粒子群优化算法在混合气体红外光谱定量分析中的应用

通过将粒子群优化技术及BP神经网络技术相结合,建立了三种烃烷混合气体的红外光谱定量分析模型。混合气体主要由甲烷、乙烷、丙烷三种组分气体组成,三种组分气体浓度范围分别为0.01%～0.1%。文章首先采用主成分分析技术从红外光谱1 866个数据中提取了5个特征变量作为神经网络的输入,将气体浓度作为网络输出。然后将粒子群优化算法与BP神经网络技术相结合,对网络的隐含层节点数进行了优化选择。再对结构优化后的网络进行训练,建立气体分析模型。分析模型的标准气体验证实验结果表明,采用此方法建立混合气体红外光谱定量分析模型所用时间(大约4 600 s)比单纯采用BP神经网络进行遍历优化建模所用时间(大约24 500 s)降低5倍以上,模型预测精度水平相当,网络结构大致相同,具有一定的实践意义和应用潜力。     

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。     

大气压低温等离子体发射光谱检测含磷有毒气体（模拟剂）方法研究

化学气体毒剂杀伤快、易扩散、难处置,一旦使用或泄露将对国家安全和社会稳定造成巨大威胁,因此有必要发展一种可以现场实时检测化学毒害气体的方法。目前,传统气体检测方法主要包括红外吸收光谱、气相色谱/质谱、离子迁移谱和各种气体传感器等,但其便携性、灵敏度、广谱性难以兼得,无法完全满足现场检测需求。基于发射光谱（OES）响应快、灵敏度高、广谱性好、可重复性强的独特优势,提出了一种大气压低温等离子体发射光谱检测技术。分别以纳秒高压脉冲、直流自脉冲和微波作为等离子体激励源,使用毒性较小的甲基膦酸二甲酯（DMMP）作为沙林模拟剂进行发射光谱检测;以乙醇作为环境有机干扰物,对乙醇与DMMP光谱进行了主成分分析;并探究了放电脉冲频率与特征光谱强度的关系。结果表明,三种激励源产生的等离子体都可辨别出DMMP特征光谱：P原子特征谱线波长为213.82和215.09 nm,PO基团谱带波长为253.67和255.6 nm。光谱识别度方面,使用微波激励源时DMMP特征光谱最为明显,而使用纳秒脉冲与直流自脉冲激励源时光谱连续本底强烈。方法适用性方面,微波等离子体无电极污染、但需要氩气维持,可作为建立毒害气体发射光谱数据库的手段;而纳秒脉冲与直流自脉冲激励源可在常压空气环境中直接检测。三种激励形式下等离子体区域都存在气体加热效应,微波等离子体气体温度最高（约1 300 K）,而纳秒脉冲和直流自脉冲放电气体温度相近（分别约为980和880 K）。研究发现,提升脉冲重复频率可以显著增加DMMP特征光谱强度,其与脉冲频率在1~40 kHz内呈线性关系（相关系数大于0.98）。所提出的大气压等离子体发射光谱检测方法具有响应快、操作简单等优点,可扩展性强、具有小型化潜力,为毒害气体快速检测装备研发提供了技术参考。     

一种改进型多组分气体的Tikhonov正则化特征光谱提取方法

针对FTIR光谱分析数据计算量大,具有相同基团的多组分混合气体交叉灵敏度过高,以及在线分析过程中基线漂移等问题,提出了一种改进的TR2-1(Tikhonov 2norm-1norm)正则化特征变量提取法。该方法借鉴TR1和TR2模型的基本思想,引入谱线距离和谱线系数绝对值最小化两个约束项来保证所提取特征量的准确度,消除基线漂移所带来的影响,并结合上述两种模型建立了不适定问题的最优化求解通式。该通式有效地克服了经验法和实验法确定正则矩阵和参数所带来的误差。实验以浓度为0.01%~20%的甲烷、乙烷、丙烷、正丁烷、异丁烷、正戊烷和异戊烷气体为例进行了特征光谱选取。结果表明,对于浓度为0.2%的甲烷气体,其预测误差平方和仅为2.6×10-4,可决系数达到0.959 2,分析准确度高,有效增强了TR正则法的实用性。     

用特征光谱荧光标记技术分析水中溶解有机物特性

讨论了一种自然水体中有机物的快速诊断分析方法。介绍了总荧光光谱(TLS)和特征光谱荧光标记(SFS)技术;以激光诱导荧光(LIF)方法测量了水体的总荧光光谱,利用特征光谱荧光标记技术对水体中溶解有机物(DOM)及叶绿素a(Chla)进行了分析,并给出了不同浓度腐殖酸的归一化荧光强度与浓度的关系曲线．结果表明,利用特征光谱荧光标记技术对水体总荧光光谱的分析,可以进行水体污染物的快速、实时和在线监测。     

