养殖水体中孔雀石绿的SERS光谱识别

表面增强拉曼光谱(SERS)是一种重要的高灵敏度分析技术。 基于SERS的技术特点,建立了真实体系下孔雀石绿定性检测方法。 提出了一种光谱自动识别算法,有机整合了稳健的傅里叶变换基线校正,基于主成分分析的特征提取与人工神经网络分类器。 该方法结合基线的低频特征,通过迭代傅里叶变换实现基线校正;通过样本空间中类间与类内的欧氏距离判别自动获取拉曼光谱信号主成分的最优组合,实现光谱数据的降维与特征提取;最后构建三层反向传播神经网络分类器进行样本分类。 实验结果表明,基线去除可排除基线变化对检测结果的影响;光谱主成分的优化组合可减小基线校正残余及复杂体系中被测物以外的物质拉曼峰对检测结果的干扰,同时实现了分类器最小化。 该方法用于养殖用海水中孔雀石绿的现场检测,最低检出浓度0.1 μg·L-1。 该方法具有可拓展性,可以直接应用于其他溶胶/凝胶体系中SERS光谱的定性分析。     

pH值对4-氰基吡啶吸附行为影响的SERS研究

采用现场表面增强拉曼光谱(SERS)研究了4-氰基吡啶在不同pH值下铂电极上的吸附行为.结果表明,pH对4-氰基吡啶的吸附原子没有影响,均以吡啶环上的氮吸附在电极表面,但分子的取向不同.酸性条件下,4-氰基吡啶在正于0.6 V(SCE)的电位区间倾斜吸附,在0.6V到-0.2V以相对垂直方式吸附,而在负于-0.4V的电...     

尿液SERS分析快速评估人体能量摄入量

人体能量摄入量与能量消耗量平衡是评估健康的标准之一。不平衡的能量摄入量可能造成生物体组织细胞损伤、机体过度肥胖等后果。评估能量摄入量对人的身体健康管理具有重大意义。目前评估能量摄入量的主要方法是膳食回顾法，该方法不仅耗时长，还会增加待评估人员的负担，所以亟需开发一种简单快速的能量摄入量评估方法。能量摄入后经过体内的消化代谢，会产生代谢产物作为废弃物排出体外。废弃物如尿液等，含有大量的化学物种，可以系统性反映生物体的饮食代谢状况和疾病进程。基于高灵敏、可无损检测两个组“指纹式”分子光谱特征的表面增强拉曼光谱(SERS),采用谱峰统计、无监督和有监督聚类算法分别对尿液的SERS信号开展分析，最终实现对不同能量摄入量的聚类分析。首先尝试对能量摄入量分组分别为1 500, 2 030和2 700千卡·日^-1两个组的志愿者尿液SERS谱图进行谱峰分析，发现很多有机分子的拉曼谱峰存在一定程度的重叠，所以直接对谱峰进行解析及归属存在较大难度，需要采用化学计量学的方法建立分类模型，以实现良好区分和预测效果。对比无监督的主成分分析(PCA)和有监督的正交偏最小二乘判别分析(OPLS...     

SERS结合快速前处理检测绿茶中毒死蜱农药残留

茶叶是中国的主要经济作物之一,而在茶叶种植过程中存在农药不合理使用及滥用等行为,导致茶叶中存在严重农药残留问题。茶叶中农药残留检测主要采用经典化学实验室方法,存在前处理复杂、耗时长、成本高等缺陷,急需研究茶叶中农药残留的快速检测方法,以监管茶叶市场的质量安全。本论文采用纳米竹炭(NBC)为净化剂快速去除绿茶的色素等基质影响,使用表面增强拉曼光谱(SERS)方法分析绿茶中毒死蜱农药残留,建立绿茶中毒死蜱农药残留的SERS快速检测方法。采用不同NBC用量(0,15,20,25和30 mg)去除茶叶基质,比较不同NBC用量去除基质的净化效果和SERS谱图,得出最优NBC用量,并对前处理方法进行回收率实验,验证前处理方法的可靠性。结果表明,使用20 mg NBC能较好地净化绿茶中的色素等基质影响,前处理方法回收率实验表明,该净化剂用于绿茶中毒死蜱农药残留基质净化是可行的。采用密度泛函理论模拟毒死蜱分子理论拉曼光谱,对比毒死蜱分子理论拉曼光谱和实验拉曼光谱,对其官能团进行谱峰归属,得到定性定量分析绿茶中毒死蜱农药残留的5个特征峰:526,560,674,760和1096 cm-1。在0.28~11.11 mg·kg-1浓度范围内,以1096 cm-1的峰强度建立绿茶中毒死蜱农药残留线性分析方程y=0.0175x+0.9092,决定系数为R 2=0.9863,表明毒死蜱农药浓度与其特征峰强度之间具有良好的线性关系,方法的平均回收率在96.71%~105.24%之间,相对标准偏差(RSD)为2.36%~3.65%。该方法检测绿茶中毒死蜱农药的最低检出浓度约为0.56 mg·kg-1,单个样本检测时间在15 min内完成。研究表明,表面增强拉曼光谱技术结合净化剂前处理方法能快速检测绿茶中的农药残留。     

