多成分有机气体的近红外光谱定量检测方法

在环境检测领域,运用近红外光谱分析技术对多成分挥发性有机物进行连续的在线监测具有重要意义。本文分析了三种挥发性有机物——丙烷、丙烯和甲苯的近红外光谱特征和丙烯浓度与吸光度的线性关系,采用线性回归建模方法——偏最小二乘法对丙烷、丙烯和甲苯混合气体存在特征吸收的近红外光谱(1 620～1 750 nm)进行了建模分析,基于该模型预测了验证集样品中三种气体的含量,并对模型进行了评价。实验结果表明,近红外光谱技术可以方便、准确的定量分析有机性挥发气体的多组分含量,可以应用于多成分挥发性有机物的连续在线监测。     

生物气溶胶红外光谱信号预处理算法研究

被动傅里叶变换红外(FTIR)遥感是一种具有应用潜力的生物气溶胶远程探测技术。红外遥感测量中目标光谱特征上往往存在噪声信号和基线漂移。而生物气溶胶的光谱特征相对较宽,传统的基线校正方法都不适用。由于生物气溶胶红外光谱和不同形式的基线漂移都是非高斯信号,把非高斯性作为独立性度量,基于独立成分分析(ICA)技术设计了生物气溶胶红外光谱信号的预处理算法。试验结果表明,该算法可以把未知干扰成分、基线漂移等作为独立分量分离出来,从而不影响进一步的定性、定量分析。     

傅里叶中红外光谱结合稀疏表示分类方法鉴别小麦赤霉病感染等级

旨在探索感染不同等级赤霉病的小麦中主要成分含量变化引起的傅里叶中红外光谱信息响应,并结合模式识别方法实现基于傅里叶变换中红外光谱的小麦赤霉病等级无损检测。以感染不同等级赤霉病小麦为研究对象,在4 000~400 cm-1波数范围内采集95个小麦样本的傅里叶中红外光谱数据,利用载荷系数法（XLW）与随机森林算法（RF）分析选取小麦样本傅里叶中红外光谱中的敏感波长,利用稀疏表示分类（SRC）算法建模识别小麦感染赤霉病等级。结果表明：XLW算法和RF算法选择的特征波长作为定性分析模型的输入时模型鉴别准确率与全波段光谱数据作输入时均达90%以上,特征波长提取算法可以有效简化模型并提高效率。RF-SRC模型鉴别效果最好,建模集鉴别准确率达97%,测试集鉴别准确率达96%。小麦感染赤霉病等级的不同会引起小麦中水分、淀粉、纤维素、可溶性氮素、蛋白质、脂肪等物质含量的变化,采用RF算法选择的特征波长均反映了这些物质所对应的傅里叶中红外光谱透射光谱特征的差异,结合SRC模型进行小麦赤霉病等级鉴别可达到最好的鉴别效果。因此,利用傅里叶中红外光谱技术结合模式识别方法对小麦赤霉病等级鉴别是可行的,解释了傅里叶中红外光谱技术检测小麦赤霉病等级的机理。     

改进阈值提升小波和自适应滤波器的开放光路红外光谱去噪

大气污染物的主要组成成分为挥发性有机物(VOCs),傅里叶变换红外光谱技术(FTIR)是现阶段应用广泛的挥发性有机物在线测量方法。开放光路获取到的大气红外光谱(OP-FTIR)易受各种噪声污染,如何有效、快速的去除红外光谱中的噪声是大气在线实时监测系统研究的热点。综合利用提升小波变换结构简单、运算量低的优点以及最小均方误差自适应滤波器的自动调节参数以达最优化滤波的性能,提出了一种改进阈值提升小波结合自适应滤波的红外光谱去噪算法。该算法先通过改进阈值小波系数的提升小波去噪,在去噪的同时保留更多光谱特征信息,然后使用提升小波变换分解出的高频系数重构出噪声相关信号,将其作为最小均方误差自适应滤波器的参考输入进行二次滤波处理,最终获得的去噪信号很好的去除了与特征光谱频谱重叠的噪声信号。分别对人工添加噪声的标准红外光谱和合肥市市区上空实测开放光路红外光谱进行去噪处理,结果显示使用该算法处理后的光谱信噪比(SNR)较离散小波传统阈值去噪方法高出3db,均方根误差(RSME)平均减少30%左右,运行时间减少46%。表明该算法计算简单、运行速度快,对于大气环境监测实时消噪系统具有重要的实际应用意义。     