直接正交信号校正算法在烷烃类多组分气体定量分析中的应用

针对烷烃类多组分混合气体中红外光谱存在的基线漂移问题,提出一种直接正交信号校正算法用于光谱数据预处理。实验中采用傅里叶变换红外光谱仪采集了936组混合气体样本的光谱数据,混合气体主要由不同浓度范围的七种组分气体组成。将直接正交信号校正算法与导数算法进行了对比分析,采用偏最小二乘回归方法建立了各组分气体定量分析模型,并对模型参数(主元个数、导数步长及正交分量的个数)进行了遍历优化选取最优分析模型。结果表明直接正交信号校正算法对于中红外光谱基线校正效果最好,直接正交信号校正算法用于烷烃类混合气体中红外光谱基线校正可行,效果良好,具有一定的实用和研究价值。     

高光谱图谱融合检测羊肉中饱和脂肪酸含量

为探究高光谱成像(400~1000 nm)对羊肉中饱和脂肪酸(SFA)含量检测的可行性,提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型,实现对羊肉中SFA含量的快速检测及分布可视化。利用分段阈值法构建掩膜图像,获取羊肉样本感兴趣区域(ROI),结合SPXY法对样本集进行划分并对相关光谱信息进行预处理,分别采用连续投影算法(SPA)、变量组合集群分析法(VCPA)和β权重系数法提取特征光谱;通过获取羊肉样本主成分图像,结合灰度共生矩阵(GLCM)算法提取图像纹理信息;分别对特征光谱、图像信息及图谱融合信息建立的偏最小二乘回归(PLSR)与最小二乘支持向量机(LS-SVM)预测模型进行对比分析。利用5种不同对原始光谱数据进行预处理,经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875,较原始光谱分别增加了0.001和0.04,均方根误差模型分别为0.244和0.268,较原始光谱模型分别减少了0.003和0.06;对SNV法预处理后的光谱数据进行特征波长提取,SPA法、VCPA法及β权重系数法分别提取出12,10和9个特征波长;获取羊肉样本的前5个主成分图像,选择所含信息量最多的第一主成分图像进行纹理特征提取,依次提取0,45°,90°和135°方向下的能量、熵、同质性和相关性共4个主要纹理特征。利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好,PLSR模型校正集与预测集相关系数分别为0.8849和0.8807,均方根误差分别为0.3001和0.2606;LS-SVM模型校正集与预测集相关系数分别为0.8987和0.8926,均方根误差分别为0.2767和0.2476;图谱信息融合模型中,PLSR模型校正集与预测集相关系数分别为0.9071和0.9078,较特征光谱模型分别增加了0.02和0.03,均方根误差分别为0.3269和0.2992,较特征光谱模型分别增加了0.03和0.04;LS-SVM模型校正集与预测集相关系数分别为0.9206和0.8946,较特征光谱模型分别增加了0.02和0.002,均方根误差分别为0.2519和0.2458,较特征光谱模型分别减少了0.02和0.002。光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法;采用SPA法提取的12个特征波长简化了光谱模型,提高了模型性能,特征光谱建模的最优方法为SPA-LS-SVM;图谱信息融合模型较特征光谱模型,模型相关系数增加较少,表明图像纹理信息虽携带了部分有效信息,但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。基于图谱信息融合模型的预测性能最优,其次为光谱信息模型。择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量,利用伪彩色图直观表示了羊肉样本中SFA的含量分布。实现对羊肉样本SFA含量的无损检测及分布可视化表达。     

基于无信息变量消除法与岭极限学习机的新型变量选择方法：以CO气体浓度反演为例

变量选择是光谱分析领域一个重要的组成部分。为了克服传统区间选择法的缺点与不足,基于无信息变量消除法和岭极限学习机提出一种新型的变量选择与评价方法。首先,利用无信息变量消除法剔除整个光谱区间中无信息的波长点;其次,为了解决传统建模方法(偏最小二乘法、BP神经网络等)存在的共线性问题,采用岭极限学习机方法建立回归模型;最后,最佳的特征光谱波长点组合利用特征选择路径图和稀疏度-误差折中曲线进行确定。CO气体的浓度反演实验结果表明：(1)利用无信息变量消除法可以有效筛选出最能表征CO气体透过光谱的特征波长点;(2)岭极限学习机方法具有快速建模、避免共线性和高精度等优点(CO气体浓度反演模型的决定系数可达0.995);(3)特征选择路径图和稀疏度-误差折中曲线可以直观地帮助用户寻找出最佳的特征波长点组合。     

