Wavelength dispersive X‐ray fluorescence (WDXRF) and chemometric investigation of human hair after cosmetic treatment

Variations in the chemical composition of 63 different human and 6 different synthetic hair samples were investigated using wavelength dispersive X‐ray fluorescence (WDXRF) spectra profiles. To evaluate the effect of cosmetic treatment on the strands, the human hair samples were bleached, but the synthetic ones were not. To better investigate the data, exploratory analyses were calculated using principal component analysis for the WDXRF spectra. Eight normalizations/standardizations were applied in the WDXRF to verify the clustering tendency. Bleaching was tested, because it is one way in which people mask their real hair color. After the data were standardized, an enhancement of the data discrimination was verified. Furthermore, the explained variance was higher in the first principal components. The WDXRF spectra were able to distinguish samples with distinct features, including synthetic, dyed, and straightened hair. The findings of this study hold promise for forensics due to desirable aspects such as nondestructivity and the possibility of a large hair sample database.     

The validity of commercial LIBS for quantitative analysis of brass alloy — comparison of WDXRF and AAS

Commercial low-cost laser induced breakdown spectroscopy (LIBS) has been successfully employed for the quantitative analysis of a Cu-based alloy using a Nd:YAG laser at 1064 nm. The main aim of the present investigation is to explore the benefits of a commercial low-cost LIBS setup. It was recognized that some trace elements such as Al and S could not be detected by LIBS even with a high-resolution spectrometer. The main difficulties in quantifying Cu as a basic component of a brass alloy are related to the self-absorption of Cu spectral lines, with the effect complicated at Cu concentrations higher than 65%. However, few Cu lines such as that at 330.795 nm would be helpful to use due to their lower susceptibility to self-absorption. LIBS, flame atomic absorption spectrometry (FAAS), and wavelength dispersive X-ray fluorescence (WDXRF) were compared for the detection of major and trace metals in the Cu-based alloy. In the case of WDXRF, the brass samples were identified by using a standardless quantitative analysis program depending on a fundamental parameter approach. The quantitative analysis results were acceptable for most of the major and minor elements of the brass sample. Therefore, commercial low cost LIBS would be useful for quantitative analysis of most elements in different types of alloys.     

基于LIBS与化学计量学的植物叶片分类研究

激光诱导击穿光谱（LIBS）是一种高效快速的光谱采集手段,可应用于各类物质的元素分析工作中。线性判别分析（LDA）与支持向量机（SVM）是化学计量学中两种常用的有监督算法,均通过对已知不同种类的样本数据进行学习建模,进而实现对未知类别数据的归类。为了实现LIBS技术对有机物的高准确率识别,将这两种算法应用到LIBS光谱数据的分类中。实验利用波长为1 064 nm的纳秒激光烧蚀女贞、珊瑚树、竹子三种植物的叶片,并采集每种树叶220～432 nm波段的100组光谱数据。通过对300组样本的原始光谱数据进行主成分提取,由第一主成分（PC1）和第二主成分（PC2）的得分图得出三种植物光谱的相似度非常高。然后,利用每种叶片70组样本的光谱数据作为训练集建模,其余30组光谱数据作为测试集来进行树叶种类的预测识别。将PCA对原始光谱数据提取得到的前20个主成分作为LDA与SVM建模的属性值。对于LDA算法,将属性值分析后得到前两个判别函数值,通过聚类分析发现不同种类的植物叶片光谱数据在空间上的分离效果较好,同一种类基本聚集在一起。再借助马氏距离可得到测试集的平均分类正确率为96.67%。与此类似,使用SVM方法对训练集样本的数据进行学习得到分类超平面,对测试集的平均分类正确率达到98.9%。研究结果表明,经过PCA对数据的预处理,再结合LDA,SVM这两种方法可实现LIBS技术应用于复杂有机物的快速准确分类,并且PCA与SVM结合的分类正确率更高。该方法可在食品快速溯源、生物组织原位鉴别、有机爆炸物远程分析等领域应用。     

