麻痹性贝毒产毒藻株的三维荧光光谱识别技术研究

利用三维荧光光谱技术,研究了以微小亚历山大藻 （台湾株）（AMSY）、塔玛亚历山大藻（大亚湾株）（ATDY）、链状裸甲藻（防城港株）（GCFC）、塔玛亚历山大藻（香港株）（ATHK）、链状亚历山大藻（南海株）（ACSY）5株4种产麻痹性贝毒(PSP)微藻以及21株不产PSP藻在不同温度条件下培养微藻的各生长期产毒能力与三维荧光的关系。研究结果表明,在不同温度条件下,产毒藻类单位藻细胞产毒量会发生显著变化,低温可促进麻痹性贝毒的产生。通过Db7小波分解,选取Ca3尺度分量的联合荧光谱作为特征谱并利用Fisher判别发现,产PSP藻与不产PSP藻荧光差异主要集中在λ_ex为400~425和450~545nm;λ_em为715~750 nm的波段,利用判别函数建立判别式,实现了对产麻痹性贝类毒素藻类的识别测定。对产PSP毒素藻类的判别率达到93.7%,不产PSP毒素藻类判别率达到93.3% ,综合判别率为93.5%。该研究可实现对水体中活体产PSP微藻的快速识别,为进一步开发产毒微藻识别仪提供理论基础。     

基于特征区域下凸点提取的藻类荧光光谱波长选择方法

藻华现象的频繁发生严重影响了海洋环境和人类的生产活动,因此对水体浮游植物的监测十分重要。三维荧光光谱被广泛应用于水体浮游植物中藻类的群落组成分析和浓度定量分析,然而三维荧光光谱数据中的信息冗余给藻类定性定量分析带来了一定的影响。针对光谱信息冗余问题,提出了特征区域积分与凸点提取相结合的三维荧光光谱波长选择方法。以抑食金球藻、细长聚球藻、小球藻为研究对象,采用Savitzky-Golay卷积平滑法对三维荧光光谱进行预处理,解决了因外界因素造成的光谱噪声问题,采用马氏距离法剔除三维荧光光谱数据集中的异常光谱样本,运用浓度残差法剔除三维荧光光谱数据集中的异常浓度值样本,然后通过偏最小二乘回归模型的内部交叉验证均方根误差衡量不同特征区域下凸点的可靠性进行波长变量的选择。为验证波长筛选方法的有效性,对三种藻类建立偏最小二乘回归模型,以内部交叉验证决定系数(R²)、内部交叉验证均方根误差(RMSECV)作为模型评价指标。与全光谱数据建立的回归模型进行了比较,抑食金球藻、小球藻、细长聚球藻的波长变量由全谱的1071个分别减少到77个、 75个、 67个,R²     

基于偏最小二乘回归的藻类荧光光谱特征波长选取

针对藻类荧光光谱解析中常见的信息冗余和光谱相关性问题,基于偏最小二乘(PLS)的方法,提出了区间蒙特卡罗偏最小二乘(IMC-PLS)方法,有效地解决了特征波长的选取问题。根据特征色素荧光峰位置预选出特征区域,综合利用了此特征区域内单个波段的信息和不同的随机波段组合对于模型的贡献,基于荧光光谱的三线性特点,联合了发射波长和激发波长的信息。研究结果表明,与无信息变量消除算法(UVE)相比,IMC-PLS反演4种藻类浓度得到的平均相对标准偏差分别降低了0%、34.3%、55.9%、30.5%,选择出的特征波长数和运算时间分别减少了80.1%、81.3%,IMC-PLS方法有效地解决了实时监测问题,也为离散三维荧光光谱仪器的研制提供了理论支持。     

基于遗传算法的安溪铁观音品质快速评价研究

为探究一种快速无损的安溪铁观音品质评价方法,利用遗传算法(GA)对茶样的近红外光谱特征波长进行筛选,结合偏最小二乘(PLS),建立全谱段的PLS定量模型与GA-PLS模型。结果表明,傅里叶变换近红外(FT-NIR)全谱段光谱在经过平滑+二阶导数+归一化处理后,PLS模型预测性能最高,建模结果为：校正集相关系数R_C=0.921,校正集均方根误差RMSEC=0.543,验证集相关系数R_P=0.913,验证集均方根误差RMSEP=0.665。选用近红外光谱6 670～4 000 cm-1谱区,采用遗传算法进行特征波长筛选,参与建模数据点数从1 557缩减到408个。优选波段后,GA-PLS建模结果为：校正集相关系数R_C=0.959,校正集均方根误差RMSEC=0.413,验证集相关系数R_P=0.940,验证集均方根误差RMSEP=0.587。可见,GA-PLS模型的校正集和验证集的预测结果均优于全谱段PLS模型。结果说明,在传统的近红外光谱技术结合化学计量学方法的建模基础上,加入遗传算法进行波长筛选,能有效提高模型预测能力,实现方法学的创新研究,且GA-PLS品质评价模型具有较强的参考和推广价值,为提高我国茶叶品质的检测技术水平提供新的方法借鉴。     

