聚谷氨酸发酵过程中ATR-FTIR光谱信号的分数阶基线校正

采用衰减全反射傅里叶变换红外光谱法（ATR-FTIR）,结合多元校正模型对γ-聚谷氨酸（γ-PGA）发酵过程中两种主要底物葡萄糖和谷氨酸钠的浓度进行间接测量,为优化发酵系统控制提供重要的反馈信息。光谱测量中经常出现的基线漂移会严重影响后续多元校正模型的性能,需要采用基线校正算法对光谱进行预处理。现有流行的基线校正算法多数是基于Whittaker Smoother（WS）平滑算法,这些算法均采用整数阶微分对拟合基线进行约束,表达能力有限。针对现有基线校正算法中的整数阶微分自适应性差的问题,利用更加灵活的分数阶微分对基线进行约束,提出了一种基于分数阶的基线校正算法,实现对整数阶基线校正的扩展。总共进行了5个批次的γ-PGA发酵实验,并对不同批次和全部批次的ATR-FTIR光谱数据分别进行了分数阶基线校正,模型的预测精度均得到不同程度的提升。实验结果表明,只有在批次2时,基于整数阶的基线校正效果最好;其他批次的基线校正效果最好时的阶次均为分数阶。这也表明了分数阶微分（包含整数阶微分）对基线的约束更加合理。同时发现全部批次的整体基线校正效果远远差于单一批次的效果,原因可能是各批次发酵光谱的基线是不同的,对不同的批次需要选用不同的阶次以获得最佳的基线校正。此外,γ-PGA发酵样品的ATR-FTIR光谱测量是以蒸馏水为背景,会在3 100~3 600 cm-1波数范围内出现负水峰,形成有害的干扰信号;分数阶基线校正后的光谱表明,分数阶基线校正算法将负的水峰当作基线,在一定程度上进行了消除。综上分析,分数阶基线校正算法不仅扩展了传统整数阶基线校正算法的应用范围,也为消除ATR光谱中负的水峰提供了新的解决思路。     

高负荷后掠风扇设计若干基本问题

1单级风扇ATS－2（Ad、ncedTransonicStage）设计概述目的是探索总增压比为4．3的两级风扇的设计技术。指标为：设计后掠风扇进口级的缩尺实验件;级增压比2．2;级绝热效率不小于85％;喘振裕度不小于12％。取进口级增压比为2．2,意味着这类单级的增压比已超过大多数于50～80年代设计并服役的涡喷、涡扇发动机前两级轴流级的总增压比,例如WP7发动机。这就需要选用更高的叶尖线速度（相对来流马赫数）。于是这类高性能跨音级的技术特征为级压比高,线速度高,单位迎面流量大,转子叶片后掠或前掠。这时效率的维持主要受到两方面的制约…     

航空汽油机双级涡轮增压器系统的基本模型

为进行高空大气研究或者高空无人侦察,需要使用适合于1至3万米高空低速长航时飞行的加装多级涡轮增压器的活塞发动机系统.本文对于其中的双级涡轮增压器子系统的设计和飞行高度特性分析问题,给出了基本的气动热力学方程组和辅助模型方程组.方程组考虑到最简单的压气机-涡轮共同工作特性,考虑到增压器的总体与部件的气动设计可行条件的约束,发展的计算程序还考虑到必要的一维流动约束条件.这些确保了压气机、涡轮部件的设计存在可行解并可优化.于是得到了一种比总体部件法模拟方法清晰快速得多的基本设计与分析模型.算例已分析出一般双级增压的发动机系统的全功率高度特性的基本规律和物理特征,并随之提供出飞行控制中的增压器子系统和活塞发动机的调节计划数据.     

两种浸入式边界方法的比较

介绍两类不同的浸入式边界方法及其对它的改进. 然后采用均匀矩形交错网格和压力校正投影法,对不可压流场中的二维圆柱绕流进行了数值求解并对比了两类方法的精度.计算分析表明,连续显力法具有构造简单,适用性强的优点. 但离散隐力法在物面边界精度上要优于前者. 改进后,在二阶精度的离散格式下物面边界精度较低的显示力源法的精度有一定提高,同时发现,加密网格以提高数值精度的方法对于连续显力法并不总是有效.而同样格式下,离散隐力法具有更高精度,其中预测-校正离散隐力法可以在此基础上获得更小的计算误差和更快的收敛速度. 数值解与文献已有的数值和实验结果吻合得很好,表明边界算法及其程序是可靠和有效的.      

