支持向量机算法在激光诱导击穿光谱技术塑料识别中的应用研究

基于支持向量机 (support vector machines, SVM) 算法采用激光诱导击穿光谱技术对11种塑料进行了识别. 每种塑料各采集100个光谱, 其中50个光谱作为训练集, 用于建立支持向量机模型, 剩下的50 个光谱作为测试集, 用于测试所建立支持向量机模型的识别精度. 结果表明测试集550个光谱中有543个光谱识别正确,算术平均识别精度达到了98.73%. 其中有6个聚氨酯 (PU) 光谱被误判为有机玻璃 (PMMA), 原因主要是受空气中氮气的影响, 使得有机玻璃和聚氨酯两种塑料在氮元素含量上的差异不能通过N I 746.87 nm, C-N(0,0) 388.3 nm两条谱线的强度准确表征. 本结果为LIBS技术塑料分类提供了方法和数据参考. 关键词： 支持向量机 激光诱导击穿光谱 塑料识别     

基于激光诱导击穿光谱的化验室水泥质量检测设备研制

研制了一套基于激光诱导击穿光谱(LIBS)的化验室水泥质量检测设备,可对水泥生熟料成分及率值进行快速检测。对该设备的总体结构、光学系统、样本制备、光谱处理方法等几方面进行了介绍。通过内标法建立定标模型,将LIBS测量结果与X射线荧光光谱分析(XRF)结果进行了对比分析,该套LIBS设备对水泥生熟料中CaO,SiO₂,Al₂O₃和Fe₂O₃测量的平均绝对误差分别为0.46%,0.25%,0.13%和0.05%,对水泥熟料率值KH,SM,IM测量的平均绝对误差分别为0.02,0.05和0.04;通过计算激发产生的等离子体温度和电子密度,验证了激光诱导水泥等离子体处于局部热平衡(LTE)态。     

水体重金属激光诱导击穿光谱定量分析方法对比研究

建立了适用于激光诱导击穿光谱探测的多元线性回归、神经网络回归和支持向量机回归三种定量反演算法模型, 以水体重金属Ni为例进行了回归实验测试和对比分析. 多元线性回归、神经网络回归和支持向量机回归的平均相对标准偏差分别为7.60%, 4.86%, 2.35%; 最大相对标准偏差分别为23.35%, 15.20%, 8.29%; 平均相对误差分别为25.98%, 10.58%, 2.72%, 最大相对误差分别为116.47%, 47.38%, 9.89%. 研究为进一步实现水中痕量金属元素的快速定量分析提供了方法和数据参考. 关键词： 光谱学 激光诱导击穿光谱 支持向量机回归 重金属     

空间约束结合支持向量机提高毫秒激光诱导击穿光谱的铝合金中的Fe元素成分检测精度

铝合金中Fe元素的浓度会影响铝合金的软硬程度,从而影响铝合金器件的工作使用寿命,因此铝合金中Fe的含量检测精度非常重要,开展了空间约束结合支持向量机提高毫秒激光诱导击穿光谱的铝合金中的Fe元素成分检测精度研究.在平板空间约束条件下,毫秒激光诱导铝等离子体光谱出现了光谱增强,并且提高了等离子体辐射光谱稳定性,光谱辐射中的...     

基于近红外光谱检测技术的水泥生料成分含量检测研究

近红外光谱检测技术已经成功应用于水泥生料成分的快速检测,但我国水泥企业在生产水泥生料时所用原材料品种不一,使用不同的原材料进行生产时对近红外光谱建模带来一定影响.为了研究不同原料生产的水泥生料近红外光谱建模差异,对不同地区水泥生产线所生产的水泥生料进行建模研究.选取两个不同地区水泥生产线的水泥生料样本各95份和82份,...     

