基于斜向背散射偏振拉曼光谱的{100}c-Si面内应力分析

复杂应力状态下应力分量的解耦分析对半导体的设计和制造具有重要意义。本文开展了方法学研究,首先建立了{100}晶面族单晶硅面内应力分量解耦分析模型,基于该模型,通过改变入射光和散射光的几何构型和偏振构型,可得到单晶硅拉曼频移与应力分量的解析关系。在此基础上,提出了一种利用斜向背散射偏振拉曼光谱在不同倾角、偏振方向和样品旋转角度下开展原位拉曼探测实现应力分量解耦分析的实用技术。本文通过实验验证了该方法的可靠性和适用性。     

超声共振法测定圆柱体材料弹性常数的影响因素分析

为明确超声共振频谱分析法(RUS)测定圆柱体试样弹性常数的影响因素, 由此针对各向同性圆柱体开展实验, 观察圆柱体试样测量结果的分散性和稳定性, 且主要研究横纵比和有效模态数量对测量结果的影响, 并与拉伸试验的结果进行比较. 以测量结果标准差、变异系数和95%置信度下均值的区间估计3个指标来衡量结果的稳定性和分散性, 且从模态简并角度对实验结果进行分析. 最终结果表明, 当超声共振频谱分析法的有效模态数量在17左右、试样横纵比接近1时, 测量结果的稳定性和分散性较小.     

紫外光谱结合向量扣减方法快速测定感冒药物中对乙酰氨基酚和盐酸伪麻黄碱

为建立快速测定感冒药物中2种有效成分对乙酰氨基酚(AAP)和盐酸伪麻黄碱(PEPD)的数学模型,分别采集上述2种化合物的多波长紫外光谱,从而获得两者的标准光谱库(v1和v2)。同时取市售感冒药4种,各取1片,分别配成溶液后,各自采集其光谱-色谱联用数据并转化成各时刻全波长下的吸光度A。从中扣除与被测组分具有相同保留时间的数据阵列,得到不含有被测组分的数据矩阵,然后分别采用主成分分析和奇异值分解降维处理后,得到不含有AAP的本底数据库N1和不含有PEPD的本底数据库N2。分析样品时,取上述4种感冒药各1片,分别配制成溶液后,每一样品取2份,一份采集多波长紫外光谱数据,另一份进行高效液相色谱(HPLC)分析。从而建立样品的光谱库a,并运用向量扣减方法计算得到样品中2种有效成分的含量。AAP测定值的相对标准偏差(n=5)均小于2.0%,PEPD测定值的相对标准偏差(n=5)均小于4.0%;加标回收试验测得回收率分别为94.5%～106%和92.1%～108%。此方法的测定结果与HPLC的测定结果之间的相对误差分别在±4.0%和±3.0%以内。     

吸收峰混叠的太赫兹光谱区间组合特征提取算法

太赫兹光谱是物质识别的前沿方法之一。由于不同物质的分子组成或结构各异,许多物质的太赫兹吸收谱会在特定频率上出现吸收峰,可以作为混合物成分检测的重要特征。有效准确地提取这些吸收峰的参数,是提高识别率的关键。多峰拟合算法将光谱曲线拟合成若干个标准峰函数之和,能够同时提取到吸收峰的频率、峰高、峰宽等信息。但是该算法以寻峰算法结果为基础确定吸收峰的大致位置和数量,寻峰结果不一定是最优的拟合结果,而且很难准确识别定位混叠状态的吸收峰。为了提高混叠光谱中吸收峰的识别定位精度,提出以大幅度平滑后的曲线波谷为分界点,将预处理后的光谱分成若干个子区间。然后将子区间组合起来进行多峰拟合,通过遗传算法得到最优的拟合子区间组合和吸收峰频率近似值,拟合时每个子区间中通过峰数递增最优化方法确定拟合的吸收峰数,最后微调优化得到最优的吸收峰频率、峰高值。为了实现物质的识别,通过密度聚类算法得到同一类纯净物在多次测量中的共同吸收峰,以此作为标准数据,通过提出的基于吸收峰特征的光谱匹配算法实现了纯净物和不同含量混合物的快速识别。对10类纯净物的实际光谱数据进行拟合聚类,得到其吸收峰参数,结果与太赫兹光谱数据库一致。通过识别算法对纯净物测试集进行识别的识别率为100%,证明了特征提取和物质识别算法的有效性。对于含有混叠峰的混合物光谱,二阶导数法对葡萄糖-乳糖混合物光谱中被掩盖吸收峰(1.280 THz)的识别率仅为70%,提取到的频率平均值为1.316 THz;而该算法提高识别率至95%,频率平均值为1.281 THz,该算法提高了对混叠峰的分辨能力,能够精确定位混叠峰。对10类纯净物构成的6类不同程度混叠的二元混合物前二、三识别率分别达到90.8%和98.3%,提取到的特征能够有效应用于混合物的成分检测。该算法能够以纯净物数据为标准数据实现成分各异的混合物成分检测,对于太赫兹光谱混合物成分检测有重要意义。     

