红外光谱分辨率对气体定量分析的影响研究

利用不同分辨率(1, 2, 4, 8 cm-1)的红外光谱建立对多组分气体样本(一氧化碳、二氧化碳、一氧化氮)的定量分析模型,研究了分辨率对气体定量测量精确性的影响。研究发现：对于样本中的各气体组分,在合适的分辨率下都有其最佳的测量精确性;而对于模型的整体精确性,在高分辨率1和2 cm-1以及低分辨率8 cm-1时模型都有较好的精确性,各组分相关系数(r)均值达到0.999 5以上,校正均方根误差(RMSEC)和验证均方根误差(RMSEP)的均值分别为18.36和15.43以下,而在分辨率为4 cm-1时,模型测量精确性陡然降低,r均值降到0.989 66,RMSEC均值为90.37,RMSEP均值为64.33。实验结果表明：光谱分辨率对气体定量分析有明显的影响。为提高定量分析测量的精确性,需要针对不同的待测气体和应用场合采用合适的分辨率参数。     

一种基于近红外光谱的天然产物抗氧化活性预测评价方法

提出了一种基于近红外(NIR)光谱的黄酮类提取物抗氧化活性计算预测新方法。采用1,1-二苯-2-苦肼基(DPPH)法测定28种黄酮类中药材提取物的抗氧化活性,并在4 000～10 000 cm-1范围扫描样品的红外光谱,采用偏最小二乘(PLS)算法建立了黄酮类组分近红外光谱与抗氧化活性之间的校正模型。建模过程中,以交叉验证相关系数(R2),交叉验证误差均方根(RMSECV)为指标,确定了用于建模的最优近红外波段和光谱预处理方法。校正模型的RSECV为9.50%,R2为 0.901 7,预测误差均方根(RMSEP)为14.8%。该方法快速无损、操作简便,可用于中药及天然产物提取物抗氧化活性的快速评价。     

傅里叶变换红外光谱结合衰减全反射技术用于地贫筛查指标的无试剂定量分析

利用傅里叶变换红外光谱(FTIR)和衰减全反射(ATR)结合偏最小二乘(PLS)回归,建立地中海贫血(地贫)筛查指标平均红细胞血红蛋白含量(MCH)、平均红细胞体积(MCV)和总血红蛋白(Hb)的同时定量分析方法。收集人外周血样品380个,根据地贫血液学指标筛查标准,地贫阳性180个、阴性200个。从全体样品中随机选取150个为检验集(阴性64,阳性86),余下230个为建模集(阴性136、阳性94);再将建模集随机划分为定标集(阴性68、阳性47,共计115)、预测集(阴性68、阳性47,共计115),共200次。实验比较的结果表明,中红外指纹区(1 600～900 cm-1)PLS模型的预测效果显著优于全扫描谱区(4 000～600 cm-1)PLS模型,并且模型复杂性明显降低。基于中红外指纹区PLS模型,MCH,MCV,Hb最优PLS因子个数分别为10, 10, 6;建模预测均方根误差(M_SEP_Ave)分别为2.19 pg,5.13 fL,8.0 g·L-1;建模预测相关系数(M_R_{P, Ave})分别为0.902,0.898,0.922;检验预测均方根误差(V_SEP)分别为2.22 pg,5.38 fL,7.7 g·L-1;检验预测相关系数(V_R_P)分别为0.900,0.895,0.929;地贫筛查灵敏度、特异性分别达到100.0%和95.3%。结论：FTIR/ATR光谱结合PLS方法可以提供一种无需试剂、快速简便的大人群地贫筛查新技术。     

依据IR和GC数据利用PLS建模预测粗苯原料中多组分的含量

基于粗苯原料中有效组分不能快速检测的现状,利用化学计量学和偏最小二乘法原理,进行了粗苯中苯、甲苯、邻二甲苯、间二甲苯、对二甲苯含量预测的研究。依据粗苯的红外光谱和气相色谱数据,采用交互验证方法,选取合适的维数、波段及图谱处理方式,建立了数学模型。校正集中苯、甲苯、邻二甲苯、间二甲苯、对二甲苯的相关系数分别为0.950 2,0.969 8,0.952 9,0.970 6和0.970 5,预测均方根误差分别为1.50,0.391,0.060 7,0.086和0.029 8。预测精度能满足企业要求,检测时间从0.5h降到了几分钟。     