多组分复杂体系光谱多元定量分析方法研究

为解决多元分析方法建模成本高及适用性差,严重制约其在光谱分析领域大量应用的难题,提出了一种新的多元定量分析方法。以汽油及其甲基叔丁基醚（MTBE）溶液的红外光谱为研究对象,使用五种汽油及其窄馏分建立背景光谱空间,用斜投影算法分离出混合光谱中纯MTBE光谱分量,建立纯光谱响应值与浓度之间的标准曲线,相关系数为0.995 2,截距仅为0.025,实现了多组分复杂体系中待测物的定量分析。与正交投影方法比较,新方法对五个预测样本的预测结果明显优于正交投影法。对17个实际油样的预测结果显示,新方法比PLS模型具有更好的适用性。新方法无需收集大量样本和建立复杂模型,方法简单,准确,适用性好。     

近红外光谱法快速测定车用汽油中多种添加剂含量

为解决汽油中添加过量含氧化合物和未列入国家产品标准的添加剂化合物快速检测技术问题,提出了一种近红外光谱结合斜投影算法实现汽油中添加剂含量的快速分析方法。实验选用了四种不同种类的无氧汽油,包括调和汽油、FCC精制汽油、重整汽油和脱硫汽油,配制不同浓度、不同种类的添加剂化合物的系列汽油样品,使用傅里叶变换近红外光谱仪测定其近红外光谱,采用斜投影算法将被测添加化合物光谱信号从汽油光谱信号中分离出来,建立一元回归的标准工作曲线。预测分析中,根据分离的被测化合物光谱和标准工作曲线计算被测样本的添加化合物含量。此方法测定结果与真实含量之间绝对偏差小于0.8,相对偏差小于8%,用于实际汽油样本,此方法与气相色谱标准方法测定结果之间的绝对偏差小于0.85,相对偏差小于6.85%。本方法有效地解决了一般化学计量学多元校正方法建模维护工作量大,模型稳健性差的问题。对开发适合现场油品快速检测和有效加强我国汽油质量监管力度具有重要意义。     

新鲜金盏菊的红外光谱三级鉴别

在9月份和10月份,利用衰减全反射(ATR)对金盏菊分别进行6次活体检测,凭借红外光谱具有的指纹特征性,构建新鲜金盏菊样本的红外指纹图谱,作为三级鉴别提取的特征数据。结果表明:不同时期金盏菊红外光谱中,酯类特征吸收峰(1 732cm-1)和多糖类成分吸收峰(900~1 100cm-1)之间的相对吸收峰强度和峰面积有所差异;二维红外光谱中差异更加明显。红外光谱为不同时期鲜花活体鉴别提供了一种新的方法。     

利用Tikhonov正则化算法进行光谱特征波长的选择及其参数优化

在烷烃类多组分混合气体,尤其轻烷烃类气体傅里叶变换红外光谱定量分析中,其中在红外光谱区域吸收峰严重交叉重叠,不易建立定量分析模型。为此,采用Tikhonov正则化算法对甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷和正戊烷等七种轻烷烃类混合气体傅里叶变换红外光谱进行特征波长的选择,以便建立定量分析模型。选择六种各气体浓度组成混合烷烃气体,采用Tikhonov正则化算法,通过对比分析混合气体在中红外全波段、主吸收峰和次吸收峰波段特征波长的选择和TR参数的优化,选择出七种气体成分的傅里叶变换红外光谱的特征波长。利用选择的特征波长和Tikhonov正则化参数对实测甲烷光谱数据进行检验分析,与其他气体成分的交叉灵敏度最大为11.153 7%,最小为1.239 7%,预测均方根误差为0.004 8,有效增强了Tikhonov正则化算法在轻烷烃类混合气体定量分析中的实用性,初步验证了利用Tikhonov正则化进行烷烃类混合气体傅里叶变换红外光谱特征波长选择的可行性。     

不同花期八宝景天花的红外光谱鉴别

利用衰减全反射(ATR)结合二维红外光谱技术对不同花期(9月份和10月份)八宝景天花分别进行活体检测,凭借红外光谱具有的指纹特征性,构建新鲜八宝景天花样本的红外指纹图谱。结果表明:不同时期八宝景天红外光谱中,酯类特征吸收峰(1 732cm-1)和多糖类成分吸收峰(900~1 100cm-1)之间的相对吸收峰强度和峰面积有所差异;二维红外光谱中差异更加明显。红外光谱为不同时期鲜花活体鉴别提供了一种新的方法。     

