混合气体红外光谱支持向量机分析的新方法

介绍了一种基于支持向量机的混合气体红外光谱组分浓度和种类分析的新方法。利用核函数将组分气体特征吸收谱线重叠严重的混合气体光谱在高维空间变换后,建立SVM回归校正模型,进行混合气体浓度分析。在利用支持向量机回归校正模型进行混合气体组分浓度分析的同时,证明支持向量机回归校正模型也可用于混合气体组分种类分析。对不同组分和不同组分浓度的混合气体红外光谱数据进行了实验,研究了谱仪扫描间隔、分析特征波长范围、核函数和惩罚因子等因素对分析结果的影响。混合气体组分浓度实验结果的最大平均绝对误差Mean AE为0.132%;混合气体组分种类识别的准确率大于94%。解决了传统的光谱分析方法中光谱特征谱线重叠、光谱数据的维数大、定性和定量分析无法使用同一方法等问题,可用于其他混合气体的红外光谱分析,具有实际应用价值。     

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE (φ×10－60较仅用SVR模型预测的RMSE (φ×10－6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。     

基于温度迭代校正自吸收效应的激光诱导击穿光谱定量分析方法

激光诱导击穿光谱(laser-induced breakdown spectroscopy, LIBS)是一种理想的实时在线检测合金中微量元素的方法.然而在激光诱导击穿产生的高密度等离子体中,自吸收通常是一种不期望出现的效应,它降低了谱线的真实强度,使谱线强度随目标物质含量增长呈非线性,从而严重影响对目标中元素含量测量的准确性.本文提出了一种基于温度迭代校正自吸收效应的方法,借助等离子体热平衡辐射模型,对等离子体电子温度(T)和辐射粒子数密度乘以吸收路径长度(Nl)这两个参数进行迭代计算和校正,消除自吸收对谱线强度的影响,最终提高定量分析的准确性.对合金钢样品中Mn元素的实验测量结果表明,该方法有效地提高了Boltzmann平面图的线性度及元素含量的测量精度.该方法模型简单,计算效率高,且与Stark展宽系数的可用性和准确性无关,可以直接获得辐射粒子数密度和吸收路径长度参数,因此在提高LIBS定量分析能力的同时,还可以实现对等离子体状态的诊断.     

近红外光谱温度修正定量分析模型的研究

以小麦粉末样品为实验材料,研究了环境温度对近红外光谱定量分析结果的影响。将环境温度作为外部变量,使用不同温度下的45个样品建立了测定小麦蛋白质含量的温度修正模型,预测不同温度下的小麦样品的蛋白质含量,结果同以22 ℃恒温下45个样品建立的模型进行了比较。分析结果表明：温度修正模型的预测标准差(SEP)平均为0.333,而恒温模型(22 ℃)的预测标准差随着环境温度与建模时温度差的增大而增大,当环境温度4 ℃时,SEP=0.601 6。温度修正模型可以有效的提高近红外光谱定量分析精度。     

基于SVM的混合气体红外光谱分析关键技术研究

为了解决海量混合气体光谱数据样本无法获取、混合气体组分气体特征吸收谱线重叠、混合气体组分浓度分布的随意性等问题,将支持向量机用于混合气体红外光谱分析中.提出了光谱数据样本特征选择、数据预处理、SVM校正模型参量优化及层次式混合气体光谱分析结构等关键技术.实验分析了上述4项关键技术对分析结果的影响.实验结果显示,采用关键技术的混合气体组分浓度分析的最大绝对误差为2.93%,最大平均绝对误差为0.73%.     

SVM回归法在近红外光谱定量分析中的应用研究

研究了基于统计学习理论的支持向量机（SVM）回归法在近红外光谱定量分析中的应用。以66个小麦样品为实验材料,由33个小麦样品作为校正样品,采用4种不同核函数方法对小麦样品蛋白质含量与小麦样品近红外光谱进行SVM回归建模。以所建4种不同SVM回归模型对33个小麦预测样品的蛋白质含量进行了预测;不同回归模型的预测结果与凯氏定氮法确定的蛋白质含量的标准化学值间的相关系数均在0．97以上,平均绝对误差小于0．32。为了考察SVM回归校正模型的预测效果,同所建PLS回归模型的预测结果进行了比较,表明所建预测小麦样品蛋白质含量的SVM回归模型亦可通过近红外光谱进行实际样品的定量分析,且有较好的分析效果。     

