基于内标法和CARS变量优选的倍硫磷含量LIBS检测

利用共线双脉冲激光诱导击穿光谱（LIBS）技术对溶液中的倍硫磷含量进行定量检测研究。采用石墨对倍硫磷溶液进行富集,利用双通道高精度光谱仪获取样品的LIBS光谱。以碳元素谱线（CⅠ247.856 nm）为内标对210~260 nm波段谱线进行校正,然后利用竞争性自适应重加权算法（CARS）筛选与倍硫磷相关的重要波长变量,最后应用最小二乘支持向量机（LSSVM）建立倍硫磷含量的定标模型,并与基本定标法及内标法建立的单变量定标模型进行比较。研究结果表明,共线双脉冲LIBS技术可以用于溶液中的倍硫磷含量检测。基本定标法建立的最优定标模型的拟合度R²为0.935 04,预测集样品的平均预测相对误差（PRE）为41.50%;内标法建立的最优单变量定标模型的拟合度R²为0.993 61,预测集样品的平均PRE为14.91%;内标-CARS-LSSVM定标模型的拟合度R²为0.998 6,预测集样品的平均PRE为8.06%。对比上述3类定标模型,内标-CARS-LSSVM定标模型性能最优,内标法建立的定标模型次之,而基本定标法建立的定标模型最差。由此可知,CARS方法可以有效筛选倍硫磷相关的重要变量,内标法结合CARS及LSSVM方法可以改善定标模型性能,提高预测精度。     

基于最小二乘支持向量机的国公酒中橙皮苷含量测定

应用近红外光谱技术结合最小二乘支持向量机建立了国公酒中橙皮苷含量的模型。利用Kernard-Stone法对训练集样本进行划分,对光谱数据预处理方法进行了选择,比较了平滑、范围标度化、自标度化、一阶微分、二阶微分以及这几种预处理相互结合的六种方法,确定了以平滑、一阶微分,范围标度化作为国公酒近红外光谱的数据预处理方法,采用组合的间隔偏最小二乘法筛选出有效波段8 211～8 312 cm-1及9 712～9 808 cm-1。应用最小二乘支持向量机建立模型,所建模型的交叉验证误差均方根为0.000 1,预测误差均方根为0.004,预测集的相对偏差小于5%。与组合的间隔偏最小二乘法、径向基-人工神经网络和支持向量机进行了比较。该方法快速、无损且可靠,可作为国公酒中橙皮苷含量快速测定的手段。     

基于改进的最小二乘支持向量机与荧光光谱法检测山梨酸钾

食品安全隐患越来越受到重视,而食品添加剂的过量使用更是个重要的因素。应用FS920荧光光谱仪,研究了防腐剂山梨酸钾的荧光特性,得到山梨酸钾荧光特征峰于λex/λem=375/490nm采用基于最小二乘支持向量机对橙汁溶液中防腐剂山梨酸钾进行检测,通过改进的遗传算法寻优最小二乘支持向量机参数。经过样本训练得到橙汁溶液山梨酸钾的回归模型,对未知浓度的溶液进行预测,将新算法与基本遗传算法寻优的模型和BP神经网络对比。结果表明,自适应遗传-最小二乘支持向量机建立的预测模型在平均相对误差3.54%和平均回收率96.46%都是最优的,是一种准确有效的橙汁中山梨酸钾浓度检测方案。     

最小二乘支持向量机结合中红外光谱测定甲醇柴油甲醇含量

采用中红外光谱法对甲醇柴油的甲醇含量进行检测分析。首先,对采集到的原始光谱进行预处理(标准正则变换、多元散射校正、一阶微分、二阶微分、Savitzky-Goly平滑),采用偏最小二乘法和最小二乘支持向量机建立了甲醇柴油的甲醇含量预测模型,并比较了不同预处理方法对模型预测能力的影响。实验结果表明,LSSVM的建模效果最佳,其预测集相关系数R~2为0.981 8,预测均方误差RMSEP为1.3917%(体积比)。因此,中红外光谱技术可用于甲醇柴油中甲醇含量的快速检测,且可以达到很好的效果。     

基于最小二乘支持向量机的混沌控制

利用支持向量机良好的非线性函数逼近和泛化能力，提出基于最小二乘支持向量机非线性补偿的混沌控制新方法.应用最小二乘支持向量机离线辨识混沌系统的非线性部分，并用辨识模型补偿系统的非线性，同时应用线性状态反馈控制混沌系统.对三种典型连续混沌系统的仿真研究表明，提出的控制方法可以有效的控制混沌系统到达设定的目标状态，并且由线性状态反馈控制器构成的闭环系统稳定. 关键词： 混沌控制 支持向量机 最小二乘支持向量机 状态反馈 稳定性     