面向高保真印刷的特征光谱提取与匹配方法研究

快速、准确的进行光谱重建是高保真印刷复制研究的难点。针对多个基色参与复制造成颜色在光谱表征和油墨配比之间转换模型复杂的问题,提出了一种用于高保真印刷的特征光谱提取和匹配方法。该方法利用光谱的导数变换对印刷基色油墨的特征光谱波段进行了筛选和提取,在此基础上提出了特征光谱的多阈值编码算法;针对高保真印刷中的分区判断问题,利用导数平均特征光谱表示各分区特征,并通过目标光谱与各分区的导数平均特征光谱的光谱匹配算法,解决了高保真印刷中的分区判断问题。实验结果表明,提取的特征光谱波段能够显著代表各个基色的光谱特征,基于特征光谱的色彩转换模型精度高于基于全波段的色彩转换模型;光谱匹配算法在判断分区上达到了很高的精度,极大的提高了效率,具有较高的实用性。     

基于一种新的特征选择算法的高光谱图像土壤碳含量预测研究

实时、快速监测土壤碳含量,对促进生态系统碳平衡、保障作物健康生长、土地可持续利用等具有重要意义。高光谱图像是预测土壤碳含量的一种很有前景的替代方法。针对高光谱图像中存在的一些噪声和干扰信息,提出了一种新的特征选择算法——扩展连续投影算法(ESPA)。与全光谱、连续投影算法(SPA)、无信息变量消除(UVE)、遗传算法(GA)和人工选择特征光谱的方法相比,ESPA选择谱区对预测进行了改进。结果表明,利用ESPA选择的特征光谱对土壤总碳(TC)含量的预测是有明显效果,为利用高光谱图像预测土壤碳含量提供了一种替代方案。     

基于Vis-NIR光谱的柑橘叶片黄龙病检测及其光谱特性研究

黄龙病作为柑橘类水果最具毁灭性的疾病之一,目前尚无有效的治愈手段,因此疾病预防成为已知的唯一有效方法。基于四种柑橘叶片(健康叶片、黄龙病叶片、铁缺乏叶片及氮缺乏叶片)VIS-NIR的反射光谱详细讨论了黄龙病的辨别方法以及在判别模型中光谱特征值的提取方法。在两类判别分析的特征值提取方法中,判别值(discriminability)运算的引入,为特征值提取提供了一个可靠依据,判别值越大表明光谱差异性越大。以被选特征值建立的Fisher线性判别分析模型,黄龙病与健康、铁缺乏、氮缺乏叶片的分类判别预测准确率分别都超过了90%,分类效果符合预期。最后,又讨论了分类树(classificationTree)在多类判别中的应用。通过对柑橘叶片原始反射谱,一阶导数谱及被选特征值分别建立分类模型,四种柑橘叶片平均预测准确度都超过88%,尤其是基于特征值的分类结果更是超过94%,验证了在多类判别中检测柑橘黄龙病的可行性及特征值提取的重要性。结合传统分类方法(k-NN, Bayesian)的结果分析,特征值作为输入变量的分类结果明显要优于原始光谱,证实了特征值选取的正确性,并为将来基于光谱特征值开发多光谱成像技术检测黄龙病打下坚实的基础。     

煤矸石充填复垦重构土壤重金属含量高光谱反演

为研究煤矸石充填复垦土壤重金属含量快速有效的监测方法,以淮南创大生态园煤矸石充填复垦田间试验小区为研究区域,首先采用化学方法监测土壤(0～20 cm)重金属(Cu, Cr, As)含量,然后采用ASD(analytical spectral devices) FiSpec4型高光谱仪测量土壤样品的反射光谱,提取光谱特征,并对光谱进行一阶微分变换、二阶微分变换及倒数对数变换;将变换后的各光谱特征参数与监测的土壤重金属含量进行相关性分析,并依据相关性分析结果选择显著相关的波段作为相关因子供建模使用。采用多元逐步回归(stepwise multiple liner regression,SMLR)分析、偏最小二乘回归(partial least squares regression, PLSR)及人工神经网络(artificial neural network, ANN)三种方法分别建立基于光谱反射率估算土壤重金属含量的预测模型,并采用回归模型进行精度评定,然后确定各重金属含量的最佳预测模型。实验结果表明,经过微分变换的光谱波段与土壤重金属含量达到了显著相关;重金属Cu和Cr的一阶微分光谱的人工神经网络模型为最佳预测模型,重金属元素As的二阶微分光谱的偏最小二乘回归模型为最佳预测模型。     

