基于小波变换的油膜光谱特征分析

水上溢油光谱作为高光谱遥感目标识别与分类的参考依据,在溢油识别与厚度区分等方面具有重要的研究意义。通过测量厚度范围为1.0～127 μm间的轻柴油的20组光谱曲线,计算其反射率光谱曲线随厚度变化的特征,并利用db4小波对反射率数据进行处理,突出光谱奇异性及其位置与奇异值随油膜厚度变化的特征。在研究范围内的油膜光谱反射率高于水体,但反射率值与油膜厚度间无固定增减关系。在其厚度小于6 μm时反射率光谱曲线无明显特征,厚度大于6 μm后在388 nm附近存在区别于水体的反射峰特征且随厚度增加特征愈加突出。油膜光谱小波分析后的细节系数在388～393 nm内表现出明显的奇异性,并且奇异位置随厚度增加向短波方向移动、奇异极值增大。研究证实了小波分析在确定油膜光谱特征位置与变化研究中的积极作用,并发现了紫外-可见光短波范围内的光谱特征,为紫外遥感进行溢油识别提供了科学依据。     

基于离散小波变换对不同种类瓜籽的FTIR鉴别研究

傅里叶变换红外光谱(FTIR)结合离散小波变换(DWT)对不同种类的瓜籽进行鉴别研究。测试了6种瓜籽30个样品的红外光谱,结果表明:不同种类瓜籽的红外图谱相似,但在1700~900cm~(-1)范围,光谱的峰位、吸收强度及峰形状存在一定差异。选取该区域光谱进行离散小波变换,发现第二尺度细节系数差异明显。基于第二尺度细节系数对样品进行相关分析、主成分分析和聚类分析,其相关性最大的为丝瓜籽和南瓜籽,相关系数达到0.9279,最小是丝瓜籽和冬瓜籽为0.2147;主成分分析中,前2个主成分的累计贡献率达到95.50%,能准确代表6种瓜籽的光谱信息,且主成分分析和聚类分析正确率达100%。研究结果表明FTIR结合离散小波变换分析方法可以用来鉴别研究不同种类的瓜籽。     

荧光光谱成像技术结合聚类分析及主成分分析的藻类鉴别研究

为探讨快速、实时藻类检测方法,实验通过荧光光谱成像技术结合模式识别方法对不同藻类进行鉴别研究。发现藻类样本存在着显著的荧光特性,通过采集40个藻类样品的荧光光谱图像,对图像进行去噪、二值化处理,确定有效像素后,根据光谱立方体绘制每个样本的光谱曲线,将所得400～720 nm区段范围内的光谱数据作鉴别分析,再利用系统聚类分析及主成分分析两种不同的模式识别法对光谱数据进行处理。系统聚类分析结果表明： 采用欧氏距离法及平均加权法计算样本间的聚类距离,在距离L=2.452以上水平处可将样本正确分类,准确率为100%;主成分分析结果表明： 通过对原始光谱数据进行一阶微分、二阶微分、多元散射校正、变量标准化等预处理后,再对数据进行主成分分析,其中二阶微分预处理后鉴别效果最佳,八种藻类样品在主成分特征空间中独立分布。因此,利用荧光光谱成像技术结合聚类分析法及主成分分析法对藻类进行鉴别是可行的,操作简便、快速、无损。     

基于光谱技术鉴别机油品种的新方法

提出了一种用可见-近红外透射光谱技术快速鉴别机油品种的新方法,应用可见-近红外光谱仪测定三种机油的光谱曲线,然后用主成分分析法对不同品种的机油样本进行聚类分析,并获取机油可见-近红外光谱的特征信息,再结合多类判别分析技术建立机油占占种鉴别的模型.对经过预处理的光谱数据进行主成分分析.结果表明,以样本在第一主成分和第二主成分卜的得分做出的二维散点图,对不同种类机油具有很好的聚类,能定性区分不同种类机油;经过主成分分析得到的前8个主成分的累积可信度已达95.38%,说明这8个变量能够代表绝大部分原始光谱的信息.从180个样本中随机抽取150个样本用于建立多类判别分析品种鉴别模型,余下的30个样本用于验证.对未知的30个样本进行品种预测,准确率为100%.证明本方法具有明显的分类和鉴别作用,为不同品种的机油鉴别提供了一种新方法.     

