LIF技术与SIMCA算法在煤矿突水水源识别中的研究

煤矿突水水源类型的快速识别对于煤矿水害预警防治意义重大。针对传统水化学方法水源识别耗时较长的问题,提出一种基于激光诱导荧光光谱(LIF)技术与簇类的独立软模式(SIMCA)算法的煤矿突水水源快速识别方法。激光诱导荧光光谱技术具有分析速度快、灵敏度高等特点,在激光器的辅助下,荧光光谱仪实时采集荧光光谱,根据水样的荧光光谱即可进行水源类型识别,在数据库完备的情况下,只需几秒即可进行煤矿水源判断,对于煤矿的水害预警以及灾后救援来说意义重大。实验利用405 nm激光器发射激光,打入被测水体,得到五种常见突水水样的共100组荧光光谱,对各水样的荧光光谱进行光谱预处理。每种水样使用15组共75组荧光光谱作为预测集,剩余的25组水样的荧光光谱作为测试集。利用主成分分析(PCA)分别对五种水样进行建模,而后依据所建模型进行SIMCA分类。实验发现不同水样的荧光光谱差异明显,经过Gaussian-Filter预处理后的荧光光谱,在主成分数为2,显著性程度α＝5%的情况下,利用SIMCA算法进行水样分类,预测集和测试集的正确率皆为100%。     

LIF技术与PLS-DA算法联合辨识矿井涌水水源类型的研究

快速的矿井涌水水源辨识对于矿井的水灾预警及灾后救援意义重大。常规方法使用离子浓度做为判别因子,耗时过长,因此提出一种激光诱导荧光光谱(LIF)技术与偏最小二乘判别分析(PLS-DA)算法联合快速辨识矿井涌水水源类型的方法。实验使用405 nm激光对被测水体进行激发,获取矿井5个不同含水层100组水样的荧光光谱,根据光谱曲线特征,对数据进行压缩处理,获取合适的光谱数据。每种水样使用15组共75组光谱数据作为建模集,剩余的25组水样的光谱数据作为测试集。为验证实验结果,设计了簇类的独立软模式(SIMCA)算法与PLS-DA算法构建的实验模型进行对比。实验发现矿井不同含水层水样的荧光光谱差异较大,在不进行任何预处理的情况下,以PLS模型为基础的PLS-DA算法较SIMCA算法的建模正确率高,达到了100%,其校正及验证结果与实际分类变量的相关系数均大于0.951,校正集均方根误差(RMSECV)和验证集均方根误差(RMSEP)均小于0.123,利用模型对测试集中五种水样样本的识别正确率均为100%。     

改进BP神经网络算法对煤矿水源的分类研究

煤矿安全对煤炭工业的健康持续发展至关重要,而煤矿水灾又是煤矿事故的重大隐患,因此煤矿水源数据的处理对于预防矿井突水事故具有重要意义。实验在激光器的辅助下利用激光诱导荧光技术获取7种水源的数据信息,设定激光发射功率为100 mW,向被测水体发射波长405 nm激光,获取实验水样210组的荧光光谱数据,为了剔除光谱在采集过程受到的荧光背景、检测器噪声以及功率波动等影响,利用SG平滑、多元散射矫正（MSC）预处理对数据进行降噪以及提高光谱特异性,由于初始数据运算量过大并对数据压缩、消除冗余和数据噪音,利用主成分分析（PCA）分别对7种水样进行建模降维处理,从而得到小数据并且保持原有信息的数据特征。为了识别煤矿水源的突水类型,对于降维后的数据利用粒子群算法（PSO）优化BP神经网络,PSO算法通过对新粒子的适应度值和个体极值、群体极值适应度值的比较更新个体极值和群体极值的位置,将最优初始权值和阈值赋予BP神经网络,从而对待测水样的种类进行预测分析。普通的PSO优化BP神经网络,容易出现早熟收敛,故在改进的PSO算法中引入变异因子来提高模型寻找更优解的可能性。实验证明：SG,MSC以及Original三种预处理方式中,SG算法表现良好,提高了模型的相关性。在SG预处理的前提下,BP的决定系数R2为0.984 5,平均相对误差MRE 7.39%,均方根误差为7.25%;PSO-BP的决定系数R2为0.999 8,平均相对误差MRE 0.17%,均方根误差 0.08%;IPSO-BP的决定系数R2达到0.999 9,平均相对误差MRE和均方根误差RMSE皆为0.01%。结果表明：经SG预处理过后的光谱数据,比MSC预处理效果更精确,改进的粒子群优化算法更适用于该实验的矿井水源分类。     

