主成分分析结合BP神经网络对短程生物脱氮中氮的近红外光谱研究（英文）

为实现高效短程生物脱氮及氨氮和亚硝酸盐氮的快速检测,采用主成分分析结合BP神经网络的方法建立短程生物脱氮工艺中氨氮和亚硝酸盐氮的近红外光谱定量分析模型(BP神经网络模型)。工艺运行结果表明:原水经过好氧阶段氨氮从45.3mg·L-1下降到2.7mg·L-1,亚硝酸盐氮从0.01mg·L-1上升到19.6mg·L-1,硝酸盐氮受到抑制;在缺氧段亚硝酸盐氮从19.6mg·L-1下降至1.2mg·L-1,系统实现了良好的短程生物脱氮效果。水样原始光谱主成分分析表明:前13个主成分代表了原始光谱数据的信息,其累计贡献率达到95.04%,排除了冗余信息且大大降低了模型的维数,光谱数据矩阵从192×2 203减少到192×13,大大降低了运算量并提高了模型的精度。BP神经网络模型校正结果显示:BP神经网络模型对氨氮、亚硝酸盐氮校正时的决定系数(R2)分别达到0.950 4和0.976 2,校正均方根误差(RMSECV)分别为0.016 6和0.010 9。BP神经网络模型预测结果显示:BP神经网络模型对氨氮、亚硝酸盐氮预测输出与期望输出之间的决定系数(R2)分别为0.974 0和0.981 4,预测均方根误差(RMSEP)分别为0.033 7和0.028 7,模型预测效果良好。研究表明,BP神经网络模型可以通过快速测定水样的近红外光谱数据预测短程生物脱氮工艺中氨氮和亚硝酸盐氮浓度,并根据氨氮和亚硝酸盐氮浓度变化及时、灵活地控制工艺的运行,为生物脱氮提供快速有效的检测技术和科学依据。     

近红外漫反射光谱法快速测定秸秆青贮饲料成分含量

采用傅里叶近红外漫反射光谱技术,结合偏最小二乘回归法,以158个不同种类的秸秆青贮饲料样品建立了常规化学成分和发酵成分含量的近红外定量分析校正模型。其中常规化学成分中, 粗蛋白、中性洗涤纤维、酸性洗涤纤维、半纤维素、干物质、粗灰分和酸性洗涤木质素含量的校正模型决定系数R2分别为0.95,0.90,0.86,0.91,0.86,0.95和0.90;发酵成分的pH、乳酸、乙酸、丙酸、丁酸和氨态氮含量的校正模型决定系数R2分别为0.98,0.83,0.85,0.3,0.90和0.92。研究发现除乙酸、丙酸和丁酸之外,其他成分含量的相对分析误差RPD(SD/SECV)均大于2.5;除乳酸、乙酸、丙酸和丁酸之外,所建近红外定量分析模型对独立检验集样品其他成分含量的预测值与化学值的相关决定系数R2均大于0.08。该研究结果对青贮饲料品质的快速检测具有重要的实际意义。     

土壤水分对近红外光谱实时检测土壤全氮的影响研究

利用近红外光谱技术实时预测土壤全氮含量是精细农业的研究热点之一,但是由于土壤水分在近红外波段的吸收系数较高,影响了土壤全氮含量的实时预测精度。使用布鲁克MATRIX_I傅里叶近红外光谱分析仪对不同土壤水分的土壤样本进行了近红外光谱扫描,定性和定量的分析了土壤水分对近红外光谱的影响,并提出了一种消除土壤水分对土壤全氮含量预测影响的方法。近红外光谱扫描结果显示在同一全氮含量水平下,随着土壤水分含量的增加,光谱吸光度呈逐渐上升的趋势,且变化趋势为非线性。通过对1 450和1 940 nm两个水分吸收波段的差分处理,设计了水分吸收指数MAI（moisture absorbance index）,再对土壤按照水分含量梯度进行分类,提出了相应的修正系数。修正后的6个土壤全氮特征波段处(940,1 050,1 100,1 200,1 300和1 550 nm)的土壤吸光度值作为建模自变量,使用BP神经网络建立了土壤全氮预测模型,模型的R_C,R_V,RMSEC,RMSEP和RPD分别达到了0.86,0.81,0.06,0.05和2.75;与原始吸光度所建模型相比较模型精度得到了显著提高。实验结果表明本方法可以有效地消除土壤水分对近红外光谱检测土壤全氮含量预测的影响,为土壤全氮含量实时预测提供了理论和技术支持。     

