荧光光谱法检测水质COD时温度、浊度、pH的影响分析

以COD标准液为研究对象,基于特定激发波长下的荧光发射光谱数据,采用化学计量学算法对水质COD进行了检测,分析了水的温度、浊度和pH的变化对发射光谱的影响,并对相关参数的影响进行了补偿校正。在此基础上建立了多参量共同作用时对水质COD预测模型的补偿校正方法。首先采用荧光光谱法对浓度范围为1～55 mg·L-1水质化学需氧量(COD)标准溶液进行三维荧光光谱的采集,去除散射峰以后采用基于蚁群算法优化的偏最小二乘法(ACO-iPLS)对不同激发波长(Ex=255～285 nm,间隔为5 nm)下的荧光发射光谱(Em=275～450nm)数据进行特征提取并采用基于粒子群优化的最小二乘支持向量机算法(PSO-LSSVM)进行预测模型的建立。结果表明,不同激发波长下的荧光发射光谱数据模型的检验集决定系数R2_p在0.961 8～0.998 1范围内,当采用波长为Ex=270 nm的激发光作用时所激发出的荧光发射光谱数据所建模型的效果最优,其检验集决定系数R2_p=0.998 1,预测均方根误差RMSEP=0.348 3 mg·L-1。其次,对温度、浊度、pH对荧光光谱法检测水质COD的影响进行了分析,并给出了相应的补偿模型。结果表明,温度和浊度在检测水质COD时对荧光光谱的影响不可忽略,但通过建立补偿模型可以对其影响进行有效的补偿校正,温度补偿后荧光数据模型的整体平均偏差Bias=0.130 6 mg·L-1,经浊度补偿后可以很好的校正浊度变化对荧光光谱法检测水质COD的影响,而pH范围在4～12.3内变化时对荧光光谱的影响相对较小,因此可忽略。最后,结合单一影响因素的分析结果,对荧光光谱法检测水质COD时水体的多种环境因素(温度、浊度、pH)共同作用的影响进行了分析。实验结果表明,忽略pH影响后,可以采用对温度和浊度同时补偿的方法对二者的影响进行有效的校正。该结果可为水质参数光学传感器在调试过程中抑制环境因素的影响提供参考。     

基于荧光多光谱融合的水质化学需氧量的检测

为了对水中的有机污染物进行绿色、快速、准确的检测,提出了一种基于荧光多光谱融合的水质化学需氧量(Chemical Oxygen Demand, COD)的检测方法。实验样本为包含近岸海水和地表水在内的实际水样53份,采用标准化学方法获取样本的化学需氧量的理化值,利用荧光分光光度计采集样本的三维荧光光谱并对光谱数据进行处理和建模。在200～300 nm(间隔5 nm)的激发波长范围内将三维光谱展开成二维的发射光谱(发射波长范围250～500 nm,间隔2 nm)。采用ACO-iPLS(蚁群-区间偏最小二乘)算法提取发射光谱特征,PSO-LSSVM(粒子群优化的最小二乘支持向量机)算法建立预测模型,分别建立了单激发波长下的荧光发射光谱数据预测模型、多激发波长下发射光谱的数据级融合(LLDF)预测模型以及多激发波长下发射光谱的特征级融合(MLDF)预测模型,通过对预测效果的对比,得出结论。实验结果表明,对于不同激发波长下荧光发射光谱数据而言,265 nm激发光作用下的发射谱数据的预测模型最优,其检验集决定系数R2_P和外部检验均方根误差RMSEP分别为0.990 1和1.198 6 mg·L-1;对于荧光多光谱数据级融合模型(简写为：LLDF-PSO-LSSVM)而言,在235,265和290 nm激发光作用下的发射光谱的LLDF模型效果最优,其检验集的R2_ｐ和RMSEP分别为0.992 2和1.055 1 mg·L-1;对于荧光多光谱特征级融合模型(MLDF-PSO-LSSVM)而言,在265,290和305 nm激发光作用下的荧光发射光谱的MLDF模型效果最优,其R2_p=0.998 2,RMSEP=0.534 2 mg·L-1。综合比较各类建模结果可知,MLDF-PSO-LSSVM的模型效果最优,说明基于荧光发射光谱数据,采用多光谱特征级融合模型检测水质COD时,检测的精度更高,预测效果更好。     

