三维荧光光谱-小波变换-粒子群算法联用快速识别测定浮游藻群落组成方法的研究

利用三维荧光光谱(EEMs)技术测定了实验室培养的分属5个门13个属的17种中国近海常见赤潮藻的荧光性质,通过db7二维小波变换提取赤潮藻三维荧光光谱的特征参量,采用系统聚类法构建荧光特征标准谱库,并利用多元线性回归辅以粒子群算法进行参数估计建立识别技术,实现了赤潮藻在门、属水平上的识别测定。测定样品中:赤潮藻纯种培养体在门、属水平上的平均识别正确率分别为96.1%和73.6%;对于优势度分别为60%,75%,80%,90%的赤潮藻模拟混合样品,优势藻在门水平上的平均识别正确率分别为86.7%,96.9%,98.7%,99.4%,识别相对含量分别为62.6%,72.7%,76.0%,81.6%;优势藻在属水平上的平均识别正确率分别为51.0%,68.9%,72.0%,78.8%;对于优势度达75%的赤潮藻实际混合样品,优势藻在门、属水平上的平均识别正确率分别为99.4%和75.9%。将所建技术用于围隔实验水样和现场调查采集水样进行分析,有效实现了浮游藻群落组成的识别测定,尤其是硅藻和甲藻的分类识别。     

基于三维荧光谱特征分析的油种鉴别技术的研究

介绍了运用神经网络进行模式识别的基本原理,将主成分分析法和BP神经网络相结合,提出矿物油三维荧光谱鉴别方案,并进行了系统设计,建立了基本的模型框架.选取矿物油三维荧光谱的特征参量,组成原始特征向量,采用主成分分析法进行预处理,而后选取主成分运用BP神经网络实现油种鉴别.该方法减少了输入变量的维数,消除了各输入变量的相关性,同时简化了网络结构,提高了程序运行的速度.通过实例进行了分析,结果证明该方法有效地实现了矿物油三维荧光谱的油种鉴别,同时该系统也可用于其它物质的光谱识别技术领域.     

基于三维荧光谱特征分析的油种鉴别技术的研究

介绍了运用神经网络进行模式识别的基本原理,将主成分分析法和BP神经网络相结合,提出矿物油三维荧光谱鉴别方案,并进行了系统设计,建立了基本的模型框架.选取矿物油三维荧光谱的特征参量,组成原始特征向量,采用主成分分析法进行预处理,而后选取主成分运用BP神经网络实现油种鉴别.该方法减少了输入变量的维数,消除了各输入变量的相关性,同时简化了网络结构,提高了程序运行的速度.通过实例进行了分析,结果证明该方法有效地实现了矿物油三维荧光谱的油种鉴别,同时该系统也可用于其它物质的光谱识别技术领域.     

浮游植物活体三维荧光光谱分类判别方法研究

选取中国东海6种分属于4个门类的赤潮藻种、优势种在实验室进行扩大培养,测量了2个温度(20和15℃)、3个光照(7000,4100和1100Lux)、不同生长期浮游植物的三维激发／发射荧光光谱,对浮游植物活体三维荧光光谱分类判别方法进行了研究。结果表明：基于主成分的判别分析法是利用三维光谱数据判别浮游植物种类的有效方法,对于金藻is,绿藻pl,中肋骨条藻sk三个物种,区分识别率理想;可以将中肋骨条藻(硅藻)与甲藻al和pr分开。     

基于coif2小波的浮游植物活体三维荧光光谱识别技术研究

小波分析技术是提取不同门类以及种属水平上浮游植物的三维荧光光谱特征的有效手段,利用coif2小波函数对分属于7个门,30个属的37种我国近海常见的浮游植物的三维荧光光谱进行小波分解,小波分量和尺度分量作为浮游植物备选荧光特征谱,通过Bayes分析确定第3层尺度分量作为浮游植物门类特征光谱,第3层尺度分量和第2和第3层小波分量的组合作为浮游植物属特征谱。对获得的浮游植物荧光特征谱进行系统聚类分析,得到37种浮游植物门类水平上的107条和属水平上的155条浮游植物荧光标准谱,组成浮游植物荧光标准谱库。在此标准谱库的基础上,利用非负最小二乘法解析的多元线性回归建立浮游植物三维荧光光谱识别技术。该技术对1 776个单种藻样品和384个混合藻样品进行识别分析,单种浮游植物样品在门类水平上的识别正确率为98.1%,属水平上的识别正确率为97.0%;浮游植物混合样品中的优势种在门水平上的识别正确率分别为94.8%,在属水平上的识别正确率为92.7%。     