薰衣草精油的衰减全反射红外光谱辨别分析

为建立薰衣草精油品种品质的快速辨别分析模型,采用衰减全反射红外光谱法测定三个品种共96个薰衣草精油样品,对原始光谱数据求二阶导数,通过方差计算,确定1 750～900 cm-1波长段为判别分析用数据。分析结果表明,主成分分析(PCA)基本能实现精油品种区分,前三个主成分主要代表着酯、醇和萜类物质。使用68个样品的校正集建立正交偏最小二乘判别分析(OPLS-DA)模型,三个品种薰衣草精油的回归曲线测定系数分别为0.959 2, 0.976 4, 0.958 8,验证集中三个品种精油预测均方根误差(RMSEP)分别为0.142 9, 0.127 3, 0.124 9,OPLS-DA法建立的模型对校正集和验证集的判别率和预测率都达到100%,模型对薰衣草精油品种品质有很好的识别能力。为薰衣草精油品种品质提供一个快速、直观的方法。     

基于近红外光谱技术快速无损检测大豆含水量

为了研究近红外光谱法快速无损检测大豆含水量的可行性,在室内通过FieldSpec4高分辨地物光谱仪对100份大豆样品进行光谱数据测量,经过平滑、求导、多元散射校正等七种不同的光谱预处理变换之后,利用主成分回归分析方法(PCR)和偏高最小二成回归分析方法(PLSR)分别建立大豆含水量高光谱估测模型。结果表明,基于原始光谱的一阶导变换建立的偏最小二成回归模型预测精度最高,其校正集和预测集的相关系数和均方根误差分别为R_c~2=0.74、R_p~2=0.85,RMSE_c=0.30,RMSE_p=0.45,近红外光谱技术可用于快速无损检测大豆含水量。     

应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究

应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究。采集浙江省文城地区农田土壤样品近红外光谱数据,土壤样品数为394个。为简化模型,采用遗传算法结合连续投影算法挑选出18个特征波长建模,应用偏最小二乘回归建立有机质预测模型,建模集的决定系数为0.81,均方根预测误差为0.22, 剩余预测偏差为2.31,预测集的决定系数为0.83,均方根预测误差为0.20,剩余预测偏差为2.45。研究发现,遗传算法结合连续投影算法在简化模型同时,模型的预测评价指标同采用全谱波长建模并没有明显降低。因此,遗传算法结合连续投影算法挑选的特征波长可以应用于近红外光谱检测土壤有机质含量。     

傅里叶变换红外光谱的牛乳中αs1-酪蛋白和κ-酪蛋白含量的快速检测

为了找到一种能够对牛乳中的两种主要过敏原（α_s1和κ-酪蛋白）含量快速检测的方法,以河南、湖北、宁夏和内蒙古四省区的211份中国荷斯坦牛牛乳样本为研究对象,建立了基于傅里叶变换中红外光谱技术的牛乳中α_s1和κ-酪蛋白含量的无损快速检测模型。首先对牛乳的原始光谱进行预分析,发现水对牛乳的光谱吸收具有很强的干扰,对水的两个主要吸收区域1 597~1 712和3 024~3 680 cm-1进行分析,发现水的吸收区域1 597~1 712 cm-1和蛋白的部分吸收区域1 558~1 705 cm-1（酰胺Ⅰ）基本重合,通过对比去除1 597~1 712 cm-1前后的效果,最终选择925.92~3 005.382 cm-1的光谱区域作为敏感波段用于后续分析。选取的全光谱经手动降维,利用MCCV剔除异常样本,分别采用标准正态变量变换（SNV）、多元散射校正(MSC)等8种预处理算法和竞争性自适应重加权算法（CARS）、无信息变量消除法（UVE）等3种特征选择算法联合建立支持向量机回归模型（SVR）。经检验,对于α_s1-酪蛋白,一阶导数和CARS算法结合建立的SVR模型效果最优,训练集相关系数Rc和测试集相关系数R_p分别为0.882 7和0.899 8,训练集均方根误差RMSEC和测试集均方根误差RMSEP分别为1.136 3和1.372 6;对于κ-酪蛋白,一阶差分和UVE算法结合建立的SVR模型效果最优,训练集相关系数R_c和测试集相关系数R_p分别为0.880 8和0.890 3,训练集均方根误差RMSEC和测试集均方根误差RMSEP分别为0.534 5和0.535 4。研究结果表明,基于傅里叶变换中红外光谱技术建立的SVR模型可以对牛乳中的过敏原α_s1和κ-酪蛋白含量进行无损检测,预测效果良好,此研究弥补了国内利用光谱技术对牛乳中的酪蛋白进行无损快速检测的空白。     