基于LS-SVM紫外可见光谱检测水产养殖水体COD研究

采用紫外可见(ultraviolet/visible,UV/Vis)光谱技术对水体中有机物浓度的指标化学需氧量(chemical oxygen demand,COD)进行快速检测,将收集到的135份水样进行UV/VIS波段全光谱扫描,应用Savitzky-Golay (SG)平滑算法,经验模态分解算法(empirical modedecomposition,EMD)和小波分析(wavelet transform,WT)对提取出的光谱数据进行去除噪声处理,为了简化模型,PLSR建模得到的6个潜在变量(LVs)作为偏最小二乘支持向量机(LS-SVM)的输入建立COD预测模型,LS-SVM模型的预测集决定系数r2为0.82,预测均方根误差RMSEP为14.82 mg·L-1。说明使用LVs作为LS-SVM建模输入,可以准确快速检测水产养殖水体中的COD含量,为将来实现水产养殖水质COD含量的在线检测以及其他水质参数的快速测定奠定了基础。     

基于选择性模型组合的三维荧光光谱水质分析方法

为提高三维荧光光谱水质分析的精度,提出一种选择性模型组合方法,采用相关系数法对三维荧光光谱激发波长进行选择,并将被选中的激发波长下的荧光发射光谱水质分析子模型采用岭回归法进行模型组合,得到对水质指标的组合模型。以一组总有机碳(TOC)范围在3.41～125.35 mg·L-1,化学需氧量(COD)范围在22.80～330.60 mg·L-1的32个地表水和城市生活污水水样做为研究对象,对其三维荧光光谱220～400 nm范围内的10个激发波长采用上述方法进行选择,分别针对TOC和COD指标筛选出260,280,400 nm和220,280,400 nm各3个激发波长。采用部分最小二乘方法建立上述激发波长下荧光发射光谱水质分析子模型,根据岭回归法计算各子模型的组合系数,分别得到对TOC和COD指标的组合模型。实验结果表明：采用该方法得到的组合模型对TOC和COD两种指标的预测误差均方根(RMSEP)相比精度最高的单一荧光发射光谱子模型分别减小了15.4%和17.5%,相比未经模型选择的组合模型分别减小了6.1%和10.9%。     

分散式农村污水基于三维荧光光谱和紫外-可见全波段吸收光谱的“聚类-回归”COD预测模型

基于三维荧光光谱与有机物特征荧光峰之间的关系,提出利用三维荧光光谱进行聚类,再针对不同类的水样利用紫外-可见全波段吸收光谱数据建立COD预测模型的技术路线。比较分析了平行因子分析(PARAFAC)算法和荧光体积积分(FRI)算法两种不同的光谱分析方法,再使用模糊c-均值(FCM)算法进行聚类,并完成了不同类水样的COD预测模型的建立。研究的水样采集于江苏省常熟市周边的农村区域,样品均来自不同的分散式农村生活污水处理装置出水,共100个实验水样;将测得的水样三维荧光光谱数据经过去散射预处理后利用PARAFAC算法和FRI算法分别提取荧光特征数据;之后,利用FCM聚类算法进行相似性聚类;最后,利用偏最小二乘(PLS)算法建立水样的紫外-可见全波段吸收光谱和COD之间的回归和预测模型,并使用决定系数和均方根误差对模型的预测精度进行评价。研究结果表明：未分类、使用FRI、使用PARAFAC算法提取荧光特征信息后再预测的模型的平均决定系数R²分别为0.632, 0.819和0.906;平均均方根误差RMSE分别为27.857, 23.621和13.071。聚类后的回归和预测...     