基于三维荧光的产麻痹性贝毒藻浓度监测研究

近年来,我国沿海赤潮发生的次数和面积持续增加,经济损失严重。根据赤潮的毒性特点,通常分为三类,分别为无毒赤潮、鱼毒性赤潮和有毒赤潮。其中有毒赤潮产生的毒素主要是麻痹性贝毒,其由于分布广,毒性强成为危害最大的生物毒素之一。根据麻痹性贝毒的摄入量不同,人类误食染毒的贝类后,身体各部位会出现刺痛或灼热的感觉,然后全身麻痹,严重者甚至在短时间内死亡。近年来,多地出现人类误食染毒的贝类后死亡的事件。麻痹性贝毒的摄入量主要取决于产麻痹性贝毒藻的浓度,因此,对产麻痹性贝毒藻浓度的监测就显着尤为重要。提出了用三维荧光光谱结合化学计量学方法建立产麻痹性贝毒藻定量分析模型。首先,利用F-4600荧光光度计采集微小亚历山大藻（Alexandrium minimum）、链状裸甲藻（Gymnodinium catenatum）和太平洋亚历山大藻（Alexandrium pacificum）三种典型的产麻痹性贝毒藻类三维荧光光谱数据,获取藻类样本的三维荧光光谱等高线图,并进行图谱分析;然后,利用不同激发波长下的发射光谱数据建立产麻痹性贝毒藻三维荧光光谱的串行表示模型,提取新的特征;最后,将新的特征数据分别作为粒子群优化最小二乘支持向量机算法（particle swarm optimization-least squares support vector machine, PSO-LSSVM）和偏最小二乘回归（partial least squares regression, PLSR）的输入,建立产麻痹性贝毒藻的定量分析模型。结果表明,运用粒子群优化最小二乘支持向量机算法建立的产麻痹性贝毒藻的定量分析模型普遍优于偏最小二乘回归算法。当激发波长选择460和530 nm,发射波长选择650～750 nm作为PSO-LSSVM的输入数据,建立的产麻痹性贝毒藻的定量分析模型效果最好,结果显示R_c=0.999 9,RMSEC=0.017 1,R_p=0.949 2,RMSEP=0.291 0。这体现出三维荧光光谱结合PSO-LSSVM定量分析模型可有效地监测活体产麻痹性贝毒藻的浓度数值,为产麻痹性贝毒藻浓度检测提供了一种在线检测的新方法。     

微分谱结合独立成分分析对三维荧光重叠光谱的解析

多组分三维荧光重叠光谱是三维荧光光谱的数据解析中的难点之一。本文基于二维微分谱的计算原理, 充分利用三维荧光光谱具有激发光谱和发射光谱的特点, 获得了三维荧光光谱展开后的激发微分谱和发射微分谱. 之后利用独立成分分析对激发光谱或发射光谱的多组分混合微分谱分别进行解析, 得到了单一组分的激发微分谱和发射微分谱。其中三次样条插值有效的弥补了实测激发波长数据点少的缺点, 而粗糙惩罚平滑技术的引入则很大程度上减少了发射光谱的噪声,为微分谱的计算提供了有利的条件。单一组分的标准谱与解析谱的相似性系数的计算表明, 利用独立成分分析对微分谱进行解析更有利于多组分混合三维荧光光谱所含成分的识别。     

