基于PLS的水体重金属LIBS特征变量筛选方法研究

在水体重金属激光诱导等离子体光谱定量分析中,一般提取光谱的多个特征变量进行浓度反演,但变量之间所包含的光谱信息可能存在重叠,回归模型的复杂程度也随之增大。为提取有效特征变量,研究了基于偏最小二乘法(PLS)的变量筛选方法。该方法以待测元素浓度为因变量,多个与待测元素浓度相关的LIBS光谱特征值为自变量,进行PLS建模;依据各原始变量的投影重要性指标值进行变量筛选,提取最优变量子集。结果表明湖库水体中Pb元素的最优变量子集为Pb Ⅰ 405.78 nm峰值及峰值前相邻点光谱值、内标校正值和信背比值,训练集的复相关系数R2_m=0.912。以优化变量组合进行PLS回归分析,测试集预测结果的RSD和RE分别为10.2%和7.9%,显著优于内标法的预测结果。结果还表明,变量筛选结果对于不同元素和不同水样具有一定适用性。研究结果为水体重金属LIBS定量分析提供了优质特征数据,研究方法为其他涉及变量筛选的定量分析提供了参考。     

LIBS技术结合多元校正定标检测土壤中的Cr

激光诱导击穿光谱(LIBS)技术结合支持向量机(SVM)定量分析土壤中Cr元素的含量。利用波长为1 064 nm的Nd∶YAG脉冲激光器作为激发光源,采用光栅光谱仪和CCD分光探测不同重金属元素含量土壤样品的LIBS特征光谱。为了提高土壤中Cr元素定量分析的精度,分别采用多元线性回归分析和SVM两种方法对土壤中Cr元素的含量进行定量分析。研究结果表明,采用多元线性回归分析方法可以有效提高定量分析的精度,定标曲线拟合相关系数从传统定量分析方法的0.689提高到0.980;SVM定量分析方法训练集得到的定标曲线斜率近似为1,拟合相关系数为0.998,优于传统定量分析方法和多元线性回归分析方法,对检验集的预测相对误差均在2.57%以内。LIBS技术结合多元线性回归和SVM定量分析方法可以有效的提高土壤中Cr元素定量分析的稳定性和精度,校正土壤基体效应对Cr元素定量分析的影响。     

基于信背比拟合的水体重金属LIBS定量分析研究

LIBS技术定量分析的精密度与准确度受到多种因素的影响。通过深入分析激光诱导等离子体背景光谱和特征光谱的特性,利用两者随温度的变化趋势近似相同的特点,采用两者的比值即信背比进行元素浓度的定量拟合,可以补偿激光能量、光谱接收效率等系统参数抖动造成的谱线强度变化;针对测量数据有限及非线性的特点,使用支持向量机算法进行回归。实验结果表明通过信背比拟合可以提高LIBS定量分析的稳定性和准确性,测试集的相对标准偏差和相对误差平均值分别为4.7%和9.5%。基于信背比的数据拟合方法不受基体元素和背景大小限制,为实时在线的LIBS定量分析技术提供数据处理方面的参考。     

基于LIBS技术的钢铁合金中Cr和Ni元素SVM定量分析方法研究

针对钢铁合金样品中存在基体效应复杂的问题,通过优化支持向量机模型的输入特征,建立多元素变量的定量分析模型,预测钢铁合金样品中Cr和Ni元素的含量。研究结果表明,分别以特征谱线的峰值强度和积分强度作为支持向量机模型的输入时,积分强度因为包含了谱线的谱宽和形状信息,模型训练效果较好;相比于单一元素谱线的特征信息,采用多元素的多条谱线信息输入支持向量机模型时,模型训练效果较好,这是由于多种谱线信息的输入可以有效校正基体效应的影响。在此基础上,通过归一化变量将内标法与多变量定标方法有效结合,不仅可以减小实验测量误差还能有效校正基体效应的影响,而且有效提高了模型的重复率和准确率。归一化变量作为支持向量机模型的输入变量,对待测样品S₁和S₂中Cr元素含量预测的相对误差为6.58%和1.12%,对Ni元素浓度预测的相对误差为13.4%和4.71%。通过归一化变量将内标法与多变量定标方法有效结合,可以充分发挥SVM算法的非线性学习优势,为LIBS技术应用于复杂样品定量定标分析提供理论基础。     