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。     

基于可见-近红外光谱比较主成分回归、偏最小二乘回归和反向传播神经网络对土壤氮的预测研究

建模方法是影响可见-近红外光谱定量结果的主要因素之一。在470～1000nm波段的12个土壤剖面对48个剖面样经过风干、研磨、过筛后进行光谱采集。经一阶微分变换及Savizky-Golay平滑处理后,分别应用主成分回归(PCR)、偏最小二乘回归(PLSR)和反向传播神经网络(BPNN)3种方法建立土壤全氮(TN)的定量模型。PCR与PLSR两线性模型的决定系数(R2)分别为0.74和0.8,其剩余预测偏差(RPD)分别为2.23和2.22,但两模型仅能用于TN的粗略估计。由PCR提供主成分数,PLSR提供潜变量(LV)数分别作为BPNN的输入所构建的两个非线性模型均明显优于线性模型PCR和PLSR。其中以4个LV作为输入的BPNN-LV模型预测性能最优,R2以及RPD分别达到0.9和3.11。实验结果表明,提取可见-近红外光谱的PLSR LV因子作为BPNN的输入,所建定量模型可用于土壤氮纵向时空分布的快速准确预测。     

基于紫外光谱的水产养殖水质总氮含量快速检测研究

应用紫外(Ultraviolet,UV)光谱技术对水产养殖水质总氮含量进行快速检测。为了消除各种系统误差与偶然误差对模型预测性能造成的影响,将88个水样的总氮浓度实测值数据和光谱吸光度数据作为原始数据,将模型建立分为样本集划分、数据预处理、特征波段提取、模型选择与LV数量选择5个阶段,以求达到最优预测效果,其中前4个阶段分别使用多种方法进行比较。结果证明每个阶段都是必不可少的,只有通过对比其优劣才能找到最适合总氮含量测定的建模过程及方法。首先用浓度梯度(CG)法对原始数据进行相同的样本集划分处理,然后在此基础上分别建立主成分回归(PCR)、逐步回归(SR)和偏最小二乘回归(PLSR)三种模型,选择预测效果最好的PLSR作为本文的预测模型。PLSR的建模效果会在很大程度上受到潜在变量(LVs)数量的影响,通常选取模型预测均方根误差RMSEP值最小时所对应的LV个数为最优LV个数。其次,选用CG法、随机抽样(RS)法、 Kennard Stone(KS)法和SPXY法4种样本集划分算法对样本进行处理,并对所建立的PLSR模型预测效果进行比较,最终选择SPXY算法作为最优样本划分算法。然后在对样本集进行SPXY法划分的基础上,运用多种预处理算法对光谱吸光度数据进行预处理,包括小波变换(WT)、一阶导数法(Der1st)与二阶导数法(Der2nd)三种单一算法和小波变换与两种导数法的组合预处理算法WT-Der1st和WT-Der2nd。然后在预处理的基础上分别使用连续投影变换(SPA)和逐步回归(SR)两种特征波段提取方法,对比可知, SPA特征提取方法比SR的提取效率高且建模效果好。SPA算法既可以大大地简化模型,又可以在一定程度上提升模型的预测精度。基于WT-Der1st-SPA提取的特征波段为218 nm,与总氮特征波段区间相一致,由此说明该方法比较科学。综合上述建立的10个PLSR模型,考虑到预测精度与模型复杂度2个因素,最终选择基于WT-Der1st-SPA建立的PLSR模型作为最优模型,该模型预测决定系数r~2为0.996,预测均方根误差RMSEP为0.042 mg·L~(-1)。由此可见,所建立的模型预测效果非常好,可以快速准确地测定水体的总氮含量,为实现光谱技术在水产养殖其他水质监测指标的在线检测以及快速测定提供了经验。     