一种基于可见-近红外光谱快速鉴别茶叶品种的新方法

提出了一种用可见-近红外光谱技术快速无损鉴别茶叶品种的新方法。应用可见-近红外光谱仪测定5个品种茶叶的光谱曲线,用主成分分析法对不同品种茶叶进行聚类分析并获得茶叶的可见-近红外光谱数据的主成分,再结合人工神经网络技术建立模型进行品种鉴别。主成分分析表明,以主成分1和2对所有建模样本的得分值做出的得分图,对不同种类茶叶具有较好的聚类作用,可以定性分析茶叶种类。把主成分分析得到的前6个主成分作为神经网络的输入,茶叶品种值作为神经网络的输出,通过5个茶叶品种共125个样本的训练和学习,建立了茶叶品种鉴别的3层BP人工神经网络模型,对未知的25个样本进行鉴别,品种识别准确率达到100%。说明本文提出的方法具有很好的分类和鉴别作用,为茶叶的品种快速鉴别提供了一种新方法。     

多种薄油膜光谱反射率特性外场测试方法及结果分析

水面溢油机载航测工作需要以全面的溢油模拟目标的光谱反射率特性数据作为支撑,选择合适的工作波段,并通过获得的数据对溢油情况进行分析与判断。针对汽油、柴油、润滑油、煤油与原油五种目标样本,油膜从紫外波段到近红外波段进行了反射光谱测量,并将结果与相同实验环境下的水的反射光谱对比。实验结果表明油膜的光谱反射特性与油品类型以及油膜的厚度相关。不同种类的油膜在相同厚度的情况下,光谱反射率曲线的差异很大,而同一种类的油膜,随着油膜厚度的改变,光谱反射率曲线亦随之发生改变,因而就单一油膜而论,可以通过反射率曲线区分不同的油膜厚度。以相同的油膜厚度而论,柴油,煤油,润滑油在380 nm附近存在反射率峰值,与水的反射率差异明显,原油在大于340 nm波长的反射率远小于水,所得到的反射光谱能够在一定程度上区分不同类型油膜。实验涉及主要溢油油种,数据全面覆盖探测常用的光谱波段,定量化描述了油膜光谱反射率特性,为机载水面溢油探测工作的波段选择与水面溢油的早期发现与分析提供了全面的理论与数据支持。     

一种基于色域分析与聚类分析的基色筛选

提出了一种基于色域分析与聚类分析结合的基色筛选算法。该方法对传统4色色域和目标高保真色域进行分析,筛选出4色色域外的特征点,并对其光谱反射率进行主成分分析,确定基色的个数m。以m作为分类数,对集合中特征色光谱反射率进行聚类分析,在m个分类光谱中选择和特征色平均光谱距离最远的m个光谱作为基色光谱,在基色库中选择和m个光谱相关距离最小的实际专色作为最终基色。实验结果表明,提出的基色选择算法能够准确估计出新基色的光谱反射率,最大程度实现了目标高保真色域的再现。     

基于近红外光谱和最小二乘支持向量机的聚丙烯酰胺类型鉴别

提出了一种基于近红外光谱分析技术和最小二乘支持向量机的鉴别方法,能够快速、无损鉴别聚丙烯酰胺的三种类型。获取非离子,阴离子和阳离子等三种类型的聚丙烯酰胺样本的近红外漫反射光谱,用主成分分析方法对样本光谱数据进行降维,并提取主成分。基于前三个主成分对三种类型的聚丙烯酰胺样本进行聚类分析,并将主成分作为最小二乘支持向量机的输入。通过基于网格搜索的交叉验证方式优化最小二乘支持向量机的参数和作为其输入的主成分个数。每种类型聚丙烯酰胺各采集60个样本,共采集180个样本,每种类型样本随机选取45个样本,共135样本作为训练样本集,剩余45个样本作为测试集。为了验证该方法能否鉴别掺假样本,制备了掺入不同比例非离子聚丙烯酰胺的5个阴离子和5个阳离子聚丙烯酰胺样本。采用基于训练样本集交叉验证预测误差的F统计显著性检验方法来确定样本的鉴别结果误差阈值。结果表明,预测测试集时,准确率为100%。预测10个混和样本时,所有混合样本都被准确识别出。说明该方法能快速无损鉴别不同类型的聚丙烯酰胺并且具有掺假鉴别能力,为聚丙烯酰胺类型的快速鉴别提供了一种新方法。     

