基于中温黑体的近红外光纤光谱仪辐射定标的方法研究

中温黑体是红外谱段常用的高精度辐射标尺设备,而近红外是处于其有效辐射范围边缘的谱段,所以该谱段的定标研究相对较少。研究了基于中温黑体的近红外光纤光谱仪辐射定标方法,主旨是探讨定标精度如何受定标模型的结构参数选择的影响,进而为近红外光谱辐射计量溯源提供技术参考。采用50～1 050 ℃的可调中温黑体对近红外光纤光谱仪(950～1 700 nm)进行辐射定标。针对定标的关键环节重点讨论了两个内容,首先是辐射传输模型的几何因子匹配问题,比较分析了传统的双圆盘辐射传输模型和光纤直接耦合模型。对于光纤光谱仪的辐射定标来讲,采用光纤直接耦合形式的辐射传输模型,结构上更简单,耦合效率更高。其次重点分析了辐射定标中模型的结构参数对定标精度的影响,其影响的原因是定标数据本身属性中的尺度结构特征,即通常所说的非线性问题。因此对于定标精度要求较高时,需要采用非线性定标模型进行校正,并尽可能保证测试点采样的尺度均衡,这是小样本数据解释非线性结构关系时无法回避的样本选择问题。数据分析结果表明,定标方程的不同结构参数的选择策略对定标精度有显著影响,校正方程的样本残差标准差带变化范围为±0.1%～±1%。     

基于特征投影图的小麦近红外光谱变量选择方法研究

为了简化模型,提高模型预测精度,利用特征投影图(LPG)进行变量选择。对原始光谱进行连续小波变换(CWT),利用主成分分析(PCA)得到LPG,假定LPG中共线性光谱变量对建模作用相同,选出少数特征光谱变量建立预测模型,所得模型预测均方根误差(RMSEP)为0.345 4,优于其他建模方法,研究结果表明,LPG变量选择可有效简化近红外光谱模型,提高模型预测精度。     

基于自加权变量组合集群分析法的近红外光谱变量选择方法研究

变量选择技术是光谱建模的重要环节。本研究提出了一种新的变量选择方法——自加权变量组合集群分析法(AWVCPA),首先通过二进制矩阵采样法(BMS)对变量空间进行采样;其次通过对变量出现频率(Fre)和偏最小二乘回归系数(Reg)两种信息向量(IVs)做加权处理,得到了每个光谱变量的贡献值,进而考虑到了Fre和Reg两类IVs对于光谱建模的影响;最后通过指数衰减函数(EDF)删除贡献小的波长点,进而实现特征变量选取。以啤酒和玉米两组近红外光谱数据为例,基于偏最小二乘法(PLS)建立啤酒中酵母浓度预测模型和玉米中油浓度预测模型,对比其它变量选择方法。研究表明,在相同条件下,基于AWVCPA变量选择方法建立的预测模型都取得了最优的预测精度,对啤酒中酵母浓度的预测,相比全光谱PLS模型,RMSEP由0.5348下降到0.1457,预测精度提高了72.7%;对玉米含油量的预测,相比全光谱PLS模型,预测均方根误差(RMSEP)由0.0702下降到了0.0248,预测精度提高了64.7%。     

WO3/Pt复合薄膜的制备及其光电催化性能

导电玻璃作为基底水热法生长了WO₃纳米棒,通过电沉积法改变沉积Pt的时间(40 s,80 s,120 s),以WO₃纳米棒为基底沉积得到不同的WO₃/Pt复合薄膜样品。通过X射线衍射分析和扫描电子显微镜等测试手段将WO₃纳米棒薄膜和WO₃/Pt复合薄膜样品进行表征。结果表明成功制备了WO₃/Pt复合薄膜样品。漫反射结果显示WO₃/Pt复合薄膜与WO₃薄膜相比具有更强的光吸收。交流阻抗谱显示WO₃/Pt复合薄膜与WO₃纳米棒薄膜相比增强了电荷转移效率。利用光电流、光电催化对WO₃/Pt复合薄膜进行光电性能测试,结果表明WO₃/Pt复合薄膜相较于单一WO₃薄膜光电流活性更高和光电催化活性更强,并且沉积时间为80 s的WO₃/Pt复合薄膜显示最为优异的光电流和光电催化性能。同时,沉积时间为80 s的WO₃/Pt复合薄膜的光电催化性能优于其光催化和电催化性能。     

近红外光谱定量分析模型的样本影响研究

作为二次分析方法,近红外光谱分析的重现性和可靠性非常依赖于建模过程。以近红外光谱小麦蛋白质定量分析模型为例,研究了多变量定标建模过程中异常样本问题,旨在讨论复杂样本建模中的样本对模型的影响和作用。以PLSR算法建模中校正方差与验证方差的解释百分比曲线的背离特性作为异常样本存在的判据,当两个百分比曲线显著偏离时,则认为样本集中存在异常样本,并对建模产生了显著影响。异常样本的识别和处理,以及影响分析是本文主要的创新性工作,采用了基于样本删除的子模型遍历统计方法,能够渐次识别并提取出异常样本。在剔除异常样本后的模型预测结果中,以模型的预测残差标准差作为参考距离对异常样本进行了离群程度分级,可分为显著离群样本,相对离群样本以及潜在离群样本,数据集中显著离群样本约占7.8%,相对离群样本约占15.6%。异常样本对模型的影响表现在对正常样本的预测残差上,使预测值偏离理想拟合直线,分散性增加。剔除异常样本或以样本权重建模可有效抑制异常样本的影响,使模型的解释性更偏向于多数样本数据,降低模型的经验风险误差。