基于XGBoost的糖尿病血液拉曼光谱定量分析法

血液中包含着大量的生物信息,如激素、酶、血糖等成分,而血糖偏高将引发糖尿病。糖尿病有很多并发症,比如脑梗塞,脑出血,肾脏损害,眼底损害,周围神经病变等一系列疾病。目前,血液常规成分检测分析周期较长,结果反馈较慢,难以实现快速连续检测。光学检测技术能够根据待测物质的光谱鉴别物质化学成分和相对含量,因其灵敏度高、适用性强、分析速度快等优势,在血液无创检测领域逐渐发挥其优势。随着激光技术的不断进步,拉曼光谱技术作为一种非线性散射光谱技术,在血液检测技术中得到了广泛应用。为提高拉曼光谱的预测精度,首次将XGBoost算法应用到拉曼光谱血液血糖浓度中进行预测精度的提升。实验中106组血液样本及试验标准值为河北省秦皇岛市第一医院提供,选用布鲁克的MultiRAM光谱仪进行血液的拉曼光谱数据测量,实验中1 064 nm激发光源功率为400 mW,光谱分辨率为6 cm-1,扫描速率为10 kHz,扫描范围为400～4 000 cm-1,对每个样本重复采集10次并计算平均值作为原始光谱数据,以保证实验的准确性和可重复性。该方法无需对数据进行预处理,首先将光谱数据随机划分为训练集和测试集,比例为7∶3,训练集用于训练模型并确定模型参数,测试集用于测试模型的稳定性和预测精度。建立XGBoost模型后,用网格搜索法和k折交叉验证优化模型参数;引入模型评估指标和克拉克网格误差分析图对XGBoost模型血糖浓度的预测进行分析;最后将XGBoost模型与决策树(DT)、随机森林(RF)和支持向量机回归(SVR)模型进行对比。实验结果表明通过XGBoost建立的定量回归模型效果最佳,模型的决定系数为0.999 99,校正集均方误差为0.007 49,预测集均方误差为0.007 17,相对分析误差为331.973 18,预测点均落在克拉克网格误差分析图的A区。结果证明,将XGBoost算法应用到拉曼光谱血液成分定量分析中具有较高的预测精度,并且数据未经过预处理,可以有效缩短程序运行时间,其在拉曼光谱以及近红外光谱定量分析领域具有广阔的发展前景。     

基于模型的红外光谱温度预测及校正方法

温度校正是红外光谱定性定量分析中的一个关键问题,通过去除光谱数据中的温度效应,可以改善模型的线性度,从而提高模型的预测精度。通常的温度校正方法不仅需要记录训练集光谱的采集温度,而且需要记录测试集光谱的采集温度,这对很多实际应用中的光谱温度校正造成了困难。提出了一种基于模型的光谱温度预测及校正方法,通过训练集数据对光谱中的温度信息进行建模,利用模型的信息,从而能从测试集光谱数据中估计出采集温度,并进行光谱数据的温度校正,降低了温度校正方法对测试集光谱数据采集温度的依赖性。作为方法的验证,进行了两部分的实验：在第一部分的实验中,通过对十个浓度的水-乙醇二元混合物光谱数据的温度预测以及温度校正的实验,证明了本文方法的有效性;在第二部分的实验中,我们采用了Wulfert的经典温度校正方法CPDS的实验数据和实验方案,对三元混合物的光谱数据进行温度预测以及温度校正,得到了不亚于CPDS方法的温度校正效果,同时也证明了该方法对三元混合物光谱数据的适用性。通过两部分的实验表明,在缺少测试集测量温度的情况下,提出的温度校正方法仍可对光谱数据进行有效的预测和校正,降低了温度校正方法对测试集数据的依赖性,从而提高了温度校正方法的适用性。