一种基于近红外光谱与化学计量学的绿茶快速无损鉴别方法

绿茶是我国饮用范围最广、最受欢迎的一类茶叶。不同品种绿茶叶外观上差别较小,非专业人员难以直接用肉眼进行辨别。传统化学方法操作复杂、检测费用较高,对样品具有破坏性,无法实现快速无损分析。近红外光谱技术是一种简便、快速、无损、重现性好、可直接用于在线定性定量分析的新型分析技术。由于种植方式以及土壤、气候等生长环境的差异,不同品种绿茶叶中含氢基团有机物的种类和含量也不相同,因此可以通过扫描样品的近红外光谱,得到不同品种绿茶叶的特征信息,实现对不同品种绿茶叶的快速鉴别。研究提出了一种基于近红外光谱与化学计量学技术对不同品种绿茶的快速无损鉴别方法。使用近红外光谱仪得到了八个品种绿茶样品的光谱图,用主成分分析方法对不同品种绿茶样品数据进行了聚类分析。使用连续小波变换方法消除了光谱信号中的基线干扰,从而提升聚类效果。利用基于标准偏差与相对标准偏差的变量筛选方法进一步提高了聚类结果的准确性。结果表明：主成分分析后样品的第一主成分和第二主成分的方差贡献率之和在90%以上,可以选取前两个主成分进行聚类分析。直接采用原始数据进行聚类分析的准确率较低,难以满足应用需要;连续小波变换可以有效地消除光谱信号中的基线干扰。与直接使用原始光谱聚类结果相比,采用连续小波变换后聚类效果有显著提升,但依旧不能实现所有品种茶叶样品的准确鉴别。为了进一步提高方法的稳健性和分类结果的准确性,选取了标准偏差和相对标准偏差较大的波长数据进行聚类分析。在符合平均值大于1%的波长范围内,剔除标准偏差小于5‰的波长,进一步选择较大相对标准偏差值对应的波长点进行聚类分析。采用这种方式,可以仅使用几十个甚至是几个波长即可实现绿茶样品品种的准确聚类分析。波长筛选方法可以大大提高主成分分析结果的准确性,采用近红外光谱分析技术与化学计量学方法可以实现对不同品种绿茶的快速鉴别。经过对各个光谱吸收区域波长所对应官能团分析后,初步得出多酚、酰胺类以及氨基酸类物质的种类不同或含量差异是形成绿茶品种差异的重要原因。所提出的基于近红外光谱与化学计量学技术的方法具有较强的鉴别能力,为绿茶的快速无损分析提供了一种新手段。     

花生种子品质的可见-近红外光谱分析

利用600～1 100 nm波段研究花生品种的可见-近红外反射光谱,对选取的三种具有代表性的花生种子进行实验。使用近红外光纤光谱仪采集光谱数据,对原始光谱进行小波分析以提取光谱特征,再用主成分分析方法进行聚类分析,最后把每一个样品的前4个主成分得分作为识别模型的输入,品种类别作为模型的输出,以马氏距离作为判别函数,建立了线性判别分析模型。对于每个品种的50个样品,随机挑选30个样本作为训练集,剩余的20个样本作为预测集。该识别模型对3个花生品种的平均正确识别率为95%。表明该方法能有效的识别花生种子,得到较好的分类效果,为花生种子品质的区分和鉴别提供了一种新方法。     