激光诱导击穿光谱技术结合神经网络定量分析钢中的Mn和Si

激光诱导击穿光谱(LIBS)作为一种快速的化学组成分析技术,在冶金过程的原位、在线及远程分析方面展现了突出的应用前景和研究价值。利用神经网络建立定标模型,结合LIBS技术对不同品种钢中的Mn和Si组分进行定量分析,研究了不同输入方式对神经网络性能的影响,并与光谱分析中常用的内标法进行对比。结果表明,对于化学体系复杂的多基体钢的定量分析,神经网络定标法能够更充分利用光谱中的信息,有利于校正基体效应和谱线之间的干扰;但是,神经网络的输入方式对网络性能具有重要影响,只有在合理选择输入方式下才能有效提高测量重复性和准确性。     

LIBS分析模型对铝合金定量分析精度的影响

为了提高铝合金定量分析的精度,将激光诱导击穿光谱技术与多变量线性回归、中值高斯核支持向量机回归及标准化偏最小二乘回归等方法相结合,建立铝合金中C u元素定量分析模型.对采集的L IBS光谱进行三阶极小值去背景和小波阈值降噪处理,从而提高LIBS光谱的信背比.将处理后数据筛选最佳训练集、预测集并用多变量线性回归、中值高斯...     

基于基体效应校正和对应分析的便携式X荧光光谱法对土壤重金属的研究

随着工业化和城市化的加深,城市土壤重金属污染状况愈发严重,而传统的实验室化学分析方法例如电感耦合等离子体质谱法分析周期较长,易产生废弃实验试剂二次污染环境。便携式X荧光光谱法是一种可以在野外现场直接进行快速、无损分析的测试手段,而基体效应是影响该方法测试准确度和精密度的最主要因素。当今较为常用的校正方法为传统线性回归法,该方法受离群值影响较大,处理后数据依然存在较大的偏差。本研究通过将常量元素的测试数据加入到待测元素的校正方程中,来减弱测试过程中基体效应的影响。利用便携式X荧光光谱仪对吉林大学各校区土壤样品的Cr,Ni,Cu,Zn和Pb重金属含量在原位条件下进行了快速测试,探究了对各重金属元素基体效应影响最大的常量元素,并结合偏最小二乘法及多元线性回归对原始谢尔曼方程进行调整,利用电感耦合等离子体质谱法作为参照,通过新方程对各重金属元素进行了基体效应校正,通过统计学参数对比该方法处理后的数据和经传统线性回归法处理后的数据的区别,并通过对应分析综合分析元素及样品间的相关性。结果表明常量元素是基体效应影响的重要元素,基于不同常量元素的基体效应校正方程效果较好,适用性Cr>Pb>Zn>Ni>Cu,校正后数据质量得到了明显提高,决定系数增大,回归图像更加集中,平均绝对误差、均方根误差等参数均进一步减小,校正效果优于传统的线性回归法。基体效应校正法主要是通过减小离群值的偏离程度来减小数据总体的平均误差和离散程度。处理后数据满足定量分析要求,可以推广至便携式X荧光光谱法对于土壤重金属快速的大面积扫面测试,检测环境质量。同时对应分析是一种多维数据维度与多维数据维度之间的分析方法,用于多种变量间的分类与相关性分析具有非常优秀的效果。     

基于BP神经网络和激光诱导击穿光谱的燃煤热值快速测量方法研究

作为煤质评价的重要指标之一,热值的快速、准确测量对电厂燃煤锅炉的优化燃烧和经济运行至关重要。采用激光诱导击穿光谱(LIBS)技术结合BP神经网络定量分析模型和聚类分析,以35个煤粉样品作为研究对象进行热值的定量分析。基体效应对LIBS光谱数据的显著影响,针对基于某类煤粉样品所建立的定标曲线不能直接用于不同煤种的定量分析,采用K-means聚类方法根据热值、灰分、挥发分把样品分为三类对训练集和预测集样品进行优化选择。通过谱线强度和热值变量相关性分析,同时考虑特征谱线的物理意义,最终提取12条元素谱线的峰值强度作为输入参数,建立BP神经网络模型对燃煤热值进行预测。定标结果表明,建立的神经网络模型具有良好的定量分析能力,定标曲线拟合度R2为0.996,热值预测值的相对误差低于3.42%,多次重复测量的相对标准偏差在4.23%以内。对聚类分析中3类样品具有不同的预测能力,采用峰值强度作为输入参数时,能够在一定程度上减弱试验参数波动和基体效应造成的影响。定量分析结果的重复性和准确性可以通过对不同类别的煤种分别建立BP神经网络模型来进一步改善。LIBS技术结合BP神经网络可以对煤粉热值进行定量分析,在现场在线/快速检测领域具有很好的应用价值和潜力。     