基于NIR和SOM-RBF网络的兰州百合关键营养物质定量分析方法

为了实现兰州百合关键营养物质蛋白质和多糖的快速无损检测,在12 000～4 000 cm^-1光谱范围内采集了59份兰州百合粉的近红外光谱(NIRS)。首先运用SG、 Normalize、 SNV、 MSC、 Detrend、 OSC、 SG+1D、 SG+Normalize、 SG+SNV和SG+Detrend十种预处理方法对原始光谱数据进行处理,确定蛋白质的最佳预处理方法为SG+Detrend、多糖的最佳预处理方法为Detrend;然后运用CARS、 SPA和PCA三种算法对预处理的光谱数据进行特征波长筛选,确定蛋白质和多糖的最佳特征波长提取方法均为SPA算法;最后采用PLSR法建立了兰州百合关键营养物质蛋白质和多糖含量的预测模型,结果显示,经过SG+Detrend＿SPA处理所建立的蛋白质PLSR模型中,预测集相关系数R_p为0.810 6,预测集均方根误差RMSEP为1.195 3;经过Detrend＿SPA处理所建立的多糖PLSR模型中,预测集相关系数R_p为0.810 9,预测集均方根误差RMSEP为2.0946。...     

无监督学习AE和MVO-DBSCAN结合LIF在煤矿突水识别中的应用

快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义,激光诱导荧光（LIF）技术在检测中具有快速性和灵敏性,将LIF应用于煤矿突水的检测,再结合模式识别算法,可快速识别出突水来源。目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库,当突水水源不在该库中时,易引发误识别。无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息,能降低对未知类别的误识别,因此把DBSCAN算法用于突水的激光诱导荧光光谱识别,并将MVO用于DBSCAN的参数寻优,省去繁琐的人工参数寻优过程。实验中,从谢桥煤矿采水点获取四个水样,利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱,每种水样采集30组光谱数据。首先,利用无监督学习算法自动编码器(AE)对原始光谱数据降维,以减少光谱数据中冗余信息对聚类的影响,设计的AE的结构是介于浅层和深层之间的多层网络模型,可将原始光谱数据降到2维;为使降维模型具有稀疏性,在传统的AE算法中加入一个Dropout层,由实验可知,加入Dropout层后的降维模型具有较快的收敛速度。将多元宇宙优化(MVO)算法用于DBSCAN参数寻优,在参数寻优过程中,DBSCAN对降维后的水样光谱识别率最高为97.5%,此时参数所对应的取值范围为[0.023 66 0.040 65];为验证AE对水样光谱数据降维的有效性,把归一化后的未降维的光谱数据用于DBSCAN聚类识别,DBSCAN对原始水样光谱的识别率最高为95%,比降维后的后水样光谱识别率低了2.5%,结果表明,使用AE降维光谱数据,可提高DBSCAN对不同光谱的识别率。最后,用监督学习算法K最近邻(KNN)识别降维后的水样光谱,将识别结果和无监督学习算法DBSCAN的识别结果对比,其中训练集选用三种水样,测试集使用四种水样;在测试集中,监督学习算法只能准确地识别训练集所包含的水样类别,但把训练集没有的类别全部识别错误,而DBSCAN能准确的识别出训练集中没有的水样光谱。非线性降维算法AE能实现对高维的水样光谱数据降维,把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别,可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。     

