用于紫外光谱水质分析的Boosting-偏最小二乘法

为提高水质参数总有机碳(TOC)的紫外吸收光谱分析的预测精度,提出一种基于Boosting理论的迭代式回归建模算法,并根据统计学习理论提出一种新的迭代停止判据,可有效防止过拟合,显著提高模型预测精度。为评估所提算法的性能,分别采用本算法和3种常用的光谱分析方法,即偏最小二乘、主成分回归和人工神经网络,对自行研制的紫外光谱水质分析仪实测的一组数据进行了建模和预测。计算结果表明:相对于其他3种方法,本算法具有生成的模型预测精度高的显著优势。     

基于选择性模型组合的三维荧光光谱水质分析方法

为提高三维荧光光谱水质分析的精度,提出一种选择性模型组合方法,采用相关系数法对三维荧光光谱激发波长进行选择,并将被选中的激发波长下的荧光发射光谱水质分析子模型采用岭回归法进行模型组合,得到对水质指标的组合模型。以一组总有机碳(TOC)范围在3.41～125.35 mg·L-1,化学需氧量(COD)范围在22.80～330.60 mg·L-1的32个地表水和城市生活污水水样做为研究对象,对其三维荧光光谱220～400 nm范围内的10个激发波长采用上述方法进行选择,分别针对TOC和COD指标筛选出260,280,400 nm和220,280,400 nm各3个激发波长。采用部分最小二乘方法建立上述激发波长下荧光发射光谱水质分析子模型,根据岭回归法计算各子模型的组合系数,分别得到对TOC和COD指标的组合模型。实验结果表明：采用该方法得到的组合模型对TOC和COD两种指标的预测误差均方根(RMSEP)相比精度最高的单一荧光发射光谱子模型分别减小了15.4%和17.5%,相比未经模型选择的组合模型分别减小了6.1%和10.9%。     

多源光谱信息融合在水质分析中的应用

为解决现有单一光谱法用于水质有机污染综合指标分析精度较低的问题,提出一种基于多源光谱信息融合的水质分析新方法。本方法采用改进的参考独立成分分析方法分别提取紫外吸收光谱和三维荧光光谱对检测水样的多种有效信息特征,去除与水质分析无关的干扰信号;然后采用最小二乘支持向量机进行特征信息融合建模。采用总有机碳指标覆盖范围在3.4~125.3 mg/L内的32个城市地表水和生活污水样本为研究对象,对其紫外光谱、荧光光谱数据进行了信息融合分析实验。结果表明:采用融合分析方法后,对总有机碳指标的分析误差均方根比单一紫外光谱分析法和单一荧光光谱分析法分别下降36.1%和34.7%。     

基于Voigt峰的未知成分光谱拟合算法及其在甲醇汽油定量分析中的应用

提出了一种基于Voigt函数的未知成分拉曼光谱拟合算法,利用Voigt峰函数的叠加形式对样本中未知成分所产生的背景光谱进行拟合。在扣除背景光谱影响后,利用被测成分的光谱贡献权值与成分浓度之间建立线性关系模型。实验在3种成分不同的基础汽油中加入不同体积比例(2.5%~80.0%)的甲醇溶液,利用本方法对成分未知的基础汽油所产生的背景光谱进行拟合,扣除拟合光谱后,剩余光谱即可视为甲醇的光谱贡献。基于4个训练样本建立了甲醇光谱贡献权值与浓度之间的线性定量分析模型,模型的预测均方误差(RMSEP)为1.86%,复相关系数(R2)达到0.987。结果表明,此方法可有效解决混合物中光谱重叠问题,具有训练样本少、外推性强的优点。     

紫外光谱水质分析仪中的支持向量机方法

紫外光谱水质分析仪的一个关键技术是如何建立紫外光谱数据与有机污染物浓度之间的数学模型,以及提高模型的外推能力。本研究基于统计学习理论的支持向量机方法,提出了有机污染物浓度与紫外光谱数据的建模方法。该方法具有较强的推广能力和全局最优的特点,得到的数学模型的预测能力明显改善,从而提高了紫外光谱水质分析仪的测量精度。实验表明：该方法优越于目前在紫外光谱水质分析仪中常规采用的偏最小二乘算法。