排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
4.
根据空间群理论分析和指认了磷酸二氘钾晶体[K(DxH1-x)2PO4,简称DKDP]的拉曼活性晶格振动模,测量了其室温拉曼光谱.结果表明DKDP晶体的晶格振动谱主要是由D2PO4-阴离子团簇的内振动引起的.与HzPO4-阴离子稀溶液的拉曼谱和NaD2(PO4)2晶体的拉曼谱比较,DKDP晶体中D2PO4-阴离子的四个特征内振动模可被指认为881 cm-1(v1),357 cm-1(v2),514/541 cm-1(v3),965 cm-1(v4). 相似文献
5.
6.
以ChemCam团队公布的64个飞行前定标样品的浓度和激光诱导击穿光谱数据为对象,通过使用主成分分析载荷空间距离法对特定元素分析,筛选出对该元素最敏感的激光诱导击穿光谱谱线,并以此为依据进行矿物元素种类和丰度识别,其识别精度高达92.8%.结果表明,主成分分析载荷空间距离可以作为定量分析前矿物特定元素信息和元素丰度的判断依据.该方法降低了岩石/矿物分类的难度,有利于实现未知的矿物快速、高效的鉴别分析,为火星表面岩石种类鉴别分析提供了一个有效的策略. 相似文献
7.
中国在庞大的人口基数下拥有丰富的遗传资源,这些资源可能被国外非法掠夺以获取利益,非法掠夺的过程揭示可能存在一些安全隐患,例如传染疾病的扩散等。如何加强对中国公民遗传资源的保护,促进国际间正常合法的信息共享和科研合作已成为生物安全的新问题。为加强人体细胞及其制品等特殊生物物品出入境管理,防止遗传资源流失和有害物品传入,促进各个国家间医学科学研究及国际交流与合作,提出一种非侵入、快速安全的细胞光谱鉴别技术。简述了细胞超连续光谱的物理化学机制,讨论了细胞浓度对超连续光谱的影响,实现了无损伤、非侵入式探测提取生物细胞超连续特征光谱。实验发现细胞超连续特征光谱主要集中在500~700 nm的可见区域。实验中的细胞样本均为单独培养,因此各个样本间互不影响,不存在平行样本的问题;实验对象为293T细胞、HCC827细胞以及HT29细胞,3类细胞的培养基均为PBS溶液,每类细胞拥有3种浓度(5×105,5×106和5×107 cells·mL-1)且每种浓度下独立培养3个样本,一共获取27个独立细胞样本。实验测试了24个细胞样本的超连续光谱并以此建立预测模型,另有3个样本作为未知样本进行模型预判。使用主成分分析法对测试样本的原始数据进行降维和聚类,并对降维后的数据通过支持向量机回归法进行分类;训练集的均方根误差RMSE=0.097 2,R2=0.995 1,验证集的均方根误差为RMSE=0.097 2,R2=0.931 4。研究发现细胞浓度影响超连续特征光谱的提取,在建立模型时,考虑到该技术应用的普适性以及实验样本浓度参数有限,未考虑细胞浓度对预判模型识别率的影响。后期若以某一浓度阈值作为细胞检测的浓度起点,该模型的识别率将会更准确、科学。在可控的实验条件下,超连续光谱可以应用于生物细胞无损伤、非侵入式的鉴别。 相似文献
8.
传统的多变量分析方法是LIBS定量建模的主要手段,但光谱的输入维度较高,很多算法需要提前对光谱进行降维或特征谱线提取,导致部分信息丢失,影响准确率.针对该问题,本文引入以深度卷积神经网络Inception为基础的定量建模方法,算法设计时将原有常规的2D卷积网络改造为1D卷积网络以实现光谱信息的全谱输入和特征提取.该方法不仅不需要对原始光谱的降维操作,且其他的预处理如滤波等操作亦可以省略.经多次实验,训练次数为2 000次时具有较好的预测结果,同时并不会出现明显的过拟合现象.此时其平均决定系数(R2)为0.957 9,其均方根误差相比多元线性回归方法平均降低了61.69%,与深度学习方法 AlexNet对比也获得较好结果. 相似文献
9.
多源数据融合能在一定程度上扩展数据信息量,更利于建立准确和稳健的分析模型。行星探测中常采用多个载荷协同分析同一目标,因此利用多载荷数据融合辨别分析火星矿物具有重要科学意义和应用前景。分别采用可见近红外(Vis-NIR)反射光谱和拉曼(Raman)散射光谱两种技术手段测量了火星表面主要矿物(硅酸盐、硫酸盐、碳酸盐)的光谱特征曲线,并对获取的光谱数据进行基线校正、Savitzky-Golay平滑以及标准矢量归一化(SNV)等必要的数据预处理。根据光谱特征,首先选取样品Vis-NIR和Raman数据信息丰富、信噪比高、光谱信号重叠小的波段(Vis-NIR:430~2 430 nm,Raman:130~1 100 cm-1),然后运用软独立建模分类法(SIMCA)、主成分分析法-K最邻近分类法(PCA-KNN)分别建立基于Vis-NIR,Raman及两者融合(累加融合、串联融合)的矿物聚类分析模型。采用SIMCA算法的矿物聚类准确率由单一光谱建模的72.6%(Vis-NIR),90.7%(Raman)提升为融合建模的96.3%(累加融合)和98.1%(串联融合);采用PCA-KNN的准确率由单一光谱建模的68.9%(Vis-NIR),72.9%(Raman)提升为融合后的80.3%(累加融合)和92.6%(串联融合)。实验结果表明:光谱融合能够发挥Vis-NIR,Raman各自的数据优势,所建火星表面相关矿物分类模型的预测准确度更高。该研究为我国火星探测任务奠定了岩石分类方法基础。 相似文献
1