近红外光谱的甲醇汽油定量检测与分析方法

甲醇汽油因其辛烷值高、成本低等优势成为新型化石燃料替代物,其甲醇含量的精确检测是决定其品质的重要环节,甲醇汽油组分的精确定量检测与分析对于缓解我国传统石油资源短缺但需求量增多的现状具有重大的现实意义。甲醇汽油中甲醇检测的常规方法如酒醇仪测定法、速测盒测定法等,操作复杂,准确定性低。近红外光谱分析具有测量速度快、灵敏度高、可连续测量等诸多优点,在石油化工领域定性、定量分析中具有巨大应用潜力。为研究甲醇汽油近红外光谱无损定量检测方法,配制了0.5%～30%组分的甲醇汽油标准样品,设计了甲醇汽油近红外光谱数据采集系统并采集60个组分的甲醇汽油近红外光谱数据;利用移动平均平滑法、 S-G卷积平滑法(Savitzky-Golay)和多元散射校正(MSC)对甲醇汽油近红外光谱数据进行预处理分析,研究了BP人工神经网络(ANN)和主成分回归(PCR)模型的决定系数和均方根误差,对两种算法的结果和预测效果进行对比。结果显示：各模型的均方根误差均小于1%, SG平滑-主成分回归预测模型拟合度最好,其决定系数为0.998 98;基于SG卷积平滑算法和神经网络算法建立的模型预测值与真值偏差最小,其均方根误差...     

不同时期商陆果实的红外光谱鉴别

在9月份和10月份,利用衰减全反射(ATR)对商陆果实分别进行活体检测,凭借红外光谱具有的指纹特征性,构建新鲜商陆果实样本的红外指纹图谱。结合二维红外光谱分析商陆果实成熟过程中成分变化。结果表明:不同时期商路果实红外光谱中,酯类特征吸收峰(1 732cm-1)和多糖类成分吸收峰(900~1 100cm-1)之间的相对吸收峰强度和峰面积有所差异;二维红外光谱中差异更加明显。红外光谱为果实成熟过程中活体监测提供了一种新的方法。     

中红外光谱对甲醇汽油甲醇含量检测研究

甲醇汽油是一种清洁能源,甲醇汽油中甲醇的含量决定了汽油的性能。通过中红外光谱对甲醇汽油中甲醇含量进行定量检测和分析。首先,对采集的甲醇汽油原始中红外光谱进行平滑处理（smoothing）、多元散射校正（MSC）、基线校正（baseline）、归一化（normalization）等预处理,再建立PLS模型,对比选择最佳预处理方法,结果表明：在多元散射校正（MSC）处理后建立的PLS模型效果最好,模型的预测集相关系数r为0.918,预测均方根误差RMSEP为2.107。为进一步简化模型,提高预测精度,采用无信息变量消除(uninformative variable elimination, UVE)方法对波长进行筛选,将UVE波段筛选之后的作为模型的输入变量,采用偏最小二乘法（partial least squares, PLS）、主成分回归(principal components regression, PCR)和最小二乘支持向量机（least square support vector machine, LSSVM）三种方法分别建立甲醇汽油中甲醇含量的定量预测模型,并比较不同模型的预测效果和结果。结果表明,使用无信息变量消除可以较好提高数据的运算速度,其中,UVE-PLS模型建模效果最好,r和RMSEP分别为0.923和2.075。该实验表明中红外光谱检测甲醇汽油中甲醇含量是可行的并可以得到较好的效果;UVE是一种对甲醇汽油的中红外光谱非常有效的波段筛选方法,该模型的建立对石油化工领域具有较为重要的意义。     