羊肉挥发性盐基氮的高光谱图像快速检测研究

挥发性盐基氮(TVB-N)通常被作为评价羊肉新鲜度的理化参考指标。为了揭示高光谱图像技术(HSI)快速检测羊肉新鲜度的可行性,采集了71个新鲜度具有代表性的羊肉样品的漫反射高光谱图像(400～1 000 nm),并利用半微量定氮法测定了其挥发性盐基氮(TVB-N)的化学值。选择感兴趣区域(ROIs)提取样品的代表性光谱,采用含量梯度法划分校正集和预测集,比较不同的光谱预处理方法,比较逐步多元线性回归(SMLR)、偏最小二乘(PLSR)和主成分分析(PCR)建模方法,建立并验证了TVB-N的校正模型。结果表明,利用多元散射校正(MSC)、一阶导数、Savitzky-Golay(S-G)平滑及中心化处理结合的预处理方法,PLSR和PCR模型都可以实现对羊肉TVB-N的定量检测。对于建立的PLSR模型,采用的预处理方法为MSC、15点2次S-G平滑、1阶导数和中心化相结合的方法,选择的潜变量因子数为11,获得的校正集的相关系数(R)和校正均方根误差(RMSEC)分别为0.92和3.00 mg·(100 g)-1,预测集的相关系数(r)、预测均方根误差(RMSEP)和相对分析误差(RPD)分别为0.92,3.46 mg·(100 g)-1和2.35。研究表明,高光谱图像技术可用于准确快速地检测分析羊肉中新鲜度关键指标TVB-N的含量。该研究为采用高光谱图像技术进一步分析羊肉新鲜度其他指标、改善TVB-N的建模效果及在实际生产中应用该技术提供了基础。     

液态样本近红外光谱测量中的光程变化误差消减方法研究

以蔗糖溶液为研究对象,利用近红外光谱分别测量4,5和6 mm光程下不同浓度蔗糖溶液的透反射光谱,研究采用矢量归一化、基线偏移校正、多元散射校正、标准正态变量变换、一阶导数5种预处理方法消除光程差异的影响,并结合PLS方法建立校正集模型。与原始光谱的PLS模型相比,五种预处理方法均对模型的预测精度有不同程度的提高,其中,多元散射校正结合PLS方法建立的模型最优,使原始光谱的主成分数PC由6下降为3,决定系数R2由0.891 278提高到0.987 535,交互验证决定系数R2_CV由0.888 374提高到0.983 343,校正标准偏差RMSEC由1.704%下降到0.89%,交互验证的校正标准偏差RMSECV由1.827%下降到1.05%,预测集样本的相关系数由0.950 89上升到0.976 22,预测标准偏差由0.014 36下降为0.01。结果表明,五种预处理方法中,多元散射校正法能够消除光程差异的干扰,提高模型的预测精度,改善稳定性。     

基于近红外光谱技术的土壤参数BP神经网络预测

利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了150个田间土壤样本的近红外光谱,首先采用局部加权散点图平滑滤波法对光谱曲线进行了平滑处理,然后根据对目标参数进行的聚类分析结果进一步平均了输入光谱,最后将反射光谱数据进行对数转换后与目标数据一起进行了归一化处理。对预处理后的光谱数据首先进行主成分分析,然后提取贡献率超过99.98%的主成分建立BP神经网络模型。对土壤有机质含量的分析结果：模型拟合精度为0.999,预测精度达到0.854。对于土壤全氮含量的分析结果：模型的拟合精度近似为1,预测精度达到了0.808。研究表明,基于近红外光谱技术的土壤参数BP神经网络预测模型具有较高的鲁棒性和较强的容错能力。     

盐酸左西替利嗪片的近红外漫反射光谱定量分析

利用近红外光谱结合偏最小二乘法实现对不同品牌盐酸左西替利嗪片剂有效成分的定量分析。经内部交叉验证,确定最佳波数范围和光谱预处理方法,以及最佳主成分数,建立最优PLS校正模型。对验证集样品浓度进行预测,得到均方根误差RMSECV、决定系数R2分别为0.276和0.974。该方法能够用于不同厂家盐酸左西替利嗪片的快速定量分析,是一种有效的药品快速检验技术。     