吡啶酰胺与DNA作用的光谱法研究

应用紫外光谱,荧光光谱以及表面增强拉曼光谱研究了3类吡啶酰胺化合物：N,N’-双(2-吡啶甲酰胺)-1,2-乙烷（H₂L1）,N,N’-双(2-吡啶甲酰胺)-1,2-苯（H₂L2）,N-苯基-吡啶-2-甲酰胺（HL3）与DNA的作用方式和作用强度。紫外光谱研究得到H₂L1,H₂L2和HL3与DNA的结合常数K_b分别为1.20×104 ,1.33×104, 1.52×104。随着化合物浓度的增大,EB-DNA复合物体系的荧光强度逐步减弱,H₂L1 , H₂L2和HL3的线性Stern-Volmer常数K_SV分别为0.67, 1.52, 1.73。可见HL3与DNA的结合能力略大于其他2个,表明其具有较小的空间位阻和合适的平面结构将更有利于与DNA的作用。随着DNA的加入,H₂L的拉曼谱带强度均表现为显著的减弱且有略微的红移现象。琼脂糖凝胶电泳分析表明,3类吡啶酰胺都能对pBR322DNA进行一定程度的切割,随着其浓度的增加,开环构型DNA逐渐增多,而超螺旋构型DNA逐渐减少,但电泳图上均没有出现线带,说明吡啶酰胺对DNA的切割没有选择性。     

非水体系中吡啶和乙腈在铂电极上竞争吸附的表面增强拉曼光谱研究

继非水体系中CO在过渡金属表面吸附的表面增强拉曼光谱（SERS）研究之后，本文是又一篇关于非水体系中过渡金属表面SERS研究的文章。从拉曼谱峰的变化结果发现，吡啶在Pt电极表面是强烈的化学吸附，并且由于其吸附的量和吸附取向随电位在不断地变化，与水体系中吡啶（Py)在Pt电极表面的吸附相比较，SERS谱峰除了强度较低之外，在可研究的电位区间、谱峰位置以及其随电位变化等方面都存在着不同，这缘于结构较为复杂的有机溶剂分子在电极表面组成了更为复杂的界面结构，造成固／液界面的电迁移等电极动力学过程发生了变化，为了说明这一现象，文中还采用强吸附离子I^-进行研究，得到相似的结果。     