应用荧光相关光谱测定L-色氨酸的浓度

应用FLS920P型荧光光谱仪对L-色氨酸溶液进行三维荧光光谱检测,从中发现：L-色氨酸的特征荧光峰位于270/350 nm。设定发射波长为350 nm,测量激发谱。由测量结果发现在250~260 nm区间,谱线斜率较大、线性度好。因此选取250,255和260 nm三个激发波长,在每个激发波长下分别测量相应的荧光发射谱。基于三条不同的荧光发射谱,构建以激发波长为外扰变量的自相关光谱;而以浓度为外扰变量的自相关光谱,是以超纯水在不同激发波长的平均谱作为参考光谱,通过参考光谱与样本平均谱的相关计算得到。在此基础上,将相关光谱数据分别与偏最小二乘回归(PLSR)和径向基神经网络(RBFNN)相结合,建立溶液中L-色氨酸含量的预测模型,研究结果表明：采用浓度为外扰变量构造的荧光相关光谱信噪比较高,建模的预测效果要好;而在外扰变量相同时,基于径向基神经网络建立的预测模型比基于偏最小二乘回归建立的预测模型对溶液中L-色氨酸浓度的预测结果更为准确。其中,以浓度为外扰变量时的径向基神经网络预测模型准确度最高,该模型的预测相关系数为99.91%,预测均方根误差为0.033 μg·mL-1。研究结果表明,使用该方法能够对溶液中的物质含量进行准确测定,可为食品安全监管提供帮助。     

贮藏期内灵武长枣果糖含量的高光谱预测

高光谱成像可将图像和光谱相结合,同时获得目标对象的图像和光谱信息,已在农产品定性和定量分析检测方面得到广泛利用。利用可见-近红外高光谱成像结合化学计量学方法对贮藏期内灵武长枣果糖含量进行无损检测。采用高效液相色谱测量长枣果糖含量的化学值,可见-近红外高光谱系统采集长枣的高光谱图像,提取每个样本感兴趣区域的平均光谱;建立长枣贮藏期的径向基核函数支持向量机（radial basis kernel function support vector machine,RBF-SVM）模型;分别选用正交信号校正法（orthogonal signal correction,OSC）、多元散射校正（multiplicative scatter correction,MSC）、中值滤波（median-filter,MF）、卷积平滑（savitzky-golay,SG）、归一化（normalization,Nor）、高斯滤波（gaussian-filter,GF）和标准正态变换（standard normalized variate,SNV）等方法对原始光谱进行预处理;为减少数据量,降低维度,提高运算速度,采用反向区间偏最小二乘法（backward interval partial least squares,BiPLS）、间隔随机蛙跳算法（interval random frog,IRF）和竞争性自适应加权算法（competitive adaptive reweighted sampling,CARS）对光谱数据提取特征变量;建立全波段和特征波段的偏最小二乘回归（partial least squares regression,PLSR）和主成分回归（principle component regression,PCR）长枣果糖含量预测模型。结果表明：RBF-SVM判别模型校正集准确率为98.04%,预测集准确率为97.14%,能很好地预测长枣的贮藏期;利用BiPLS, IRF及CARS进行降维处理,提取特征波长个数为100, 63和23,占原光谱数据的80%,50.4%和18.4%;为简化模型运算过程并提高模型精度,采用CARS算法对BiPLS及IRF算法所选取的特征波长进行二次筛选,分别优选出18和15个特征波长,占原光谱数据的14.4%和12%,显著减少特征波长数;将全波段光谱与提取出的特征波长分别建立长枣果糖含量的PLSR及PCR预测模型,优选出CARS提取特征波长建立的PLSR模型效果最优,其中校正集的相关系数R_c=0.854 4,均方根误差RMSEC=0.005 3,预测集的相关系数R_p=0.830 3,均方根误差RMSEP=0.005 7,说明CARS有效地对光谱进行降维,简化了数据处理过程。研究表明,利用可见-近红外高光谱成像结合化学计量学方法及计算机编程,可以有效的实现灵武长枣果糖含量的快速无损分析,为灵武长枣内部品质的检测提供理论依据。     