基于BP神经网络的人体血液中红细胞浓度无创检测

采用BP神经网络算法模型对人体血液红细胞浓度进行无创检测。对获取的动态光谱数据和红细胞实测值利用BP神经网络进行建模分析,校正集输出对期望值的跟踪较好,相关系数R达到了0.993,用建立起的BP神经网络模型去检验预测集输出值,得到预测集的相对误差最大为4.7%,平均相对误差为2.1%,预测能力较为理想。结果表明：用BP神经网络模型能够较准确的处理动态光谱数据和人体红细胞实际值的非线性关系,提高了血液成分无创测量在临床上应用的可行性,具有较高的应用价值。     

基于舌诊NIR反射光谱血清总蛋白含量的无创测量

采用舌诊近红外反射光谱对人体血清总蛋白(TP)含量进行无创检测。采集58例舌尖反射光谱进行反射率归一化并记录相对应的血清总蛋白生化分析值,将样本分为训练集和预测集,运用主成分分析结合BP神经网络法和偏最小二乘算法分别建立预测模型。主成分分析结合BP神经网络模型对预测集进行预测,平均相对误差为7.35%,均方根误差为3.069 1 g·L-1,相关系数为0.902 1。偏最小二乘模型对预测集进行预测,平均相对误差为4.77%,均方根误差为0.130 1 g·L-1,相关系数为0.971 8。实验结果证实了舌诊近红外反射光谱可以较为准确地用于总蛋白含量的无创检测。     

基于主成分正交信号校正算法和加强正交信号校正算法对柑桔酸度的检测

应用便携式近红外光谱分析仪对112个柑桔进行无损检测,运用主成分正交信号校正、加强正交信号校正结合广义回归神经网络的方法分别建立柑桔酸度定量分析模型。结果表明：采用EOSC方法能够使模型具有良好的预测能力并能够防止对数据造成过度校正。EOSC柑桔酸度模型校正集相关系数R_c=0.888 0,预测集相关系数R_p=0.885 6,RMSEP=0.081 65。研究结果表明EOSC预处理方法结合广义回归神经网络可以用于柑桔样本的酸度测定。     

Analysis of the coexisting pathways for NO and N2O formation in Chernozem using the 15N-tracer SimKIM-Advanced model

The nitrogen (N) cycle consists of a variety of microbial processes. These processes often occur simultaneously in soils, but respond differently to local environmental conditions due to process-specific biochemical restrictions (e.g. oxygen levels). Hence, soil nitrogen cycling (e.g. soil N gas production through nitrification and denitrification) is individually affected through these processes, resulting in the complex and highly dynamic behaviour of total soil N turnover. The development and application of methods that facilitate the quantification of individual contributions of coexisting processes is a fundamental prerequisite for (i) understanding the dynamics of soil N turnover and (ii) implementing these processes in ecosystem models. To explain the unexpected results of the triplet tracer experiment (TTE) of Russow et al. (Role of nitrite and nitric oxide in the processes of nitrification and denitrification in soil: results from ¹⁵N tracer experiments. Soil Biol Biochem. 2009;41:785–795) the existing SimKIM model was extended to the SimKIM-Advanced model through the addition of three separate nitrite subpools associated with ammonia oxidation, oxidation of organic nitrogen (N_org), and denitrification, respectively. For the TTE, individual treatments with ¹⁵N ammonium, ¹⁵N nitrate, and ¹⁵N nitrite were conducted under oxic, hypoxic, and anoxic conditions, respectively, to clarify the role of nitric oxide as a denitrification intermediate during N₂O formation. Using a split nitrite pool, this analysis model explains the observed differences in the ¹⁵N enrichments in nitric oxide (NO) and nitrous oxide (N₂O) which occurred in dependence on different oxygen concentrations. The change from oxic over hypoxic to anoxic conditions only marginally increased the NO and N₂O release rates (1.3-fold). The analysis using the model revealed that, under oxic and hypoxic conditions, N_org-based N₂O production was the dominant pathway, contributing to 90 and 50 % of the total soil N₂O release. Under anoxic conditions, denitrification was the dominant process for soil N₂O release. The relative contribution of N_org to the total soil NO release was small. Ammonia oxidation served as the major pathway of soil NO release under oxic and hypoxic conditions, while denitrification was dominant under anoxic conditions. The model parameters for soil with moderate soil organic matter (SOM) content were not scalable to an additional data set for soil with higher SOM content, indicating a strong influence of SOM content on microbial N turnover. Thus, parameter estimation had to be re-calculated for these conditions, highlighting the necessity of individual soil-dependent parameter estimations.     