基于三维荧光光谱和四元数主成分分析的食醋品牌溯源研究

提出基于四元数主成分分析的三维荧光光谱特征提取新方法,并将其运用于品牌食醋溯源研究。首先利用F7000荧光光谱仪测得不同品牌食醋样本的三维荧光光谱数据,获取样本的等高线图和三维投影图,并进行三维荧光等高线图分析;然后利用激发波长分别为380,360和400 nm下的发射光谱数据建立食醋三维荧光光谱数据的四元数并行表示模型,对四元数荧光光谱矩阵进行四元数主成分特征提取,并基于乘积运算、模值运算和求和运算三种方法对提取出来的四元数主成分特征进行特征融合;最后将融合特征作为K近邻分类器的输入,得到不同食醋品牌的最优分类模型。分别讨论三种不同特征融合方法和四元数主成分个数与最终模型分类正确率之间的关系。针对四个不同食醋品牌120个样本的分析结果可得：基于求和特征融合运算所得到的融合特征可以利用最少的特征数目,建立最优的溯源模型,样本预测集溯源正确率可达100%。研究结果表明：四元数主成分特征提取和特征融合方法能够并行表示三维荧光光谱数据所蕴含的丰富信息,为三维荧光光谱数据分析提供新思路。     

赤潮光谱特征及其形成机制

采用海面以上光谱测量方法 (Above water method),利用美国FieldSpec® Dual VNIR光谱仪测量了丹麦细柱藻、中肋骨条藻、海洋褐胞藻等三种浮游植物赤潮以及红色中缢虫这一原生动物赤潮的离水辐射光谱数据。强调赤潮与正常海水的光谱差异在于687～728 nm波段的特征反射峰,指出了浮游植物赤潮与原生动物赤潮间的显著光谱差异,并认为可据此进行某些赤潮种类的遥感识别。给出了浮游植物赤潮光谱反射峰、吸收峰成因;红色中缢虫这一原生动物引起的水色异常,与其体内的共生藻类及浮游植物色素碎屑有关;其摄食偏好、与藻类的共生特性研究以及藻类常温下的荧光发射特性研究,将有助于加深对于红色中缢虫赤潮光谱成因的认识。     

基于三维荧光光谱-平行因子分析的海上溢油识别技术研究

在世界范围内溢油事件频繁发生,溢油的组成成分会影响人类身体健康和生态系统。因此,迫切地需要一种可以快速识别溢油种类的方法。针对溢油污染物现场快速鉴别的需求,利用平行因子分析技术建立了基于三维荧光光谱的原油、燃料油识别方法。首先,利用Delannay三角形内插值法对实验选的6种原油(Roncador原油、巴士拉原油、俄罗斯原油、沙特原油(重质)、上扎库姆原油、海二站原油)和三种燃料油(380CST燃料油、5-7号燃料油、岚山燃料油)的三维荧光光谱去散射,去散射后的三维光谱数据进行归一化处理;之后,对三维荧光光谱进行平行因子解析,确定七个荧光组分为最佳荧光组分,进而得到由7个荧光成分组成的样品荧光特征谱,将风化第3,15和45天的样品及未风化样品的第一平行样的荧光特征谱进行贝叶斯方法(Bayes)判别分析和聚类分析,确定油品荧光特征谱的分析能力和18条荧光标准谱库(12条原油标准谱和6条燃料油标准谱);最后,利用非负最小二乘多元线性回归建立溢油荧光识别方法,对第0,7和30天风化的样品和未风化样品的另一平行样进行识别。实验结果表明,除对风化及未风化的俄罗斯原油识别外,该方法对其余风化和未风化的五种原油和三种燃料油识别正确率均为100.0%,整体识别原油正确率为87.5%,燃料油正确率为100.0%。     