连续投影算法及其在小麦近红外光谱波长选择中的应用

采用全谱建立多元校正模型时,通常计算量大,模型不够稳健,而且模型的预测精度往往也不能达到最优。文章介绍一种新的波长选择方法：采用连续投影算法(successive projections algorithm),并将其集成偏最小二乘(partial least squares)多变量校正技术构成SPA-PLS方法,用于谷物小麦近红外光谱波长优化选择及其与水分含量的定量分析。结果表明：在经SPA算法后,光谱波数可削减97.72%,后继的定量校正模型结构得到显著简化,模型的稳健性也大大增强;同时,被选取的波长物理意义明确,模型的解释能力增强,而模型的预测性能也与GA-PLS方法相当。     

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。     

近红外光谱技术快速检测莲子粉

莲子是我国重要的药食同源食物,与莲子营养价值相当、便于食用的莲子粉备受消费者青睐。为保证莲子粉的品质,利用近红外光谱(NIRs)技术对掺杂小麦粉、玉米粉和地瓜粉的莲子粉进行鉴定,在样品类别已知下利用支持向量机(SVM)、最小二乘支持向量机(LS-SVM)、偏最小二乘法-判别分析(PLS-DA)模型进行判别,在样品类别未知下基于聚类算法进行判别。同时,对莲子粉中水分含量利用偏最小二乘(PLS)回归进行定量分析。结果表明,LS-SVM模型对纯莲子粉样品与掺入小麦粉、玉米粉和地瓜粉的莲子粉样品的判别率达到100%;基于聚类算法能够有效识别掺入5%地瓜粉、小麦粉和玉米粉的莲子粉样品;PLS模型对莲子粉中水分含量预测综合性能良好,其中经过标准化预处理得到模型效果最佳,其R2_c,RMSEC,R2_p和RMSEP分别达到0.973 2,0.111 5,0.969 5和0.118 9。近红外光谱技术能为隐蔽的莲子粉掺杂的鉴别以及莲子粉中水分含量监控提供一种快速、准确、无损检测的分析方法,为保证高档次莲子品质提供一种有益的思路。     

近红外光谱法测定不同产地黄芪中毛蕊异黄酮葡萄糖苷和黄芪甲苷含量

采用近红外漫反射光谱法对黄芪中毛蕊异黄酮葡萄糖苷和黄芪甲苷的含量进行快速无损检测。以液相色谱质谱联用分析值为参比,采用偏最小二乘法建立黄芪中毛蕊异黄酮葡萄糖苷和黄芪甲苷的定量分析模型。结果显示,毛蕊异黄酮葡萄糖苷近红外光谱经多元散射校正(MSC)+一阶导数+Savitzky-Golay卷积平滑预处理后模型最优,模型参数R2为0.826 6,RMSEP值为0.022 7,校正集R2为0.863 5,RMSEC值为0.019 0;黄芪甲苷近红外光谱经二阶导数+Savitzky-Golay卷积平滑预处理后模型最优,模型参数R2为0.854 8,RMSEP值为0.006 41,校正集R2为0.796 3,RMSEC值为0.007 99。近红外光谱技术结合偏最小二乘法可快速、准确的对黄芪中毛蕊异黄酮葡萄糖苷和黄芪甲苷的含量进行检测。此外,通过主成分分析,发现甘肃产黄芪与其他产地黄芪差异不大,排除甘肃产黄芪后,山西、四川和吉林的样本区分度较高。     

溶解有机物三维荧光光谱技术在赤潮藻识别中的应用

将赤潮藻生长过程中产生的荧光溶解有机物(fluorescent dissolved organic matter,FDOM)的三维荧光光谱与主成分分析相结合,尝试建立了我国沿海10种常见赤潮藻的识别测定技术.用主成分分析提取三维荧光光谱第一主成分载荷谱作为识别特征谱,建立了浮游植物荧光特征谱库,在此基础上利用Bayes...     

海洋微藻生长过程藻液三维荧光特征

利用三维荧光光谱技术监测了中肋骨条藻（Skeletonema costatum）,塔玛亚历山大藻（Alexandrium tamarense）,微小亚历山大藻（Alexandrium mimntum）,锥状斯氏藻（Scrippsiella trochoidea）,东海原甲藻（Prorocentrum donghaiense）及海洋原甲藻（Prorocentrum micans）实验室培养过程中产生的荧光溶解有机物。中肋骨条藻为代表的硅藻主要产生类腐殖质荧光物质,而甲藻在指数增长期主要产生类蛋白荧光物质。进入消亡期后类蛋白荧光和类腐殖质荧光强度迅速增大,原因可能是衰老、死亡藻细胞的破碎释放出大量的荧光有机物质所致,此外还有细菌对非荧光有机物进一步降解。塔玛亚历山大藻、微小亚历山大藻、东海原甲藻及海洋原甲藻的类蛋白荧光强度在消亡后期由于细菌降解或光降解等因素而降低。同属微藻产生的荧光物质相似,例如塔玛亚历山大藻与微小亚历山藻、东海原甲藻与海洋原甲藻,但具体荧光峰位置有所不同。     

