木材种类的近红外光谱和模式识别

木材的种类识别是木材加工和贸易的一个重要环节，传统的木材种类识别方法主要有显微检测法和木材纹理识别法，其操作繁琐，耗时长，成本高，不能满足当前需求。本研究利用木材的近红外光谱(NIRS)结合模式识别方法，以期实现木材种类的快速准确识别。采用近红外光谱结合主成分分析法(PCA)、偏最小二乘判别分析法(PLSDA)和簇类独立软模式法(SIMCA)三种模式识别对58种木材进行种类鉴别研究；5点平滑、标准正态变量变换(SNV)、多元散射校正(MSC)、Savitzky-Golay一阶导数(SG 1st-Der)和小波导数(WD)五种光谱预处理方法用于木材光谱的预处理；校正集和测试集样品的正确识别率(CRR)用于模型的评价。采用PCA方法，通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。在建立PLSDA模型，原始光谱的正确识别率最高，分别为88.2%和88.2%；5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%；SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%；MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%；SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%；WD(小波基为“Haar”，分解尺度为80)处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。可知，在PLSDA模型中，木材光谱未经预处理种类识别效果最后好。在建立SIMCA模型过程中，原始光谱的校正集和测试集的CRR分别为99.7%和99.4%；5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%；SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%；MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%；SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%；WD处理的光谱校正集和测试集的CRR分别为100%和100%。可知，在SIMCA模型中，木材光谱经平滑和小波导数处理后的识别效果最好，且光谱的校正集和测试集CRR都为100%。采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时，由于木材样本属性复杂，主成分分布图相互交织，PCA无法识别出58种木材；原始光谱的PLSDA模型可以得到较好的判别模型，但校正集和测试集的CRR只有88.2%和88.2%；木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果，校正集和测试集的CRR均为100%，且WD-SIMCA模型因子数比5点平滑SIMCA模型小，模型更为简化，故WD-SIMCA为58种木材种类识别的最优模型。研究表明光谱预处理方法可以有效的提高木材种类识别精度，有监督模式识别方法SIMCA可以用来建立有效的木材识别模型，近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。     

半导体断路开关输出预脉冲的产生机理及其参数影响规律

半导体断路开关的输出电压中的预脉冲现象，严重影响了整个系统的输出脉冲前沿陡度和重复频率。针对半导体断路开关在反向截断过程中预脉冲产生的过程和机理进行了研究。利用Silvaco Atlas仿真软件对半导体断路开关正反向泵浦过程中载流子的迁移和电场的变化过程进行了详细考察，发现预脉冲的产生是由双边截断过程中N-N+结截断所引起的脉冲前沿变缓现象，其长短主要取决于P型轻掺杂区内的少子电子的迁移率，而脉冲前沿的陡度则取决于双边截断过程中的PN结截断过程。同时，对具有不同基区长度的器件，对其在不同泵浦电流密度下的情况进行了模拟和对比，发现器件基区越窄，脉冲前沿越陡，而预脉冲基本相等；低电流密度条件下只发生N-N+结单边截断，大电流密度条件下则发生双边截断，而双边截断的延迟更长，但脉冲前沿拐点更陡，截断更快。     

复杂样品近红外光谱定量分析模型的构建方法

针对复杂样品近红外光谱分析中校正集的设计问题, 探讨了标准样品参与复杂样品建模的可行性. 通过标准样品和复杂基质样品共同构建的偏最小二乘(PLS)模型, 考察了波段筛选和建模参数对预测结果的影响. 结果表明, 采用PLS方法建立定量模型时, 校正集样品性质应该尽量与预测集样品相似, 当样品的性质相差较大时, 适当增加校正集样品的差异性可使模型具有更强的预测能力. 同时, 波段优选对提高预测结果的准确性具有重要的意义.     

山茶油中油酸和亚油酸近红外光谱分析模型

将近红外光谱分析技术结合化学计量学方法用于山茶油混合油品中油酸和亚油酸含量的快速检测。配制了76种山茶油混合油样本用于近红外光谱的采集,将不同的光谱预处理方法用于光谱有效信息的提取;将蒙特卡罗无信息变量消除(MCUVE)和变量组合集群分析(VCPA)方法用于建模变量的选择;将偏最小二乘回归(PLSR)用于脂肪酸含量定量分析模型的构建。结果表明:经NWD1~(st)-MSC预处理后,两种脂肪酸的近红外光谱的较正均得到最好的结果;采用基于VCPA的变量优选方法极大地改善了模型精度,实现了建模变量数量的有效压缩。对于油酸模型,建模变量数量由1501减少为7,交叉验证均方根误差和校正相关系数分别为1.107和0.984,预测均方根误差和测试集的预测相关系数分别为1.178和0.981;对于亚油酸模型,建模变量数量由1501减少为8,交叉验证均方根误差和校正相关系数分别为0.089和0.987,预测均方根误差和测试集的预测相关系数分别为0.105和0.982。近红外光谱分析技术结合NWD1~(st)-MSC-VCPA-PLSR的方法为山茶油混合油品中脂肪酸含量的测定提供了一种快速简单的分析方法。     