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%。     

LIF结合LSTM神经网络的矿井水源识别

矿井水害对煤矿安全生产存在巨大威胁,所以快速识别矿井突水水源,对煤矿水灾预警及灾后救援工作开展都有重大意义。激光诱导荧光（LIF）技术具有快速、高效、灵敏度高等特点,克服了传统水化学方法识别时间长的缺点。循环神经网络（RNN）在解决长序列训练过程中产生的梯度消失、梯度爆炸等问题上存在明显不足,而特殊变体RNN即长短期记忆（LSTM）神经网络很好地弥补了RNN的短板及缺陷。提出了将LIF技术与LSTM算法相结合,应用在矿井突水水源快速识别中。实验样本采自淮南矿区,以砂岩水和老空水为原始样本,并将砂岩水和老空水按照不同比例混合配置成5种混合水样,共7种待测水样进行实验。首先采用最大最小值归一化（MinMaxScaler）、平滑滤波（SG）以及标准正态变量变换（SNV）三种预处理方法对原始光谱数据进行预处理,减少原始光谱数据存在的噪声和干扰信息。之后为防止数据量过大,维度过高,将包括原始光谱数据在内的四组数据再进行LDA降维至3维。最后分别搭建LSTM识别模型,从测试集预测准确率、训练集准确率变化趋势以及训练集损失函数变化趋势三个方面进行比较,选择最优模型。其中SG+LDA+LSTM和Original+LDA+LSTM在测试集预测准确率上都能达到100%,MinMaxScaler+LDA+LSTM测试集预测准确率在98.57%,SNV+LDA+LSTM准确率最低,只有87.14%;在训练集准确率变化趋势表现上,SG+LDA+LSTM能够保持良好的学习,很快达到100%,Original+LDA+LSTM和MinMaxScaler+LDA+LSTM也能达到100%的准确率,但在前几次训练过程中会有准确率下降的情况出现,SNV+LDA+LSTM训练集准确率在训练次数内并未达到100%;SG+LDA+LSTM损失函数变化趋势也具有很好的收敛性和稳定性,Original+LDA+LSTM,MinMaxScaler+LDA+LSTM以及SNV+LDA+LSTM在损失函数变化趋势上表现并不出色。结果表明,4组模型中,SG+LDA+LSTM模型是最适合应用于矿井突水识别,该方法补充了矿井突水水源识别工作的内容,为矿井突水识别提供了新的思路。     

基于FCM的煤矿突水激光诱导荧光光谱分析

快速识别煤矿突水水源类型对于矿井水害防治意义非凡。鉴于传统水化学方法水源识别耗时较长等诸多不足,提出了将模糊C均值聚类(FCM)算法和多维标度分析(MDS)用于激光诱导荧光光谱识别煤矿突水水源这一新思路。由于FCM算法在光谱分析和模式识别等方面都有着成功的应用,况且激光光谱具有时间响应快、灵敏度高、干扰小等优点,通过实时采集水样的荧光光谱数据,利用FCM和MDS对光谱数据分析后就可以辨别水样类型。以华东地区某矿的老空水和奥灰水以及按比例混合得到水样共7种(每种水样各20个样本)为实验材料,利用405 nm激光打入被测水体,一共采集了140组荧光光谱数据,随后选择合适的波长区间进行分析。取每种水样各15组共105组光谱数据用作训练集,其余35组光谱数据用作测试集。使用MDS建立七种不同水样的模型,再利用FCM算法进行聚类分析得到七种水样的簇中心,最后使用得到的簇中心对测试集进行验证。实验结果表明,不同水样的光谱图有着较大差异,选取合适的波长区间下的光谱数据,在MDS下选择维度为2,利用FCM算法对水样进行分类,全部140组样本的准确率是100%。     

