聚酰亚胺研究新进展

聚酰亚胺（PI）是一类重要的高性能聚合物,广泛应用在航空航天、微电子、汽车、石油等高科技领域。由于其结构上的可设计性,世界上越来越多的研究者投入到这类高技术材料的研究开发中。本文分别从可溶性PI的分子设计与合成、功能性PI的合成与用途、PI绿色合成方法、PI纳米复合材料的制备4个方面综述了近年来PI的研究热点和新进展,为了解聚酰亚胺的研究提供了有价值的信息。     

高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定

由于高光谱数据量大、维数高,光谱噪声明显、散射严重等特征导致光谱建模时关键变量提取较为困难,同时,高光谱图像的获取会受非单色光、杂散光、温度等多种因素的影响,从而使高光谱数据与待测性质之间有一定非线性关系。为此,提出采用正自适应加权算法(CARS)对可见-近红外高光谱高维数据进行关键变量筛选,并与全光谱和经典变量提取方法SPA,MC-UVE,GA和GA-SPA方法进行比较。以200个库尔勒香梨为研究对象,采用SPXY方法将样本划分为校正集和预测集,校正集和预测集分别包含150个和50个样本。基于不同方法筛选的变量,分别建立线性PLS模型及非线性LS-SVM模型,r2,RMSEP和RPD用于模型性能的评估。综合比较发现,GA,GA-SPA和CARS变量筛选方法能够有效地筛选出原始高光谱数据中具有强信息且对外界影响因素不敏感的变量,适用于高光谱数据关键变量的提取,其中CARS变量筛选效果最佳,基于CARS获取的关键变量构建的非线性LS-SVM库尔勒香梨SSC含量预测模型获得了最优的预测结果,r2_pre,RMSEP和RPD分别为0.851 2,0.291 3和2.592 4。研究表明,CARS方法是一种有效的高光谱关键变量筛选方法,利用高光谱数据,非线性LS-SVM模型比线性PLS模型更适合于香梨品质的定量预测。     

特征变量优选在苹果可溶性固形物近红外便携式检测中的应用

为实现苹果可溶性固形物(SSC)的便携式快速检测,利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统,结合无信息变量消除(UVE)、遗传算法(GA)、竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。另外,采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量,分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。试验结果表明,经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好,其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。利用该检测装置结合GA-CARS筛选的特征波长,可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度,为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。     

近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定

高光谱数据量大、 维数高且原始光谱噪声明显、 散射严重等特征导致光谱建模时关键波长变量提取困难。 基于此,提出采用竞争性自适应重加权算法(CARS)对近红外高光谱数据进行关键变量选择。 鸭梨作为研究对象。 采用决定系数r2、 预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。 基于选择的关键变量建立PLS模型(CARS-PLS)与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果,r2_pre,RMSEP和RPD分别为0.908 2,0.312 0和3.300 5。 进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法(GA)获得的特征变量建立的PLS模型比较发现,CARS不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,该方法能够有效地用于高光谱数据变量的选择。 结果表明,近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。     

可见-近红外光谱技术结合递归变量选择算法对土壤全氮与有机质含量测定研究

应用可见-近红外光谱技术进行定量分析时,变量选择起着十分重要的作用。不同土壤样品之间的预测机制可能存在很大差异,当待测样品出现新的特征信息时,基于建模集选择的特征变量不一定能够很好地代表待测样品的有效信息,继续采用原有特征变量建模就易导致预测误差增大。该研究采用递归变量选择方法在预测过程中递归更新土壤全氮与有机质的特征变量,以保持预测模型的鲁棒性;比较了偏最小二乘法(PLS),递归偏最小二乘法(RPLS)和不同递归变量选择方法,如： 变量投影重要性与RPLS相结合(VIP-RPLS), VIP-RPLS, 无信息变量消除法与PLS相结合(UVE-PLS)对于土壤全氮与有机质含量的预测效果。所用195份土壤样品来自浙江省文成县8个乡镇的农田。土壤样品随机分成两部分,一部分作为建模集包含120份样品,另一部分作为预测集包含75份样品。结果表明： VIP-RPLS建立的模型对于预测土壤全氮与有机质含量取得了最优的结果,获得的决定系数(R2)分别为0.85与0.86,获得的预测相对分析误差(RPD)分别为2.6%与2.7%。说明VIP-RPLS通过不断更新模型的特征变量,能够捕获新加入到建模集样品的有效信息。相比于本研究中的其他方法,VIP-RPLS对于土壤全氮与有机质含量具有更高的预测精度。     