基于电极富集的水体重金属LIBS检测灵敏度研究

为了提高水体重金属LIBS检测的灵敏度以及降低元素检测限,采用LIBS结合铝电极富集方法对水体中的重金属Pb, Cd, Ni进行了分析。研究并优化了电极富集方法中关键参数—富集电压U,分析了LIBS特征谱线的光谱强度与富集电压大小之间的关系,得出重金属元素特征光强随着富集电压先增加后减小,在1.2 V处光谱强度达到最大值,选择了最优富集电压值为1.2 V。研究了Pb,Cd,Ni三种重金属元素的光谱稳定性,其特征谱线光谱强度的相对标准偏差(RSD)分别为5.98％,4.25,％和5.27％,说明该实验方法得到的谱线具有较高的稳定性。在0～ 0.13 mg·L-1范围内配制系列样品进行实验并对元素进行定量分析,得到Pb,Cd,Ni三种重金属元素的检测限分别为1.2,3.1和1.7 ppb。结果表明：LIBS结合铝电极富集方法能够有效地提高特征谱线的稳定性以及降低元素的检测限,为提高水体重金属LIBS的检测灵敏度和分析能力提供了方法支持。     

水体重金属LIBS多元素测量参数优化方法研究

激光诱导击穿光谱(LIBS)方法的优势之一就是可多元素同时检测。为获得水体重金属LIBS多元素测量时的综合最佳信号输出,本文利用BP神经网络拟合Pb,Cu和Ni三种元素特征谱线信背比(S/B)与延时门宽之间的数值关系,同时采用DM设计实验数据作为校验样本,保证BP神经网络模型的泛化能力。基于上述数值模型利用遗传算法优化延时门宽两个测量参数,定义了适应度函数,得到延时门宽为(15.5和21.5 μs)时,取最小值0.102 4,此时三种元素综合信背比最大,对比实验进一步验证了优化效果。神经网络结合遗传算法的优化方法提高了水体重金属LIBS多元素测量时的综合信背比,研究方法也为更多参数更多响应的实验系统优化提供了参考。     

激光诱导击穿光谱结合多元非线性方法定量分析土壤中锰

锰元素是植物所需的微量元素之一。采用激光诱导击穿光谱(laser-induced breakdown spectroscopy,LIBS)技术对土壤中锰元素进行定量分析。以46个土壤样品为研究对象,获取土壤激光诱导击穿光谱数据,选取锰元素403.1 nm的特征谱线为分析线。根据谱线强度与元素浓度建立定标曲线,相关系数仅为0.78,定标结果说明,由于土壤样品成分的复杂性,锰元素浓度受土壤基体效应影响严重,应根据锰元素在土壤中的存在形式,选取相关元素,建立多元非线性回归定量分析方法,消除基体效应,从而提高LIBS测量的准确性。在多元非线性回归方法中分别考虑碳和铁元素对锰元素浓度的影响。与定标曲线相比,在考虑碳和铁元素对锰元素影响时,LIBS预测浓度与参考浓度的相关系数为0.97,相对误差为3.2%～10.3%,测量的准确度得到提高。实验结果表明,将多元非线性回归方法和激光诱导击穿光谱技术结合可以对土壤中微量锰元素进行定量分析。     

基于LIBS技术的钢铁合金中元素多变量定量分析方法研究

针对钢铁合金样品元素组成相对复杂,基体效应较严重的问题,利用激光诱导击穿(LIBS)光谱技术对钢铁合金中的元素进行了定量分析。以Nd∶YAG脉冲激光器基频1 064 nm波长激光作为激发光源,采用中阶梯光栅光谱仪和ICCD分光探测钢铁合金样品的LIBS光谱。通过优化实验确定最佳探测延时为1.5 μs,最佳探测门宽为2 μs,激光聚焦点位置在实验样品靶面以下1.5 mm。采用单变量定量分析、多变量线性回归和偏最小二乘(PLS)三种方法分析钢铁合金中Cr元素和Ni元素的含量。结果表明,采用单变量定标方法定标曲线相关系数不高,对待测样的预测误差相对较大,难以有效地定量分析基体元素复杂的钢铁合金中金属元素的含量;采用多变量线性回归分析方法能有效提高定量分析的精度;采用PLS方法得到的Cr和Ni元素的拟合曲线相关系数r分别为0.981和0.995,对两个待测样品中Cr元素和Ni元素的预测相对误差在6.4%和7.1%以内,分析结果优于多变量线性回归方法。可见,采用多变量校正的PLS方法能更有效地校正基体效应对定量分析的影响,提高定量分析的精度。     