基于PCA和BP神经网络的硝酸盐氮浓度检测方法

针对紫外分光光度法（UV法）检测混有干扰物质的硝酸盐氮溶液浓度精度不高的问题,提出一种基于主成分分析（principal component analysis,PCA）和BP神经网络的硝酸盐氮浓度检测方法。通过微型光谱仪物质成分检测系统测得硝酸盐氮试剂在196 nm～631 nm波段的吸光度数据,分为测试集和训练集。通过PCA计算训练集,得到主成分。根据BP算法搭建三层人工神经网络。将所得主成分除以8后输入网络展开训练。训练过程中采用留一法交叉验证。用该模型计算训练集和测试集,所得值与真实浓度的平均相对误差分别为2.411 5%和1.553%。实验结果表明,该方法能较好检测出混有干扰物质的硝酸盐氮溶液浓度。     

基于二维相关近红外谱参数化及BP神经网络的掺杂牛奶鉴别

将二维相关近红外谱参数化方法与BP神经网络结合,建立掺杂牛奶与纯牛奶的判别模型。分别配制含有尿素牛奶(1～20 g·L-1)和三聚氰胺牛奶(0.01～3 g·L-1)样品各40个。研究了纯牛奶、掺杂牛奶的二维相关近红外谱特性,在此基础上,分别提取了各样品二维相关同步谱的5个特征参数。将这5个特征参数作为BP神经网络的输入,分别建立掺杂尿素、掺杂三聚氰胺、两种掺杂牛奶与纯牛奶的判别模型,采用这些模型对未知样品进行预测,其预测正确率分别为95%,100%和96.7%。研究结果表明：该方法有效地提取了牛奶中掺杂目标物的特征光谱信息,同时又减少了BP神经网络输入变量的维数,实现了掺杂牛奶与纯牛奶的鉴别。     

痕量亚硝酸根的测定及其反应动力学研究

基于盐酸介质中亚硝酸根对过硫酸钾氧化甲基红的褪色反应具有明显的催化作用,提出了测定痕量亚硝酸根的“NO-₂-S₂O2-₈-MR”新体系。结合单因素实验和正交实验建立了该新体系测定痕量亚硝酸根的最佳条件,分析了最佳实验条件下痕量亚硝酸根测定的标准曲线、检出限、精密度和抗离子干扰性能,并讨论了其反应动力学原理及参数,推导了测定痕量亚硝酸根的定量依据。研究表明,该痕量亚硝酸根测定方法的最佳实验条件为：1.0 mL 0.3 mol·L-1盐酸,1.0 mL 0.01 mol·L-1过硫酸钾,0.6 mL 0.2 g·L-1甲基红,在80 ℃水浴加热9 min;定量依据为：在最佳条件下,甲基红最大吸收波长518 nm处的浓度变化ln(A₀/A)与亚硝酸根浓度呈良好线性关系,其线性范围为0.01～0.80 mg·L-1,检出限为0.007 mg·L-1;动力学特征为：亚硝酸根是一级反应,该体系符合准一级反应特征,表观活化能为85.04 kJ·mol-1,80 ℃时表观速率常数为0.021 4 min-1,半衰期为32.39 min;动力学原理为：甲基红浓度变化ln(A₀/A)与亚硝酸根浓度符合以下正比关系ln(A₀/A)=kｃ_NO-2;该痕量亚硝酸根测定方法尚未见报道,精密度、准确度高,选择性好,多数常见离子不干扰亚硝酸根测定,且该方法操作方便,所用试剂廉价无毒,直接用于实测食品及水样中痕量亚硝酸根含量,结果满意。     

基于近红外光谱技术与支持向量机的苜蓿秋眠类型测定研究

提出出了一种基于近红外光谱分析技术快速无损测定苜蓿秋眠类型的新方法.应用近红外光谱漫反射技术测定苜蓿样本的光谱并对其进行主成分分析(PCA),根据主成分的累积贡献率选取前10个主成分建立支持向量机(SVM)分类模型,并对其参数及核函数类型进行了详细的分析和讨论.试验结果表明,当c=0.339 2,g=32时,测试集的预测准确率可达98.182%,可以作为初步测定苜蓿秋眠类型的手段之一.同时,与主成分回归分析、偏最小二乘法、BP神经网络、LVQ神经网络等方法相比较的结果表明,PCA-SVM模型可以有效地解决小样本问题,且可以避免陷入局部极小.     

