布的机器学习反演算法

动态光散射技术在微米与亚微米级颗粒系粒径分析领域中具有广泛应用,但缺乏非球形颗粒系粒径分布（PSD）的反演模型和算法,限制了其在生物医疗等领域中的应用。基于机器学习方法,设计了基于广义回归神经网络（GRNN）的PSD反演模型和算法,可应用于多角度动态光散射法的粒径分析场景中。以生物医疗领域中的双凹圆饼形和椭球形血红细胞作为典型的非球形颗粒物模型,通过仿真实验测试了所设计的算法。实验结果表明,与传统的正则化Tikhonov算法相比,所设计的反演算法粒径分析准确性更好且耗时更短。对多角度动态光散射法中的散射角度数量进行了仿真实验。结果表明,仅使用2个散射角度处获得的数据依然能实现非球形颗粒系粒径分布的准确反演。     

衰减全反射红外光谱法快速分类和识别多种食用油的方法

提出了一种衰减全反射红外光谱法快速分类和识别多种食用油的方法——KL-BP模型。此模型利用KL算法对原始光谱数据分类特征进行提取并对原始数据降维,降维后的数据作为神经网络的输入建立分析模型。实验共收集了九种食用油包括芝麻油、玉米油、油菜籽油、调和油、葵花油、花生油、橄榄油、大豆油、茶籽油,共84个样品,并测定了其衰减全反射红外光谱。为了对比所提方法性能,分别建立PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP模型的分类结果进行对比。研究结果表明,对所研究的9种食用油,PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP方法的识别率分别为59.1%,68.2%,77.3%,77.3%和90.9%。在数据降维中,KL算法通过分别提取使类间距离和类内距离比值最大方向的特征向量提取和包含在类内离散度矩阵中的分类信息,能够比PCA方法提取了更多的分类信息;引入BP神经网络能有效地提高分类能力和分类准确率;KL-BP综合了KL对分类信息提取优势以及BP神经网络自学习、自适应、非线性的优点,在分类和识别成分相近的9种食用油中表现出了最优秀的能力。     

基于近红外光谱技术的土壤参数BP神经网络预测

利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了150个田间土壤样本的近红外光谱,首先采用局部加权散点图平滑滤波法对光谱曲线进行了平滑处理,然后根据对目标参数进行的聚类分析结果进一步平均了输入光谱,最后将反射光谱数据进行对数转换后与目标数据一起进行了归一化处理。对预处理后的光谱数据首先进行主成分分析,然后提取贡献率超过99.98%的主成分建立BP神经网络模型。对土壤有机质含量的分析结果：模型拟合精度为0.999,预测精度达到0.854。对于土壤全氮含量的分析结果：模型的拟合精度近似为1,预测精度达到了0.808。研究表明,基于近红外光谱技术的土壤参数BP神经网络预测模型具有较高的鲁棒性和较强的容错能力。     

基于可见-近红外光谱的咖啡品牌鉴别研究

利用可见-近红外光谱技术对市场上三种不同品牌咖啡品种进行鉴别。分别采用主成分分析法与BP神经网络结合和小波变换与BP神经网络结合两种组合模型进行分析预测。利用主成分分析法与小波变换的数据压缩功能和BP神经网络的学习预测能力实现对不同品牌咖啡的鉴别。实验采用３个品种共60个样本建立模型,30个样本进行品种鉴别,结果表明,两种鉴别模型的咖啡品种鉴别率均为100%。同时也表明,小波变换用于数据压缩无论是在压缩时间上还是在压缩能力上都优于主成分分析法。说明通过小波变换和BP神经网络相结合建立模型进行不同品牌咖啡鉴别具有分析速度快,鉴别能力强的特点,为快速鉴别纯品咖啡提供了新的方法,同时也为确定不同品牌咖啡选用咖啡豆品种奠定了基础。     