表面增强拉曼光谱准确检测玉米中杀螟硫磷农药残留

杀螟硫磷是一种在农作物上广泛使用的有机磷杀虫剂,常用于玉米上害虫的防治。过量或者不合理施用导致的残留积累关系到食品安全和人体健康。常规检测杀螟硫磷的方法有气相色谱-质谱法、高效液相色谱法,其准确性虽好,但存在需要专业人员介入、样品前处理复杂、检测时间长等缺点。表面增强拉曼光谱(SERS)法具有分析速度快、检测灵敏度高和特异性好等优点,被广泛应用于农产品中痕量残留的快速检测。利用表面增强拉曼光谱结合化学计量学方法实现玉米中杀螟硫磷残留的准确检测。以两步种子生长法合成的纳米金棒作为拉曼增强基底,测量600～1 800 cm-1范围内的拉曼光谱。对比杀螟硫磷乙醇溶液和金棒的光谱,确定杀螟硫磷的特征峰在650,830,1 082,1 241,1 344和1 581 cm-1处。采用简单预处理方法快速提取玉米中的杀螟硫磷残留。将受污染的玉米样品粉碎后,利用乙醇溶剂对残留进行两次提取,每次获取的提取液经离心获得上清液,将上清液合并混匀,在水浴中蒸发浓缩,浓缩后的上清液用于采集SERS光谱。每个浓度制备50个平行样本。各浓度残留提取液中的残留参考值采用色质联用方法测定。对比残留提取液的光谱,1 082,1 241和1 581 cm-1处特征峰强度随残留浓度的降低而迅速变弱甚至消失,650,830和1 344 cm-1处的特征峰直至残留浓度为0.48 μg·mL-1时依然可见。当浓度低至0.37 μg·mL-1时,所测光谱与空白提取液光谱相似。采用主成分分析(PCA)提取不同浓度杀螟硫磷残留光谱的主体信息,其中残留为0.37 μg·mL-1和空白提取液光谱的主成分得分重叠,进而判断SERS方法对玉米中杀螟硫磷残留的检测限可达到0.48 μg·mL-1,低于国家规定的农作物中最大残留限,体现出SERS检测的高灵敏性。选取浓度为14.25 μg·mL-1的50个样本分析其650,830和1344 cm-1处的特征峰强度变化可知,所采集的光谱呈现出较好的重复性,相对标准偏差(RSD)值仅为3.12%。对杀螟硫磷残留的定量分析采用支持向量机回归(SVR)实现,Savitzky-Golay卷积平滑和小波变换(WT)用于本次光谱数据的预处理。校正集和预测集样本的划分采用Kennard-Stone算法实现,模型的性能采用校正均方根误差(RMSEC)、校正集决定系数(R2_c)、预测均方根误差(RMSEP)和预测集决定系数(R2_p)评估。最优模型为SVR结合WT所构建的,具有最小的预测误差,其中校正集的RMSEC=0.103 2 μg·mL-1,R2_ｃ=0.999 74,预测集的RMSEP=0.134 1 μg·mL-1,R2_p=0.999 60。同时,最优模型的预测值与色质联用法所测值基本一致,其预测回收率为95.31%～100.66%。以上表明,SERS结合化学计量学方法检测玉米中杀螟硫磷残留是准确可行的,且有望推广到农作物中多种农药残留的检测,为农产品的安全检测提供一种新思路。     

基于太赫兹时域光谱和模式识别技术软玉和仿品鉴别

玉石是一种稀有的矿物质,自古以来备受国人喜爱,其真伪鉴别一直是珠宝鉴别行业的棘手难题,传统的鉴别方法已经难以实现对真假玉石的准确鉴别。太赫兹检测技术可以实现快速无损检测,在混合物的分类鉴别方面,有广泛的应用。基于太赫兹时域光谱技术和模式识别技术,对来自我国新疆、青海,以及巴基斯坦、阿富汗四个地区的软玉样品及玻璃、大理石、石包玉三种仿品,使用透射模式测得样品在0.1~1.5 THz频率范围内的太赫兹谱,通过参数提取得到其折射率谱线。由于其化学成分的复杂和多样性,仅靠其特征谱线图,并不能正确的区分软玉和仿品,为了更好的对其进行鉴别,需要建立分类模型。采用主成分分析（PCA）对实验得到的原始折射率数据进行降维和特征提取,作出样品在第一、二主成分上的二维得分图,在图中可以看出软玉和仿品能够很明显的区分开来。在经过降维处理之后的数据中,随机选取其中的四分之三作为训练集,剩下的作为测试集,输入到支持向量机（SVM）建立的分类模型中,并引入网格搜索（GridSearch）、遗传算法（GA）和粒子群算法（PSO）对支持向量机参数进行优化。结果显示,基于网格搜索的支持向量机最优参数c=2.828 4,g=2,识别率为97.7%,运行时间为1.39 s,用时最短;基于遗传算法的支持向量机最优参数c=1.740 1,g=4.544 6,识别率为98.3%,运行时间为3.6 s;基于粒子群算法的支持向量机最优参数c=11.287 2,g=1.833 1,识别率为98.6%,运行时间为6.13 s,用时最长。虽然三种优化算法得到的最优参数不同,但均可实现正确的分类。研究结果表明,使用太赫兹时域光谱技术结合模式识别方法可以快速、准确的鉴别软玉和仿品,这为玉石的鉴别提供了一种新手段。     