基于最小二乘支持向量机的橄榄油掺杂拉曼快速鉴别方法

提出了一种基于最小二乘支持向量机(LS-SVM)的橄榄油掺杂拉曼快速鉴别方法。首先,收集若干己知类别的橄榄油样作为训练样本,获取其拉曼谱图,并对其谱图进行预处理和波段选择,进而构建LSSVM分类器;对于未知类别的油样,获取其拉曼谱图,并进行相应的预处理和波段选择,由LSSVM分类器获得鉴别结果。实验以7种已知的特级初榨橄榄油为基础,分别掺入4种其它植物油(大豆油、菜籽油、玉米油、葵花籽油),获得112个掺杂油样。将全部样本随机分成训练集和测试集,对测试集样本的预测实验结果表明,本文方法能有效鉴别橄榄油掺杂,且掺杂量最低检测限为5%。与其它分类方法相比,LSSVM分类法具有最佳的分类性能。该方法快速、简便,为橄榄油掺杂鉴别提供了一种全新的方法。     

基于最小二乘支持向量机的分数阶混沌系统控制

提出了基于最小二乘支持向量机(LS-SVM)的分数阶混沌系统控制方法.基于分数阶线性系统稳定理论,通过线性分离的方法将系统分解为稳定的线性部分和相应的非线性部分,再利用支持向量机良好的非线性函数逼近和泛化能力设计了主动控制器,对非线性部分进行补偿,从而将分数阶混沌系统控制到平衡点.分别以分数阶Liu系统和分数阶Chen系统为例进行了仿真研究,表明该方法是有效和可行的.     

基于集成最小二乘支持向量机方法的近红外光谱分析

针对近红外（Near Infrared,NIR）光谱测量中的小样本问题。本文提出了一种集成最小二乘支持向量机（Ensemble Least Squares Support Vector Machine,ELS-SVM）新算法。首先使用随机子空间算法（Random Subspace Method,RSM）原始高维变量空间划分为若干个低维度的子空间,然后分别在各个子空间建立最小二乘支持向量机（LS-SVM）模型,最后构造一个集成结果来进行预测。针对一批柴油样本的实验结果表明,本法对柴油十六烷值的预测精度优于传统的LS-SVM方法。     

基于最小二乘支持向量机的番茄汁糖酸度分析研究

近红外光谱应用于农产品内部品质无损检测的方法引起人们的广泛关注,在分析过程中建立一个稳定可靠的模型用于处理非线性数据集是十分重要的,也是有一定难度的。目前常用的偏最小二乘(PLS)、主成分回归(PCR)以及逐步多元线性回归(SMLR)等方法还不能解决这类问题。文章提出了将基于统计学原理的最小二乘支持向量机(LS-SVM)回归方法用于番茄汁的近红外(NIR)光谱分析,预测番茄汁品质(糖度和有效酸度)。运用LS-SVM方法以67个番茄汁样本建模,采用高斯径向基函数(RBF)为核函数,对33个样本进行糖酸度预测,糖度的相关系数为0.990 25,均方根标准预测误差为0.0056° Brix;有效酸度的相关系数为0.967 5,均方根标准预测误差为0.024 5。结果表明,LS-SVM方法要优于PLS和PCR建模方法,是一种快速、准确的近红外光谱分析方法。     

基于拉曼光谱和最小二乘支持向量机的橄榄油掺伪检测方法研究

为实现橄榄油中掺伪油类型的识别和掺伪量预测,对掺入葵花籽油、大豆油、玉米油的橄榄油共117个样品进行拉曼光谱检测,并用基于多重迭代优化的最小二乘支持向量机模型对掺入油的类型进行识别,综合识别率为97%。同时分别采用最小二乘支持向量机、人工神经网络模型、偏最小二乘回归建立橄榄油中葵花籽油、大豆油、玉米油含量的拉曼光谱定标模型,结果显示最小二乘支持向量机具有最优的预测效果,其预测均方根误差(RMSEP)在0.007 4～0.014 2之间。拉曼光谱结合最小二乘支持向量机可为橄榄油掺伪检测提供一种精确、快速、简便、无损的方法。     