基于拉曼光谱鉴定黑色签字笔笔迹的种类与书写时间

黑色签字笔字迹种类与书写时间的鉴定一直是国内外法庭科学研究领域的热点问题。基于拉曼光谱法的分辨率高、稳定性好、效率高以及无损检测等优点,对收集的16种品牌或牌号的黑色签字笔字迹样本进行测试。完成同一品牌或牌号同一时间在不同存储条件(暗室和光照)与不同纸张本底(复印纸和笔记本)字迹样本的制备。将样本字迹剪裁,双面胶固定在载玻片上,放入储存箱内避光保存,间隔一段时间对样品进行测试,测试工作共持续1年,形成图谱数据库。在考察实验条件如测量点、激光功率及共焦类型等因素影响的基础上,筛选出最佳条件。在此条件基础上,检测黑色签字笔在不同书写时间、储存环境、纸张本底等条件下的字迹样本。实验结果表明:(1)存储条件(暗室和光照)、纸张本底(复印纸和笔记本)等不同条件下,同种黑色签字笔字迹的拉曼位移相同,重复性好,受水和纸张等本底的干扰较小。(2)根据拉曼位移的差异可将16种黑色签字笔分成5类。(3)以2#样本为例, 1 140 cm^-1处拉曼光谱特征峰,归属为酯类化合物的C-O伸缩振动ν(CO)。酯类化合物的含量随着时间延长而不断减少,因此随着书写时间越久远,特征峰的相对强度越大(8→1)。通过拟合后计算出相对面积数值I,样本书写时间越早,I值越大,反之I值越小。研究结果可用于快速、准确、无损判定黑色签字笔字迹的种类和推断其相对书写时间。     

基于无人机多光谱图像的土壤水分检测方法研究

以表层土壤为对象,探究土壤的多光谱反射率与土壤水分含量相关性,进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。选取中国农业大学通州实验站为研究区域,实地采集试验田的土壤样本100组,按照一定梯度配制土壤含水量,配成的土壤含水率为10%~50%之间,土壤含量的真实值采用土壤烘干法进行测定。多光谱相机灵巧便捷,可搭载在无人机上对土壤进行监测。将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上,选择阳光充足的采集环境,实时采集土壤样本的多光谱图像,建立土壤多光谱信息与水分含量之间的模型。利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息,以多光谱相机自带的标准白板反射率为100%,计算出土壤样本在蓝、绿、红、红边、近红外五个波段的光谱反射率。采用BP神经网络算法、支持向量机算法、偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。以80组土壤样本数据作为训练集,建立基于多光谱图像的土壤水分含量预测模型。采用莱文贝格-马夸特算法对BPNN进行改进,提高了其训练速度,当网络结构为5-10-1时,训练效果最好,本文选择该网络结构;SVM采取高斯核函数,当参数为0.56时,模型效果最好。本研究采用归一化均方根误差(NRMSE)和决策系数(R 2)对三种土壤水分含量的预测模型进行定量对比。以20组土壤样本数据作为测试集,结果可知,基于BP神经网络土壤水分含量预测模型的NRMSE为0.268,R 2为0.872;基于支持向量机的土壤水分含量预测模型的NRMSE为0.298,R 2为0.821;基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316,R 2为0.789。对三种模型分析可知,基于BPNN的土壤水分含量预测模型效果均较好。结果可知,土壤的光谱反射率与含水率间存在较密切的相关性,将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测,对监测土壤墒情提供技术支持和理论支撑。     

基于三维荧光光谱法和PARAFAC对多环芳烃定性定量分析

三维荧光光谱法在研究多环芳烃(PAHs)类物质的荧光信息时起到了重要作用。多环芳烃类物质具有致癌性,难降解性,多由尾气排放,垃圾焚烧产生,危害着人类健康及环境,因此人们不断探索对多环芳烃检测的方法。实验选取多环芳烃中的苊和萘作为检测物质,利用FLS920荧光光谱仪,为避免荧光光谱仪本身产生的瑞利散射影响,设置起始的发射波长滞后激发波长40 nm,设置扫描的激发波长(λex)范围为:200~370 nm,发射波长(λem)范围为:240~390 nm,对多环芳烃进行荧光扫描获取荧光数据,采用三维荧光光谱技术结合平行因子算法对混合溶液中的苊和萘进行定性定量分析。实验选用的苊和萘均购于阿拉丁试剂官网,配制浓度为10 mg·L-1的一级储备液,再将一级储备液稀释,得到苊和萘浓度为0.5,1,1.5,2,2.5,3,3.5,4和4.5 mg·L-1的二级储备液,并将苊和萘进行混合。在进行光谱分析前需要对苊和萘的光谱进行预处理,采用空白扣除法扣除拉曼散射的影响,并采用集合经验模态分解(EEMD)消除干扰噪声。实验测得苊存在两个波峰,位于λex=298 nm,λem=324/338 nm处,萘存在一个波峰,位于λex=280 nm,λem=322 nm处。选用的PARAFAC算法对组分数的的选择很敏感,因此采用核一致诊断法预估组分数,估计值2和3的核一致值都在60%以上,分别对混合样品进行了2因子和3因子的PARAFAC分解,将分解后得到的激发发射光谱数据和各组分浓度数据进行归一化处理,并绘制光谱图,与归一化处理后的真实的激发发射光谱图和各组分浓度图进行对比。同时将PARAFAC得到的混合样本的预测浓度,通过计算回收率(R)和均方根误差(RMSEP)来判定定量分析的准确度。选择2因子时,各混合样品中苊和萘拟合度为95.7%和96.7%,平均回收率分别为101.8%和98.9%,均方根误差分别为0.0187和0.0316;选择3因子时,各混合样品中苊和萘拟合度为95.3%和95.8%,平均回收率分别为97%和102.5%,均方根误差分别为0.033和0.116,由三项指标可得选用2因子进行定性定量分析的效果明显好于选用3因子。分析实验结果表明,基于三维荧光光谱法和PARAFAC算法对混合样品进行定性定量分析,能够有效的判定混合样品的类别,同时能够成功的预测出混合样品的浓度。