自参考交错子矩阵法确定混合物的化学组分数

本文提出SRISM方法解决这个问题,方法基于化学信息和噪声之间的频率差异. 首先,对原始波谱数据矩阵进行间隔采样,获得两个交错子矩阵. 原始化学信息在交错子矩阵中仍被完全采样,但是噪声并非如此. 然后,对两个交错子矩阵分别进行主成分分析,得到两组主成分. 最后,将两组主成分配对比较,从而获得原始波谱数据矩阵的化学组分数. 通过处理模拟数据和实验数据,SRISM方法能够有效克服信号重叠、微量组分和噪声等干扰因素,获得正确的化学组分数. SRISM方法具有原理完备、计算效率高、自动进行等优点.     

基于低秩矩阵的非均匀采样NMR波谱重建进展

多维核磁共振（Nuclear Magnetic Resonance,NMR）利用多维波谱来分析分子结构,被广泛用于化学、生物学和医学等领域,但信号采样时间随波谱维度和采样点数增加而迅速增长．非均匀采样通过降低间接维采样点数来加速数据采集,并引入合理的重建方法获得完整的NMR波谱．如何快速重建高质量的波谱,是NMR信号处理研究的前沿．本文主要综述近年来基于低秩矩阵的NMR波谱重建方法的发展．首先介绍了低秩矩阵的相关数学基础;然后从一般低秩矩阵和结构化低秩汉克尔矩阵两个角度来论述重建模型,并讨论相关的NMR波谱应用;最后分析了该技术存在的不足,并展望其未来发展的趋势．     

非下采样小波变换红外光谱数据去噪

为了降低噪声对实测红外光谱信号的影响,引入了一种非下采样小波变换的红外光谱数据去噪方法。采用非下采样小波变换对原始光谱信号进行多尺度分解,提取信号的多尺度细节特征;根据光谱信号和噪声在不同尺度上的差异,通过应用变分偏微分方程方法调整分解后的各子带系数;重构各子带就可以将原始光谱信号中真实信号和噪声分离,从而达到剔除噪声的目的。通过两组实验对比传统小波和该方法针对红外光谱数据的消噪效果,实验结果表明:非下采样小波变换在红外光谱数据去噪方面具有明显的优势,不仅能够有效地去除噪声,很好地保持信号的形状,并且均方误差较小;在实际的红外光谱数据处理中能够获得较好的去噪效果。     

应用Hilbert变换提取拉曼光谱相位信息进行血液识别分类方法的研究

将拉曼光谱技术和化学计量学方法相结合实现了对人血和动物血种属的区分,并提出了一种基于Hilbert变换的拉曼光谱相位提取方法,提高了人血与动物血区分的准确度。分别对血液光谱数据和它所对应的相位信息进行主成分分析(PCA),通过主成分得分图比较两者对人与动物血液的区分程度,并建立偏最小二乘判别分析(PLS-DA)模型,通过设置合适的分类阈值y,可以实现人与动物血液的有效区分。结果表明在选取第一、第二主成分分析时,利用光谱数据相位信息建立的PCA模型,识别率更高,人与动物血液明显区分开来。其所对应的PLS-DA模型最优主成分数为3,预测标准误差(RMSEP)和决定系数(R2)分别为0.044 3和0.993 2。而用血液原始光谱建立的PLS-DA模型最优主成分数为6,RMSEP和R2分别为0.053 7和0.990 1。说明利用拉曼光谱相位信息建立的PLS-DA模型可以拟合较少的主成分数来获得误差更小的预测结果。进一步观察PLS-DA模型拟合不同主成分数的预测标准误差曲线图,当选取同样多的拟合主成分数时,利用血液拉曼光谱相位信息建立的PLS-DA模型其所对应的预测标准误差均低于原始血液光谱数据。所以,通过提取血液拉曼光谱数据的相位信息,可以降低模型的复杂程度,提高识别准确度。     

主成分分析在温室气体时序红外光谱处理中的应用研究

傅里叶变换红外光谱技术可同时测量多种温室气体组分的浓度。仪器噪声和谱线重叠效应会对光谱数据的质量产生影响,从而影响各组分反演浓度的结果。针对上述问题,使用不同数量的主成分对时序测量光谱矩阵进行重建,并将重建光谱矩阵与原始光谱矩阵之间的欧式距离和余弦距离作为动态选择主成分数量的判据,重建时序测量光谱,从而提高时序光谱数据的质量。采用该方法分别对数值仿真光谱、标准气体测量光谱和外场实验测量光谱进行了处理。结果表明,叠加0.001 RMS噪声的数值仿真光谱经过光谱重建后,光谱的结构特征未明显改变,重建光谱与原始光谱之间的残差标准差为4.191×10^-4,有效降低了测量光谱中噪声的影响。采用该方法对标准气体的平均测量光谱进行了重建,并比较了重建光谱与平均光谱的反演浓度精度。1 min平均测量光谱反演各组分浓度的精度为CO₂:0.24μmol·mol^-1、 CH₄:5.24 nmol·mol^-1、 N₂O:2.92 nmol·mol^-1和CO:...     