红外光谱统计波长选择方法用于废气检测

为了从含有噪声的大气红外光谱中提取微量待测污染组分的定量特征,进而建立校正模型,本文提出了一种基于统计理论的波长选择方法。该方法针对待测组分,在对光谱各波长位置的噪声强度进行统计估计的基础上,提出了选择最佳波长子集的目标函数。该目标函数包含波长子集的噪声和长度参数,这使得在最小化模型误差的同时也防止了模型规模的无限制膨胀。为了检验该方法的性能。文章利用含背景噪声的实测光谱数据针对三种气体进行了波长选择,并利用神经网络技术分别建立了校正模型。实验结果与波长子集的优化结果相符,所选择的波长子集的长度不足光谱波长总点数的2％,同时,光谱中的噪声也在校正模型中得到了明显的抑制。实验结果证明了该波长选择方法的有效性。     

基于FFCNN的二维恒星光谱分类

天体光谱处理中的一项基本任务是对大量的恒星光谱进行自动分类。到目前为止,恒星光谱的分类工作多是基于一维光谱数据。该研究打破传统的天体光谱数据处理流程,提出了基于二维恒星光谱分类的方法。在LAMOST(the large sky area multi-object fiber spectroscopic telescope)的数据处理流程中,所有的一维光谱都是由二维光谱抽谱、合并得来。二维光谱是由光谱仪产生的图像,包括蓝端图像和红端图像。基于LAMOST二维光谱数据,提出了特征融合卷积神经网络（FFCNN）分类模型,用于二维恒星光谱的分类。该模型是一个有监督的算法,通过两个CNN模型分别提取蓝端图像和红端图像的特征,然后将二者进行融合得到新的特征,再利用CNN对新特征进行分类。所使用的数据全部来源于LAMOST,我们在LMOST DR7中随机选择了一批源,然后获得了它们的二维光谱。一共有14 840根F,G和K型恒星的二维光谱用于FFCNN模型的训练,其中包括7 420根蓝端光谱和7 420根红端光谱。由于三类恒星光谱的数量并不均衡,在训练的过程中分别为每类恒星光谱设置了不同权重,防止模型出现分类失衡现象。同时,为了加快模型收敛,对二维光谱数据采用Z-score归一化处理。此外,为了充分利用所有样本,提高模型的可靠度,采用五折交叉验证的方法验证模型。3 710根二维光谱用作测试集,使用准确率、精确率、召回率和F1-score来对FFCNN模型的性能进行评价。实验结果显示,F,G和K型恒星的精确率分别达到87.6%,79.2%和88.5%,而且它们超过了一维光谱分类的结果。实验结果证明基于FFCNN的二维恒星光谱分类是一种有效的方法,它也为恒星光谱的处理提供了新的思路和方法。     

对称点模式-深度卷积神经网络的红外光谱识别方法

红外光谱分析在自然科学、工程技术等诸多领域发挥着重要作用.随着计算机和人工智能技术的不断发展,对红外/近红外光谱分析提出了更高的要求.深度学习以人工神经网络为架构,通过对数据进行分层特征提取完成特征/表征学习,在解析数据细节特征方面具有独特的优势,在计算机视觉、语音识别、疾病诊断等多领域得到成功应用.尽管深度学习在图像...     

基于反射光谱吸收特征勘探天然气的方法研究

反射光谱学提供了一种高效和低成本的鉴别物质成分和结构的方法;油气微渗漏理论则建立了油气藏与其上部地表的特定异常之间的因果关系。因此,可以通过检测地表异常的反射光谱来勘探油气。野外实地测量和高光谱遥感均能够实现反射光谱的检测。文章通过对青海某地区野外测量的反射光谱的分析,首先提出了典型气田区测点的光谱曲线的宏观吸收特征;然后,完成了反射光谱中的吸收特征的提取,包括吸收波段深度、位置、宽度和对称度,以此分析测区采集的样品光谱,建立了该地区的特征光谱库;提出了检测地表烃类物质的方法;最后基于线性解混模型,实现了半定量地提取测区主要蚀变矿物的丰度信息。     

Cu（BF4）2，Cu（C3H7C00）2与双（二苯膦基）烷烃配体形成配位化合物的红外光谱

用红外光谱法对二苯基膦系列配体及其分别与Cu(BF4)2和Cu(C3H7C00)2形成的系列配位化合物进行了研究，讨论了谱带的归属和Cu(I)配合物形成前后相关谱带的变化规律，并参照元素分析、X—射线粉末衍射分析和热重分析的结果，讨论了所形成配位化合物的可能的结构模式。     

Cu(BF4)2,Cu(C3H7COO)2与双(二苯膦基)烷烃配体形成配位化合物的红外光谱

用红外光谱法对二苯基膦系列配体及其分别与Cu(BF_4)_2和Cu(C_3H_7COO)_2。形成的系列配位化合物进行了研究,讨论了谱带的归属和Cu(Ⅰ)配合物形成前后相关谱带的变化规律,并参照元素分析、X-射线粉末衍射分析和热重分析的结果,讨论了所形成配位化合物的可能的结构模式。