Ⅱ型糖尿病人与大鼠红细胞拉曼光谱学比较

使用激光共聚焦拉曼光谱仪测量正常大鼠红细胞、正常人红细胞、糖尿病STZ造模大鼠红细胞、糖尿病四氧嘧啶造模大鼠红细胞和人Ⅱ型糖尿病红细胞的拉曼光谱,应用主成分分析(principal component analysis,PCA)结合支持向量机(support vector machines,SVM)分类器对数据进行判别分析,然后采用类间距离判断两种造模方法与人Ⅱ型糖尿病的接近程度。结果发现糖尿病红细胞与正常红细胞的拉曼光谱存在明显差异,糖尿病在酰胺 ⅥCO变形振动谱带处峰高显著,并在酰胺ⅤN—H变形振动谱带处谱线出现偏移,属于磷脂的脂酰基C—C骨架1 130 cm-1谱线增强,1 088 cm-1谱线强度减弱,说明糖尿病红细胞膜的通透性增强。PCA结合SVM可以很好地区分以上5类红细胞的拉曼光谱,分类器测试结果表明分类准确度达100%。通过分别计算两种造模方法与人Ⅱ型糖尿病的类间距离,发现STZ造模法更接近人Ⅱ型糖尿病。由此得出结论：拉曼光谱法可以用于糖尿病诊断,大鼠糖尿病STZ造模法更接近人类Ⅱ型糖尿病。     

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。     

基于贝叶斯优化的SVM玉米品种鉴别研究

为了快速检测玉米品种类型,基于支持向量机(SVM)和近红外光谱联合建立玉米品种的分类模型。以郑单958、先玉335、京科968、登海605和德美亚等五个品种共计293个样本为研究对象,对采集的近红外光谱进行标准正态变量变换(SNV)处理后使用主成分分析法(PCA)对光谱数据进行降维处理。按照6∶1比例,随机选取251个样本为训练集,42个样本作为测试集,探讨贝叶斯优化算法(BO)对SVM模型性能的影响。分别使用网格搜索(GS)、遗传算法(GA)和BO算法等三种方法对SVM模型的两个重要参数惩罚因子C和径向基核函数参数γ进行寻优。选择各模型十折交叉验证识别准确率最高时对应的惩罚因子和核参数作为建模参数,建立SVM分类模型。将使用BO算法建立的SVM分类模型与使用GS和GA进行参数寻优后建立的模型性能进行比对。实验发现,使用BO优化的SVM分类模型相比于其他两种优化算法得到的SVM模型性能具有显著优势,测试集的识别准确率可达到100%。说明使用BO算法寻优的SVM模型参数是全局最优参数,其他两种优化算法寻优的参数可能陷入了局部最优,从而导致模型性能表现不佳。在进行PCA降维前后的光谱数据上分别建立BO-SVM模型,结果表明,BO算法对于高维数据优化效果不佳,更适用于低维数据。对于不同样本类别间数量不均衡导致模型性能表现不佳的问题,通过剔除郑丹958和先玉335两类数量较少的样本,使用剩余三个类别,共计248个样本重新建立SVM模型,实验发现,剔除两类小样本之后,各个模型在测试集上的性能均有提升,说明对于类间样本数量不均衡问题,某类样本数量越多,对于模型参数的修正就越细腻,模型对该类的拟合效果就越好。研究结果可用于玉米品种的快速鉴别,也可为基于近红外光谱的其他农产品分类和产地鉴别提供参考。     

基于可见光-近红外光谱的煤岩识别方法实验研究

以淮南矿区谢桥矿和潘二矿的煤和岩石样本为研究对象,通过地物光谱仪采集样本反射率光谱曲线,同时检测样本氧化物含量、水分、灰分及挥发分含量,将样本的反射率光谱曲线和样本成分含量分别作为自变量,样本类别“煤”和“岩石”两种矿物类型作为因变量,建立煤和岩石识别模型对煤和岩石进行二分类。该研究主要采用三种模型,分别为主成分分析结合支持向量机(PCA-SVM)、主成分分析结合BP神经网络(PCA-BP)模型和核主成分分析结合支持向量机(KPCA-SVM)模型。结果表明,基于可见光近红外光谱的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为95.5%,验证平均精度约为90.56%;基于样本成分的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为98.5%,验证平均精度约为95%。     