基于不同化学计量学方法的土壤重金属激光诱导击穿光谱定量分析研究

工业的发展及城市化进程的深入,造成大量耕地土壤遭受重金属污染,土壤重金属元素的准确检测对制定土壤重金属防治决策提供有效参考。本研究应用激光诱导击穿光谱(LIBS)结合化学计量学方法对土壤中的铅(Pb)和镉(Cd)元素进行定量分析。根据土壤重金属污染的不同程度,人为制作了含有Pb和Cd元素的15个浓度梯度的土壤样本,并采集各个样本的LIBS谱线。采用剔除异常光谱和数据归一化来减少试验误差和噪声。综合土壤LIBS发射谱线中Pb和Cd元素谱峰信息以及美国国家标准与技术研究院(NIST)的标准原子光谱数据库,选取了Pb,Cd元素的分析谱线与分析谱线区间,对比分析基于多元线性回归(MLR)、偏最小二乘回归(PLSR)、最小二乘支持向量机(LS-SVM)和反向传播人工神经网络(BP-ANN)算法,建立分析谱线区间与对应Pb和Cd元素浓度之间的定量回归模型。结果表明,非线性的LS-SVM和BP-ANN的模型的预测性能优于线性MLR和PLSR模型,这可能是因为非线性模型能够通过自适应较好地解决土壤基体效应的影响。研究表明,LIBS技术结合多元化学计量学方法能够为土壤重金属准确检测提供新的分析手段,为制定农业土壤重金属防治决策提供有效的理论基础。     

采用激光诱导击穿光谱技术测定合金钢中锰和硅的含量

基于激光诱导击穿光谱(LIBS)技术定量分析多品种合金钢中锰(Mn)和硅(Si)的浓度,采用的校正方法为多元二次非线性函数定标方法。分析的钢种有普通合金钢、不锈钢、碳素工具钢等。由于不同钢种在基体组成上存在较大差异,而且钢的光谱还存在复杂的谱线重叠干扰,所以受基体效应影响严重。因此,对钢这类复杂化学体系物质的定量分析,若采用单谱线信息的校正方法会造成很多有用信息的丢失,而采用多变量的定标法会更充分利用光谱中的信息,更有效校正多基体组分的基体效应,进而提高LIBS定量分析的重复性和准确性。相比线性标准定标曲线法,测量结果的相对标准差从20%以上降低到10%以下,Mn元素测量结果的准确度提高了5倍多,Si元素提高了6倍多。     

基于多元定标法的脐橙Pb元素激光诱导击穿光谱定量分析

建立了利用激光诱导击穿光谱(LIBS)技术分析脐橙中Pb含量的多元线性回归定量分析模型.选用脐橙中Ca II 393.37 nm与Ca II 396.84 nm特征谱线强度之和、Pb I 405.78 nm特征谱线强度、在405.03—405.96 nm范围内Pb元素的谱线积分强度作为自变量,得到了回归关联式,通过方差分析和回归统计验证了关联式的可行性.结果表明,多元线性回归模型预测值与原子吸收光谱法检测值之间的相对误差最大值为12.99%,平均值为4.87%,并且利用这两种方法得到的结果拟合效果很好,拟合度达到0.995.这说明多变量的定标法能比较充分地利用光谱中的信息,降低基体效应的影响,从而提高LIBS定量分析的精确度,并对LIBS技术进一步应用于水果中重金属元素的定量检测提供了实验指导.     

不同颗粒度铁屑LIBS光谱的基体效应及定量分析研究

激光诱导击穿光谱(LIBS)对固体进行检测时,受固体的表面物理形态和化学特性影响较大,因此,基体效应分析对LIBS在线检测研究有重要的意义。为了提高LIBS对表面凹凸不平样品成分在线检测的准确度,进行了LIBS对不同颗粒度铁屑样品的定量分析。实验所用的9种铁屑样品性状为松散的粉末、颗粒或长条状,为防止激光与样品相互作用时发生飞溅,将样品粘到双面胶上进行固定。采用的激发波长为1 064 nm、脉冲能量为35 mJ,探测器延时和积分门宽分别设置为1和10μs。为评估样品颗粒度不同导致的基体效应对LIBS光谱的影响,首先,利用主成分分析(PCA)对系列样品进行分类,结果显示,粉末状的四个样品被分出,即颗粒度不同导致的基体效应是样品光谱信号差异的主要原因。其次,以C3、 C5两个样品研磨前后的基体元素特征谱线FeⅠ330.635 nm为研究对象,通过对比谱线的强度和相对标准偏差(RSD)发现,颗粒度越小,谱线强度越大,稳定性越好。为校正LIBS光谱基体效应的干扰,采用了样品研磨预处理和光谱数据预处理两种方法。将细长条状的C3和C5两个样品进行研磨,研磨后谱线的强度和稳定性有较大提升;分别研究了强度归一化、多元散射校正(MSC)以及两者结合对光谱进行处理的效果,三种光谱预处理均使谱线的稳定性得到显著提高。通过支持向量机(SVM)对Cu元素的定量结果进行了评估和对比,结果发现,采用研磨样品并结合强度归一化与MSC预处理得到的校正效果最优,最终使S1和S2两个待测样品的Cu元素预测相对误差(RE)分别降为1.745%和1.857%,预测均方根误差(RMSEP)降为0.020。该研究可为表面凹凸不平样品的LIBS检测提供一定的方法依据和参考。     