感兴趣区域对羊肉pH高光谱检测模型的影响研究

感兴趣区域(regions of interest, ROIs)的选择及其光谱提取是高光谱图像无损检测分析的关键一步。为快速准确检测羊肉pH,在473～1 000 nm波段,开展了两种不同提取ROIs方法对羊肉pH高光谱检测模型的影响研究。采用“矩形区域法”和“图像分割法”两种ROIs方法分别获得相应的122条羊肉光谱,对比了不同预处理方法对建模效果的影响,并比较了两种ROIs方法下逐步多元线性回归(SMLR)、主成分回归(PCR)和偏最小二乘回归(PLSR)的模型精度。结果表明,提取光谱数据建模中SMLR和PLSR模型效果分别最优。“矩形区域法”提取ROIs对应的SMLR模型校正集的相关系数(R_cal)和均方根误差(RMSEC)分别为0.85和0.085,预测集的相关系数(R_p)和均方根误差(RMSEP)分别为0.82和0.097。“图像分割法”提取ROIs对应的PLSR模型校正集的R_cal和RMSEC分别为0.95和0.050,预测集的R_p和RMSEP分别为0.91和0.071。其次通过比较“矩形区域法”和PCR, SMLR和PLSR三个模型中,“图像分割法”提取的ROIs光谱数据建模效果较优。表明,应用高光谱图像技术结合“图像分割法”提取ROIs快速无损准确检测羊肉pH具有可行性。     

紫外可见光谱结合多元分析法在线检测混合染料溶液化学需氧量

为了实现对经过污水处理后的染整废水化学需氧量(COD)的在线监测,同时为了克服国标标准法和快速分光光度法快速在线检测COD的诸多不足,进行了紫外可见光谱结合多元分析方法检测混合染液COD的研究。研究样本为自行配制的混合染液,通过自主研发的紫外可见光纤传感检测系统检测混合染液的紫外可见光谱。该检测系统可实现对较高浓度溶液在线原位检测,而无取样、稀释过程。通过标准化(z-score)、平滑(smoothing)、一阶导数(1st derivation)等方法对原始光谱进行预处理并结合主成分回归(PCR)、偏最小二乘回归法(PLS)等对混合染液建立吸光度-COD的回归预测模型,并利用该回归模型预测预测集COD值。实验结果表明,针对混合染料溶液样本,在PCR算法中,采用3种光谱预处理方法,其中标准化法得到的PCR回归模型预测精度最高,决定系数R2=0.961,预测均方根误差(root mean square error of prediction,RMSEP)=21.8。进一步研究发现,使用标准化法预处理结合PLS算法得到PLS回归模型预测精度(R2=0.974,RMSEP=19.6)高于PCR模型。说明针对该样本,利用标准化法进行光谱预处理后,再建立PLS回归模型,能够比较快速准确地进行混合染液COD预测。同时也说明该自行研制的检测系统能够适用在线检测染液COD。该研究可以为进一步实现在线原位检测染整废水COD以及其他水质参数奠定基础。     

燕麦干草品质的近红外光谱定量分析

应用近红外漫反射光谱（NIRS）分析技术,采用偏最小二乘回归法(PLS),建立了适合不同品种类型和不同生长发育时期的NIRS测定燕麦全株干草的粗蛋白（Crude Protein,CP）、秸秆中性洗涤纤维(Neutral Detergent Fiber,NDF)和酸性洗涤纤维(Acid Detergent Fiber,ADF)含量的稳定校正模型。结果表明,采用二阶导数（2st Deriv）+平滑处理（Norris）、多元散射校正（MSC）+二阶导数（2st Deriv）+平滑处理（Norris）、多元散射校正（MSC）,分析谱区为9 668～4 518,9 550～5 543,8 943～4 042 cm-1建立粗蛋白、中性洗涤纤维和酸性洗涤纤维的校正模型,其校正和预测效果最佳。其中CP与NDF的建标决定系数（r2_cal）和交叉检验的决定系数（R2_cv）均在0.95以上,各项误差均小于3%,RPD值均大于3,逼近了化学分析的精确度,具有较好的预测效果。ADF的建模效果较CP与NDF差,其建标决定系数和交叉检验决定系数分别为0.912 0,0.855 3,建标误差（RMSEC）和检验误差（RMSECV）分别为2.33%,2.62%,接近了化学分析的精确度,且RPD值大于2.5,说明所建的ADF模型也可用于近红外预测。     

