紫外光谱结合偏最小二乘法用于水样中化学需氧量的测定

结合紫外光谱法和化学计量学方法建立了水样中化学需氧量(COD)的测定方法。采集西宁市湟水河西钢桥至小峡段共42个样品,在190～400 nm波长范围内测定各样品的紫外光谱。用Monte Carlo采样法抽取70%的样本构成训练集,其余样本为独立测试集。分别考察了3种光谱预处理方法和4种特征筛选方法,最终确定COD分析方法为:采用SG-smoothing对光谱平滑后用无信息变量剔除法(UVE)筛选特征波长变量,最后用偏最小二乘法建立多元校正模型。结果在独立测试集上COD的预测误差均方根(RMSEP)为0. 8084,相关系数为0. 9924。紫外光谱法结合化学计量学方法可作为水样中COD测定的一种简洁、有用、快速的方法。     

组合偏最小二乘回归方法在近红外光谱定量分析中的应用

针对近红外光谱数据局部效应显著,变量个数多,彼此间常存在严重的复共线性,并多与样品组分含量呈非线性关系,构建一种组合非线性偏最小二乘回归(E-S-QPLSR)方法。它采用无重复采样技术(subag-ging),从训练样本中生成若干子样,然后每个子样通过二次多项式偏最小二乘回归(QPLSR),建立其子模型,并实现对训练样本因变量的定量预测,再将它们交由线性PLS算法用于计算各子模型的组合权系数。将该法应用于80个玉米样品的水组分含量与其近红外光谱的定量关系建模,效果良好,显示出很强的学习能力,所建模型的预报性能也优于其它方法。     

多模型共识偏最小二乘法用于近红外光谱定量分析

将多模型共识偏最小二乘法用于近红外光谱定量分析。利用随机抽取的训练子集建立一系列偏最小二乘模型,选取其中性能较好的部分模型作为成员模型,用这些成员模型来预测未知样品。将该方法用于一组生物样本的近红外光谱与样品中人血清白蛋白、γ-球蛋白以及葡萄糖含量之间的建模研究,并与单模型偏最小二乘法了进行比较。结果 PLS对独立测试集中三种组分进行50次重复预测的平均RMSEP分别为0.1066,0.0853和0.1338,RMSEP的标准偏差分别为0.0174,0.0144和0.0416;而本方法重复预测的平均RMSEP分别为0.0715,0.0750和0.0781,RMSEP的标准偏差分别为0.0033,0.2729×10-4和0.0025。     

基于局部加权偏最小二乘的近红外光谱分析方法研究

针对近红外光谱分析技术中分析对象非线性现象突出的情况,提出了一种新的模型计算方法——局部加权偏最小二乘法(LWPLS)。以安胎丸为研究对象,采用LWPLS算法进行其近红外定量模型的建立,并比较偏最小二乘法(PLS)与LWPLS两种算法建立定量模型的精度。结果测得两种算法建立的校正模型中,阿魏酸的模型相关系数(R²)分别为0.785 5、0.971 9,预测误差均方根(RMSEP)分别为0.126 6、0.043 8,相对预测误差(RE)分别为12.66%、9.18%;洋川芎内酯A的R²分别为0.886 4、0.964 9,RMSEP分别为0.114 8、0.077 1,RE分别为14.01%、7.81%,显示LWPLS算法建立的模型精度更高。研究表明,采用LWPLS算法可提高安胎丸定量模型的准确性,具有可推广性和广泛的应用性。     

小波变换结合多维偏最小二乘方法用于近红外光谱定量分析

将小波变换和多维偏最小二乘法相结合用于近红外光谱定量校正模型的建立。首先将原始光谱进行小波变换分解，得到系列小波细节系数，通过选取一组受外界因素少、信息强的小波系数组成三维光谱阵，然后再采用多维偏最小二乘法建立校正模型。实验结果表明，该方法所建近红外校正模捌的预测能力更强，并更具稳健性。     

应用近红外光谱和偏最小二乘回归法预测玉米中淀粉含量

以普通玉米籽粒为试验材料,应用偏最小二乘回归法建立了基于近红外光谱数据的测定玉米籽粒中淀粉含量的校正模型。校正模型的校正误差（RMSEC）、交叉检验误差（RMSECV）和预测误差（RMSEP）分别#30．31％、0．42％和0．29％,校正数据集和独立的检验数据集的预测值与实际测定值之间的相关系数分别达到0．9255和0．9310,表明所建立的校正模型具有较高的预测精度和较好的推广性,为玉米籽粒中淀粉含量的快速、无损测定提供了新的途径：     

近红外光谱法同时测定废水中化学需氧量和生化需氧量

采用120个废水样品的近红外透射光谱结合偏最小二乘法,分别建立了废水中化学需氧量和生化需氧量的预测模型,并对光谱数据预处理方法和异常值诊断进行了讨论。所建的废水中化学需氧量和生化需氧量的预测模型相关系数分别为0.9542和0.9652;模型的预测相对偏差分别为25.24mg·mL-1和12.13mg·mL-1;预测范围分别为28.4～528.0mg·mL-1和16.0～305.2mg·mL-1。通过对模型进行t-检验,在显著性水平大于0.05的条件下,其测定结果与标准方法的测定结果对比,两者无显著性差异。     

