基于提升小波变换的矿物油荧光光谱去噪研究

矿物油的使用是造成雾霾等空气污染问题的重要原因。矿物油荧光光谱检测系统光谱消噪处理的有效性和快速性是在线实时监测系统的热点问题。研究应用提升算法小波变换(LWT)矿物油荧光光谱去噪的方法。与传统的离散小波变换(DWT)相比,提升小波变换将现有的小波滤波器分解成基本的构造模块,分步骤完成变换,结构简单,运算速度快。在矿物油荧光光谱去噪过程中具有运算量低、原位运算和便于实现的特点,有效解决了传统小波变换在这方面的不足。提升算法的小波变换、传统离散小波变换和经验模态变换(EMD)分别运用到0#柴油、97#汽油、煤油三种矿物油的荧光光谱去噪中,评价去噪效果指标的信噪比(SNR)、重构均方根误差(RMSE)和波形相似度(NCC)证明了提升方法小波变换用于矿物油荧光光谱去噪的有效性。同时,提升算法变换能提高构造的灵活性和运算的简单性使消噪时间降低62%,证明了提升算法的小波变换运用到矿物油荧光光谱去噪中的快速性,适于矿物油实时消噪处理系统。     

静态小波变换荧光检测水中矿物油信号的去噪方法

荧光分析法具有灵敏度高、选择性好、易于设计等优点,是检测水中油类污染物的重要手段。光电探测器产生的噪声会影响荧光检测系统的灵敏度,荧光信号的噪声消除一直是研究的热点问题。由于荧光信号增加了支集长度,dbN族小波能够解决信号的边界问题,通过比较dbN族不同小波基的去噪效果,选择db7为最优小波基,对含噪荧光信号作5层静态小波分解。根据小波熵理论自适应地选择阈值,高频系数经过阈值量化并重构得到纯净的荧光信号。与离散小波变换相比,静态小波变换去噪后信号具有信息完整性和时移不变性。     

三维荧光结合三阶校正算法快速检测水中酚类化合物

苯酚和麝香草酚等酚类化合物对人体和动植物有着严重危害,且这些酚类化合物往往同时存在于水体。由于苯酚和麝香草酚的激发和发射光谱重叠严重,常规荧光方法不能实现直接快速测定。基于三维荧光光谱结合四维平行因子（4-PARAFAC）算法,对存在未知干扰物的湖水中苯酚和麝香草酚进行定性和定量分析。利用三维平行因子和四维平行因子算法分解光谱数据,探索三阶校正算法的“三阶优势”。通过引入温度维来构建四维数据阵,将不同温度下扫描得到的激发发射矩阵沿样本维叠加得到四维数据阵,结合基于四维平行因子的三阶校正算法对目标分析物进行定性定量分析。为避免溶剂散射和仪器的影响,需要对扫描得到的激发发射矩阵信号进行预处理。通过空白扣除法和Delaunay三角内插值法去除激发发射矩阵中散射信号,再进一步进行激发发射校正,得到真实光谱。然后分别使用基于平行因子的二阶校正算法和基于四维平行因子的三阶校正算法对光谱数据进行分析,对比两种算法的分析结果。结果表明,四维数据阵并不是三维激发发射矩阵简单的叠加,得到的四维数据可能含有丰富的高维信息,有助于改善对分析物的测量结果。四维平行因子算法解析得到的湖水中苯酚和麝香草酚的平均回收率分别为97.7%±9.2%和96.5%±8.8%,预测均方根误差为0.047和0.057 μg·mL-1,预测相对误差低于10%,分析结果优于三维平行因子（平均回收率分别为105.7%±15.3%和111.0%±3.6%,预测均方根误差为0.090和0.056 μg·mL-1,预测相对误差高于10%）。实验表明,样本中存在复杂干扰背景和数据共线性严重时,三阶校正算法能够得到比二阶校正算法更满意的结果,为复杂体系中苯酚和麝香草酚的检测提供了可靠方法。     