PLS和SMLR建模方法在水蜜桃糖度无损检测中的比较研究

在实际应用中,一些实验条件往往不能严格控制而存在变化,从而影响近红外光谱检测模型的稳健性。文章以50个常温和50个冷藏后的奉化水蜜桃样品组成温度混合样品集,经光谱杠杆值和狄克松检验法进行异常光谱剔除后,采用偏最小二乘法(PLS)和逐步多元线性回归(SMLR)对水蜜桃糖度进行建模分析。PLS的建模结果：校正集相关系数R_C=0.965, 校正均方根标准误差RMSEC=0.301°Brix,交叉验证R_CV=0.812,交叉验证均方根标准误差RMSECV=0.67°Brix,标准偏差与交叉验证均方根标准误差的比值RPD=1.72;SMLR的建模结果：校正集R_C=0.929,RMSEC=0.424°Brix, 交叉验证R_CV=0.887, RMSECV=0.532°Brix, RPD=2.16。SMLR的预测结果要优于PLS的预测结果,在SMLR分析中,在3个不同的光谱区域4 290～7 817,7 817～10 725,4 290～10 725 cm-1的RPD值分别为1.97,1.89,2.16。试验结果表明,将不同温度条件下的样品组成温度混合样品集,用PLS和SMLR建立的模型具有较好的预测效果。     

基于中红外光谱技术的香菇蛋白质含量测定

研究了中红外光谱预测香菇蛋白质含量的可行性。去掉明显噪声部分后,研究香菇3 581～689 cm-1中红外光谱与蛋白质含量的关系。以Savitzky-Golay(SG)5点平滑预处理光谱建立偏最小二乘法(partial least squares, PLS)的预测模型的效果不理想,模型的建模集和预测集的相关系数均高于0.85,但剩余预测偏差(residual prediction deviation, RPD)值仅为1.77。采用连续投影算法(successive projections algorithm, SPA)算法从3000个波数点中选择7个特征波数,并以七个特征波数分别建立PLS、多元线性回归(multiple linear regression, MLR)、反向传播神经网络(back-propagation neural network, BPNN)和极限学习机模型(extreme learning machine, ELM)。与全谱的PLS相比,以特征波数的PLS模型和MLR模型的预测效果相对较差,而以特征波数的BPNN和ELM模型的预测效果相对较好。其中SPA-ELM模型的预测效果最佳,预测集相关系数(correlation coefficient of prediction)R_p=0.899 5,预测集均方根误差(root mean square error of prediction)RMSEP=1.431 3,剩余预测偏差RPD=2.18。研究结果表明,中红外光谱分析技术可以用于预测香菇蛋白质含量,且SPA选取特征波数能用来代替原始光谱进行建模分析,为香菇蛋白质含量的检测提供了新的思路。     

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。     

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。     

多项式偏最小二乘法对非线性体系红外谱图的分析

文章利用了一种非线性模型多项式偏最小二乘法(PPLS),结合傅里叶变换红外光谱遥感技术,对大气中的五组分混合体系进行了同时分析。并与偏最小二乘法(PLS)得到的结果进行了比较,PPLS显示出较好的处理非线性数据的能力。尤其是对混合物中的苯和氯仿的预测,均方根预测误差(RMSEP)分别是0.043和0.087,用PLS预测相应的RMSEP为0.402和0.842。PPLS的这一预测精度,可以满足遥感傅里叶变换红外光谱对大气中有毒气体的实时、在线监测的需要。同时PPLS可以用较少的潜变量对变量进行解释,显示出PPLS模型的稳健性和简单化。     

一些异核双金属有机化合物的FT－Raman光谱

一些异核双金属有机化合物的ＦＴ－Ｒａｍａｎ光谱郭建华，谭，聂崇实（中国科学院上海有机化学研究所上海市２０００３２）ＦＴ－ＲａｍａｎＳｐｅｃｔｒａｏｆＳｏｍｅＨｅｔｅｒｏｂｉｎｕｃｌｅａｒＭｅｔａｌｌｏｒｇａｎｉｃＣｏｍｐｏｕｎｄｓ￥ＪｉａｎＨｕａＧｕ...     