辐照处理对油菜籽光谱特性影响的研究

针对油菜籽经过核辐照处理后其光谱反射特性会发生改变的特点,提出了应用可见／近红外光谱技术进行油菜籽的快速无损鉴别。利用偏最小二乘法和BP神经网络建立鉴别模型,并比较了不同光谱预处理方法、主成分数据变换方式及隐含层节点数对模型预测结果的影响。实验采用五种剂量辐照(50, 100, 150, 200Gy和不经核辐照处理)的油菜籽共135个样本进行建模,49个进行预测。结果显示,最优模型是原始光谱数据先经过中值滤波平滑法、附加散射校正及一阶求导法预处理。经PLS方法提取6个主成分经自然对数变换后,选取神经网络隐含层结点数为4个或9个。最优模型对是否经过核辐照处理的样本识别率达100%,对核辐照剂量预测精度为85.71%, 说明提出的方法可以用于评估核辐照处理对油菜籽光谱特性产生的明显影响。     

双波长负吸收催化光度法测定痕量亚硝酸根及其反应机理的研究

采用负吸收光谱校正技术,研究了在磷酸介质中,溴酸钾存在下,亚硝酸根与吖啶橙反应的吸收光谱。基于负吸光度值或负吸光度之和A_T在一定范围与亚硝酸根浓度呈线性关系,建立了双波长负吸收催化光度法测定亚硝酸根的新方法,线性范围1.0×10-5～5.0×10-7 mol·L-1,用于环境水样中亚硝酸根的测定获得十分满意的结果。依据亚硝酸根浓度与吖啶橙浓度间没有一定的比例关系,负吸光度A_T值与时间呈线性关系,认为在酸性介质中,是亚硝酸根催化溴酸钾氧化吖啶橙褪色的催化氧化还原褪色反应。采用负吸收光谱校正技术,改善了吸收峰形,避免了吸光度差值的计算,提高了方法的准确度。     

一种快速检测水体中氨氮含量的双波长光谱法

氨氮是衡量地表水质量状况的重要指标之一。在现行的纳氏试剂分光光度法(HJ535—2009)检测氨氮含量过程中,水样预处理(絮凝沉淀法)、剩余浊度与仪器基线漂移等因素给检测过程带来不确定影响。据此,提出一种双波长(420和650 nm)光谱的改进方法,通过扣除由剩余浊度与仪器基线漂移引入的吸光度,以消除检测干扰。先确定水样在420 nm处的浊度修正系数k,后以420 nm处的吸光度减去650 nm处吸光度与k值的乘积,得到氨氮显色反应的净吸收值,从而实现对氨氮含量的准确定量检测,并对该方法的精确度与准确性进行评价。结果表明：在单波长法中,仅由絮凝沉淀法过滤过程引入的相对偏差可达8.67%,而双波长法无絮凝沉淀步骤,不受该偏差影响。双波长法5次重复实验的精度标准差低至1.58%,回收率在98.5~103%之间,因此更为准确、可靠。与现行的纳氏试剂分光光度法相比,该方法既省略了水样预处理的步骤,又扣除了剩余浊度的干扰,显著提高了实验的效率,特别适用于大批量地表水样中氨氮含量的快速检测。     

氮掺杂碳量子点的合成及作为荧光探针对Hg~(2+)的检测

与传统量子点相比,碳量子点作为一种新型的荧光碳纳米材料,由于其良好的生物相容性、易于表面功能化、低毒性等优点受到了广泛关注。采用柠檬酸为碳源,氨水为氮源,热解法制备出水溶性好的氮掺杂碳量子点(NCDs)。透射电镜(TEM)观察NCDs的粒径在3nm左右;X射线光电子能谱(XPS)和傅里叶红外光谱(FIIR)证明NCDs的表面被羧基、氨基、羟基、羰基等官能团功能化,说明NCDs有很好的水溶性。研究还发现Hg~(2+)对NCDs的荧光有良好的猝灭作用,可作为荧光探针检测水中Hg~(2+)含量。在PBS缓冲液中(0.1mol·L~(-1) pH 7.0),NCDs的荧光猝灭率(F/F0)与汞离子浓度在0.001~0.1μmol·L~(-1)之间存在良好的线性关系,检出限为2.1nmol·L~(-1)。该方法灵敏度高、选择性好、方法简便,可应用于Hg~(2+)快速、灵敏的检测。