基于激光诱导荧光的油类污染物检测系统研究

油类污染物具有破坏海洋生态系统和间接污染大气及土壤的危害,快速、准确地检测污染物的成分及其浓度具有重要意义。由于油类污染物光谱重叠严重,因此难以通过传统荧光分析准确加以区分。本文基于激光诱导荧光技术,以氙灯作为激发光设计荧光光谱检测系统,并对0#柴油、92#汽油和煤油进行扫描和检测,从而获得激发/发射光谱以及最佳激发/发射波长。并对该系统的软件算法部分进行改进,运用Savitzky-Golay卷积平滑直接获得更加精确的激发/发射光谱,更能全面、准确地反映油类物质的荧光特性信息。并与传统的荧光光谱仪得到的光谱图进行对比,经实验验证激光诱导荧光技术的荧光光谱检测系统的有效性,对油类污染物的荧光光谱信号的检测具有更高的灵敏度。     

XRF,PXRD和FTIR的广藿香主要组分测定与表征

中药的质量控制和评价在现代化医学发展中起着至关重要的作用。为了客观和高精度的鉴别中药材特性,实现对中药材质量稳定性的控制,利用XRF,PXRD和FTIR对广藿香的主要组分及微结构进行测定,建立了基于XRF,PXRD和FTIR鉴别中药材主要组分及产地特征的新方法。实验结果表明,广藿香中含有K,Ca,Cl,Si和P等多种元素,独有的元素特征谱是广藿香形成药效好的道地药材的部分物质基础。广藿香含有大量的晶态物质及少量非晶态物质,且Ca在其中以CaC_2O_4·H_2O状态存在,被检样品中该晶体物质含量的多少与相关锐峰的强弱成正比。对FTIR谱峰进行了归属与分析,提供了醇类、黄酮及草酸钙等物质的化学组分信息。该法联用XRF,PXRD和FTIR技术从元素、原子和分子微观层面客观地表征了广藿香主要组分及微结构的相关信息,避免了单独使用某种方法的片面性,能避免因复杂的前处理导致样品固有组分的改变,具有快速、简洁、再现性好及易于接受等优点,为广藿香及其他中药材的质量控制和品质评价提供一种新方法。     

三维荧光光谱结合组合算法在环境污染监测中的应用:油种鉴别与定量分析

针对油类污染物成分复杂,光谱重叠难以识别的问题,提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响,提出了缺损数据修复-主成分分析（MDR-PCA）方法对矿物油三维荧光光谱的瑞利散射进行处理,原理是单个荧光光谱激发发射矩阵符合双线性,可用主成分分析（PCA）法来解析。MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除,之后利用主成分分析（PCA）迭代过程对扣除数据进行重构修复后补全数据。该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。样品数据来源于柴油、汽油和煤油三种溶质的四氯化碳溶液。常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析（PARAFAC）、交替三线性分解（ATLD）和自加权交替三线性分解算法（SWATLD）等。PARAFAC基于严格意义上的最小二乘原则,具有抗噪声强、模型稳定、微小预期误差等优点,可以实现三维数据阵列的最佳拟合,但该算法收敛速度较慢,对组分数敏感。ATLD算法通过提取对角主元和切尾奇异值求解广义逆,极大提高了收敛速度并降低了对组分数的敏感度,从而实现三线性分解。然而,取对角元时易使ATLD方法对噪声敏感。SWATLD算法既继承了对组分数不敏感、收敛速度快等优点,又降低了噪声水平的影响。但是在抗共线程度方面,SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。基于此,论文根据三线性分解算法迭代过程中损失函数的变化,对迭代过程进行划分,提出了三线性迭代方法的组合算法（algorithm combination methodology, ACM）—将ATLD, SWATLD与PARAFAC组合在一起,充分发挥各算法的优点,实现二阶校正算法的优势互补。采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析,并对三种矿物油的回收率进行了计算。柴油的回收率为97.08%,汽油的回收率为97.34%,煤油的回收率为97.25%。解析光谱和回收率表明,ACM算法能够实现油类污染物的种类识别及浓度测量。     