AdaBoost算法在矿井突水水源的荧光光谱识别中的研究

矿井突水是影响矿井安全生产的重要因素之一,如果矿井发生突水,能够快速、准确地判别突水水源类型是治理矿井突水灾害保证生产安全的重要环节,因此,建立一个能够快速识别矿井突水水源的模型具有重要的意义。水化学分析法作为在传统的矿井突水水源类型识别方法里应用最为广泛的识别方法,通过获得相应的pH值、离子浓度、电导率等参数,然后利用这些参数来建立突水水源的类型识别模型对矿井突水的类型进行判别。针对这种传统矿井突水水源识别方法在判别时间上耗时长和识别准确率低等不足,鉴于LIF技术具有分析速度快、灵敏度高等优点,提出了将线性判别分析（LDA）算法作为弱分类器的自适应提升（AdaBoost）算法用于激光诱导荧光（LIF）光谱识别矿井突水水源的新方法。用于实验的九种水样（每种水样各取50个样本）由淮南地区某矿的老空水、灰岩水以及按不同比例混合的老空水与灰岩水的七种混合水构成。将405 nm激光器发射的激光打入被测水体并采集荧光光谱数据,然后对采集到450组荧光光谱数据进行分析,取其中360组光谱数据（每种水样各40组）用作训练集,取剩余90组光谱数据用作测试集。分别选取三种算法针对水样的激光诱导荧光光谱的分类进行了建模并将三种结果进行对比。首先利用决策树算法对光谱进行分类识别,在节点个数为8时决策树对测试集的分类效果最好,分类准确率达到91.11%。然后针对决策树算法分类效果的不足,利用决策树算法作为弱分类器的AdaBoost算法,当选取节点个数为9的决策树作为弱分类器的时,对训练集的分类准确率为97.78%。最后针对基于决策树的AdaBoost算法的泛化性能不足和为了获得更好的分类效果,提出了基于LDA算法作为弱分类器的AdaBoost算法,在设置迭代次数为150后对水样光谱数据分类准确率可以达到100%。通过实验结果可以发现,集成学习算法的分类能力比传统的分类算法对水样的光谱的分类识别能力更强,相较于同为九个节点的决策树算法,采用节点数为9的决策树作为弱学习器的AdaBoost算法对测试集的分类准确率从88.89%提升到了97.78%,对训练集的分类准确率从99.72%提升到了100%;然后可以发现相对于使用决策树作为弱分类器的AdaBoost算法,采用LDA算法作为AdaBoost算法的弱分类器对水样的光谱的测试集的分类准确率从97.78%提升到了100%,对训练集的分类准确率达到100%,具有更好的识别效果,并且具有更好的泛化性能。实验结果证明采用Adaboost-LDA算法为激光荧光光谱的模式分类用于矿井突水水源的判别和预警是可行且有效的。     

PCA-BP模型在判别基于LIF技术煤矿突水水源的应用（英文）

防治煤矿突水时需迅速精准地判别突水水源,激光诱导荧光(LIF)光谱技术具有灵敏度高、快速准确监测特点,为检测突水水源提供了一种新的方法。该研究引入该技术以获取突水荧光光谱数据。采用卷积(SG)平滑和多元散射校正(MSC)方法对光谱图进行预处理,以消除光谱采集过程中噪声干扰。采用主成分分析(PCA)方法提取特征信息,针对SG预处理后的数据,当主成分个数为3时,累积贡献率可达到99.76%,已基本保留原数据的全信息。选择3层结构BP神经网络建立分类判别模型,通过不同方式构造训练集和测试集,SG预处理数据构建的分类模型可以达到精准判别,而对于MSC预处理和原始数据出现很少的误判。实验结果表明SG预处理结果要优于MSC预处理。研究结果表明,将PCA和BP神经网络结合建立分类模型,能有效判别煤矿突水水源,且具有较强的自组织、自学习能力。     

CNN在煤矿突水水源LIF光谱图像识别的应用

煤矿突水类型的快速识别在矿井安全生产中意义重大,煤矿突水激光诱导荧光(LIF)光谱的识别方法,需要对光谱曲线进行预处理和特征提取,其过程较复杂,对此,提出了一种卷积神经网络(CNN)快速识别矿井突水类别的方法。根据煤矿矿井水层的分布特点和最常见煤矿突水类型,选取三种原始水样以及由原始水样混合的两种混合水为实验材料,利用LIF技术快速获取五种水样的200组荧光光谱曲线图,灰度化后输入CNN算法,其中150组光谱曲线图用于CNN的训练,剩余50组用于训练好的模型测试。模型测试中,CNN算法对实验水样光谱曲线图的识别率为100%,实验结果表明,CNN算法不仅能省去煤矿突水光谱图像识别中的数据处理和特征提取工作,而且还能快速有效的识别矿井突水类型。     

基于近红外光谱与误差反向传播神经网络技术的三种人工林木材识别研究

利用近红外光谱结合误差反向传播神经网络(BP)对三种人工林木材(尾叶桉、马尾松、南方无性系I-72杨)进行识别,探讨隐含层神经元个数、光谱预处理方法、光谱范围对BP网络模型的影响,并与SIMCA法所建模型做比较。结果表明：(1)BP网络结合全波段(780～2 500 nm)近红外光谱数据建模,识别正确率达到97.78%,并确定隐含层神经元数为13;(2)全波段光谱建模比短波段(780～1 100 nm)和长波段(1 100～2 500 nm)光谱建模识别效果好,其识别正确率分别为97.78%, 95.56%和96.67%,用一阶导数和二阶导数对全波段光谱进行预处理后,BP网络模型识别正确率分别为93.33%和71.11%;用多元散射校正(MSC)对全波段光谱进行预处理后,BP网络模型识别正确率为98.89%,(3)在三种波段(780～2 500,780～1 100和1 100～2 500 nm)光谱建模的情况下,BP网络建模识别正确率分别为95.56%, 96.67%和97.78%,SIMCA模型识别正确率分别为76.67%, 81.11%和82.22%,BP网络建模比SIMCA法建模对三种人工林木材的识别正确率高。     