中低温太阳能-甲醇重整互补供能系统动力学提升与系统优化

本文考察了中低温-甲醇重整互补制氢及其与高温质子交换膜燃料电池(HT-PEMFC)结合的中低温太阳能-甲醇重整互补发电系统,并分析、优化了两供能系统的性能。从动力学性能优化角度,研发了一种适用于甲醇重整制氢反应的新型复合金属氧化物纳米催化剂,并测试了不同反应物体积流量与反应温度下的催化剂性能。基于动力学实验结果,模拟了太阳能-甲醇重整互补供能系统的性能。模拟结果显示,在太阳直射辐照强度为1000 W·m^-2、反应物体积流量为1.70 mL·min^-1时,采用新型纳米催化剂的互补制氢系统太阳能制氢效率与能量利用总效率分别为52.5%与87.5%,比采用铜锌铝商业催化剂的系统提高了12.4个百分点和3.3个百分点。如将重整产物气用于高温质子交换膜燃料电池发电,则太阳直射辐照强度为10000 W·m^-2、反应物体积流量为1.75 mL·min^-1时,中低温太阳能-甲醇重整互补发电系统太阳能净发电效率(40.9%)比应用商业催化剂的系统提高10.4个百分点。     

变量筛选方法结合局部线性嵌入理论用于近红外光谱定量模型优化

变量筛选策略结合局部线性嵌入(local linear embedding,LLE)理论用于近红外光谱(near infrared spectroscopy,NIRS)定量模型优化。蒙特卡罗无信息变量消除方法(monte carlo uninformation variable elimination,MCUVE)和连续投影算法(successive projections algorithm,SPA)以及两者结合的变量筛选策略用于NIRS冗余变量的剔除;偏最小二乘回归(partial least squares regression,PLSR)和LLE-PLSR用于复杂样品光谱定量模型的构建。结果表明:MCUVE方法既能有效的提取信息变量,同时可以提高模型的预测精度;LLE-PLSR可以得到比PLSR方法更加准确的定量分析模型;MCUVE结合LLE-PLSR是一种有效的光谱定量分析方法。     

近红外光谱预处理中几种小波消噪方法的分析

以菜籽油的一阶导数近红外光谱为研究对象,探讨小波变换在近红外光谱信号消噪方面的应用,分别采用九点平滑法、小波分解与重构法、非线性小波软阈值法和小波变换模极大值法对导数光谱进行消噪处理并对消噪效果进行比较分析.结果表明,小波变换模极大值光谱消噪法得到了较高的信噪比,小波软阈值法次之,其余两种方法消噪效果较差.小波变换模极大值法有效的保留了光谱的有用信息,为近红外光谱的分析精度和模型的稳健性奠定了良好的基础.     

基于ZigBee的艇载无线传感器网络设计与实现

为减少飞艇上部署的线缆数量,提高飞艇的载荷能力,增加飞艇上数据传输的灵活性。对基于ZigBee的短距离无线通信技术进行研究,提出了在大型飞艇中运用ZigBee技术组成无线传感器网络,对分布在飞艇上的传感器采集到的数据进行无线传输。设计适合飞艇使用的ZigBee硬件电路,并通过软件仿真和实际侧量,验证网络链路的通畅,保证数据的可靠传输。从而验证了在飞艇上运用Zigbee无线传感器网络采集并传输数据具有可行性。为飞艇上数据的传输提供了新的方法和思路。     

柑橘叶片叶绿素含量拉曼光谱定量分析方法研究

柑橘叶片叶绿素含量的准确检测对柑橘营养状况和生长态势具有极其重要的意义。研究了快速无损诊断柑橘叶片中叶绿素含量的方法，以期为拉曼光谱检测技术用于柑橘叶片叶绿素含量检测提供参考。采集不同冠层高度和不同地理分布的柑橘叶片120片，拭去叶片表面的灰尘，用去离子水对其清洗、晾干装入密封袋中并用标签分类标注。然后对柑橘叶片进行拉曼光谱采集，参数设置如下：分辨率为3 cm-1，积分时间为15 s；激光功率为50 mW。分别采用BaselineWavelet、迭代限制最小二乘（IRLS）和不对称最小二乘(ALS)三种算法对柑橘叶片的拉曼光谱背景进行扣除，使用偏最小二乘（PLS）方法建立定量模型；四种光谱预处理方法归一化(Normalization)，Savitzky-Golay卷积平滑(SG smoothing, SG平滑)、多元散射校正(MSC)和Savitzky-Golay一阶导数(SG 1st Der)对扣除背景后的光谱进行进一步的优化处理。结果表明：采用原始光谱、BaselineWavelet、IRLS、ALS背景扣除处理后的光谱建立PLS模型，模型的相关系数r分别为0.858，0.828，0.885和0.862，交互验证均方根误差(RMSECV)分别为5.392，5.870，4.934和5.336，最佳因子数分别为8，3，8和8；IRLS背景扣除处理后的PLS模型的RMSECV最小，相关系数最高，建模效果最好。分别采用SG平滑、归一化、MSC和SG 1st Der预处理方法对IRLS背景扣除后光谱进行预处理并建立PLS模型，结果表明：IRLS光谱及其结合SG平滑、归一化、MSC和SG 1st Der四种预处理方法的PLS模型的R分别为0.885，0.897，0.852，0.863和0.888，RMSECV分别为4.934，4.715，5.595，5.182和4.962；最佳因子数分别为8，8，8，8和5；IRLS-SG平滑后PLS模型的RMSECV最小，模型效果最优。对IRLS-SG平滑预处理后的PLS模型展开验证，预测相关系数r为0.844，预测均方根误差(RMSEP)为5.29，预测精确度较高。采用拉曼光谱结合三种光谱背景扣除方法和四种预处理方法对柑橘叶片叶绿素含量进行定量分析表明：采用IRLS背景扣除结合SG平滑预处理后的PLS模型最优，建模集r为0.897，RMSECV为4.715；预测集r为0.844，RMSEP为5.29，预测精度较高。拉曼光谱结合背景扣除方法可以为柑橘叶片叶绿素含量的定量分析提供一种快速简便的分析方法。