LIBS技术结合多元校正定标检测土壤中的Cr

激光诱导击穿光谱(LIBS)技术结合支持向量机(SVM)定量分析土壤中Cr元素的含量。利用波长为1 064 nm的Nd∶YAG脉冲激光器作为激发光源,采用光栅光谱仪和CCD分光探测不同重金属元素含量土壤样品的LIBS特征光谱。为了提高土壤中Cr元素定量分析的精度,分别采用多元线性回归分析和SVM两种方法对土壤中Cr元素的含量进行定量分析。研究结果表明,采用多元线性回归分析方法可以有效提高定量分析的精度,定标曲线拟合相关系数从传统定量分析方法的0.689提高到0.980;SVM定量分析方法训练集得到的定标曲线斜率近似为1,拟合相关系数为0.998,优于传统定量分析方法和多元线性回归分析方法,对检验集的预测相对误差均在2.57%以内。LIBS技术结合多元线性回归和SVM定量分析方法可以有效的提高土壤中Cr元素定量分析的稳定性和精度,校正土壤基体效应对Cr元素定量分析的影响。     

主成分分析结合支持向量机辅助激光诱导击穿光谱对塑料快速分类识别

大量废弃的塑料制品给生态环境造成严重破坏,当务之急是要对塑料进行分类回收.传统的分类方法普遍存在成本高,效率低,操作复杂等问题,不能满足工业生产的需要.激光诱导击穿光谱技术由于具备简单灵活,快速灵敏等优点,在物质鉴别领域有广泛应用.采用激光诱导击穿光谱技术结合主成分分析(PCA)和支持向量机(SVM)算法对20种塑料进...     

激光诱导击穿光谱精确测定燃煤工业分析指标的研究

燃煤工业指标的在线精确分析对于指导燃煤工业优化生产、降低燃煤煤耗至关重要。利用激光诱导击穿光谱(LIBS)分析燃煤煤质时,因受我国复杂多样煤种所导致的“基体效应”,测量精度有待提高。实验中对激光诱导燃煤等离子体光谱至燃煤工业分析指标转化过程中的光谱预处理和定标建模方法进行了优化选择。实验结果表明,利用单/多峰Lorentzian光谱拟合计算谱线强度相比于传统计算方法,谱线强度RSD均值可由12.1%降至9.7%;对于核函数参数寻优,相比于网格参数(Grid)和遗传算法(GA),粒子群算法(PSO)的平均绝对误差(MAE)最小;采用PSO参数寻优式支持向量机(SVM)回归建模的预测均方根误差(RMSEP)小于偏最小二乘回归分析法(PLS);采用单/多峰Lorentzian光谱拟合方法和PSO参数寻优式SVM回归建模,对燃煤工业分析指标预测的平均绝对误差(AAE)为：灰分为16%～30%时AAE为1.37%,灰分大于30%时AAE为1.77%,发热量为9～24 MJ·kg-1时AAE为0.65 MJ·kg-1,挥发分低于20%时AAE为1.09%,挥发分大于20%时AAE为1.02%。     

基于激光诱导击穿光谱的洋葱在线原位检测

激光诱导击穿光谱(Laser-induced breakdown spectroscopy, LIBS)是一种分析多元素的光学技术,可用于新鲜蔬菜的快速检测.以洋葱为例,采用LIBS对其含有的元素进行了在线原位检测.用乙酸铅溶液污染洋葱以模拟大气湿沉降的重金属污染现象,并进行重金属Pb元素检测.使用主成分分析(principal components analysis, PCA)和反向传播人工神经网络(back-propagating artificial neutral network, BP-ANN),以洋葱、大蒜、小葱为样品进行区分检测.洋葱光谱中的特征谱线包括Si、Fe、C、Mg、Al、Ca、Ti、Sr、Ba、Na、Li和K等元素,以及N、H、O的谱线和CN分子谱带.不同浓度梯度乙酸铅溶液污染的洋葱样品中都能检测出Pb元素,其相对强度与溶液浓度成比例.此外,PCA的结果表明洋葱、小葱、大蒜的区分效果明显,BP-ANN交叉验证的识别率为89.47%.结果证明LIBS在对元素进行快速分析时具有较好的识别能力,是检测新鲜蔬菜的有效手段.     

激光诱导击穿光谱技术在气体检测中的研究综述

随着工业技术的发展,气体检测领域对在线检测仪器及检测技术的要求越来越高,气体成分在气体流动时会发生复杂变化,通常的检测手段傅里叶变换红外光谱技术(FTIR)、光腔衰荡技术(CRDS)、电化学传感等往往不能满足检测要求或仅对局部区域检测.激光诱导击穿光谱(LIBS)作为一种新兴的原子发射光谱分析技术,得到光谱分析领域研究...     