Assessment of LIBS for Spectrochemical Analysis: A Review

Abstract

This review assesses the applications of laser-induced breakdown spectroscopy (LIBS) for the analysis of a variety of samples, including biomaterials (teeth, nail, hair, gallstones, and kidney stones, etc.), food materials (fruits and vegetables, milk, salt, nutritional supplements, etc.), medicinal plants, industrial waste, liquid samples, etc. In addition, for the first time the identification of cholesterol and pigment stones was performed on the basis of atomic lines of different elements and molecular bands of C₂ molecules present in the LIBS spectra of gallstones. Chemometric techniques such as principal component analysis (PCA) was also applied to LIBS data for rapid identification/classification of different gallstone samples. LIBS analysis of toxic/heavy elements present in vegetables (spinach, tomato) and rice is also presented in this review. It was observed that vegetables grown near industrial areas are rich in several toxic metals like Pb and Cr. The wastewater samples from different industries were also analyzed by recording their spectra using a liquid jet. These results clearly demonstrate the ability of LIBS technique as an instant monitoring device to detect heavy metals present in liquid samples. Finally, this review shows that LIBS is a versatile analytical technique with unlimited applications.     

LIBS中药材石斛等级识别研究

石斛是一种常用的中药材,经常使用新鲜的或干燥的茎条入药,有益胃生津、滋阴清热的效果。近年来,药理学研究探索出石斛具有抗白内障、抗氧化、抗肿瘤、提高免疫力的作用,其在许多病例中疗效显著,引起了国内外学者的关注,然而不同时间采集的石斛中氨基酸、微量元素等含量各不同,其对应药用价值,价格也不同,因此石斛价格等级分辨的研究具有重要意义。为快速鉴别不同价格、不同药效的石斛,研究了随机森林分类模型结合激光诱导击穿光谱技术(LIBS)对石斛价格等级进行分析建模。选取5个等级的石斛样品进行建模,为了对样品进行精确稳定分析,所有石斛样品均通过粉碎压片减小实验误差。采用1 064 nm波长的Nd∶YAG脉冲激光器作为激发光源,设置激光脉冲能量50 mJ,探测延时1μs,采集五个等级石斛样本的光谱数据,每个等级的样本采集40组光谱,共200组数据,并采用归一化处理,使所有的光谱数据转换到-1~1之间。采用归一化处理后的光谱数据进行主成分分析,通过主成分分析获得前7个主成分的得分矩阵,其累计解释95.24%的光谱信息。将选取的7个主成分作为输入,建立波段为220~880 nm的随机森林鉴别模型。并将石斛样本编号打乱,任意选取50%的光谱数据作为训练集,剩下50%的光谱数据作为测试集,默认决策树个数ntree为500,分裂属性集中属性个数mtry为5,建立模型对不同等级的石斛进行分类。等级一、二、三、四、五的识别率分别为95.45%, 100%, 78.26%, 94.12%和85%,平均识别率为90.57%。为提高识别率,研究了不同的ntree和mtry对分类模型的影响,利用袋外数据误差率估计对随机森林的两个参数进行了优化。选择ntree为300,mtry为1,等级一、二、三、四、五的识别率分别为100%, 100%, 92.31%, 100%和90%,平均识别率为96.46%,识别率提高了5.89%。综上所述,采用LIBS技术结合优化后的随机森林模型鉴别石斛等级具有一定的可行性,为未来快速鉴定不同价格的石斛等级分类提供了可行性的判别系统。     

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     

基于向量空间模型的岩屑LIBS光谱分类识别方法

向量空间模型最初用于文献检索,该模型是通过对文献内容进行特征文本提取后,将文献转换到文本向量空间,然后在文本向量空间中通过计算文献的特征文本向量与检索文本的特征文本向量的相似度,实现文献的检索,该方法基于模式识别中模板匹配的最近邻原则。针对光谱数据的特点和模式识别中模板匹配的基本原则,将向量空间模型引入基于样品光谱的分类识别。通过训练集中光谱数据获得各样品的光谱数据模板,提取训练集中各样品光谱数据模板特征峰的波长和相对强度信息,构建特征峰信息数据库,计算获得特征峰信息权值,将光谱数据转换到特征峰向量空间,获得各样品光谱数据模板的特征峰向量,构建样品特征峰向量数据库。同理获得预测集样品光谱的特征峰向量,在特征峰向量空间中通过计算预测集样品特征峰向量与样品特征峰向量数据库中各样品模板特征峰向量的余弦值,完成对预测集样品的分类识别。以岩屑样品的LIBS光谱为研究对象,将向量空间模型应用于LIBS光谱的分类识别。分类结果表明,该方法能够实现对岩屑样品LIBS全谱的快速分类识别,且在对预测集光谱数据进行平均处理后,分类准确率为100%。提出的基于向量空间模型的LIBS光谱分类方法可以拓展应用于其他光谱数据的分类识别。     

