基于拟线性局部加权法的煤样光谱散射校正

利用近红外光谱分析技术的诸多优势,可实现煤质多项指标的快速分析。煤样光谱数据的采集易受到噪声散射的干扰,在建模分析前常用多元散射校正方法对其予以恢复去噪。而传统的多元散射校正方法存在以线性表达式描述非线性关系的局限性,以及盲目追随“理想”光谱而导致的失真问题,为此提出基于拟线性局部加权法的煤样光谱散射校正。该法先选取二次曲线、三次曲线和增长曲线等三种拟线性函数,代替原线性函数;再分别引入均值核函数、高斯核函数、Epanechnikov核函数、二次权重核函数及三次权重核函数等五种核函数,在原评估函数中构造局部加权函数,利用局部加权函数精确表述各波长点处的依赖关系;最后,分析不同模式下校正光谱的准确性,确定拟线性函数与核函数的最佳组合。为验证方法的适用性,对0.2,1和3 mm等三种粒度等级下的煤样光谱数据进行散射校正。结果表明：改进多元散射校正方法在消除光谱中散射干扰的同时,放大了特征谱峰信息,校正光谱与煤样各项指标的相关性得到了显著增强,有效地提高了煤质近红外光谱分析模型的预测精度和稳定性。     

电子顺磁共振法(EPR)对银杏叶提取物及其卷烟捕获自由基能力研究

自由基存在于人体和卷烟烟气中,会引起人体病理反应和氧化损伤,种类和形态多样,如：O-·₂,HO·,R·,RO·,ROO·。电子顺磁共振法(EPR)是检测和定量分析自由基的重要方法之一。银杏叶提取物(EGB)是由黄酮、内酯、原花青素类成分组成的植物药,具有较好清除自由基和抗氧化能力。本文以槲皮素、芦丁、原花青素等化合物为对照,运用EPR法结合自旋捕集技术研究EGB和EGB卷烟对DPPH,HO·,O2-·、烟气气相自由基、烟气粒相自由基的抑制水平。结果表明,EGB能够有效抑制化学/生物系统和卷烟烟气产生的自由基。尽管抑制自由基整体水平比黄酮单体和原花青素弱,但EGB提取方法简单容易得到,可作为天然抗氧化剂和自由基清除剂用于食品和烟草等行业。EPR法灵敏度高,稳定性好,是用于自由基研究的可靠方法。捕集剂DEPMPO捕集O2-·更加高效,PBN捕集烟气气相自由基比DMPO更有优势。该研究讨论了EGB清除自由基的机理,丰富的酚羟基结构是其抗氧化作用的主要原因。     

冬凌草甲素葡萄糖苷的合成

为研究冬凌草甲素的构效关系,合成生物活性更高的化合物,以冬凌草甲素为先导化合物,通过对其进行选择性保护,再进行糖苷化,最后脱保护,经五步反应,以23.0%的总收率,合成了冬凌草甲素-6-O-β-D-葡萄糖苷,并得到一系列冬凌草甲素衍生物,它们的结构经IR,1H NMR,MS和元素分析确证.     

煤粒度对煤质近红外定量分析模型的影响

为了减少因煤样粒度而产生的光谱采集误差,研究0.2,1,3和13 mm粒度等级下的煤质近红外分析模型。采用PCA方法提取特征信息,建立基于GA-BP和GA-Elman神经网络算法的定量分析模型。实验结果表明,经数据归一化与多元散射校正预处理后,0.2 mm粒度等级的光谱与煤炭标准之间的相关性最强,模型的学习精度最高;经平滑处理后1 mm粒度等级的分析结果最佳。平滑法对特征谱峰不明显的光谱的预处理效果较差,多元散射校正方法的适用性最强。在0.2 mm粒度等级下原光谱的信息准确度最高,1和3 mm其次,13 mm最差。煤样粒度越大,光谱的不稳定因素越多,从而导致分析模型的负面影响增加。     

冬凌草的化学成分研究

采用硅胶柱层析方法从冬凌草的全草乙醇提取物中分离了7个化合物,通过理化性质和波谱分析方法分别鉴定为豆甾醇(Ⅰ),β-谷甾醇(Ⅱ),冬凌草乙素(Ⅲ),lasiodon in(Ⅳ),冬凌草甲素(Ⅴ),5,3,′4′-三羟基-6,7-二甲氧基黄酮(Ⅵ)和胡麻素(Ⅶ).化合物Ⅰ为首次从该属植物中分得,化合物Ⅵ为首次从该植物中分得.     

基于LVQ与SVM算法的近红外光谱煤产地鉴别

传统煤产地鉴别方法一般以发热量、挥发分、粘结指数、哈氏可磨指数和坩埚膨胀序数作为分类指标,过程复杂耗时较多、耗费巨大的人力、物力并且无法直接快速的得到煤样产地等问题,借助近红外光谱技术快速无损检测的优势,利用基于SVM的留一算法对光谱数据集进行异常样本剔除,得到包含正确光谱信息的煤样光谱数据集,构造基于SVM算法与LVQ算法的定性分析模型,完成基于近红外光谱分析技术的煤产地的快速鉴别,无需对煤样的各种指标进行汇总并且人为预测。针对SVM分析模型中存在随机参数优化问题,引入PSO算法对SVM模型中的损失参数C和核函数半径g进行改进,得到最优参数,最后引入计算准确率的方法对比以上模型并进行评价分析。实验一共收集了加拿大、俄罗斯、澳大利亚、印度尼西亚、中国内蒙等5个地区的煤样光谱数据集,数据集共计305组煤样样本,其中异常样本共计10组,分别选择各国煤炭光谱的前31组作为训练样本,后6组数据作为测试样本,结果表明各分类模型的分类准确率均能达到75%以上,其中基于PSO算法改进的SVM分析模型的准确率可达到96.67%,仅一个样本出现问题,可快速高效地实现基于近红外光谱分析技术的煤产地的鉴别。