多源光谱特征组合的COD光学检测方法研究

水样的化学需氧量大小直接决定水质的污染程度,传统的检测方法都是源于氧化还原反应,对水样会造成二次污染。为此,提出一种基于多源光谱特征组合的水质化学需氧量光学检测方法,以不同地点实际水样为被测对象,分别采集其紫外和近红外光谱曲线,进行预处理后,通过非负矩阵分解算法进行光谱数据的特征提取、数据特征归一化,然后将组合特征输入训练集样本,通过粒子群最小二乘支持向量机算法对验证集水样的化学需氧量进行定量预测。讨论了非负矩阵分解算法中基光谱数目对预测模型的影响。实验结果显示,紫外光谱的最佳基光谱数目为5,近红外光谱的最佳基光谱数目为2;预测模型的验证集平方相关系数为0.999 8,预测均方根误差为3.26 mg·L-1;分别与不同特征提取方法(主成分分析, 独立成分分析)、不同光谱法(紫外光谱法, 近红外光谱法)以及不同的组合方式(数据直接组合, 先组合数据再提取特征)加以比较,表明非负矩阵分解算法更适合光谱数据的特征提取,粒子群最小二乘支持向量机算法作为实际水样的定量模型校正方法可以得到良好的预测精度。     

水体COD的光谱学在线测量方法-紫外和近红外光谱比较分析

水体COD的光谱学传感技术是现代环境监测的一个重要发展方向, 与传统的分析方法相比,光谱分析技术更具有可连续监测、可在线监测和检测快速的明显优势,适合对环境水样COD的定点实时监测。分别获取水样的紫外吸收光谱和近红外光谱,通过不同的光谱预处理方法结合偏最小二乘法、多元线性回归法建立水样的COD定量预测模型,对水体COD的紫外和近红外光谱的定量预测及相关模型参数进行分析,发现用S-G平滑处理后的紫外光谱和近红外光谱建立的PLS模型均得到最佳预测效果,预测集R2分别为0.992 1和0.987 7,RMSEP分别为10.438 6和5.972 0。紫外和近红外光谱法的MLR模型预测效果较差,预测集R2分别为0.928 0和0.957 3。通过实验结果综合对比分析,紫外吸收光谱在280～310 nm谱区建模预测性能较好,近红外光谱在7 250～6 870 cm-1谱区建模预测性能较好,紫外光谱对应定量预测模型的决定系数较高,而近红外光谱的稳定性和重复性更好。研究表明光谱传感技术可用于环境实际水体COD的定量预测分析,为开发便携式水体检测设备奠定了理论基础。     

基于高光谱成像技术结合SPA和GA算法测定甜玉米种子电导率

种子活力对于农业发展至关重要,而甜玉米种子普遍存在活力较低且不耐贮藏的问题。因此,及时准确地对甜玉米种子活力进行检测尤为重要。电导率测定法作为一种传统的种子活力检测方法,存在对种子有一定破坏性、耗时较长、重复性不佳等缺点。针这些问题,尝试利用可见-近红外（VIS-NIR）高光谱成像系统结合化学计量学算法建立甜玉米种子电导率快速、无损且精确的检测方法。以高温高湿老化的绿色超人甜玉米种子为试验材料,先通过可见-近红外高光谱成像系统采集种子的高光谱图像和进行电导率测定试验,随后对高光谱图像进行黑白板校正、提取感兴趣区域,获取光谱反射率数据。利用多种预处理方法分别为标准正态变量变换（SNV）、二阶导（SD）、一阶导（FD）、和多元散射校正（MSC）建立甜玉米种子电导率的偏最小二乘回归（PLSR）模型,比较分析并筛选出最适预处理方法。再通过连续投影算法(SPA)及遗传算法（GA）对MSC预处理后的高光谱波段进行筛选提取,基于选出的特征波段建立PLSR模型,并与全波段（Full）PLSR模型进行对比分析,得到与甜玉米种子电导率相关性最高的高光谱波段组合,最终确立一种能够预测甜玉米种子电导率的方法体系。实验结果显示：不同预处理方法（SNV,FD,SD和MSC）建立的PLSR模型性能有所差异,其中MSC-PLSR模型的表现最优秀,其校正决定系数和预测决定系数分别为0.983和0.974,相应的校正均方根误差和预测均方根误差分别为0.165和0.226。进一步分析MSC-Full-PLSR,MSC-SPA-PLSR和MSC-GA-PLSR模型,发现GA能够将全光谱的853个波段压缩至25个有效波段,所建立的MSC-GA-PLSR模型仍表现优秀,其校正决定系数和预测决定系数分别为0.976和0.973,相应的校正均方根误差和预测均方根误差分别为0.194和0.212。实验结果表明：基于可见-近红外（VIS-NIR）高光谱成像系统结合化学计量学算法实现对甜玉米种子电导率的预测存在一定的可行性。该研究为甜玉米种子电导率的快速、无损且精确的检测提供一定的理论支持。     