水下噪声听觉属性的主观评价与分析

为探求人耳感知水下目标类型的声学因素,研究了水下噪声听觉属性空间的维度数及其各维度的物理解释.首先通过词汇聚类分析和问卷调查确定评价水下噪声听觉属性的汉语描述词,然后完成基于成对比较法和语义细分法的主观评价实验,获得听觉属性的不相似性矩阵及各样本在不同听觉属性下的主观评价分值.最后,利用多维尺度分析确定水下噪声听觉属性空间由五个维度组成,再利用主成分分析得到独立的五个主成分,进而利用相关系数和压力值确定五个主成分分别表示听觉属性空间的五个维度,根据各个主成分对应的汉语描述词所反映的听觉属性对其进行物理解释 关键词： 听觉属性 多维尺度分析 主成分分析     

复杂环境下运动目标偏振成像检测方法研究

针对低对比度、低信噪比等复杂环境下运动目标检测失检率较高的问题,提出了基于稳定性主成分寻踪的运动目标偏振成像检测方法。首先将预处理后的连续帧偏振图像组合成一个矩阵,依据帧间图像信息相关性,建立了稳定性主成分寻踪数学模型,将该矩阵分解成低秩、稀疏,噪声三部分,其中稀疏矩阵包含了帧间目标信息;再以低秩矩阵核范数与稀疏矩阵1范数的和为目标函数,利用增广拉格朗日乘子法求得目标函数值最小时的稀疏矩阵;最后采用马尔科夫随机场滤除稀疏矩阵中的噪声。实验结果表明,该方法对复杂环境有很好的适应能力,且检测准确率优于其他算法。     

代谢组学数据分析方法及在糖尿病研究中的应用

对NMR波谱数据的统计分析是基于NMR代谢组学研究的关键问题之一. 鉴于NMR波谱信号可以近似为样品中各种成分谱信号的线性叠加,本文将非负矩阵分解(NMF)方法引入基于NMR代谢组学的数据处理中,并与代谢组学中常用的统计方法--主成分分析(PCA)进行比较. 通过NMF和PCA两种方法对健康志愿者与2型糖尿患者血液和尿液的NMR谱图的统计分析,对所获取的特征代谢物进行比较和验证,并探讨了PCA方法可能存在的不足之处及其原因;阐明了NMF方法是基于NMR的代谢组学研究中较理想的数据分析方法. 最后,讨论了基于NMR代谢组学在糖尿病研究中的前景.     

三维荧光光谱结合组合算法在环境污染监测中的应用：油种鉴别与定量分析（英文）

针对油类污染物成分复杂,光谱重叠难以识别的问题,提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响,提出了缺损数据修复-主成分分析(MDR-PCA)方法对矿物油三维荧光光谱的瑞利散射进行处理,原理是单个荧光光谱激发发射矩阵符合双线性,可用主成分分析(PCA)法来解析。MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除,之后利用主成分分析(PCA)迭代过程对扣除数据进行重构修复后补全数据。该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。样品数据来源于柴油、汽油和煤油三种溶质的四氯化碳溶液。常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析(PARAFAC)、交替三线性分解(ATLD)和自加权交替三线性分解算法(SWATLD)等。PARAFAC基于严格意义上的最小二乘原则,具有抗噪声强、模型稳定、微小预期误差等优点,可以实现三维数据阵列的最佳拟合,但该算法收敛速度较慢,对组分数敏感。ATLD算法通过提取对角主元和切尾奇异值求解广义逆,极大提高了收敛速度并降低了对组分数的敏感度,从而实现三线性分解。然而,取对角元时易使ATLD方法对噪声敏感。SWATLD算法既继承了对组分数不敏感、收敛速度快等优点,又降低了噪声水平的影响。但是在抗共线程度方面, SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。基于此,论文根据三线性分解算法迭代过程中损失函数的变化,对迭代过程进行划分,提出了三线性迭代方法的组合算法(algorithm combination methodology, ACM)—将ATLD, SWATLD与PARAFAC组合在一起,充分发挥各算法的优点,实现二阶校正算法的优势互补。采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析,并对三种矿物油的回收率进行了计算。柴油的回收率为97.08%,汽油的回收率为97.34%,煤油的回收率为97.25%。解析光谱和回收率表明, ACM算法能够实现油类污染物的种类识别及浓度测量。     