基于荧光光谱法与深度信念网络的稻种发芽率检测方法研究

针对传统稻种发芽率检测效率低、精度差、专业化要求高等问题,通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。首先,将连粳7号和武运粳均分别老化0~7 d后,以5 min为间隔在纯净水中分别浸泡5~30 min。然后用荧光光谱仪检测浸泡液的荧光光谱,光谱数据经中心化后用集合经验模态分解(EEMD)去噪,并通过主成分分析法提取441.5 nm的特征荧光波长。最后,利用偏最小二乘回归(PLSR),反向传播神经网络(BPNN),径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。比较后得出,DBN模型在少数据、弱信号情况下的预测精度最高,预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。同时,通过分析混合稻种荧光数据R_p的变化趋势,得到最佳浸泡时间为22.1 min,实际上,精确度超过0.95(R_p)需要5 min左右。研究结果表明,结合荧光光谱法和EEMD-DBN模型,非破坏性地预测水稻种子发芽率具有可行性和高准确性,并且适用于不同颜色和污染水平的水稻种子的检测。     

SVM approach for predicting LogP

Summary The logarithm of the partition coefficient between n-octanol and water (logP) is an important parameter for drug discovery. Based upon the comparison of several prediction logP models, i.e. Support Vector Machines (SVM), Partial Least Squares (PLS) and Multiple Linear Regression (MLR), the authors reported SVM model is the best one in this paper.     

多元校正结合质谱数据进行四种有机物快速含量分析研究

质谱法和化学计量学方法相结合对混合物中苯甲醛,异辛烷,乙酸丁酯,苯乙酮四种物质进行定量分析。将混合物的质量色谱图数据分别用特征选择-多元线性回归（MLR）和全谱-偏最小二乘法（PLS）这两种方法对四种物质进行定量分析。苯甲醛特征选择和全谱建模的RMSEP分别为0.062和0.091; 异辛烷特征选择和全谱建模的RMSEP分别为0.048和0.057; 乙酸丁酯特征选择和全谱建模的RMSEP分别为0.021和0.020; 苯乙酮特征选择和全谱建模的RMSEP分别为0.010和0.032。结果表明苯甲醛,异辛烷,苯乙酮特征选择的结果均优于全谱建模的结果,乙酸丁酯特征选择的结果和全谱建模的结果相近。     

赤潮生物监测荧光成像系统背景光源改进

介绍了一种海洋赤潮生物监测荧光成像系统,该系统的背景光源为海洋赤潮生物监测荧光成像系统的重要组成部分,赤潮生物监测荧光成像系统背景光源选择是否合理将直接影响着藻类成像清晰度,由于各种赤潮藻含有不同的特征纹理,其纹理特征将决定是否能准确识别出藻类并对其进行分类,进而影响到对赤潮的准确预报。为了解决赤潮藻图像的清晰度等问题,作者利用自行设计的荧光成像系统,对不同成像光源的成像效果进行了分析和比较。实验证明,近红外光源可以有效地获得清晰的藻类纹理信息,使得后继的图像处理工作更加容易,从而解决了藻类图像暗黑以至于图像处理起来较为困难等问题。     

荧光光谱结合支持向量机测定食用色素纯度

采用一种由原点矩法改造所得的特征压缩算法对荧光光谱数据进行预处理,将处理后的数据与加权最小二乘支持向量机(WLS-SVM)算法结合,建立鲁棒回归模型,用以预测实际食用色素粉末的纯度。以亮蓝和胭脂红这2种色素为例论述该方法对实际食用色素粉末纯度的预测效果。首先,利用FLS920荧光光谱仪测量获得两种色素的标准样本和实际样本在最佳激发波长下的荧光发射光谱数据,利用由原点矩法改造所得的特征压缩算法对获取的荧光光谱数据进行压缩和变换,一方面缩短了算法的运算时间,另一方面也提高了模型的预测精度。将预处理后的荧光光谱数据输入加权最小二乘支持向量机中建立浓度预测模型,该模型对亮蓝、胭脂红实际样本溶液给出的预测光谱与它们的实测光谱吻合程度好,半高峰宽区间内的平均决定系数分别为0.662和0.931。所有亮蓝、胭脂红溶液的预测浓度和标称浓度之间具有良好的线性关系,相关系数分别为0.997和0.992。由此通过多项式拟合得到的亮蓝、胭脂红粉末的预测纯度分别为61.0%和72.3%。