基于激光诱导击穿光谱和化学计量学的水体COD实时测量方法

光谱学传感技术测量水体COD是现代环境监测发展的趋势,相比于传统的化学分析方法具有在线连续检测的突出优势,适合对环境水体COD的实时监测。采集实际水样,利用激光诱导击穿光谱技术(LIBS)获取水样的光谱数据。通过不同的光谱预处理方法结合偏最小二乘法建立水样的COD定量预测模型,对水体COD的LIBS光谱测量方法的定量预测及相关模型参数进行分析。发现用基线校正叠加S-G求导预处理后的光谱建立的PLS模型得到最佳预测效果,校正集集R2为0.9958,预测集R2为0.975 3,RMSEC为4.438 7,RMSEP为9.733 9。通过实验结果分析表明光谱传感技术可用于环境实际水体COD的定量预测分析,为开发便携式水体检测设备奠定了理论基础。     

主成分分析结合BP神经网络对短程生物脱氮中氮的近红外光谱研究（英文）

为实现高效短程生物脱氮及氨氮和亚硝酸盐氮的快速检测,采用主成分分析结合BP神经网络的方法建立短程生物脱氮工艺中氨氮和亚硝酸盐氮的近红外光谱定量分析模型(BP神经网络模型)。工艺运行结果表明:原水经过好氧阶段氨氮从45.3mg·L-1下降到2.7mg·L-1,亚硝酸盐氮从0.01mg·L-1上升到19.6mg·L-1,硝酸盐氮受到抑制;在缺氧段亚硝酸盐氮从19.6mg·L-1下降至1.2mg·L-1,系统实现了良好的短程生物脱氮效果。水样原始光谱主成分分析表明:前13个主成分代表了原始光谱数据的信息,其累计贡献率达到95.04%,排除了冗余信息且大大降低了模型的维数,光谱数据矩阵从192×2 203减少到192×13,大大降低了运算量并提高了模型的精度。BP神经网络模型校正结果显示:BP神经网络模型对氨氮、亚硝酸盐氮校正时的决定系数(R2)分别达到0.950 4和0.976 2,校正均方根误差(RMSECV)分别为0.016 6和0.010 9。BP神经网络模型预测结果显示:BP神经网络模型对氨氮、亚硝酸盐氮预测输出与期望输出之间的决定系数(R2)分别为0.974 0和0.981 4,预测均方根误差(RMSEP)分别为0.033 7和0.028 7,模型预测效果良好。研究表明,BP神经网络模型可以通过快速测定水样的近红外光谱数据预测短程生物脱氮工艺中氨氮和亚硝酸盐氮浓度,并根据氨氮和亚硝酸盐氮浓度变化及时、灵活地控制工艺的运行,为生物脱氮提供快速有效的检测技术和科学依据。     