激光诱导击穿光谱联合UVE变量优选检测大豆油中的铬含量

利用激光诱导击穿光谱(LIBS)技术对大豆油中的重金属Cr进行检测研究。以松木木片对重金属Cr进行富集,采用AvaSpec双通道高精度光谱仪在206.28~481.77 nm波段范围内采集松木木片样本的LIBS光谱,利用无信息变量消除(UVE)方法筛选与重金属Cr相关的波长变量,应用偏最小二乘(PLS)回归建立大豆油中重金属Cr的定标模型,并与单变量及全波段PLS定标模型进行比较。结果表明,相比单变量及全波段PLS定标模型,UVE-PLS定标模型的性能更优,其相关系数、校正均方根误差、交互验证均方根误差及预测均方根误差分别为0.990,0.045,0.050及0.054 mg·g-1。经UVE变量筛选后,UVE-PLS定标模型所用的波长变量数仅为全波段PLS的2%。由此可见,UVE是一种有效的波长变量筛选方法,能有效筛选出与重金属Cr相关的波长变量。     

远程激光诱导击穿光谱技术分析岩石元素成分

远程激光诱导击穿光谱技术是一种利用脉冲激光和聚焦光路对远距离目标烧蚀击穿,获取目标等离子体光谱,定性或定量分析物质元素组成的光谱探测技术。设计并搭建了一套远程激光诱导击穿光谱系统。该系统结合卡式望远镜光学结构,实现探测2～10 m距离的目标、并可自动变焦。基于该系统提出一种远程探测岩石主要元素含量方法。通过对比实验,研究了脉冲能量、采集延时、积分时间、探测点累计探测次数对光谱信号的影响,确定了岩石谱线获得的最佳条件。选择48块岩石标本和6种常见国标岩石样品(页岩、花岗岩、安山岩、玄武岩、片麻岩、伟晶岩)进行LIBS实验。以原子光谱数据库为参考,根据岩石的主要元素提取特征谱线(SiⅠ390.55 nm,AlⅠ394.40 nm,AlⅠ396.15 nm,CaⅡ396.85 nm,FeⅠ404. 60 nm,SiⅠ500.60 nm,MgⅠ518.36 nm,NaⅠ589.59 nm)。利用偏最小二乘算法(PLS)建立岩石成分定量分析模型,将48块岩石标本作为训练集进行求解,并用六种国标岩石对模型进行检测,预测岩石Si和Al元素含量,平均误差分别为9.4%和9.6%。     

铁合金中微量钛元素的激光诱导击穿光谱研究

采用激光诱导击穿光谱对铁(Fe)合金中的钛元素(Ti)的含量进行测量。实验中激光器在最大能量输出(50 mJ),延时为1 μs时光谱信号的强度值最大。在此条件下,分别使用传统定标法和Fe Ⅰ 438.35 nm及Fe Ⅰ 427.12 nm两条谱线的内标法对铁合金中的Ti进行定量分析。内标法得到的拟合相关系数(r)分别为0.997 8和0.993 9,优于传统法得到的r(0.956 3)。提出了一种双谱线平均内标法,拟合得出r为0.998 4。同时,在浓度为0.063%～1.9%的范围内传统定标法测量的相对误差为23.7%,内标法的相对误差为6.0%,采用平均内标法后相对误差降为3.9%。最后,通过测量的Ti光谱计算了激光能量为50 mJ时所产生的等离子体温度为6 654.3 K,电子密度为1.072×1022 cm-3,并讨论了激光能量与烧蚀产生等离子体温度之间的关系。     

激光诱导击穿光谱定量分析玉石中的Mg,Fe和Ca

基于对样品进行的激光诱导击穿光谱和X射线荧光光谱分析测试建立了天然玉石中主要元素Mg,Ca和微量元素Fe的定标曲线。实验采用纳秒级的Nd∶YAG激光器(波长:1 064nm)为光源,在延迟时间为3μs,激光脉冲累积数量为110,单个脉冲能量为100mJ,脉冲重复频率为10Hz的实验条件下,采用激光诱导击穿光谱技术装置对天然南阳独山玉石样品中的元素进行等离子体激发测试,得到波长在300~1 000nm的等离子光谱图。通过将得到的光谱图中特征峰与美国国家标准与技术研究院数据库进行对比,发现测试样品中含有Mg,Fe和Ca等元素,以X射线荧光光谱分析技术对四种南阳独山玉标准样品中测量出的Mg,Fe和Ca元素氧化物含量作为标准数据,选取含量比较高的Al元素作为内标元素,采用内标法对玉石光谱图中Mg,Fe和Ca元素特征峰值进行线性拟合,从而得出Mg,Fe和Ca三种元素的定标曲线,求出待测样品中这3种元素氧化物的含量,结果表明这三种元素氧化物的含量与中国珠宝宝石收藏鉴赏全集资料中所给出的元素氧化物含量的百分比范围MgO(0.28%~1.73%),Fe2O3(0~0.8%),CaO(18%~20%)相符合,相比于常用的方法,激光诱导击穿光谱技术可以快速地对待测样品进行检测,样品预处理简单且对样品损害较小。进一步验证了激光诱导击穿光谱技术对于玉石应用的可行性。     