基于叶绿素荧光光谱和反射光谱的甜瓜种子品种鉴别

甜瓜的品种多样,富含多种营养成分,甜瓜种子品种不纯将对甜瓜生产造成一定危害,研究采用种子的叶绿素荧光光谱结合反射光谱的分析方法鉴别甜瓜种子品种,以甜瓜品种“一特白”、“一特金”、“京蜜7号”、“京蜜11号”、“伊丽莎白”为研究对象。构建了甜瓜种子品种鉴别光谱系统,包括激发光源单元、光谱数据采集单元和数据处理单元,使用该系统获取不同品种甜瓜种子的光谱数据。对光谱数据分别进行一阶导数(first derivative, FD),Savitzky-Golay(SG) 平滑,FD结合SG平滑预处理。采用主成分分析(principal component analysis, PCA)方法降低光谱数据的维数,提取主成分。使用两种不同分组方法将样品按照3∶1的比例分为训练集和验证集,并分别采用Fisher判别和Bayes判别分析方法建立甜瓜种子品种的判别模型。本文比较了仅使用叶绿素荧光光谱与使用叶绿素荧光光谱结合反射光谱建立判别模型的判别结果,结果显示,使用叶绿素荧光光谱结合反射光谱建模的判别结果优于仅使用叶绿素荧光光谱建模的判别结果,Fisher判别分析和Bayes判别分析的验证集样品品种的判别正确率均达到98.0%。研究结果表明,采用叶绿素荧光光谱结合反射光谱鉴别甜瓜种子品种具有可行性。     

基于i PLS的矿井突水激光诱导荧光光谱特征波段筛选

矿井突水一直威胁着煤矿井下施工人员的生命安全,准确且快速识别矿井突水水源类型对于矿井的安全生产起到关键性作用。激光诱导荧光(LIF)光谱技术识别矿井突水水源,有效避免了常规的水化学法需要测定多种化学参数,水源识别时间过长的缺点。提出一种间隔偏最小二乘法(iPLS)与粒子群联合支持向量分类算法(PSO-SVC)相结合的方法,iPLS算法常应用于光谱波段优选和模型的回归分析,PSO-SVC则在机器学习领域有着重要的应用,激光诱导荧光技术具有快速的时间响应、测量精度高等特点,iPLS和PSO-SVC算法运用于光谱图和光谱数据的分析,进而可以对突水水源类型识别分类。首先,用淮南矿区采集到的7种(每种水样30组)共210组荧光光谱数据进行实验,对老空水、灰岩水、灰岩水和老空水不同体积比混合水样的激光诱导荧光光谱图的差异性进行分析。比较了留出法和Kennard-Stone样本划分方法所得到的PSO-SVC模型分类准确率,采用留出法得到的训练集水样(140组)和测试集水样(70组)作为实验样本。其次,用iPLS算法将全光谱波段依次按10～25波段区间进行等分,选取划分区间的RMSECV(交叉验证均方根误差)值小于全光谱波段RMSECV值(阈值)的波段作为特征波段,结合光谱图对比分析了划分10和14个子区间的建模结果,发现通过直接观察得到的特征波段与iPLS算法筛选出的特征波段存在误差。最后,在不进行去噪、降维等预处理条件下,根据iPLS划分不同区间数的评价指标统计数据,选取划分11个区间所筛选出具有561个波长点的410.078～478.424和545.078～674.104 nm特征波段范围数据作为PSO-SVC模型的输入,以iPLS结合PSO-SVC算法筛选出的特征波段与全光谱波段、直接观察得到波段建模准确率相比,训练集与测试集的分类准确率高达100%,PSO寻优到的最佳惩罚系数c为1.367 0,核函数参数g为0.576 2。从实验结果可以看出,利用iPLS进行荧光光谱的特征波段筛选是切实可行的,提取出的特征波段能充分反映出全光谱波段的有效信息,为激光诱导荧光光谱技术用于矿井突水水源精准在线识别的研究提供了理论依据。     