傅里叶变换衰减全反射红外光谱测定车用汽油诱导期方法研究

诱导期是评价汽油氧化安定性的重要指标。国内燃油市场汽油流通量较大,但目前仍采用传统GB/T 8018—87方法测定汽油诱导期,工序繁琐,耗时较长,难以实现对每批油品及时检测,无法满足汽油品质监管需求。为此,本文提出了一种采用傅里叶变换衰减全反射红外光谱（ATR-FTIR）测定汽油诱导期的快速分析方法。设计和集成了一种采用傅里叶变换衰减全反射红外光谱的智能型专用燃油品质快速分析系统,集光谱采集、数据处理、显示与存储等于一体。设计的测样附件由9次反射的衰减全反射（ATR）硒化锌晶体和带密封的不锈钢盖组成,具有光程恒定,注样和清洗方便等优点。研究了光谱扫描次数和重复装样次数对光谱信噪比的影响规律,确定了最佳扫描次数为15次,装样次数为4次。从京津地区收集64个不同牌号、不同生产时间的汽油样本,采用GB/T 8018—87方法测定其诱导期数值作为建模参考数据。使用该系统采集油样红外光谱。对光谱数据进行均值中心化、一阶求导预处理,采用偏最小二乘PLS方法将汽油红外光谱与其诱导期数据进行关联,建立车用汽油诱导期定量校正模型,其决定系数(R2)0.897,校正标准偏差(SEC)68.3 min,预测标准偏差(SEP)91.9 min。模型专用燃油品质快速分析系统预测汽油诱导期的相对偏差均小于5%,满足GB方法重复性允差要求。与传统GB方法相比,该方法操作简单,分析速度快,单个样本检测仅需3 min,对油品储运及销售过程中快速准确品质监管有积极意义。     

集成学习结合波长选取的有机物红外光谱定量回归方法研究

研究集成学习方法在有机物红外光谱定量分析中的应用及特征波长选取方法对红外光谱集成学习建模效率和预测精度的影响。以柴油红外光谱的十六烷和总芳香烃含量为研究对象,首先采用极端随机森林(ERT)、线性核支持向量机(LinearSVM)、径向基核支持向量机(RBFSVM)和多项式核支持向量机(polySVM)作为基学习器,LinearSVM作为元学习器建立两层Stacking集成学习框架,分析比较单个基学习器与集成学习对柴油红外光谱的定量回归预测精度,与偏最小二乘(PLS)定量回归模型相比,Stacking集成学习模型对柴油光谱的两种有机物含量的预测精度均有提升,其中十六烷含量的ERT模型预测结果最优(r=0.848, RMSEP=1.603, RDP=2.627),总芳香烃含量的Stacking模型预测结果最优(r=0.991, RMSEP=0.526, RDP=9.243);进一步利用组合偏最小二乘(SiPLS)和连续投影算法(SPA)对红外光谱进行特征波长选取,利用优选出的红外光谱特征波长建立集成学习定量回归模型,其中十六烷含量的SiPLS-ERT模型预测结果最优(r=0.893, RMSEP=1.013, RDP=3.051),芳香烃含量的SiPLS-Stacking模型预测结果最优(r=0.998, RMSEP=0.354, RDP=11.475),且模型平均训练时间较全光谱训练时间减少50%以上,建模速度明显提高。研究结果表明,特征波长结合集成学习定量回归建模能够用于有机物红外光谱的定量分析中,与传统定量回归方法相比,该方法的建模效率和预测精度均有较大提高,为进一步研究机器学习在光谱定量分析中的应用提供相关方法支持。     

结合平行因子分析算法和模式识别方法的三维荧光光谱技术用于石油类污染物的检测

随着海洋中石油资源的不断开发,泄漏到海洋环境中的石油也日益增多,它不仅威胁着海洋生态环境,同时也严重影响着人们的身体健康。因此,快速、有效地检测出海洋环境中的石油类污染物对于保护海洋生态环境和人类健康具有重要意义。石油产品中含有大量的多环芳烃,其具有较强的荧光特性。因此,荧光光谱技术成为检测石油类污染物的重要手段之一。利用三维荧光光谱技术结合平行因子分析算法和模式识别方法,对石油类污染物进行表征和分类。首先,以海水和十二烷基硫酸钠(SDS)配制的胶束溶液作为溶剂,分别配制不同浓度的柴油、航空煤油、汽油和润滑油溶液,最终得到80个实验样本;然后,利用FLS920型荧光光谱仪采集实验样本的三维荧光光谱数据,并通过Delaunay三角形内插值法对所获得的三维荧光光谱数据进行去散射处理;其次,利用平行因子分析(PARAFAC)算法分解去散射后的三维荧光光谱数据,通过运用核一致诊断法和残差分析法对组分数进行估计;最后,为了建立稳健的分类模型,利用Kennard-Stone算法将80个实验样本分为60个训练集样本和20个测试集样本,运用K最近邻(KNN)算法、主成分判别分析(PCA-LDA)算法以及偏最小二乘判别分析(PLS-DA)算法分别建立分类模型,并利用灵敏度、特异性和准确率对分类效果进行评估。研究结果表明:三种分类模型对测试集中样本的识别准确率分别为85%, 90%和94%,其中, PLS-DA分类模型对测试集样本的识别准确率最高,具有最佳的分类效果。因此,在利用平行因子分析算法提取石油类污染物荧光光谱数据的基础上,结合模式识别方法可以很好的对不同种类油品进行分类研究。利用三维荧光光谱技术结合平行因子分析算法和模式识别方法快速、有效地检测油类污染物,为石油类污染物的快速检测提供了一种新的研究思路和重要参考。     