近红外漫反射光谱法测定玉米秸秆体外干物质消化率

以不同生态环境、不同年份,不同品种和自交系类型、不同生长发育时期以及不同部位的600个样品中选出161份玉米秸秆为材料,应用傅里叶变换近红外光谱技术,采用偏最小二乘回归法(PLS),通过比较不同光谱范围和光谱预处理方法,在6 101.7～5 773.8 cm-1和4 601.3～4 246.5 cm-1谱区内,建立了适合不同品种类型、不同生长发育时期和不同部位且适配范围广的近红外漫反射光谱(NIRS)测定玉米秸秆体外干物质消化率(in vitro dry matter digestion,IVDMD)的稳定校正模型。其交叉验证和外部验证决定系数(R2_cv,R2_val)分别为0.907 3和0.906 6,预测标准偏差为2.08%, 预测值与化学值间的相关系数(r)达0.956。结果表明, 近红外光谱技术可以用于快速、准确测定玉米秸秆IVDMD,该结果对青贮玉米育种过程中的秸秆材料快速鉴定和筛选具有重要的意义。     

近红外漫反射用于检测苹果糖度及有效酸度的研究

提出了应用近红外漫反射光谱技术并结合光纤传感技术快速检测苹果糖度和有效酸度的新方法。以傅里叶变换光谱仪(12 500～4 000 cm-1)为试验仪器,以120个红富士苹果为标准样品并结合偏最小二乘法,建立了苹果糖度、有效酸度的定量预测数学模型。试验结果为：样品预测值和真实值之间的相关系数分别为0.970,0.906,标准校正误差(SEC)分别为0.261,0.0562,标准预测误差(SEP)分别为0.272,0.0562,偏差(Bias)分别为0.011,0.0115。通过本研究表明：应用近红外光谱漫反射技术在10 341～5 461 cm-1光谱波长范围内对苹果糖度的无损检测和在10 341～3 818 cm-1有效光谱范围内对有效酸度的无损检测具有可行性。     

高效节能挥发性有机物去除的实验研究

建立了空气中挥发性有机物去除的实验与测量系统,以甲醛、甲苯等为研究对象,分别进行了大量系统实验研究。结果表明,该实验装置对不同工况下甲醛的去除效果最好,一次去除率高达99％,氨次之,甲苯最低,采用空气循环处理或改进VOCs去除装置可大幅提高去除率。     

苏码罐采样预浓缩-GC-MS测定空气中的挥发性有机化合物

采用苏码罐采样技术,预浓缩系统与GC-MS联用,优化了系统的测试条件,建立了测定环境空气中41种挥发性物的监测方法.用于环境空气和室内空气的监测,结果令人满意.     

近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究

为了建立近红外光谱测定茶叶中茶多酚和茶多糖的模型,应用了人工神经网络方法,选择了7 432.3～6 155.7 cm-1和5 484.6～4 192.5 cm-1特征光谱范围,以网络结构参数的输入层、隐层、输出层神经元数目分别为(8,4,1)和(7,5,1)来建立茶多酚和茶多糖的测定模型,模型的结果表明建模的茶多酚和茶多糖的ｒ,RMSECV,RSECV分别为0.984 7,0.460,0.123和0.947 0,0.136,0.224;预测集的ｒ,RMSEP,RSEP则分别为0.980 4,0.529,0.017和0.968 2,0.111,0.030。由此说明建立的近红外光谱-人工神经网络模型可用于预测茶叶中茶多酚和茶多糖的含量。     

吸附材料净化室内VOC性能评价研究

利用多孔吸附材料可以吸着室内空气中的低浓度有害气体,达到净化室内空气的目的.介绍了一种评价吸附材料吸附低浓度VOC性能的模型及其关键参数的测试方法.通过快速穿透实验法获得吸附等效分配系数和扩散系数等材料关键参数,与传统方法相比,大大缩短了实验周期,且具有较高的精度.以硅胶、活性氧化铝和13X沸石三种吸附材料为例,测定了...