重整汽油近红外光谱的稳健偏最小二乘解析

近红外光谱(ＮＩＲ)光谱复杂,组分间光谱重叠严重,目前,多元线性回归(ＭｕｌｔｉｐｌｅＬｉｎｅａｒＲｅ ｇｒｅｓｓｉｏｎ,ＭＬＲ)和偏最小二乘法(ＰａｒｔｉａｌＬｅａｓｔ ｓｑｕａｒｅｓ,ＰＬＳ)是近红外光谱分析中使用最多和效果较好的方法[1]。稳健偏最小二乘(ＲｏｂｕｓｔＰａｒｔｉａｌＬｅａｓｔ Ｓｑｕａｒｅｓ,ＲＰＬＳ)是由稳健统计学构造的具有稳健性能的多元校正方法。当化学测量中引入随机异常点或误差的内在分布偏离正态分布时,它仍能给予接近最优性能的校正,确保分析结果的准确性,是消除奇异点的非常有效的方法[2-4],…     

互信息诱导子空间集成偏最小二乘在近红外光谱定量校正中的应用

在集成框架下,提出了一种联合自助采样和基于互信息变量选择的子空间回归集成偏最小二乘算法MISEPLS.此算法的核心是通过训练集自助采样和随后计算互信息的方式来引入成员模型的差异性.由于互信息量小于一个特定阈值的变量被淘汰,每个成员模型在原始变量的一个子空间得到训练.模型融合考虑了简单平均和加权平均两种方式.通过两个近红外光谱定量校正实验,与建立单模型的全谱偏最小二乘算法(PLS)和基于互信息变量选择的偏最小二乘算法(MIPLS)进行了比较.结果表明,在不增加模型复杂度的情况下,MISEPLS能建立起更精确、更稳健的校正模型.     

基于遗传算法的波长选择方法在绿茶近红外光谱分析模型中的应用

利用遗传算法(GA)提取茶叶的近红外吸收特征波长的方法,研究建立了绿茶水分和氨基酸的近红外分析模型,并对波长选择前后两种成分的模型进行了比较分析。结果表明,经遗传算法波长选择后,简化了分析模型,同时模型的稳健性增强。氨基酸预测集的均方根误差(SEP)减小82.1%,水分预测集的均方根误差减小(SEP)76.6%,它们在波长选择前后对应的分析波长数之比分别为995∶7和1990∶33。     

血糖近红外光谱分析的Savitzky-Golay平滑模式与偏最小二乘法因子数的联合优选

利用偏最小二乘法(PLS)和光谱Savitzky-Golay(SG)平滑方法,建立血清葡萄糖近红外光谱分析的优化模型。基于最优单波数模型的预测效果,提出划分校正集和验证集的一种新方法。采用10000～5300cm-1和4920～4160cm-1的组合波段,光谱经过SG平滑处理,利用PLS方法建立定标预测模型。将平滑点数扩充为5,7,…,87(奇数),多项式次数扩充为n=2,3,4,5,6,得到包含582个平滑模式的14个平滑系数表。对所有平滑模式和PLS因子数(1～40)分别建立PLS模型。按照预测效果进行优选,得到最优SG平滑模式为1阶导数平滑,3、4次多项式类型,SG平滑点数为53,最优PLS因子数为7,最优RMSEP达到0.376mmol/L。所采用的划分校正集和验证集的方法、SG平滑模式的扩充、SG平滑模式和PLS因子数的联合大范围筛选能够有效地应用于近红外光谱分析的模型优化。     

红外光谱定量分析中的一种变量聚类偏最小二乘算法

偏最小二乘算法( Partial least squares, PLS)可以很好地解决分析数据中的变量共线性问题,在光谱分析,尤其是近/中红外及拉曼光谱的定量分析中应用广泛。针对PLS存在的有效信息提取和噪声抑制问题,提出一种变量聚类重加权的PLS算法。通过对光谱的各波数变量进行聚类并分别建模,然后集成为全谱模型。通过对计算并赋予各子类不同的权重,根据对模型的贡献对变量进行重加权,从而提高算法的预测精度。汽油中的辛烷值预测和烟草中的烟碱含量预测两组近红外数据验证表明,所提出算法优于经典的PLS算法,其RMSEP在两组数据中分别降低32%和22%,在光谱数据的定量分析中具有潜在的应用优势。     