LS-SVM的梨可溶性固形物近红外光谱检测的特征波长筛选

为提高梨可溶性固形物含量(soluble solids content,SSC)的近红外光谱模型的精度和稳定性,以160个梨样品为实验对象,分别对原始光谱、多元散射校正(MSC)和标准正态变量变换(SNV)处理后的光谱,经无信息变量消除算法(UVE)挑选后,再结合遗传算法(GA)和连续投影算法(SPA),筛选梨可溶性固形物的近红外光谱特征波长。将筛选后的波长作为输入变量建立梨可溶性固形物的最小二乘支持向量机(LS-SVM)模型。结果表明经过SNV-UVE-GA-SPA从全波段3112个波长中筛选出的30个特征波长建立的梨可溶性固形物LS-SVM模型效果最好,该模型的预测集相关系数(R_p)和预测均方根误差(RMSEP)分别为0.956和0.271。该模型简单可靠,预测效果好,能满足梨的可溶性固形物含量的快速检测,为在线检测和便携式设备开发提供了理论基础。     

基于不同模型的土壤有机质含量高光谱反演比较分析

以新疆奇台县为研究区域,选取该县40个土壤样本,采用多元线性逐步回归法和人工神经网络法两种方法分别建立了土壤有机质含量的反演模型,并对模型进行了检验。结果发现：不同模型的精度值各异,其拟合效果从高到低依次为人工神经网络(ANNs)集成模型＞单个人工神经网络(ANNs)模型＞多元逐步回归(MLSR)模型。人工神经网络的线性和非线性逼近能力较强,而其集成模型作为提高反演模型精度的重要手段,相关系数高达0.938,均方根误差和总均方根误差最小,分别仅为2.13和1.404,对土壤有机质含量的预测能力与实测光谱非常接近,分析结果达到了较实用的预测精度,为最优拟合模型。     

基于EEMs及PARAFAC的洪湖、东湖与梁子湖CDOM组成特征分析

国内外关于长江中下游地区如洪湖、东湖及梁子湖等大中型浅水湖泊DOM组成特征的分析较少,本文基于2007年9月—10月洪湖、东湖与梁子湖34个站点野外实地采样数据,运用三维荧光图谱(EEMs)与平行因子分析(PARAFAC)模型,着重分析了三个湖泊CDOM吸收荧光特性及组成特征。结果表明,CDOM在350 nm处吸收系数a(350)在三个湖泊表现为洪湖极显著高于东湖与梁子湖(p<0.001);三个湖泊CDOM光谱斜率S_280～500与a(350)呈极显著负相关(R2=0.781, p<0.001)且洪湖S_280～500值极显著低于东湖与梁子湖(p<0.01);光谱斜率比值S_R值也表现为洪湖显著低于东湖与梁子湖(p<0.05)。PARAFAC模型解析得到两个类腐殖质组分(C1, C2),两个类蛋白质组分(C3,C4),其中组分C1与C2呈极显著正相关(R2=0.884,p<0.001),组分C3与C4亦为极显著正相关(R2=0.677,p<0.001),这表明三个湖泊CDOM组分C1与C2,C3与C4来源相似,然而统计结果并未发现四个荧光组分与DOC及Chl-a浓度之间存在任何显著性相关关系。三个湖泊荧光指数FI₂₅₅(HIX),FI₂₆₅,FI₃₁₀(BIX)与FI₃₇₀值均表现为东湖显著高于梁子湖(p<0.05),极显著高于洪湖(p<0.01),这意味着东湖富营养化程度高于洪湖与梁子湖。     

PARAFAC法解析太湖水体DOM三维荧光光谱

采用平行因子法(PARAFAC法)对太湖水样溶解性有机质(DOM)三维荧光光谱进行解析。通过比较因子数分别为3,4和5时,PARAFAC模型的核一致函数、 激发和发射光谱误差平方和、 各水样模拟的三维荧光光谱和残差谱图等情况,选择因子数为3作为太湖水样DOM三维荧光光谱PARAFAC模型的最佳因子数。太湖水样DOM的3类主要荧光组分分别是类腐殖质荧光物质、 类色氨酸荧光物质、 类酪氨酸荧光物质。     

聚丙烯酸对自然水体生物膜吸附镉的影响

选择聚丙烯酸(PAA)为水中溶解态高分子天然有机质的代表, 研究了PAA对自然水体生物膜吸附重金属Cd的影响, 包括不同浓度的PAA对吸附的影响, PAA对特定pH下吸附等温线的影响以及不同pH下按不同顺序添加PAA时对吸附的影响. 研究结果表明, PAA的存在一般会降低生物膜对Cd的吸附, 其影响程度与PAA的浓度、 溶液pH、 吸附顺序及生物膜厚度等有关. PAA与Cd的浓度比越高, 其对吸附的影响越显著. 吸附溶液pH越高, PAA的影响越显著. 吸附顺序对吸附的影响在pH较低时不明显, 当pH较高时, 先加PAA后加Cd及两者同时吸附时对吸附的降低作用接近且较大, 先加Cd后加PAA时对吸附的降低作用相对较小. 生物膜较薄时PAA的影响更显著. PAA对生物膜吸附Cd的影响主要由PAA与生物膜之间对Cd的竞争以及三元表面配合物的生成与吸附2种因素共同决定. 高pH会促进PAA与Cd的配合而不利于带负电的配合物在生物膜上的吸附.