广义模糊K调和均值聚类的近红外光谱生菜储藏时间鉴别

生菜的储藏时间是影响生菜新鲜程度的重要因素。为了快速、无损和有效地鉴别生菜的储藏时间,以欧式距离的p次方代替模糊K调和均值聚类(FKHM)中欧式距离的平方提出了一种广义模糊K调和均值聚类(GFKHM)算法并将该算法应用于鉴别生菜的储藏时间。以60个新鲜生菜样本为研究对象,采用Antaris Ⅱ近红外光谱分析仪每隔12 h检测生菜的近红外漫反射光谱,共检测三次,光谱扫描的波数范围为10 000~4 000 cm-1。首先用主成分分析(PCA)对1 557维的生菜近红外光谱进行降维处理以减少冗余信息,取前20个主成分,经过PCA处理后得到20维的数据。然后用线性判别分析(LDA)提取光谱数据的鉴别信息以提高聚类的准确率,取鉴别向量数为2,则LDA将20维的数据转换为2维数据。最后以模糊C-均值聚类(FCM)的类中心作为FKHM和GFKHM的初始聚类中心,分别运行FKHM和GFKHM计算模糊隶属度以实现生菜储藏时间的鉴别。结果表明,GFKHM的鉴别准确率能达到92.5%,FKHM的鉴别准确率为90.0%,GFKHM具有比FKHM更高的鉴别准确率。GFKHM的聚类中心比FKHM更逼近真实类中心。GFKHM的收敛速度明显快于FKHM。采用近红外光谱技术同时结合GFKHM,PCA和LDA为快速和无损地鉴别生菜储藏时间提供了一种新的方法。     

近红外光谱技术鉴别海面溢油

为快速了解和掌握海面溢油的种类,以便采取应急措施,提出了近红外光谱技术结合模式识别鉴别海面溢油的方法。自行配制了56个汽油、柴油、润滑油的模拟海水样品,用有机溶剂萃取出海水中的溢油后记录其近红外光谱,将原始光谱进行多元散射校正(MSC)和Norris一阶导数平滑预处理后,在主成分分析(PCA)提取不同种类溢油样品特征的基础上引入马氏距离建立溢油样品的识别模型。研究了光谱预处理对溢油鉴别的影响;探讨了马氏距离阈值的确定。结果表明,主成分分析可将原始数据压缩而马氏距离判别可给出离群点的阈值,本文建立的校正模型能正确判别浓度在0.4 μL·mL-1以上的溢油类别,为近红外光谱结合化学计量学方法建立校正模型进行海面实际溢油样品的分类提供了思路。     

衰减全反射傅里叶变换红外光谱技术结合模式识别进行油品鉴别

海洋溢油是主要环境灾害之一,而且近年来其发生频率呈上升趋势。快速地对油品进行种类鉴别、来源评估有利于及时采取应急措施,因此具有重要意义。采用衰减全反射傅里叶变换红外光谱法(ATR-FTIR)对25种不同来源的油品进行了检测,用不同数据预处理方法对原始光谱进行了预处理,继而用主成分分析(PCA)和系统聚类分析(HCA)方法对光谱进行了分类鉴别。结果表明用多元散射校正(MSC)和连续小波变换(CWT)方法进行数据预处理可以提高分类的准确性,使分类结果与油样的实际来源一致。该方法对正构烷烃差异较大的油品进行了很好的区分,但对差异较小的油品其分辨能力仍有一定局限性。因此提供了一种快速的油品鉴别方法,可用于溢油事件的初步鉴定,从而为油品的进一步鉴定提供有用信息。     

基于激光诱导水拉曼抑制法的油膜厚度测量方法研究

为了实现水体表面油膜厚度的快速测量分析,以266 nm的激光作为探测系统的激发光源,基于激光诱导水拉曼散射光谱检测技术,通过获取不同种类不同厚度油膜存在下水拉曼光谱信息,建立油膜厚度反演模型。采用高斯函数拟合法校正了荧光光谱对拉曼光谱的干扰。然后根据水拉曼抑制法结合非线性最小二乘优化算法,建立油膜厚度反演模型。结果表明：对92#汽油、0#柴油、美孚机油20w-40、壳牌润滑油10w-40、采埃孚变速箱油AG6和原油油膜能探测到的油膜厚度范围为0.19~379.22 μm。采用水拉曼光谱-油膜厚度反演模型预测油膜厚度的平均相对误差在8.14%~15.81%之间。该方法能实现实验室条件下对微米级油膜的测量。     

Terahertz data combined with principal component analysis applied for visual classification of materials

A principal component analysis (PCA) method was used here to analyze three materials: glucose, intralipids, and water. The time-domain signal, frequency-domain information, refractive index, extinction coefficient, and dielectric function of these three substances were selected as original variables. We find that it is possible to analyze the similarity between different materials via the cluster distance in the principal component (PC) space and to analyze the difference between samples of the same material via the centroid distance, and the clustering effects of different original variables in PCA may be analyzed via the ratio of centroid distances. Because the thickness of solid-state matters and the concentration of liquid matters are related to the PC, the terahertz time-domain spectroscopy may be combined with PCA to perform visual classification on the materials, thus facilitating substance identification. Sample thickness and concentration may be deduced from the PC score of the materials.     