近红外光谱LASSO特征选择方法及其聚类分析应用研究

近红外光谱技术是一种通过分析样本的特征光谱数据,实现定性或定量分析的无损检测方法,特征数据的完整性和代表性决定了所建模型的性能,而现有分析方法只能实现光谱子区间特征筛选,导致分析模型稳定性差、且难以再优化。为实现近红外光谱区间高维数特征提取,有效提高近红外光谱定性分析模型的精度和稳定性,提出一种基于最小绝对收缩和选择算法(LASSO)的光谱特征筛选方法,并以我国特色高值外贸产品云南松茸为分析对象进行聚类应用研究,讨论了该方法对于高维光谱特征筛选的有效性、分析对比了LASSO筛选特征变量及主元分析(PCA)降维算法所建松茸真伪甄别及食用菌分类模型的预测精度及稳定性。通过调研发现,云南产鲜松茸因其独特外形易于分辨,而片状的干松茸失去其独有的外形特征,导致国内干松茸掺假事件屡禁不止。选取云南产松茸、杏鲍菇、老人头、姬松茸四种干样共166样本数据进行分析,采用光谱范围为900～1 700 nm的NIRQuest512型近红外光谱仪获得166×512维原始光谱数据,剔除异常数据后采用标准正态变换对光谱数据进行预处理。在此基础上,利用LASSO筛选出全光谱区间的特征变量,再使用Kennard-Stone法并结合典型线性(KNN)和非线性建模(BP)算法,构建松茸真伪甄别模型和食用菌分类模型,对两种模型进行盲样测试,并分析了LASSO与PCA算法的不同点,最后使用蒙特卡罗方法检测两种模型的稳定性。实验结果表明基于LASSO光谱特征选择的松茸真伪甄别模型和食用菌分类模型预测精度和稳定性均高于PCA方法,其中基于原始光谱数据所建真伪甄别模型的预测准确率为69.57% (BP)和60.87% (KNN),食用菌分类模型准确率为67.39% (BP)和65.22% (KNN),基于LASSO特征筛选的真伪甄别模型预测准确率分别达到100% (BP)和78.26% (KNN),食用菌分类模型预测准确率分别达到89.13% (BP)和80.43% (KNN),对两种模型进行10次蒙特卡罗实验,其结果平均值分别为99.93%和97.22%,由此可知,与PCA等数据降维算法相比,LASSO可实现全光谱区间的光谱特征选择和数据降维,有效地提高了近红外定性分析模型的预测性能,为近红外分析提供了一种新的特征筛选方法。     

错位光纤干涉激光谱结合BP神经网络的温度传感研究

在分析不同温度时单模错位光纤干涉光谱对应波长的条件下,搭建三层BP神经网络模型对温度传感进行研究,解决了常规光纤测温系统复杂和精度不高的问题。对建立的网络模型参数进行探讨,将采集的激光波长与对应的温度数据,经BP神经网络训练,对比得到最佳网络结构,达到在训练完成的网络输入层输入激光波长值时,便可在输出层得到对应的温度预测值。结果证明,实验输出的预测温度值与实际温度值之间表现出明显的相关性,即预测值能够逼近实测值。温度校正和预测相关系数分别达到0.999 61和0.979 27,校正标准误差与预测标准误差分别为0.017 5和0.144 0,得到预测集的平均相对误差为0.17%,剩余预测误差RPD可达到5.258 3,RPD大于3.0,说明定标效果良好,所建模型可用于实际的检测。另外,将该算法用于了带校正的双耦合结构单模错位光纤测温系统中,结果表明BP神经网络方法能够较好的处理错位光纤测温系统中激光光谱数据和温度之间的非线性关系,预测温度值与实测温度值之间的相关度为0.996 58,得到预测温度值与实际温度值之间平均相对误差为0.63%,从而提高了光纤测温传感器的精度和稳定性,同时也验证了该算法在光纤传感上的可行性,也为错位光纤的压力、曲率等其他物理量传感的精确测量提供了新思路。     

基于三维荧光谱特征分析的油种鉴别技术的研究

介绍了运用神经网络进行模式识别的基本原理,将主成分分析法和BP神经网络相结合,提出矿物油三维荧光谱鉴别方案,并进行了系统设计,建立了基本的模型框架.选取矿物油三维荧光谱的特征参量,组成原始特征向量,采用主成分分析法进行预处理,而后选取主成分运用BP神经网络实现油种鉴别.该方法减少了输入变量的维数,消除了各输入变量的相关性,同时简化了网络结构,提高了程序运行的速度.通过实例进行了分析,结果证明该方法有效地实现了矿物油三维荧光谱的油种鉴别,同时该系统也可用于其它物质的光谱识别技术领域.     

一种新的线性神经网络多组分分析法及其在VC银翘片NIR定量分析中的应用

用红外光谱仪测量了VC银翘片的近红外谱图,然后将主成分分析法(PCA)和线性神经网络结合,分析VC银翘片中的对乙酰氨基酚和维生素C的含量。讨论了主成分数的选择及影响神经网络的各参数。为了比较算法的性能,作者又分别采用了偏最小二乘法、主成分分析结合BP神经网络进行数据处理。实验及数据处理结果表明,在3种多组分分析方法中,主成分分析结合线性神经网络的方法具有最高的预测精度。     

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。