基于衰减全反射红外光谱(ATR-MIR)的混合鱼糜及其制品的鉴别分析研究

利用ATR-MIR光谱分析技术对掺杂了不同水平带鱼糜的鲢鱼糜进行了分类。文中采用了五种化学计量学方法(SIMCA, KNN, SVR, PLS-DA和 ID3决策树)分别结合ATR-MIR光谱数据建立判别模型,并对各个分类模型性能和分类效果进行了分析和比较。结果表明：无论是对生鱼糜样品进行鉴别还是对其熟制品进行鉴别,基于SIMCA方法建立的分类模型都获得了较好的分类效果。对鱼糜制品和生鱼糜正确分类率分别达到了96.59%和96.43%,相应的交互验证均方根误差(RMSECV)值分别为：0.185 7和0.189 8,相关系数r值达到了0.988 0和0.994 1。这表明ATR-MIR结合化学计量学方法可以对掺假的鲢鱼糜进行鉴别,也表明ATR-MIR在鱼糜品质监测方面具有很广阔的应用前景。     

基于遗传算法与线性鉴别的近红外光谱玉米品种鉴别研究

结合遗传算法与线性签别分析(LDA)提出了一种玉米品种的快速鉴别方法.该方法是一种基于近红外光谱的新方法,通过采集玉米种子(实验共37个种类)的近红外光谱数据,使用遗传算法进行特征光谱波段的选择,使用线性鉴别分析的方法提取光谱特征并分类.结果表明,遗传算法能有效地剔除光谱噪声波段,并提高 LDA 的泛化能力.同时,为简化运算,剔除了大量冗余数据,结合遗传算法选择的特征谱区,使参与鉴别的数据维数从2 075降到了233.对测试集1的300个样本的平均正确识别率与平均正确拒识率均达到99.30%,其中73.33%的玉米品种的正确识别率达到了100%;对测试集2(均为未参加训练品种的样本)的175个样本的平均正确拒识率达到99.65%.与常用的 PCA 等方法相比,运算时间更短,正确率更高.     

特征变量提取方法对脐橙皮中Cu元素LIBS检测精度的影响

食品重金属污染日趋严重,常规的实验室化学分析方法难以满足现代农业发展的需求。激光诱导击穿光谱是一种新兴的快速无损检测新方法,但该技术存在检测稳定性、灵敏度和精确度不高的瓶颈问题。本工作以江西特色水果赣南脐橙中的Cu元素为研究对象,探讨采用LIBS技术检测的可行性问题。首先对脐橙样品进行实验室污染处理,再利用优化的试验参数(激光能量120 mJ、光谱采集延迟时间1.14 μs、采集积分时间2 ms)采集样品表皮的LIBS光谱信息,然后利用AAS对激光击打部位果皮进行Cu元素真实含量检测。提取Cu Ⅰ324.7 nm与Cu Ⅰ 327.4 nm作为Cu元素定量分析特征光谱,建立Cu元素真实浓度与Cu Ⅰ 324.7强度、Cu Ⅰ 327.4强度、Cu Ⅰ 324.7与Cu Ⅰ 327.4强度之和的关系模型,并对模型的灵敏度和预测准确度进行了分析。结果显示,三个关系模型的浓度预测相对误差均在7.01%以下,最小分别达到了0.02%,0.01%和0.02%,平均相对误差分别为2.33%,3.10%和2.63%。试验表明,寻找合适的特征变量能明显提高定量分析结果的精确度。此外,该研究有助于为重金属元素在果皮果肉中的传输规律提供理论依据。     