全谱段光谱分析的块状商品煤种类鉴别

常规的煤炭鉴别方法需进行繁琐的制样过程,且需结合多种化学参数指标进行综合判定,以得到较为准确的分析结果。提出一种基于500～2 350 nm的可见-近红外全谱段光谱分析技术与多层感知器(multilayer perceptron, MLP)分类方法相结合的块状商品煤鉴别方法。该方法具有非接触、无前期制样、无化学分析的优势,可快速高效的获取煤炭的分类信息。采用地物光谱仪采集煤炭原始光谱数据,对噪声过大、影响后续处理的谱段进行删除,剩余部分采用小波阈值去噪法进行噪声去除。将去噪后的数据分成三个数据集：可见-近红外光谱(500～900 nm)数据集、短波红外光谱(1 000～2 350 nm)数据集、全谱段光谱(500～2 350 nm)数据集。对以上三个数据集进行主成分分析,将提取出的25个主成分输入多层感知器分类模型。多层感知器模型由输入层、隐藏层(两层)、softmax分类器构成。对三个数据集进行分类精度的对比,并采用随机森林(random forest, RF)与支持向量机(support vector machine, SVM)两种分类算法进行进一步的验证分析。结果表明：对块状商品煤分类,全谱段光谱分析技术由于数据信息量丰富,能够得到更优的分类效果,在训练样本数为132时,采用MLP分类器的分类精度最高,为98.03%;随机森林与SVM的分类结果验证了全谱段数据集的优越性与普适性。该研究为煤炭的在线分析、便携式煤炭检测仪器的研发提供了可靠的技术支持。     

融合拉曼散射光和荧光信号反演海面溢油厚度的算法研究

随着海洋溢油问题的日益严重,多种遥感技术被用于海面溢油监测,其中激光诱导荧光(LIF)技术是目前被认为最有效的海面溢油探测技术之一。Hoge等基于LIF技术提出了一种利用拉曼散射光评估薄油膜厚度的积分反演算法并广泛应用于海面溢油探测,针对该算法存在误差较大的问题,提出一种融合拉曼散射光和荧光信号评估海面溢油厚度的反演算法。首先利用拉曼散射光信号反演油膜厚度,然后利用该反演结果计算获取溢油油品的荧光特征光谱,最后利用荧光信号反演油膜厚度。文中推导了利用荧光信号反演油膜厚度的算法,给出了油品荧光特征光谱的逼近算法,并给出了利用荧光信号反演油膜厚度的误差分析。通过实验对该方法进行了验证,选用原油和柴油为实验油品,以波长405 nm的激光作为激发光源,采集波长范围为420～700 nm,采集了海水的背景荧光和拉曼散射光信号、实验油品2,5,10和20 μm等不同厚度油膜的光谱信号。将采集数据分为训练集和测试集,利用训练集数据采用梯度下降法获取油品的荧光特征光谱,利用测试集数据分别采用积分拉曼法和该方法反演油膜厚度。采用积分拉曼法,原油不同厚度油膜反演结果的平均误差分别为12.6%,4.6%,4.4%和2.3%,柴油不同厚度油膜反演结果的平均误差分别为14.0%,7.0%,4.2%和3.6%;采用本文方法,原油不同厚度油膜反演结果的平均误差分别为2.5%,2.2%,1.2%和1.1%,柴油不同厚度油膜反演结果的平均误差分别为3.0%,2.4%,2.7%和1.6%。实验结果表明,2 μm油膜反演结果的误差降低最多,原油和柴油2 μm油膜的反演结果误差分别由12.6%和14.0%降低为2.5%和3.0%,其他厚度油膜反演结果的误差也有较大程度的降低,油膜厚度反演结果的误差均小于3%,采用本文算法可以有效提高油膜厚度反演结果的精度。