RF-CARS结合LIF光谱用于矿井涌水的预测评估

快速且准确识别矿井涌水水源对于防范煤矿水灾事故有着重大的研究意义。利用激光诱导荧光(LIF)光谱融合智能分类算法进行矿井涌水水源识别打破了传统水化学方法耗时过长等不足,具有灵敏度高、响应速度快等特点;然而目前这些已使用的算法仅能依靠分类准确率定性判别不同矿井涌水水样的种类。把随机森林(RF)算法和竞争性自适应重加权(CARS)算法相结合,基于激光诱导荧光的水样荧光光谱数据建立偏最小二乘回归(PLSR)模型来预测不同矿井涌水的含量,实现水样的定量评估。首先,采集300组以老空水为基础混入不同含量砂岩水的矿井涌水样本,将采集到的水样按4∶1比例随机划分成校正集和预测集,校正集共240组用于建立回归模型,预测集共60组用于预测不同水样,搭建激光诱导荧光涌水光谱系统完成光谱数据的获取并生成荧光光谱图。然后分别通过S-G卷积平滑法和Lowess平滑法对原始荧光光谱进行去噪处理,发现处理后的荧光光谱较原始光谱更为分散,适合光谱分析,对比了两种去噪方法的预测精度,选择Lowess平滑法作为最终去噪方法。接着采用RF算法约简去噪后属性重要度较低的光谱属性,依据最优回归模型的性能选择约简出的223个属性再用于CARS算法的二次属性精简,根据CARS算法采样过程中交叉验证均方根误差值最小原则选择出的77个属性光谱数据建立PLSR模型。最后与全光谱、其他变量选择方法、不同回归模型相比, RF-CARS算法属性精简效果最好,较全光谱建模,属性由2 048个减少到77个,模型预测集判定系数R■由0.991 4增长到0.996 7,预测均方根误差RMSEP由0.029 4减少到0.018 3,预测精度得到提升,其余评估指标也相对较好。实验结果表明, RF-CARS结合激光诱导荧光光谱可快速、精准预测矿井涌水,精简出的光谱属性用来建立回归模型,为实现矿井涌水含量的实时定量评估提供了一定的理论保障。     

谱聚类结合LIF在矿井突水水源类型识别中的应用

突水事故威胁井下人员的生命安全和造成财产损失,因此准确检测出突水水源类型具有重大意义。使用水化学分析法检测水源类型耗时长、过程复杂。激光诱导荧光（LIF）技术具有快速、灵敏、干扰小等优点,将LIF技术结合智能算法建立突水水源识别模型可以准确检测出突水水源的类型。目前这类模型一般需要对荧光光谱进行去噪、降维、波段选取等处理,过程繁琐,并且模型都是在均匀分组的突水水源荧光光谱上建立的,并没有讨论不均匀分组对模型的影响,也没有针对不均匀分组建立模型。在实际工程应用中,采集的样本数量是有很大概率呈现不均匀的,因此本文提出一种飞蛾扑火（MFO）算法结合谱聚类（SC）的方法实现对不均匀分组的突水水源荧光光谱的识别。实验中,首先从淮南煤矿获取5种实验水样,使用激光诱导荧光实验设备采集所有水样的荧光光谱,五种水样的组数分别为75,80,80,30和135。其次,建立MFO-SC水样识别模型,通过对比后标签映射方式选择K-Means、相似矩阵的计算方式选择高斯核函数和划分准则选择ncut,用MFO对高斯核函数的参数寻优得到σ的值为1.745并且固定模型的初始聚类中心。随后,分别建立K-Means,SVM和MFO-SVM3种水样识别模型。对比MFO-SC模型与K-Means模型,得到MFO-SC模型的最优准确率为100%且平均准确率也为100%,K-Means模型的最优准确率为99.75%,而平均准确率为79.57%;再分别计算SVM模型和MFO-SVM模型的训练集准确率和测试集准确率,SVM模型训练集准确率为80%,测试集准确率为80%;MFO-SVM模型训练集准确率为100%,测试集准确率为95.625%。最后,使用4种模型对其他三个不均匀分组的突水水源荧光光谱进行识别,研究结果表明将MFO-SC算法用于突水水源类型的识别上是有效的,可以准确地检测出突水水源的类型,对煤矿生产安全有重要意义。     