基于激光诱导击穿光谱技术的咖啡豆中咖啡因含量快速检测方法

应用激光诱导击穿光谱(LIBS)技术研究了快速检测咖啡豆中咖啡因含量的可行性。将咖啡豆磨粉压成片状作为采集LIBS光谱数据的样本,应用原子吸收分光光度计测量每个样本中咖啡因的含量。应用基线校正,小波变换和归一化等数据预处理方法;针对基于全部变量的偏最小二乘(PLS)模型会出现过拟合,分别应用回归系数和主成分分析(PCA)选择特征变量,并建立了基于特征变量的PLS和BP神经网络模型。结果表明：基于回归系数所选特征变量的PLS模型中,建模集相关系数R_c=0.96,预测集R_p=0.91;基于PCA提取特征变量的PLS模型中,R_c=0.94,R_p=0.90;基于PCA所选特征变量的BP神经网络模型中,R_c=0.96,R_p=0.96。两种方法所提取特征变量均对应C,H,O,N,Na,Mn,Mg,Ca和Fe,且基于上述两种方法所选特征变量的PLS模型均对预测集样本有较好的预测结果,说明上述元素与咖啡因含量存在联系,应用回归系数和PCA选择的特征变量是有效的,但是咖啡豆内C,H,O,N,Na,Mn,Mg,Ca,Fe与咖啡因含量的确切关系需要进一步研究。基于PCA所选特征变量的BP神经网络模型有更优的预测结果,说明所选特征变量适用于不同的建模方法。研究表明LIBS技术结合化学计量学方法可以实现咖啡豆中咖啡因含量的快速检测。     

激光诱导击穿光谱法铁基合金谱线选择研究

内标法是激光诱导击穿光谱(LIBS)最常用的定量分析方法之一。为了提高定量分析精度，研究了谱线强度比的相对波动特性随分析线和内标线之间激发能级差(ΔE)和波长差(Δλ)变化的规律。在局部热力学平衡条件下，建立了考虑等离子体中某元素电子上能级跃迁到下能级产生原子发射谱线的激发能级差、等离子体温度、配分函数和离子密度等强度影响因素的数学模型，对模型中激发能级差对谱线强度相对波动的影响进行了研究。得到在-2 eV<ΔE<2 eV和等离子体温度范围在3 000～15 000 K条件下，谱线强度随着ΔE和T变化的趋势：随着ΔE变大，谱线强度比呈上升，在ΔE=2 eV，T=3 000 K时谱线强度比最大；并且谱线强度比相对波动对ΔE和T敏感，ΔE趋近于零时相对波动变小，T对谱线强度比相对波动影响变化不大，整体趋势平稳。在T=10 000 K时，ΔE<0相对波动比ΔE>0时小，因此理论上优先选择ΔE<0的谱线对。通过理论分析得出|ΔE|越接近于零，谱线强度比相对波动越小。实验装置中采用工作波长1 064 nm，脉冲能量85 mJ，重复频率1 Hz，脉冲宽度13 ns的Nd∶YAG脉冲激光诱导击穿样品；采用工作波长200～975 nm，光学分辨率优于0.05 nm的Andor公司Mechelle 5000光谱仪，配合Andor New iStar型号ICCD采集光谱；利用激光诱导铁基合金等离子体光谱进行验证。实验中，以Fe为内标元素，Cr和Mn为分析元素。筛选NIST谱线库中跃迁概率在106以上的谱线，并优先选择共振线能级差相近的非共振线进行对比分析。结果表明，选择激发能级相近或波长相近的谱线作为分析谱线的原则有一定的局限性。对于Cr和Fe，|ΔE|在0.14和1.51 eV时得到的谱线强度相对标准偏差(RSD)分别为6.7%和4.6%，其谱线强度比理论值和实际值之差分别为1.14和0.59；|Δλ|在11.7和50.8 nm时得到的RSD分别为6.3%和4.4%，其谱线强度比理论值和实际值之差分别为1.69和0.62。分析表明，相比于波长差，激发能级差对Cr/Mn相对波动影响较大。分析元素Cr/Mn与内标元素Fe波长差绝对值不断增大，RSD反而不断减小；在1.50 eV和90 nm较大约束范围内，|ΔE|大的谱线得到的谱线强度比相对波动相对较小，Cr和Fe的RSD最大相差为2.06%；|Δλ|大的谱线得到的谱线强度比相对波动相对较小，Cr和Fe的RSD最大相差为1.35%。由以上实验结果得出，在实际选择分析谱线时，尽量选择激发能级和波长相近的谱线原则有一定的局限性。|ΔE|或|Δλ|大的谱线得到的RSD较小，选择谱线强度比理论值和实际值最接近的谱线可以作为谱线选择依据。另外，选择谱线强度比理论值和实际值最接近的谱线，可以降低谱线强度比相对波动。     