激光诱导击穿光谱与拉曼光谱技术在危险物检测中的研究进展

炸药、生物及化学危险物检测在反恐和公共安全领域具有重要应用价值,也是目前亟需解决的问题。激光诱导击穿光谱技术利用高能激光脉冲诱导材料产生等离子体,通过探测等离子体辐射光谱从而分析其组成成分。拉曼光谱技术是基于非弹性光散射的一种光谱检测方法,可以反映分子的振动信息。由于它们都具有快速和非接触遥测的优点,成为最有发展潜力和应用前景的危险物检测技术。介绍了激光诱导击穿光谱、拉曼光谱以及二者联合探测技术在危险物检测中的国内外发展现状,并对各自的优缺点进行了分析。激光诱导击穿光谱信号强、实时性好,但重复性差、基底效应影响显著,在判别组成元素相同而分子结构不同的危险物和干扰物时面临巨大挑战。拉曼光谱能够提供被测物的分子信息,适合于鉴别有机危险物,但信号弱、受荧光干扰大、检测低浓度样品及分析混合物的能力弱,外场使用时受周围杂散光以及环境变化的影响大。将这两种光谱探测技术相融合,发挥各自的优点,可以有效地提高探测危险物的准确度。但两种光谱联合探测系统结构和数据处理复杂,成本高,还有许多技术难点亟需解决。文章最后,对危险物激光诱导击穿光谱和拉曼光谱研究的前景进行了展望。     

PSO-LSSVM对LIBS定量分析精度的提高

针对土壤定量分析受基体效应影响大,LIBS定量分析精度不佳等问题,采用粒子群算法对LSSVM进行优化,提高模型的精确度。选取Pb Ⅰ 405.78 nm和Cr Ⅰ 425.44 nm作为分析谱线进行分析。采集十二个不同浓度样品的特征光谱,每个浓度样品在不同点采集20组数据,将其中17组数据设为训练集,3组数据设为预测集,用LSSVM和PSO-LSSVM两种方法建立定标模型。对比两种模型的拟合相关系数（R2）、训练集均方根误差（RMSEC）和预测集均方根误差(RMSEP)。由于自吸收效应的影响,随着浓度的增加,预测值逐渐低于实际值,LSSVM定标模型的拟合程度较低,无法达到实验要求,模型性能有待提高。利用粒子群算法对LSSVM的模型参数惩罚系数和核函数参数进行优化,得到最佳的参数组合,Pb元素为(8 096.8, 138.865 7),Cr元素为(4 908.6, 393.563 5),用最佳的参数组合构建LSSVM的定标模型。相比于LSSVM,PSO-LSSVM定标模型的精确度更高,Pb和Cr元素的R2提高到了0.982 8和0.985 0,拟合效果明显提升。Pb和Cr元素的训练集均方根误差由0.026 0 Wt%和0.027 2 Wt%下降到0.022 4 Wt%和0.019 1 Wt%,预测集均方根误差由0.101 8 Wt%和0.078 8 Wt% 下降到0.045 8 Wt%和0.042 0 Wt%,模型的稳定性进一步提高。说明PSO-LSSVM算法能够更好地降低土壤基体效应和自吸收效应带来的影响,提高分析结果的精确度与稳定性。     

水泥中金属元素的激光诱导击穿光谱实验条件研究

激光诱导击穿光谱技术(LIBS)是一种被广泛使用的物质元素检测技术。由于它的探测结果受多种因素的影响,因此,分析比较不同实验条件对LIBS光谱测量的影响对LIBS检测有着重要的意义。通过采用四川省北川县中联水泥有限公司生产的42.5普通硅酸盐水泥制成的水泥压片,利用八通道光纤光谱仪AvaSpec-2048-USB2-RM、延时触发器DG645进行了LIBS检测。针对影响水泥几种重要技术指标的金属元素Mg,Al,Na,K进行了分析。主要对比了激光频率、同一点测量次数对不同金属元素光谱信号强度的影响,得出在本实验条件下的最佳实验参数：10 Hz为最佳激光频率,激光频率为10 Hz时元素Mg,Al,Na,K所得到的光谱强度比8 Hz时分别提高了67.66%,47.88%,84.59%,43.36%。由于压片样品在放置过程中,表面会有少量的氧化、潮解, 在以测量10次求一次平均所得结果进行记录的条件下,以第三、四次记录结果为最佳。     