三维荧光光谱结合交替加权残差约束四线性分解算法对石油类混合油液的检测

石油作为重要的能源和工业原料,在造福人类社会的同时,其引起的环境污染问题日益严重。因此针对混合油液的快速、准确检测成为鉴别溢油来源和保护生态环境的重要内容。石油类物质一般由具有较强荧光特性的芳香烃成分及其衍生物组成,荧光光谱分析技术以其灵敏度高、分析速度快和受风化影响程度小等优点成为了混合油液检测的重要手段之一,并与二阶校正和三阶校正的各类算法相结合取得了较好的成分鉴别和浓度预测效果。但二阶校正算法普遍存在对噪声的容忍能力弱和对组分数敏感、收敛速度慢等不足,限制了在实际混合油液检测中的应用。针对上述存在的问题,将三维荧光光谱技术和交替加权残差约束四线性分解(AWRCQLD)算法相结合,提出一种用于混合油液检测的新方法。首先以乙醇作为溶剂,将航空煤油和润滑油按不同浓度比配制7个校正样本、4个预测样本和3个空白样本;然后利用FLS920荧光光谱仪采集拟进行成分检测的混合油液在不同实验温度条件下共42个样本的荧光光谱数据,并通过空白扣除的方法消除散射的干扰;再利用核一致诊断法和残差分析法估计出最佳的组分数;最后分别利用AWRCQLD算法、4阶平行因子(4-PARAFAC)算法和二阶校正算法解析样本的荧光光谱数据,做出混合油液样本的定性鉴别和定量预测。研究结果表明,经AWRCQLD算法解析后得到的航空煤油预测样本的回收率为96.7%~102.7%、预测均方根误差为0.015 mg·mL-1;润滑油预测样本的回收率为96.9%~101.7%、预测均方根误差为0.009 mg·mL-1;在不同实验温度条件构建的四维响应数阵能够更为准确地测定出航空煤油和润滑油的组分浓度,其回收率更高和预测均方根误差更小,满足准确定量分析的要求;AWRCQLD算法在航空煤油和润滑油样本的荧光光谱严重重叠的情况下,较之二阶校正算法和4-PARAFAC算法,AWRCQLD算法更能够体现出三阶校正算法所具有的优势,综合预测能力更强,达到了对混合油液进行快速检测的目的。该研究提供了一种不依赖于“物理和化学分离”的快速、准确的对混合油液进行检测的“数学分离”方法,为石油类混合油液检测提供了必要的技术支持。     

基于近红外光谱法的多组分复杂溢油源定量建模分析

研究利用近红外光谱分析方法进行模拟复杂混合溢油源的定量分析问题。选取汽油、柴油、煤油三种轻质石油类产品,按照不同浓度比例配置成40个模拟混合溢油样本,利用傅里叶变换近红外光谱仪采集其在4 000～12 000 cm-1谱区范围内的近红外光谱;采用不同预处理方法,利用偏最小二乘算法建立混合溢油样本三组分各自的浓度定量模型。汽油、柴油和煤油的最优预处理方法均为二阶导数方法,分别在8 501.3～7 999.8 cm-1,6 102.1～4 597.8 cm-1,6 549.5～4 597.8 cm-1,7 999.8～7 498.4 cm-1和6 102.1～4 597.8 cm-1谱区范围内,预测模型的决定系数R2分别为0.998 2,0.990 2和0.993 6;RMSEP值分别为0.474 7,0.936 1和1.013 1;RPD值分别为25.126 9,10.517 3和13.072 0。实验结果表明：利用近红外光谱分析技术结合化学计量学方法能够定量确定模拟混合溢油样本中各组分的浓度,为海洋复杂溢油源的定量检测与分析提供有效手段。     