ICP-MS测定蜂蜜中多元素结合化学计量学在不同产地荆条蜜溯源中的应用

应用电感耦合等离子体质谱(ICP-MS)测定了北京顺义、河北阜平和河北平山三个地区65个荆条蜜样品中38种元素含量,其中B,Na,Mg,P,K,Ca,Fe和Zn等8种元素的含量处于较高水平,其浓度均高于1 mg·kg-1。比较发现,不同地区荆条蜜中元素含量存在一定差异。以具有显著性差异(p<0.05)的29种元素(Na,Mg,Al,K,Ti,V,Mn,Fe,Ni,Cu,Zn,Ga,As,Sr,Y,Mo,Cd,Ba,La,Ce,Pr,Nd,Sm,Gd,Dy,Ho,Tl,Pb和U)为变量,应用主成分分析(PCA)和反向传输人工神经网络(BP-ANN)两种化学计量学方法按照不同产地对荆条蜜进行了分析。PCA可将所有变量降为4个主成分,并能解释81.6%的变量,结果表明,PCA基本可以将荆条蜜按照不同产地分开。应用BP-ANN建立不同产地荆条蜜溯源模型,用全部样本建立模型时,三个产地荆条蜜分类的正确率均为100%,采用“留一法”进行交叉检验,整体准确率为95.4%;以75%的样本建立模型,25%的样本用于预测,对BP-ANN模型的可靠性进行验证,三个产地整体分类和预测的准确率均为100%。ICP-MS测定蜂蜜中多元素含量结合多变量模型可以实现不同产地荆条蜜溯源。     

Laser-induced breakdown spectroscopy applied to the characterization of rock by support vector machine combined with principal component analysis

Laser-induced breakdown spectroscopy(LIBS) is a versatile tool for both qualitative and quantitative analysis.In this paper,LIBS combined with principal component analysis(PCA) and support vector machine(SVM) is applied to rock analysis.Fourteen emission lines including Fe,Mg,Ca,Al,Si,and Ti are selected as analysis lines.A good accuracy(91.38% for the real rock) is achieved by using SVM to analyze the spectroscopic peak area data which are processed by PCA.It can not only reduce the noise and dimensionality which contributes to improving the efficiency of the program,but also solve the problem of linear inseparability by combining PCA and SVM.By this method,the ability of LIBS to classify rock is validated.     

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LIBS技术结合PCA-SVM机器学习对猪肉部位的识别研究

近年来,激光诱导击穿光谱（LIBS）与算法相结合分类、识别生物组织逐渐兴起。由于猪肉各部位组织光谱特性相似,仅通过分析光谱信息很难达到准确识别的效果,采用来自于同一个体、四个不同部位的猪肉进行研究,并将其进行切片、压平,应用LIBS技术对4种部位的组织（里脊,梅花,前腿,五花）进行了样品光谱的采集,每种样品采集100幅光谱进行分析,选取Ca,Na,K等6条谱线进行了初步光谱分析,观测谱线发现除脂肪含量较多的五花组织C-N以及C含量较其他组织高以外,其他组织很难区分,进一步对这6个成分进行主成分分析（PCA）,得到PC1,PC2,PC3累计贡献率达到95%,通过特征分数作为支持向量机（SVM）模型输入源,建立SVM分类模型,得到几种部位样品的混淆矩阵图,通过观察混淆矩阵可以清楚分辨出每个种类样品的分类整准确率,发现四种样品准确率分别为96%,98%,97%,100%,平均准确率达到了97%以上。研究证明LIBS结合PCA-SVM可作为一种快速鉴别猪肉不同组织部位的检测方法。     

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种塑料进行分类识别研究。由于目前有关塑料分类识别速率的研究报道较少,该实验在保证识别准确率的前提下,进一步研究和分析实验过程耗费的时间,满足工业生产中快速分类的要求。每种塑料采集100组光谱数据,随机选取50组数据作为训练集建立模型,余下50组作为测试集测试模型的分类识别效果,所以训练集和测试集各有1 000组光谱数据。将训练集的数据不加处理地输入SVM中进行训练,并采用5折交叉验证建立最佳模型,此时测试集的识别准确率为99.90%,建模时间为1小时58分41.13秒,预测时间为11.96 s。由此可见,单纯使用SVM算法可以得到很高的准确率,但是需要耗费大量时间。为了提高实验效率,引入主成分分析算法,将原来的高维数据变换成低维数据,并用降维后的数据训练模型。针对不同的主成分个数,均采用随机训练十次再取平均值的方法获得相关数值。实验表明,当选取主成分个数为13时,得到相应的识别准确率为99.80%,而PCA处理时间为1.44 s,建模时间为12.16 s,预测时间仅为0.02 s。虽然PCA算法结合SVM算法在对20种塑料进行分类识别时准确率有轻微下降,但是大大减少了模型训练的时间,实验效率得到很大程度的提高。结果表明,结合两种算法辅助激光诱导击穿光谱可以对塑料进行快速准确的分类识别。     