60种植物类中药提取物的红外光谱分析及其与寒热药性相关性的模式识别评价研究

对60种植物类中药提取物的红外光谱药性特征标记及其模式识别模型进行评价筛选。利用傅里叶变换红外光谱结合(linear discriminant analysis, LDA), (logistic discriminant analysis, Logistic-DA), (principal component analysis-linear discriminant analysis, PCA-LDA), (partial least-squares discriminant analysis, PLS-DA), (random forest, RF), (support vector machine, SVM)六种模式识别技术进行研究。水提取组采用加热回流提取1.5 h,无水乙醇、氯仿、石油醚提取组采用室温超声提取45 min。首先分别建立六种模式识别模型,然后采用四种统计方法综合识别,包括60味中药组内回代、60味中药10次迭代5折交叉验证、48味中药训练集、12味中药测试集。选取组内回代识别正确率、交叉验证识别正确率、组外预测正确率同时很高,且理论图谱反映寒热中药原始图谱分布特征者为适宜模型。LDA和SVM是水提取物红外光谱的适宜模式识别模型,LDA是无水乙醇提取物红外光谱的适宜模式识别模型,SVM是氯仿提取物红外光谱的适宜模式识别模型,石油醚提取识别效果不佳。结论：根据适宜识别模型,通过红外光谱数据可识别表征中药寒热成分和寒热程度的特征参数,寒热成分特征参数为与红外光谱吸收位置波谱相对应的识别模型的识别系数,识别系数大于零为寒性标记,识别系数小于零为热性标记;寒热程度特征参数为识别模型的识别得分,得分越大(正值)则寒性越强,得分越小(负值)则热性越强。     

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。     

多波长激光诱导荧光麦卢卡蜂蜜掺杂分类识别

麦卢卡蜂蜜产自新西兰,具有很强的抗菌及抗氧化作用,其售价较高,近年来掺假事件时有发生,利用激光诱导荧光技术对掺杂糖浆的麦卢卡蜂蜜进行分类识别研究。选用266, 355, 405和450 nm四种常用激光作为激发源,选择三种品牌的新西兰进口麦卢卡蜂蜜(编号A, B, C)中掺杂烘焙糖浆作为实验样品,掺杂比例为0%～90%,间隔10%;每个激发波长下每种样本溶液重复测试60次,共7 200组数据。光谱数据首先进行荧光波段截取、平滑及归一化等预处理;然后随机选取80%的数据做训练集,20%的数据做测试集;对训练集数据使用主成分分析(PCA)结合线性判别分析(LDA)做数据降维;最后对降维后的数据分别建立K最近邻(KNN)和支持向量机(SVM)分类模型,对测试集数据进行分类识别,重复进行50次随机分组及分类识别后对得到的分类识别率求平均值及标准差。实验分析结果表明,激发光波长对最终识别结果影响较大,266 nm激发的荧光光谱分类识别正确率最高,三种麦卢卡蜂蜜掺杂溶液的分类识别率均能达到98.5%以上,最高能达100%; 355和405 nm激发的分类识别效果次之,所有样品的分类识别率均大于92...     

近红外光谱技术用于豆浆粉品牌与假冒豆浆粉的鉴别

采用近红外光谱分析技术结合化学计量学方法研究对不同品牌的豆浆粉以及假冒的豆浆粉鉴别的可行性。采集不同品牌豆浆粉以及假冒豆浆粉在12 500～4 000 cm-1范围内光谱,并进行不同的预处理。采用偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)对不同预处理的光谱进行建模比较,去趋势算法(De-trending)预处理光谱与多元散射校正(multiplicative scatter correction, MSC)结合De-trending(MSC+De-trending)预处理光谱的PLS-DA模型预测集判别正确率最高, 均为100%。采用x-loading weights方法分别基于De-trending和MSC-De-trending预处理光谱选择了6个和7个特征波数,并以特征波数分别建立了线性判别分析(linear discriminant analysis, LDA)和误差反向传播神经网络(back-propagation neural network, BPNN)的判别分析模型。结果表明,以所选出的不同的特征波数建立的BPNN判别分析模型取得了最佳的判别效果,建模集和预测集的判别正确率均为100%。采用近红外光谱分析技术可以准确的判别豆浆粉品牌以及假冒豆浆粉产品。