激光诱导击穿谱检测土壤微量铜元素污染研究

理论分析激光诱导击穿光谱(LIBS)的特性,研究谱线信噪比随激光能量和样品属性变化的规律,对土壤样品中的微量Cu元素进行实验测量有重要意义。实验采用的烧蚀激光波长为1 064 nm,脉冲宽度约10 ns,重复率为1 Hz。实验证实背景热辐射和元素特征辐射具有不同的空间变化规律,通过在空间上将两者分离获得较高的信噪比。当激光脉冲能量为40 mJ时,实验采用的土壤样品的最佳测量位置为距离火花中心0.75 mm处,选取Cu 324.75 nm和Cu 327.39 nm作为分析线,对含微量Cu元素土壤样品进行测量。采用内标法对测量结果进行定量分析,得到土壤中Cu元素的检测限可达到67 mg·kg-1,满足国家土壤环境质量标准规定的二级土壤中Cu含量的要求。实验结果表明选择最佳光谱测量位置的方法能够有效提高信噪比,满足土壤中微量Cu污染检测的需求。     

基于激光诱导击穿光谱技术的混合溶液重金属元素检测

利用激光诱导击穿光谱技术对混合溶液中的Cu,Mg,Zn和Cd四种重金属元素进行实验测量,实验中采用波长为1 064 nm,脉宽10 ns,重频10 Hz的激光器。在蒸馏水中加入CuSO₄,Mg(NO₃)₂,Zn(NO₃)₂和Cd(NO₃)₂四种溶质,配置7种不同Cu,Mg,Zn和Cd浓度的混合溶液,采用统计探索性数据分析方法处理LIBS实验数据,得到水溶液中Cu,Mg,Zn和Cd元素的定标曲线,拟合度系数R2均大于0.99,计算出Cu,Mg,Zn和Cd四种元素的检测限分别为5.62,4.71,13.67和4.43 ppm,单一溶质CuSO₄溶液中的Cu元素的LOD值为3.98 ppm。最后对单一溶质和四种溶质的LIBS检测结果差异进行了分析。研究结果表明激光诱导击穿光谱技术在环境水污染多种重金属元素检测方面具有潜在的应用前景。     

基于激光诱导击穿光谱技术的土壤快速分类方法研究

为实现不同种类土壤的快速分类鉴别,实验研究了基于激光诱导击穿光谱技术的土壤快速分类方法。由于不同类型的土壤在元素组成上会存在较大差异,所以利用激光诱导击穿光谱技术进行土壤分类具有可行性。不同土壤在相同实验条件下产生的等离子体温度会存在较大差异,可以作为分类的重要依据,所选择的7类土壤中,赤红壤的等离子体温度最高。选取土壤中6种常量元素Si,Fe,Al,Mg,Ca和Ti的光谱强度作为分类指标,利用主成分分析(principal component analysis,PCA)对7种土类的25个样品进行了分类,其中砖红壤和赤红壤分类出现了交叠,而不同高山草甸土样品之间元素差异较大,并没有实现较好的聚类。利用反向传播神经网络(back-propagation artificial neural network)结合土壤的LIBS光谱对土壤进行了分类,分类结果与PCA结果相近,赤红壤与砖红壤出现了识别错误。当用PCA分析获得三个主成分值作为BP神经网络的输入量时,获得了较好的分类结果,因为简化了输入量,降低了BP神经网络的误差,此时只有一个高山草甸土被识别成褐土,而高山草甸土的等离子体温度显著低于褐土,所以结合不同土壤类型的等离子体温度差异,能够实现不同土壤的分类识别。实验证明激光诱导击穿光谱技术可以应用于土壤分类,为土壤普查和合理利用提高了一种新的技术。