区间偏最小二乘结合差分进化算法应用于鱼粉近红外光谱波长筛选

蛋白质含量是评价鱼粉质量的重要指标,该文采用近红外(NIR)光谱分析技术结合特征筛选方法建立了鱼粉蛋白质含量的快速定量分析模型,并结合区间偏最小二乘(iPLS)和二进制变异策略的差分进化(DE)算法建立了区间偏最小二乘差分进化(iPLS-DE)的波长筛选优化模式,对鱼粉NIR光谱数据进行特征波长筛选。iPLS-DE通过调试iPLS中等分子区间的数量,优选出9个最优特征波段,再采用二进制变异策略的DE算法在最优特征波段内筛选离散特征波长组合,最后根据模型的评价指标确定iPLS-DE优选模型并与iPLS优选模型进行比较。结果表明,将鱼粉全谱等分为5个子区间时,iPLS-DE筛选出50个离散特征波长建立的优选模型对测试集样品的预测均方根误差和相对分析误差分别为1.033%和4.058,而iPLS优选模型对测试集样品的预测均方根误差和相对分析误差分别为1.131%和3.855。表明iPLS-DE方法能够有效地提高NIR光谱分析模型对鱼粉蛋白质定量检测的预测能力。     

基于多模型共识的偏最小二乘法用于近红外光谱定量分析

建立了多模型共识偏最小二乘(cPLS)建模方法, 并应用于烟草样品近红外(NIR)光谱与常规成分氯含量之间的建模研究, 探讨了建模参数对预测结果的影响. 结果表明, cPLS方法与传统的偏最小二乘算法(PLS)相比, 所建模型更稳定可靠, 预测结果也可得到了明显改善.     

Flow Injection Analysis Using Potassium Permanganate: An Approach for Measuring Chemical Oxygen Demand in Organic Wastes and Waters

Abstract

A rapid and continuous analytical method based on flow injection analysis was developed for the determination of chemical oxygen demand due to organic substances in water pollution. Potassium permanganate and sulfuric acid solutions were individually pumped up as an oxidizing agent and glucose was used as a standard substance. The results for filtered organic waste and water samples were as reasonable as compared to those measured by the manual acidic permanganate method.     

Electrocatalytic Sensor for the Determination of Chemical Oxygen Demand Using a Lead Dioxide Modified Electrode

An amperometric method that makes use of a nano‐PbO₂ modified electrode as an electrocatalytic sensor for the determination of chemical oxygen demand (COD) is described. The sensor signal was observed as a result of the detection of the oxidation current due to electrocatalytic oxidation of organic compounds in the sample solution. This sensor responded linearly to the COD_Cr of standard samples in the range of 5–3 000 ppm and the detection limit was 2.5 ppm. When using the sensor to determine real samples, it displays short analysis time, simplicity and no sample pretreatment. The sensor was stable for over 20 days in real wastewater samples and has successfully been applied to the determination of COD in real wastewater samples.     

Sensitive and Green Method for Determination of Chemical Oxygen Demand Using a Nano‐copper Based Electrochemical Sensor

Copper nanoparticles (nano‐Cu) were electrodeposited on the surface of glassy carbon electrode (GCE) potentiostatically at −0.6 V vs. Ag/AgCl for 60 s. The developed nano‐copper modified glassy carbon electrode (nano‐Cu/GCE) was optimized and utilized for electrochemical assay of chemical oxygen demand (COD) using glycine as a standard. The surface morphology and chemical composition of nano‐Cu/GCE were investigated using scanning electron microscope (SEM) and energy dispersive X‐ray spectrometer (EDX), respectively. The electrochemical behavior was investigated using linear sweep voltammetry (LSV) which is characterized by a remarkable anodic peak at ∼0.6 V, compared to bare GCE. This indicates that nano‐Cu enhances significantly the electrochemical oxidation of glycine. The effect of different deposition parameters, such as Cu²⁺ concentration, deposition potential, deposition time, pH, and scan rate on the response of the developed sensor were investigated. The optimized nano‐Cu/GCE based COD sensor exhibited a linear range of 15 to 629.3 ppm, and a lower limit of detection (LOD) of 1.7 ppm (S/N=3). This developed method exhibited high tolerance level to chloride ion (0.35 M chloride ion has minimal influence). The analytical utility of the prepared COD sensor was demonstrated by investigating the COD recovery (99.8±4.3) and the assay of COD in different water samples. The results obtained were verified using the standard dichromate method.     

基于改进免疫遗传算法的近红外光谱变量选择方法

该文在免疫遗传算法（IGA）的基础上,提出一种改进免疫遗传算法（iIGA）用于近红外光谱波长变量的选择。该算法舍去了原算法中固定抗体相似度阈值的思想,取而代之的是抗体相似度阈值自适应,同时引入精英保留策略和贪心算法思想,使得算法朝着正确的方向进行局部性探优。将该算法在玉米的淀粉和蛋白质含量数据集上进行实验测试,建立偏最小二乘（PLS）分析模型,并与IGA、遗传算法（GA）以及全谱方法进行了对比。结果表明,在玉米淀粉含量的预测上,iIGA相较于原IGA算法,预测集均方根误差（RMSEP）从0.312 0降至0.298 0,预测集预测精度提升4.5%;在玉米蛋白质含量的预测上,RMSEP从0.124 4降至0.110 3,预测集预测精度提升11.3%。分别对预测淀粉和蛋白质模型的RMSEP值进行显著性检验,F值分别为165.22和182.05,P值分别为9.5 × 10－23和4.5 × 10－24,P值均小于0.05,因此,iIGA能显著提升模型预测精度。