基于K-CV参数优化支持向量机的LIBS燃煤热值定量分析

热值是煤质特性的重要参数之一,很大程度上影响着燃煤锅炉的运行。为了克服传统检测方法所存在的问题,将激光诱导击穿光谱(LIBS)应用于燃煤热值的定量分析。煤的结构复杂,所含的元素种类众多,包括了主量元素、次量元素和痕量元素,致使煤的LIBS光谱信息复杂。如何有效提取LIBS光谱信息,实现准确的定量化测量是LIBS在煤特性检测中发挥作用的前提和基础。近年来,随着人工智能技术的发展,相关的分析技术也开始应用于煤的工业指标分析和热值预测中。为实现煤样品中LIBS光谱信息的有效提取,同时为克服常规的分析方法易出现的过渡拟合、收敛性不好等问题,提出采用结合K-fold Cross Validation(K-CV)参数优化的支持向量机(SVM)回归方法,实现LIBS定量分析煤中的热值。SVM方法是结构风险最小化的近似实现,可用于模式分类和非线性回归。为了得到有效的LIBS分析模型,实验选用44种电厂常用的热值含量不同的煤样作为实验对象,选择其中33个作为训练集,剩余11个为测试集。利用搭建的LIBS实验系统获取所选煤样品的等离子体发射光谱数据,首先分析了SVM热值回归模型的参数-惩罚因子C、核函数参数g与模型精度的关联,确定C和g最佳取值范围,然后分别建立了基于LIBS全谱和某些元素(非金属元素和金属元素)特征光谱的SVM回归模型。利用训练集光谱数据,结合K-CV法得到热值SVM回归模型的最优参数C和g的值,建立基于SVM最优参数的煤热值定量分析模型。然后将测试集的光谱数据作为输入量用于测试所建立模型的可靠性,得到分别采用全谱、非金属元素特征光谱、非金属与金属元素特征谱相结合的热值定量分析模型,其决定系数R2均达到0.99以上,均方误差分别为0.12,0.17和0.06 (MJ·kg-1)2,预测平均相对偏差分别为1.2%,1.23%和0.69%。结果表明：基于K-CV参数优化SVM回归方法可用于LIBS技术实现燃煤热值的定量分析,且可得到较高的分析精确度和准确度;同时通过对比选用不同的光谱特征的定量分析模型可知,采用非金属与金属元素的特征光谱所建立的基于K-CV参数优化SVM的热值定量模型,能够有效提高LIBS应用于快速检测煤热值的精度和准确度,实现煤热值的准确预测。     

红外光谱与人工神经网络相结合识别栽培、野生黄芩和粘毛黄芩

为了识别栽培黄芩、野生黄芩和粘毛黄芩，采用非线性－线性、线性－线性、非线性－非线性三种模式的人工神经网络（ANN）分别分析各种黄芩的红外谱。我们采用42个样本作训练集，34个样本作检验集，用各种模式的ANN进行了监督性训练。当训练目标误差平方和定为0.01时，各类ANN对训练集中三类黄芩样本识别的正确率均为100%，但对检验集样本识别的结果各不相同，其识别的正确率与隐含层节点数S1有关。我们发现当S1较大时，识别正确率反而下降，可能此时网络的非线性程度过高，使其不适合于该类样本集的训练。线性－线性型ANN识别的结果随S1的变化不很大，但识别的正确率不高，基本在85％左右。非线性－线性型ANN识别的结果最佳。当S1为3时，其识别正确率超过了97％。因此该法可用以简便、快速、准确地识别这三种黄芩药材。     

真空环境熔融金属成分检测的激光诱导击穿光谱系统

激光诱导击穿光谱(LIBS)技术是应用于冶金在线分析最具前景的技术之一。为了研究真空和高温条件下LIBS光谱特性和物质成分定量分析方法,设计并搭建了可实现真空环境高温熔融金属LIBS光谱测量的实验系统。系统以调Q Nd: YAG脉冲激光器为光源,采用不同焦距透镜实现激光聚焦和信号光采集,并利用光谱仪进行光谱检测,真空获取和高温加热通过真空泵和中频感应电炉实现,感应加热线圈通过陶瓷封接引线法兰与真空系统进行整合。经过安装测试,搭建系统在未加热情况下真空度可达1×10-4Pa,加热温度可达到1 600 ℃,可实现真空环境下铁、铝等金属加热或熔融,并获得相应环境下的LIBS测量光谱。利用该系统进行真空和熔融条件下标准钢样品的LIBS实验,得到了固态钢样品LIBS光谱在不同真空度下的光谱对比,以及真空环境熔融态和固态钢样品光谱对比。通过对测得的LIBS光谱进行数据处理和理论分析,所得初步实验结果与现有研究结论相符合,表明该系统工作状况良好,可满足真空环境下的熔融金属成分分析研究的基本需求。     