DPLS和SVM的掺假花椒粉近红外光谱定性鉴别

花椒是我国的八大调味料之一。目前花椒市场掺假现象较为多见,为实现掺假花椒粉的快速定性鉴别,采用了近红外光谱结合化学计量学方法进行了探讨。将麦麸粉、稻糠粉、玉米粉和松香粉以1 Wt/Wt.%的递增梯度分别掺入红花椒粉和青花椒粉中,制备掺假浓度范围为1~54 Wt/Wt.%的掺假花椒粉样品,以掺假花椒粉和纯花椒粉共462份样品依次采集其800~2 500 nm范围的漫反射近红外光谱。采用主成分分析法(PCA)对光谱数据进行分析,前3个主成分累计贡献率达98.72%,做出的得分图表明PCA法对掺假的花椒粉具有较好的区域划分。347份样本作为校正集,以特征谱区2 000~2 200 nm范围的257个采样点的光谱信号作为输入,采用判别偏最小二乘法(DPLS)和支持向量机(SVM)建立定性鉴别模型,经不同光谱预处理,对115份验证集样本进行预测,总体鉴别正确率在97.39%~100%之间,表明该方法是快速定性鉴别掺假花椒粉的一个有效手段。     

太赫兹时域光谱结合主成分分析线性判别和支持向量机用于大黄样品鉴定

太赫兹时域光谱技术(THz-TDS)结合主成分分析-线性判别分析(PCA-LDA)和支持向量机(SVM)用于正品大黄样品的鉴定。在时域测量41个大黄样品的太赫兹时域透射光谱,然后将这些时域信号转换成频域的吸收系数系数。根据样本的吸收系数建立了主成分分析-线性判别分析和支持向量机的定性分类模型,并对正品和非正品大黄样本的分类模型进行了交叉验证。模型的预测能力和稳定性使用自助拉丁配分进行评价,使用50次自助拉丁配分,配分数为4。使用主成分分析-线性判别分析和支持向量机均得到了满意的结果。提出的方法证明是一种方便、无污染、准确和无需化学处理的鉴定大黄样本的方法。该文提出的步骤可以应用于其他中草药分类和生产的质量控制。     

基于PCA-SVM的仿刺参产地溯源在线系统研究

仿刺参是具有极高经济价值的水产资源,是海水养殖产业的重要组成部分,研发出一种灵活、稳定、高效的仿刺参产地溯源方法对于水产养殖产业具有极强的现实意义。仿刺参主要有三种养殖方式,分别是底播增殖、圈养养殖和筏式养殖。不同产地采用不同的养殖方式,仿刺参的营养价值、药用价值和经济价值都存在着明显差异。不同产地初级生产者的构成不同,作为初级生产者的不同藻类与浮游生物体内的脂肪酸特征也各不相同,通过食物链的传递,不同产地的仿刺参具有了不同的脂肪酸特征。气相色谱指纹图谱法是一种快速准确地食品产地溯源技术,碳稳定同位素质谱法不仅可以鉴别产地还可以区分出食品的营养价值。采集9个最具代表性产地的仿刺参样品,先利用Folch法对样品进行总脂提取,再通过气相色谱仪测定出各种脂肪酸的种类及其相对含量;最后使用稳定同位素质谱仪测定出每种脂肪酸各自的碳稳定同位素组成数据。使用单因素方差分析法对脂肪酸相对含量和脂肪酸碳稳定同位素组成数据进行显著性检验,各筛选出17种脂肪酸数据作为两个模型的输入。主成分分析(PCA)法可以降低数据的维度,聚合不同种脂肪酸数据的溯源特征,提高产地溯源的精度。支持向量机(SVM)是一种以结构化风险最小为目标的分类识别算法,具有优秀的泛化能力。研究结果表明,不同产地仿刺参的脂肪酸相对含量和脂肪酸碳稳定同位素组成数据存在明显差异。通过主成分变换后,脂肪酸数据的聚类特征更加明显,运用随机交叉验证法确定前6个主成分作为两个支持向量机分类器的输入。采用基于遗传交叉因子改进的粒子群优化算法(GPSO),以粒子不同K值各100次交叉验证的平均准确率作为其适应度,寻找支持向量机分类器模型的最优参数组合。最终计算得到脂肪酸相对含量产地溯源模型的最优参数组合为σ=6.247 599和C=14.313 042,平均准确率为79.49%;脂肪酸碳稳定同位素组成产地溯源模型的最优参数组合为σ=7.626 194和C=2.193 410,平均准确率为98.33%。对比交叉验证的结果,脂肪酸碳稳定同位素组成产地溯源模型具有更高的准确率和更强的泛化性能。在两个模型的识别结果不一致时,采用脂肪酸碳稳定同位素组成模型的识别结果。将实验室检测与互联网技术进行整合,构建了仿刺参产地溯源在线系统。实现了“互联网+产地溯源”的一体化溯源模式,为进一步开展食品产地溯源研究提供了科学依据和技术支撑。     