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。     

赤潮生物监测荧光成像系统背景光源改进

介绍了一种海洋赤潮生物监测荧光成像系统,该系统的背景光源为海洋赤潮生物监测荧光成像系统的重要组成部分,赤潮生物监测荧光成像系统背景光源选择是否合理将直接影响着藻类成像清晰度,由于各种赤潮藻含有不同的特征纹理,其纹理特征将决定是否能准确识别出藻类并对其进行分类,进而影响到对赤潮的准确预报。为了解决赤潮藻图像的清晰度等问题,作者利用自行设计的荧光成像系统,对不同成像光源的成像效果进行了分析和比较。实验证明,近红外光源可以有效地获得清晰的藻类纹理信息,使得后继的图像处理工作更加容易,从而解决了藻类图像暗黑以至于图像处理起来较为困难等问题。     

KNN结合PCA在激光诱导荧光光谱识别矿井突水中的应用

矿井突水的迅速识别与分类对于井下水灾防治工作有着重要的意义。提出一种KNN结合PCA运用在激光诱导荧光光谱快速识别矿井突水水源中的新方法。利用激光器发射激光通过可浸入式探头射入水样,得到四种突水水样共80组荧光光谱数据,再分别对每组数据进行预处理,处理后的数据中每种水样取15组数据作为训练集,共60组,其余20组作为预测集。利用主成分分析(PCA)对数据进行处理,之后在主成分分析的基础上利用KNN算法进行分类识别。实验过程中,各预处理方法在主成分个数为2的情况下,进行KNN算法分类的正确率都达到100%。     

基于三维荧光光谱技术对掺假蜂蜜无损鉴别研究

提出了一种应用三维荧光谱技术结合化学计量学方法快速无损鉴别蜂蜜中大米糖浆掺假的新方法。利用特征参量法和主成分分析法对三维荧光光谱信息量进行压缩提取,并结合线性判别分析法(LDA)和误差反向传播神经网络法(BP-ANN)对蜂蜜掺假进行分析。结果显示,在掺假蜂蜜判别试验中,采用4个主成分时,模型对预测集样本的识别率最佳,LDA模型识别率为94.44%,BP-ANN模型识别率为100%,说明非线性的BP-ANN模型更适合蜂蜜掺假识别。研究表明,三维荧光光谱结合BP-ANN判别模型可以快速、 无损、 准确地鉴别蜂蜜中大米糖浆掺假。     

三维荧光光谱结合稀疏主成分分析和支持向量机的油类识别方法研究

石油污染的出现,导致生态环境遭到破坏。因此,油类识别方法的研究对于环境的保护具有重要意义。采用荧光光谱法获得石油光谱数据,并对其进行预处理,再通过降维方法来提取特征信息,最后利用模式识别算法进行分类,从而可以实现对油类的定性分析,因此研究一种更高效的数据降维方法以及识别分类算法极其重要。基于三维荧光光谱技术,利用稀疏主成分分析（SPCA）对FS920光谱仪测得的荧光光谱数据进行特征提取,再利用支持向量机（SVM）算法对提取的特征数据进行分类识别,获得了一种更加高效的油类识别方法。首先,利用海水和十二烷基硫酸钠（SDS）配制成浓度为0.1 mol·L-1的胶束溶液,将其作为溶剂配制柴油、航空煤油、汽油以及润滑油各20种不同浓度的溶液;然后,利用FS920光谱仪测得样本溶液的三维荧光光谱数据,对得到的光谱数据进行预处理;最后,对预处理后的数据分别利用SPCA和主成分分析（PCA）进行特征提取,再利用SVM和K最近邻（KNN）两种模式识别算法对特征向量进行分类,最终得到四种模型PCA-KNN,SPCA-KNN,PCA-SVM以及SPCA-SVM的分类结果。研究结果表明,由四种模型得到的分类准确率分别为85%,90%,90%和95%,其中,在同种分类算法中,利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%,因此可知,SPCA的稀疏性具有突出主要成分的作用,在提取光谱特征时能够减小非必要成分的影响,并且载荷矩阵的稀疏化可以去除变量之间的冗余信息,优化降维特征信息,为后续分类提供更有效的数据特征信息;在同种特征提取算法下,利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%,表明SVM算法在分类中更具有优势。因此,本文利用三维荧光光谱技术结合SPCA和SVM算法,实现了对石油的准确识别与分类,为今后对石油污染物的高效检测提供了新思路。