腔体约束LIBS结合机器学习对土壤重金属元素的定量分析

土壤重金属元素含量检测及防治,对我国农业、生态环境修复具有重大意义。利用外加腔体约束结合激光诱导击穿光谱技术（LIBS）获得土壤光谱数据,采用机器学习对土壤中重金属元素Ni和Ba含量进行分析。实验设置延迟时间为0.5～5 μs,选择Ni Ⅱ 221.648 nm和Ba Ⅱ 495.709 nm作为目标研究特征谱线,计算两种LIBS条件下延迟时间对信噪比、光谱强度及增强因子的影响。结果表明,腔体约束LIBS（CC-LIBS）可以增大光谱强度及目标元素信噪比,同时随着采集延迟时间增长,等离子体数目变少,光谱强度及信噪比逐渐减小并趋于稳定;当延迟时间设置为1 μs时,CC-LIBS条件下Ni和Ba元素特征谱线信噪比达到最优,确定此时为LIBS最优实验条件。通过最优条件获取9种含Ni和Ba元素土壤样品的光谱数据,由于采集到的每组光谱信息有12 248个数据点,利用主成分分析（PCA）对CC-LIBS条件下的光谱数据降维,在保留95%以上的土壤原始信息后,选择9个主成分作为定量分析模型的输入变量,以提高模型的运算速度。采用机器学习中的Lasso,AdaBoost和Random Forest模型,对PCA降维后的光谱数据进行建模及预测,实现土壤重金属元素Ni和Ba的定量分析。结果表明,与Lasso和AdaBoost模型相比,Random Forest模型在训练集和测试集中表现出的预测性能最优。Random Forest模型下Ni元素在测试集中的R2为0.937,RMSEP为3.037;Ba元素在测试集中的相关系数R2为0.886,均方根误差RMSEP为90.515。基于腔体约束LIBS技术结合机器学习,为土壤重金属元素的高精度检测提供了技术指导。     

红外光谱法与荧光光谱成像技术结合神经网络对正毛化橘红的快速鉴别

为探究一种快速、可靠的化橘红检测方法,本实验分别采用傅里叶变换衰减全反射红外光谱法和荧光光谱成像技术结合多层感知器(MLP)神经网络所构建的模式识别方法,对化橘红进行鉴别,并对两种方法进行了比较。实验以81个正毛化橘红,37个其他品种橘红共118个样品为研究对象,采集所有样品的红外光谱和荧光光谱图像。根据光谱曲线中不同样品间的差异,取红外光谱中550-1800 cm-1区段范围内的光谱数据和荧光光谱曲线中的400～720 nm区段的光谱数据进行分析,应用主成分分析法(PCA)对化橘红的光谱数据进行降维处理,再结合MLP神经网络对化橘红样品进行判别分析。实验中分别使用多元散射校正(MSC)、标准正态变量校正(SNV)、一阶导(FD)、二阶导(SD)以及Savitzky-Golay(SG)平滑数据预处理方法,并比较他们对鉴别模型的影响。分析结果表明：利用红外光谱法(FTIR/ATR),经由Savitzky-Golay(SG)平滑预处理得到的数据,通过隐层函数为sigmoid的三层MLP模型,能够得到最优正毛化橘红识别率,其结果训练集和测试集的识别率都为100%;利用荧光光谱成像技术,由多元散射(MSC)预处理的结果是最理想的。经过预处理的数据,通过隐层函数为sigmoid函数的三层MLP模型,训练集识别率达到100%,测试集识别率达到96.7%。由此可见,衰减全反射红外光谱法(FTIR/ATR)和荧光光谱成像技术分别与MLP神经网络构建的识别模式,均可对化橘红的判别达到快速、可靠的效果。