基于太赫兹衰减全反射光谱的水质分析

随着人口的增长和社会的迅速发展,水资源短缺和水污染问题日益严重。水质分类作为水质污染评估工作中的一项重要环节,其意义和作用也更加突出。基于太赫兹衰减全反射（THz-ATR）光谱和模式识别技术,提出了一种水质分析模型。利用太赫兹时域光谱系统和衰减全反射模块测量了纯净水、自来水、河水、海水A和海水B五种水样的太赫兹衰减全反射光谱,通过光学参数提取模型获得0.2～1.0 THz频率范围内五种水样的折射率、吸收系数、介电常数实部和介电常数虚部。利用主成分分析（PCA）对折射率进行降维和特征提取,分别作出样品在第一、二主成分上的二维得分图和前三个主成分上的三维得分图,结果显示,基于折射率的主成分得分图可以明显的区分不同的水样。为了进一步对不同水样进行准确分类,将降维之后的数据输入到支持向量机（SVM）中构建水样分类模型,每种水样随机选取其中的五分之三作为训练集,剩余的数据作为测试集,同时引入网格搜索（GridSearch）、遗传算法（GA）和粒子群（PSO）三种优化算法对支持向量机参数进行优化。结果显示,基于网格搜索算法的支持向量机最优参数c和g分别为1.414 2和2.0,准确率为99.0%;基于遗传算法的支持向量机最优参数c和g分别为1.675 4和5.966 5,准确率为99.5%;基于粒子群算法的支持向量机最优参数c和g分别为3.154 9和12.589,准确率为100%。可以看出,使用不同的优化算法得到的最优参数不同,所构建的支持向量机分类模型都可实现正确的分类,且分类准确率均高达99.0%以上。研究结果表明,利用粒子群优化算法基于折射率构建的PCA-SVM分类模型效果最优,可以准确识别不同水样,为水质分类奠定了基础。     

表面增强拉曼光谱法快速检测猪肉中氟尼辛葡甲胺残留

氟尼辛葡甲胺（FM）是动物专用的非甾体类消炎药,是兽医临床上最常用的消炎镇痛类药物。近年来,随着其应用范围的扩大,其不良反应逐渐显现,其在兽肉中的残留引起了人们的重视。目前猪肉中FM残留的主要检测方法为色谱法、色谱质谱联用法。设备昂贵、笨重、操作复杂等缺点极大的限制了这类方法在现场快速检测中的应用,表面增强拉曼（SERS）具有指纹识别、迅速检测、便携等优势,能克服色谱技术在现场检测中带来的不便,因而近年来被广泛应用于兽药残留的快速筛查检测。因此,为实现猪肉中FM的现场快速检测,建立了猪肉中FM的SERS检测方法。用柠檬酸钠还原氯金酸钾的方法制备金溶胶,通过单因素实验确定在样品与金胶体积比为1∶3,样品pH为6,不添加促凝剂,为检测条件。用密度泛函理论计算理论光谱,结合固体拉曼光谱,对各峰进行振动模式归属。其中731 cm-1处为吡啶环、苯环摇摆,1 085和1 376 cm-1处均为苯环上C—H振动。之后通过优化萃取前处理方法与萃取剂的选取,建立了猪肉中FM的定性定量检测方法。在该方法中,FM在猪肉基质中的特征峰为731,1 085和1 376 cm-1。选取731 cm-1作为定性定量峰,该处拉曼强度与FM浓度在1～250 mg·L-1内有良好的线性关系,R2为0.99。对加标样品的实际浓度进行检测,其检测限为1 mg·L-1,回收率在89.61%～95.63%,RSD在1.80%～3.30%内。该法稳定、快速、简单,可实现FM在猪肉中的现场快速筛查检测。