湿度对水泥生料近红外光谱检测的影响及补偿方法

近红外光谱检测已被应用于水泥生料成分的快速检测,但现场环境中的湿度等因素会对光谱产生干扰,从而降低检测精度。为了提高检测精度,在实验分析湿度对水泥生料近红外光谱检测影响的基础上研究了补偿方法。在水泥厂选取了24份水泥生料样本,其中18份作为校正集,6份作为验证集;水泥生料中的有效成分为SiO2,Al2O3,Fe2O3和CaCO3,各成分含量的标准值由X射线荧光光谱分析测出。首先,将校正集的18份样本每份重复装样测5次光谱,用得到的90个光谱建立模型Ⅰ;再每份样品制作5个湿度梯度样本,其获得过程为,先将样本放置在电加热平台上,用玻璃棒将样本摊平,180℃下加热30 min,再将样本放置在散热片上进行降温,待样品恢复室温后取出进行第一次光谱扫描,得到1个光谱,将测量后的样本放入搅拌器,使用装有去离子水的喷雾器对其喷雾两次,然后搅拌30 s混合均匀,测量混合后的样本得到下一个光谱,重复该过程,得到具有湿度梯度的5个光谱。所有样本均采用烘干法进行湿度测量,样本湿度变化区间在0.6%~2%以内。对每个湿度梯度的样本测量1次,用得到的这90个光谱建立模型Ⅱ。然后,将验证集的6份样本每份制作5个湿度梯度,获取方式与校正集相同,对每个湿度梯度的样本测量1次,得到30个光谱。所有光谱均采用多元散射校正预处理,拟合波段选择4000~5000 cm^-1,建模方法采用偏最小二乘法。比较同一份样本的5个湿度梯度,可以看到在5200 cm^-1处光谱差异最大,在其他位置也有肉眼可见的明显差异,因此,湿度变化对全波段光谱有明显的影响。最后,将这30个光谱输入模型Ⅰ与模型Ⅱ进行验证,并对比模型Ⅰ与模型Ⅱ的预测均方根误差RMSEP。模型Ⅱ中SiO2,Al2O3,Fe2O3和CaCO3的预测均方根误差RMSEP比模型Ⅰ分别减小了25%,31.3%,33.3%和25%。实验结果表明,水泥生料样本湿度对近红外光谱模型的预测结果具有一定的影响,采用具有湿度梯度的样本进行建模可有效降低湿度对预测结果的影响。     

基于激光近红外的稻米油掺伪定性-定量分析

该文主要研究激光近红外光谱分析技术结合化学计量学方法对稻米油掺伪进行定性-定量分析。分别将大豆油、玉米油、菜籽油、餐饮废弃油掺入稻米油中,按照不同质量比配置189个掺伪油样,利用激光近红外光谱仪采集光谱;对采集的稻米油掺伪图谱数据进行多元散射校正(MSC)、正交信号校正 (OSC)、标准正态变量变换和去趋势技术联用算法(SNV_DT)三种不同预处理并与原始数据进行比较。采用连续投影算法(SPA)对经过预处理的光谱数据进行特征波长提取,应用支持向量机分类(SVC)方法建立稻米油掺伪样品的定性分类校正模型,选择网格搜索算法对模型参数组合(C,g)进行寻优,确定最优参数组合。另采用后向间隔偏最小二乘法(BiPLS)和SPA对预处理后的光谱数据进行特征波长提取,分别应用偏最小二乘法(PLS)和支持向量机回归(SVR)建立掺伪油含量的定量校正模型,并选用网格搜索算法对SVR模型参数组合(C,g)进行寻优,建立最优参数模型。研究表明,建立的SVC模型预测集和校正集的准确率分别达到了95%和100%;对比SVR和PLS方法建立的数学模型对稻米油中掺杂油脂的含量的预测,两种方法均能够实现含量预测,SVR模型的预测能力更好,相关系数R高于0.99,均方根误差(MSE)低于5.55×10-4,预测精度高。结果表明,采用激光近红外光谱分析技术可以实现稻米油掺伪的定性-定量分析,同时为其他油脂的掺伪分析提供了方法。