融合学习模型的岩石光谱特征自动分类

岩石光谱综合反映了岩石的物理化学性质、成分及其结构构造。岩石光谱数据已被应用于岩石分类的研究,但是不同于矿物光谱,岩石光谱并无标准数据库,且受较多干扰因素影响,例如矿物组分、结构构造、化学成分、风化力度,测量仪器的误差等。传统岩石光谱分类模型先是对岩石光谱进行预处理排除干扰,然后采用不同方法对部分光谱特征分析,以达到分类目的。但对光谱数据特征遗失较多,使得分类准确率低下且操作过程繁琐、效率不高。因此,建立一个简单、快速、准确的岩石光谱自动分类模型具有重要意义。机器学习能够对获得的所有数据进行学习,不存在遗漏,大大提高了分类精度,且是对原始数据直接操作,不需预处理,简化流程。为此,选取辽宁兴城地区作为研究区,采集了若干种典型岩石样本,利用美国ASD便携式光谱仪实测光谱,最终获得608条数据,依据岩石光谱特征分为三类进行研究。首先利用决策树(DT)及决策树的升级模型--随机森林（RF）对数据进行分类,但当数据噪音较大时随机森林容易陷入过拟合;因而利用对异常值不敏感的K-最近邻（KNN）建模,但KNN需要对每个样本都考虑,数据量大时计算量会很大,效率不高;所以通过支持向量机（SVM）来提升分类准确率。从实验结果可以看出,4种分类模型的准确率排序为：SVM>KNN>RF>DT。为进一步提高岩石光谱特征的自动分类精度,采取了融合多个不同模型的办法,即对不同模型的分类结果进行投票,选择投票最多的作为最后分类结果。由于硬投票可在一定程度上减少过拟合现象的发生,更加适合分类模型,所以利用硬投票法融合了RF、KNN与SVM三个机器学习模型,最终的分类准确率可达到99.17%。综上所述,基于融合学习模型进行岩石光谱特征自动分类是切实可行且准确高效的。     

恩诺沙星粉中未知添加物的确证

应用非靶向分析技术,筛查、分析和确证恩诺沙星粉(水产用)中的非法添加物。分别制备甲酸酸化、碳酸钠碱化的恩诺沙星粉供试品溶液,经超高效液相色谱-二极管阵列检测器(UPLC-PDA)检测初筛,获取未知物色谱图。应用超高效液相色谱-飞行时间高分辨质谱(UPLC-TOF-HRMS),在正、负离子模式下对酸化、碱化样液进一步检测,获得未知物母离子和二级特征碎片的精确质荷比、同位素信息,并应用SCIEX OS软件进行分析推导。最后取疑似化合物对照品进行确证研究。UPLC-PDA初筛结果显示:酸化样液在1.870 min、5.122 min,碱化样液在5.122 min,均发现高响应未知色谱峰。对吸收波长和峰面积进行分析,推测含2个未知物,且未知物1(1.870 min)与未知物2(5.122 min)在酸性/碱性条件下可能发生转换。SCIEX OS软件分析推导结果显示:未知物2,母离子分子式拟合为C₁₁H₈O₂,二级碎片结构解析含1个苯环、2个羰基和1个通过成环连接的丙烯结构,推测为甲萘醌;未知物1的分子离子峰为C₁₁H₉O₅S^-,二级碎片仅采集到HSO₃^-,丢失部分与未知物2一致,结合甲萘醌常见衍生物类型,推测为亚硫酸氢钠甲萘醌。取甲萘醌、亚硫酸氢钠甲萘醌对照品进行对比研究,UPLC-PDA检测结果显示:未知物1与亚硫酸氢钠甲萘醌、未知物2与甲萘醌,保留时间和紫外光谱一致;向供试溶液中添加对照品溶液后检测,未知物为单一峰。UPLC-TOF-HRMS检测发现:未知物1与亚硫酸氢钠甲萘醌保留时间一致,一级质谱质量偏差为1.0×10^-6,二级谱库匹配度为100%;未知物2与甲萘醌保留时间一致,一级质谱质量偏差为0.6×10^-6,二级谱库匹配度为99.7%。未知物1和2的结构得以确证。亚硫酸氢钠甲萘醌可止血,与恩诺沙星治疗败血症的适应证相应,佐证试验结果。随着对兽药非法添加行为的严格监管和严厉打击,非法添加物和添加手段愈发隐蔽,常规靶向分析难以满足监控需求。该文详述的使用UPLC-PDA结合UPLC-TOF-HRMS对未知物进行非靶向分析的技术,可为药品、食品、保健品、化妆品及农药等产品中非法添加物的筛查和确证提供思路和技术参考。