三维荧光光谱结合组合算法在环境污染监测中的应用:油种鉴别与定量分析

针对油类污染物成分复杂,光谱重叠难以识别的问题,提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响,提出了缺损数据修复-主成分分析（MDR-PCA）方法对矿物油三维荧光光谱的瑞利散射进行处理,原理是单个荧光光谱激发发射矩阵符合双线性,可用主成分分析（PCA）法来解析。MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除,之后利用主成分分析（PCA）迭代过程对扣除数据进行重构修复后补全数据。该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。样品数据来源于柴油、汽油和煤油三种溶质的四氯化碳溶液。常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析（PARAFAC）、交替三线性分解（ATLD）和自加权交替三线性分解算法（SWATLD）等。PARAFAC基于严格意义上的最小二乘原则,具有抗噪声强、模型稳定、微小预期误差等优点,可以实现三维数据阵列的最佳拟合,但该算法收敛速度较慢,对组分数敏感。ATLD算法通过提取对角主元和切尾奇异值求解广义逆,极大提高了收敛速度并降低了对组分数的敏感度,从而实现三线性分解。然而,取对角元时易使ATLD方法对噪声敏感。SWATLD算法既继承了对组分数不敏感、收敛速度快等优点,又降低了噪声水平的影响。但是在抗共线程度方面,SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。基于此,论文根据三线性分解算法迭代过程中损失函数的变化,对迭代过程进行划分,提出了三线性迭代方法的组合算法（algorithm combination methodology, ACM）—将ATLD, SWATLD与PARAFAC组合在一起,充分发挥各算法的优点,实现二阶校正算法的优势互补。采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析,并对三种矿物油的回收率进行了计算。柴油的回收率为97.08%,汽油的回收率为97.34%,煤油的回收率为97.25%。解析光谱和回收率表明,ACM算法能够实现油类污染物的种类识别及浓度测量。     

基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。选用七种常见的塑料作为实验样品,获得每种样品的170组LIBS光谱数据,利用主成分分析获得前五个主成分的得分矩阵。用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集,建立反向传播(BP)人工神经网络模型。将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别,其识别准确度达到97.5%。实验结果表明,通过采用主成分分析与BP人工神经网络相结合的方法,可以很好地进行塑料激光诱导击穿光谱的分类识别,对塑料的回收利用有重要价值。     

应用主成分分析评估红外高光谱仪器噪声特性

为了考察星载傅里叶变换光谱仪观测实际目标时的噪声水平,研究了通过大气观测光谱的虚部分量估计噪声的方法.采样误差等因素会给虚部光谱样本引入通道相关性噪声,并叠加在固有随机噪声分量上,从而抬升总体噪声水平,甚至超出灵敏度指标.采用主成分分析技术重构相关噪声分量,将两类噪声相互分离.将主成分分析滤出的随机噪声与由定标源光谱统计的噪声进行对比,结果显示,仪器观测不同目标的随机噪声相互一致,并且在三个工作波段均分别满足0.4K、0.7K和1.2K的灵敏度设计指标.     

基于稀疏特征的红外与可见光图像融合

针对传统的红外与可见光图像融合算法提取目标信息不突出的问题,提出一种基于非下采样剪切波变换和稀疏结构特征的融合方法.首先用非下采样剪切波变换分解源图像;然后通过主成分分析提取低频子带系数中边缘和轮廓等显著特征,引导低频成分融合规则的设计,同时基于结构信息的稀疏性指导融合高频子带系数;最后经过非下采样剪切波变换逆变换得到融合后的图像.实验结果表明,该方法在保留可见光图像背景信息的基础上,突显了红外图像的结构信息,有效提高了融合效果.     

基于随机矩阵的金融网络模型

随机矩阵理论运用于金融领域中研究金融相关系数矩阵的相关性,相关系数矩阵是网络构建中的关键因素,本文将随机矩阵理论与网络构建相结合,研究基于随机矩阵的金融网络模型.本文选取上海证券市场的股票数据,将其中的股票数据分成四个阶段,基于随机矩阵理论,讨论金融相关系数矩阵和随机矩阵的特征值统计性质,并在此基础上对现有的去噪方法进行改进,建立更适合构建金融网络的相关系数矩阵,并构建金融网络模型.然后,基于随机矩阵理论和网络的关键节点分析比较去噪前后的金融网络以及噪声网络,发现对网络去噪后仍保留了原始网络的关键重要的信息,而噪声信息对应的是原始网络中度比较小的节点所代表的信息.最后,基于去噪网络,分析金融网络的拓扑结构,如最小生成树、模体和社团结构,发现改进后的金融网络的拓扑性质更加明显,结构更加紧密.     