基于主成分分析的不同预处理方法对关节软骨分类的影响

本文采用不同方法对来自正常和病变关节软骨样本的红外光谱进行预处理,而后利用主成分分析对关节软骨进行鉴别分析。首先对关节软骨切片实现傅里叶变换红外光谱采集,其次分别采用基线校准、标准化、多元散射校正和标准正态变量变换对软骨的红外光谱进行预处理,然后对原始光谱(矩阵)以及预处理光谱进行主成分分析,根据得分矩阵对样本进行分类分析。结果表明:预处理方法结合主成分分析可以更好地对正常和病变关节软骨样本进行分类,而且多种预处理方法的结合可以更好地增强样本间的区分度。另外,针对关节软骨样本,多元散射校正比标准正态变量变换具有更好的增强效果。     

三维荧光光谱结合IGOA-SVM分类鉴别油类污染物

溢油污染是一种典型的环境污染形式,通过多重渠道危害着生物多样性和人类自身安全。因此,针对油类污染物自身组成成分及其特性,采用多种方法相结合的方式,对其进行实时、精确、高效的检测对生态环境监测具有重要意义。三维荧光光谱分析法以其检测精度高、实时性好、操作简便、干扰性小等优势在荧光类物质检测领域应用十分广泛。三维荧光光谱结合支持向量机等算法在物质分类鉴别和浓度预测方面取得较好的成效,但仍存在收敛速度慢、易陷入局部最优等缺陷。将三维荧光光谱与改进蚱蜢优化支持向量机算法(IGOA-SVM)相结合,提出一种对油类污染物分类鉴别的新方法。首先,以0.1 mol·L^-1十二烷基硫酸钠溶液作为溶剂,将0#柴油、 95#汽油和煤油以不同浓度配比配制成0#柴油和95#汽油、 0#柴油和煤油两组分混合样本20个和18个,三组分混合样本20个,各取一半为训练集和测试集。然后,采用F-7000荧光光谱仪采集混合溶液的荧光数据,分析三种油的标准溶液及配制的混合溶液,发现荧光光谱均在一定范围内存在不同程度的重叠现象,仅利用光谱检测无法准确鉴别。最后,结合混沌初始化、精英优化算法和差分进化算法对...     

量子遗传-神经网络算法的润滑油动力粘度值可见近红外光谱分析

润滑油动力粘度是划分润滑油品质的重要依据之一,高铁变速箱润滑油需要进行实时、快速、无损的检测,因此提出一种基于可见近红外光谱微型模块结合量子遗传-神经网络算法对润滑油粘度值进行定量分析的新方法。不仅实现了高铁变速箱润滑油动力粘度的无损快速实时检测,还进一步提高了对润滑油动力粘度预测的精度。微型光谱仪具有性能优良、体积小巧等优势,在便携式光谱无损检测方面用途越来越多。在这里,选用可见短波近红外和近红外波导光栅两种微型光谱模块进行光纤耦合,实现了330～1 700 nm可见-近红外波段光谱拼接。首先我们采用该组合微型光谱仪对13种不同粘度的润滑油共78个样本进行光谱扫描得到原始光谱数据。原始光谱经过Savitzky-Golay卷积平滑后,再一阶求导,可以有效地消除基线漂移和背景噪声。然后采用主成分分析和马氏距离相结合的方法来识别浓度界外样本,剔除界外样本3个。最后采用BP(back propagation)神经网络和量子遗传神经网络两种回归算法分别建立定量分析模型,并对比分析了两种算法的性能。量子遗传算法是量子计算和遗传算法相结合地一种概率进化算法,采用量子染色体的形式,利用量子逻辑门进行全局搜索,从而可以利用量子遗传算法优化神经网络地权重和阈值,提高建模效率和精度。分别用BP神经网络算法和量子遗传-神经网络算法进行建模仿真,从75个样本随机抽取10个样本作为预测集,其余65个为建模集。在量子遗传寻优算法中,其种群数目设置为40,终止代数为200,寻优结果表明该算法在训练81代后可快速得到最优解。比较两种建模算法的预测结果,采用量子遗传-神经网络算法相比BP神经网络算法得到的粘度预测结果均方根误差从0.345 5降低至0.029 4,决定系数从0.850 4升至0.979 9,可知量子遗传-神经网络算法的预测能力明显强于BP神经网络。为进一步提高润滑油粘度的定量分析准确度和微型光谱模块应用于高铁齿轮箱润滑油在线、实时、快速检测提供了参考方法。