近红外漫反射光谱技术快速预测蒸汽压片玉米常规成分含量的研究

应用近红外漫反射光谱分析技术(NIDRS),采用偏最小二乘法,建立了蒸汽压片玉米4个常规成分的近红外定量预测校正模型。研究中选用62个品种玉米的蒸汽压片为样本,光谱扫描范围为950～1650nm,采用中心化+导数+多元散射校正的预处理方法。研究得出粗蛋白(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)和粗脂肪(EE)的校正模型交叉验证决定系数(R2VAL)分别为0.9511,0.9032,0.7143,0.9082,交叉验证误差(SECV)分别为1.53,1.89,2.45,0.50。本研究建立的模型可以用来准确、快速地预测蒸汽压片玉米的CP,NDF和EE的含量,为蒸汽压片饲料工业提供了一种快速、经济和绿色的质量检测技术。     

近红外漫反射光谱法定量分析连翘药材

利用近红外漫反射光谱技术和偏最小二乘法定量分析了连翘药材中连翘苷与连翘酯苷的含量。所建立校正模型内部交叉验证均方差(RMSEC)分别为0.327、0.273,交叉验证决定系数分别为0.968、0.978。利用该模型对10份未知样品进行预测,预测值和参考值之间的相关系数分别为0.929、0.986,预测均方差(RMSEP)分别为0.421、0.260,该法具有准确、快速、不破坏样品等优点。     

地表水亚硝酸盐氮浓度紫外可见光谱检测方法的基础研究

随着我国经济的高速发展,地表水污染问题日趋严重,实现地表水水质连续监测对于保障人类健康和保护环境至关重要。亚硝酸盐氮浓度是水质评估的一项重要指标,污染的水体对人畜及水产构成很大威胁。利用紫外可见吸收光谱检测有机污染物已经成为水质检测的重要方法。国内关于紫外可见光谱法检测亚硝酸盐氮的文献并不多,一般采用对水样进行化学前处理然后再利用紫外分光光度计预测浓度。这种方法不仅检测步骤繁琐,耗时耗力,对环境进一步造成污染,而且无法实现实时连续检测。无化学预处理的基于紫外可见吸收光谱法的亚硝酸盐氮浓度检测鲜有报道。采用紫外可见光谱法针对地表水水质的无人值守自动连续监测方法开展基础研究。配置了亚硝酸盐氮样本溶液,设计了为期三天的实验,每天分别测量所有样本的紫外可见光谱(记为D1组, D2组, D3组)。首先将前两天的样本分别进行偏最小二乘回归法(PLSR)建模,利用交互验证得到平均绝对相对误差(MAPE)分别为1.19%和1.85%,这说明PLSR模型具有优良的预测精度。其次,为了验证PLSR模型在不同条件下的适应性,取D1,D2的实验数据进行互相预测分析。两天互相预测的MAPE分别为3.36%和4.51%,低于5%,说明PLSR模型具有良好的鲁棒性。最后,将D1,D2的全部样本用于建立最终的PLSR实测模型, D3的样本作为测试集。测试集的MAPE为2.19%。结果表明,基于紫外可见光谱分析技术的PLSR算法对溶液中亚硝酸盐氮浓度的算法检测结果的MAPE均控制在5%以下,优于同类文献的测量精度。此外, PLSR模型建模过程简单,运算时间短;建好的模型结构简单更容易移植并固化到嵌入式系统中,为后期开发设计便携式装置带来便利。作为地表水亚硝酸盐氮浓度检测的基础研究,可为日后地表水水质的精准快速检测提供指导。     

基于光纤传感的化学需氧量全光谱检测系统

为了快速准确地检测地表水、污水的化学需氧量(COD),设计了一种十字通透式结构光纤传感器,建立了一种水质COD全光谱检测系统。基于该系统,建立了COD与光谱吸光度的相关性数学模型。对配置的检测水样进行了测量,并比较哈希DR 6000多参数水质检测仪对相同水样测量得到的数据,可以发现,所构建的系统与哈希DR 6000多参数水质检测仪测量COD的示值误差小于3%,能较好的适用于水质COD实时在线检测。