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。     

基于可见/近红外光谱的水稻品种快速鉴别研究

提出了一种应用可见/近红外光谱技术与化学计量学相结合的快速、无损鉴别稻谷品种的新方法。收集了5个品种水稻共150个样本作为实验样本,通过可见/近红外光谱仪扫描这些样本获得了从350 nm到1 075 nm波长范围的光谱信息。将样本的光谱信息进行小波分解以消除高频噪声。将去噪声后的光谱数据经主成分分析压缩成数目较少的新变量(主成分),压缩得到的前4个主成分能够解释99.891%的原始光谱信息。将前4个主成分作为BP神经网络的输入,不同水稻品种值的二进制代码值作为BP神经网络的输出,建立稻谷品种的模式识别模型。模型的预测误差阈值是0.2,模型是3层网络结构,各层的节点分别是4,9和3。150个样本被随机的分成包含100个样本的建模集和50个样本的预测集。结果表明,预测未知的50个样本的正确率达到96%。说明该方法具有较高的鉴别准确度,为稻谷品种的快速无损鉴别提供了一种新的方法。     

因子分析法分离混合物光谱

本文发展了一个因子分析软件(FACANA),它包括主因子分析、非正交变换以及目标检测。因子分析在自然科学和社会科学中有着广泛的应用。在分析化学方面,因子分析可以分解混合物的原始数据矩阵,得出抽象行矩阵和列矩阵,行矩阵和列矩阵分别相应于本征光谱矩阵和浓度矩阵。但不幸的是,抽象行矩阵和列矩阵不具有明确的物理和化学意义。FACANA的核心是采用非正交变换将抽象行矩阵和列矩阵转换成具有物理意义的本征光谱矩阵和浓度矩阵。FACANA可以从混合物中分离纯化合物光谱,混合物中组分数可达6个。如果组分数超过6个,可将非正交变换得到的结果作为FACANA的目标检测子程序的初始检测矩阵,目标检测程序可以用迭代逼近优化行矩阵,使之成为可供解释的光谱矩阵。除非正交变换和目标检测以外,本文研究、比较了不同的主因子分析方法并提出一个综合方法,提高了确定因子数目的准确度。因此,FACANA可用于分离混合物中的各组分光谱,特别是在对混合物的组成缺乏了解的情况下,它是得到纯组分光谱的有力手段。     

子波谱方法在三维声辐射和声散射中的应用

将边界变量用二维子波展开,获得了三维任意边界条件声辐射和声散射的边界积分方程的子波谱方法.采用以子波为权函数的Gauss积分法计算子波谱方法的系数,获得了与传统边界元法相同的计算量,克服了普通积分法计算子波系数计算量大甚至难以收敛的缺点;采用Duffy的方法解决了子波谱方法中的奇异积分,使其能够用普通的Gauss积分法计算.算例表明:子波谱方法系数矩阵压缩率超过50%以后,计算精度仍然高于传统边界元方法.     

全谱段光谱分析的块状商品煤种类鉴别

常规的煤炭鉴别方法需进行繁琐的制样过程,且需结合多种化学参数指标进行综合判定,以得到较为准确的分析结果。提出一种基于500～2 350 nm的可见-近红外全谱段光谱分析技术与多层感知器(multilayer perceptron, MLP)分类方法相结合的块状商品煤鉴别方法。该方法具有非接触、无前期制样、无化学分析的优势,可快速高效的获取煤炭的分类信息。采用地物光谱仪采集煤炭原始光谱数据,对噪声过大、影响后续处理的谱段进行删除,剩余部分采用小波阈值去噪法进行噪声去除。将去噪后的数据分成三个数据集：可见-近红外光谱(500～900 nm)数据集、短波红外光谱(1 000～2 350 nm)数据集、全谱段光谱(500～2 350 nm)数据集。对以上三个数据集进行主成分分析,将提取出的25个主成分输入多层感知器分类模型。多层感知器模型由输入层、隐藏层(两层)、softmax分类器构成。对三个数据集进行分类精度的对比,并采用随机森林(random forest, RF)与支持向量机(support vector machine, SVM)两种分类算法进行进一步的验证分析。结果表明：对块状商品煤分类,全谱段光谱分析技术由于数据信息量丰富,能够得到更优的分类效果,在训练样本数为132时,采用MLP分类器的分类精度最高,为98.03%;随机森林与SVM的分类结果验证了全谱段数据集的优越性与普适性。该研究为煤炭的在线分析、便携式煤炭检测仪器的研发提供了可靠的技术支持。     

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE (φ×10－60较仅用SVR模型预测的RMSE (φ×10－6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。