基于温度变量的四维荧光光谱的石油类污染物测定

三维荧光光谱结合多元校正分析对石油类污染物复杂多组分体系测定方法多谱图混叠,且易受到空白荧光和干扰物荧光影响降低了测定准确性。提出在三维荧光光谱中增加一维温度信息构造激发波长-发射波长-温度-样品（EEM-temperature data array）的四维荧光光谱数据阵列,应用四线性成分模型建立高维荧光光谱定性定量分析的方法。实验证明在15～25 ℃温度范围内,矿物油荧光光谱轮廓形状不随温度变化,而其强度随温度线性变化,满足四线性要求,这为构建四维荧光光谱发展高维数据的三阶校正提取更丰富的有效信息提供了可能。三阶校正不仅可以在干扰物共存的情况下对感兴趣组份进行定量测定,即具有“二阶优势”,还具有更高的选择性和灵敏性,可以对高共线性和背景干扰的重叠光谱表现更好的解析能力,即“三阶优势”。对0#柴油、97#汽油和机油为混合油待测组分,腐殖酸为水体干扰组分组成的复杂体系污染油样品为进行实验,得到的三维荧光光谱利用平行因子（PARAFAC）算法和交替惩罚三线性分解（APTLD）算法进行二阶校正分析,将三维荧光光谱在温度方向上堆叠构成增加温度维度的四维荧光光谱数阵,并将其利用四维平行因子算法（4-PARAFAC）和交替惩罚四线性分解（APQLD）算法进行三阶校正分析,比较,0#柴油、97#汽油和机油的预测结果表明增加了影响荧光光谱的温度因素构造的四维荧光光谱提高了有效信息提取能力,四维荧光光谱结合高阶校正算法能提高油种光谱识别和浓度精确检测,较传统的三维荧光光谱分析提高了回收率（recovery rate）和预测均方根误差（root mean square error of prediction,RMSEP）,有利于石油类污染物的有效,准确,实时,绿色环保检测。同时指出了4-PARAFAC和APQLD算法各自的特点及其不同适用环境,为油类污染物检测具体情况提供算法选择依据。引入温度参量的四维荧光光谱结合三阶校正算法的检测技术较三维荧光光谱技术,在组分光谱定性分辨和浓度定量检测方面能对复杂体系油类污染物实现快速有效,绿色无污染地检测,实现“数学分离”更有效代替“化学分离”。     

基于自加权交替三线性分解的荧光检测油类污染物

设计水中油类污染物检测仪,采用脉冲氙灯作为光源,选择阶跃型多模纯石英光纤对激发光和发射光进行传输。采用非对称Czemy-Turner光路的高精度光栅单色器。应用该装置测定柴油、汽油和煤油的荧光光谱,0#柴油、97#汽油和煤油的最佳激发波长/发射波长分别为：290/330,270/300和280/330 nm。检出限：柴油(0.025 mg·L-1)、汽油(0.042 mg·L-1)和煤油(0.054 mg·L-1)。相对误差：柴油(2.55%),汽油(2.06%)和煤油(1.71%),实验表明所设计的检测仪具有较高的测量精度。配置不同浓度的柴油、汽油和煤油的混合溶液,测量其三维荧光光谱,采用自加权交替三线性分解算法对光谱数据进行分解,预测浓度及回收率均表明自加权交替三线性分解算法对混合油类物质有较高的分辨能力。     

激光诱导击穿光谱结合XGBSFS特征优选的废钢分类识别方法

我国每年的钢铁生产与出口量位居世界前列,而在钢铁生产过程中产生的废钢是一种重要的资源。废钢的精准分类是电炉炼钢的关键环节,对于环境能源的可持续发展也具有重要意义。为了提高废钢回收利用的效率,提出了一种利用激光诱导击穿光谱结合XGBSFS特征优选的废钢牌号智能识别方法,与k最邻近算法(kNN)、支持向量机(SVM)分类算法联合建立了XGBSFS-SVM、 XGBSFS-kNN两种优化模型。首先通过Lapa-80型固体脉冲激光器采集3类共18种不同的废钢样品在170～400 nm范围内的激光诱导击穿光谱数据,通过k值校验剔除光谱数据中的粗大误差,并对剔除后剩余的数据进行平均,每个样品28组共得到504组平均光谱数据;然后对光谱数据进行基线校正、归一化等预处理,降低基体波动影响;最后将处理后的光谱数据从每类钢种中提取一个样品的数据作为模型的测试集,剩余数据作为模型的训练集,并提取光谱数据中Si, Cu和C等元素的16条特征谱线作为分类特征,用于模型的输入,经过基于XGBoost的XGBSFS特征选择算法对变量进行优化后,应用kNN、 SVM建立废钢智能识别模型。XGBSFS-SVM、 XGB...