CAIS法校正ICP-MS测定血铅浓度及同位素比值基体效应的研究

通过模拟全血基体,考察了基体效应对于ICP-MS测定铅浓度及铅同位素比值的影响,并应用CAIS法(common analyte internal standardization)对基体效应进行了校正。实验表明CAIS法适用于多元素复杂基体的校正,校正前及经传统内标法和CAIS法校正后铅浓度测量值与真值之间的相对误差分别为20％,8％,2％,而基体效应对铅同位素比值的影响及其校正作用均不明显;Tl和Dy作为内标的校正结果说明内标元素和被测元素在质量数和性质上的相近与否并不影响CAIS法校正效果;此外,CAIS法对于不同稀释倍数的血液基体都能达到好的校正效果;牛全血标准物质中铅的测定结果证明了CAIS法的可靠性和实用性。     

共识模型用于激光诱导击穿光谱检测泥蚶重金属铜的含量

为快速检测贝类重金属的污染,采用激光诱导击穿光谱(LIBS)结合多模型共识策略来预测泥蚶重金属铜的含量.分析铜元素的LIBS特征谱线,提取铜元素的特征峰强度、面积、峰强比等变量,分别构建多元线性回归模型,以及基于铜特征光谱区域信息构建偏最小二乘模型.在这些校正的成员模型预测残差向量间,通过拉格朗日乘数法优化各成员模型的线性组合,使共识模型的均方误差和最小,从而获得各成员模型的最优权系数.经外部预测集的验证,共识模型的预测结果优于任一成员模型,预测均方根误差为20.641mg/kg,相关系数为0.835,且预测偏差仅为-0.473,表明LIBS技术结合共识模型能用于重金属的定量检测.     

双脉冲激光诱导光谱结合多变量GA-BP-ANN检测合金钢中C元素

在合金钢众多成分中碳(C)属于微量非金属元素,其含量决定了合金钢的主要力学性能,准确、实时掌握C元素的含量,对合金钢的生产及分类起到关键作用。双脉冲激光诱导击穿光谱(DP-LIBS)是一种可用于在线快速分析合金钢中元素的有效手段,不仅具有实时、样品预处理简单等优点,还能够增强物质的烧蚀度和信号强度,从而提高LIBS技术的检测灵敏度。为了减小基体效应影响,进一步提高LIBS技术对合金钢中微量C元素定量分析的精确性,采用多元素多谱线的修正方法,通过DP-LIBS结合反向传播人工神经网络(BP-ANN),建立多变量GA-BP-ANN定标法。首先在氩气环境对合金钢样品进行DP-LIBS采集,目标C元素选择了谱线强度变化能够体现其含量变化的C 193.09 nm处的原子谱线,同时选取共存元素Fe,Cr,Mn和Si对应的特征谱线,以提供更多的光谱信息,提高C元素定量分析的准确度,共选择15条特征分析谱线,其中Fe元素含量丰富且相对稳定,作为内标元素引入以减小谱线波动;之后通过遗传算法(GA)寻优,对C/Fe,Cr/Fe,Mn/Fe和Si/Fe的谱线强度比进行优化选择;最后将GA选择的多谱线强度比作为BP-ANN网络的输入,输出为目标C元素浓度值,建立多变量GA-BP-ANN定标方法。为比较该方法预测结果的精确性,同时建立传统定标曲线法与以C/Fe为输入的单变量BP-ANN定标方法。利用标准合金钢样品,通过留一法交叉预测C元素含量值,与内标法和单变量BP-ANN定标方法相比,预测样品的平均相对误差分别由14.78%和14.75%减小到8.29%,预测值与真实值之间的决定系数R2分别由0.967 4和0.974 4提升至0.989 3。结果说明了多变量GA-BP-ANN定标法预测的C元素含量更接近于真实含量,证明了该方法用于LIBS检测合金钢中C元素含量的可行性。     

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。