蚁群算法在近红外光谱定量分析中的应用研究

蚁群算法是新近发展的基于群体智能的仿生优化算法,它模拟蚂蚁的觅食行为来解决复杂的组合优化问题。蚁群算法的优点是智能搜索、全局优化、鲁棒性、分布式计算和容易与其他算法相结合等。近红外光谱定量分析技术在很多领域得到广泛的应用,而其关键技术环节之一是建立近红外光谱测量数据的多元校正模型。文章将蚁群算法应用于近红外光谱定量分析中,建立了谷物样品的傅里叶变换近红外漫反射光谱和谷物中蛋白质含量的定量分析模型,得到了较好的结果。校准集的相关系数与相对标准偏差分别为0.943和3.41％,预测集的相关系数与相对标准偏差分别为0.913和4.67%。     

基于主成分分析的复杂光谱定量分析方法的研究

针对超短脉冲激光与气体相互作用产生的非线性荧光光谱的特点,提出了光谱分析的预处理、特征提取以及定量分析的有效方法.采用小波算法对光谱数据进行压缩和降噪处理,使光谱数据由3979点压缩降噪至664点.对处理后的光谱特征峰团的强度进行主成分分析,结果表明2个主成分即可包含98%的光谱信息.采用第一主成分对不同浓度下的谱线强度进行拟合与误差计算,有效地提取了与气体浓度有关的特征参量.实现了气体的定量分析.同已有的定量分析方法相比,定量分析的精度有较大提高,特别在所关心的低浓度情况下,定量分析的精度改善更为明显.3种气体的拟合与计算显示同以往方法相比误差由0.2694降为0.02.     

废旧纺织品近红外光谱定量分析的新模型

根据废旧纺织品所含成分对它们做分类回收和处理可节省大量纺织原材料。目前,在废旧纺织品的回收过程中往往使用人工分拣方法。这种方法成本高且效率低。近红外光谱分析是21世纪发展最迅速的技术之一,可以在不破坏样本的情况下快速测定样本的成分及每种成分的含量。利用该技术对废旧纺织品进行分析,预先判断废旧纺织品所含的成分及各种成分的含量,可为废旧纺织品的大规模精细分类回收提供帮助。多模型方法通过将各子模型的预测值做加权平均得到最终的预测值,用该方法建立的近红外光谱分析模型一般具有较好的稳定性。以废旧纺织品样本的锦纶含量为例,先用多模型方法建立了锦纶含量的近红外光谱分析模型。方法如下：将反射率向量按照波长划分为15组。用每组数据建立一个近红外光谱分析子模型。对子模型的预测值做加权平均得出锦纶含量的最终预测值。然后在多模型方法基础上,根据锦纶含量预测值与实验值之间的近似线性关系,通过用变量代替常量并对变量做标准化处理,给出了一种便于优化的预测锦纶含量的近红外光谱分析新模型。优化后的每个子模型中的参数比优化前减少了6个,这样可防止模型过拟合。将上述两个模型与常见的用偏最小二乘法建立的模型进行了对比。交叉验证的结果表明：（优化后的）新模型的拟合优度的平均值为0.820 7,单纯使用多模型方法所建模型的拟合优度的平均值为0.769 1,用偏最小二乘法建立的模型的拟合优度的平均值为0.746 7。因此, 使用多模型方法建立的模型的预测效果好于用偏最小二乘法建立的模型的预测效果。新模型的预测效果明显好于其他两个模型的预测效果。该研究主要创新之处是新模型的建立和优化。文中建模方法有望用于废旧纺织品样本其他成分的含量预测。     

基于支持向量机回归的LIBS飞灰含碳量定量分析

采用激光诱导击穿光谱(LIBS)技术对配制的飞灰样品进行实验分析,应用支持向量机回归(SVR)模型对飞灰的含碳量进行预测。运用网格搜索法分别对径向基(RBF)核函数和多项式函数的结构参数进行寻优,然后分别建立基于内标元素特征光谱、全谱和主要元素特征光谱的SVR模型。研究表明,基于RBF和多项式核函数的SVR模型在理想的结构参数下可以取得相同的分析精度,但RBF能较快地完成模型优化并且不易出现欠拟合的现象。基于内标元素特征光谱的SVR模型的分析精度与内标法相当,基于全谱的SVR模型出现明显的过拟合现象。基于主要元素特征光谱的SVR模型的回归系数为0.986,校正均方根误差为1.79%,预测均方根误差为2.57%,说明该模型可以有效避免欠拟合和过拟合。     

基于IABC-SVR算法的拉曼光谱定量分析山羊血清蛋白含量

提出了一种基于拉曼光谱和改进人工蜂群算法优化支持向量机回归(IABC-SVR)算法快速定量检测山羊血清蛋白含量的方法.传统人工蜂群算法在数据区域规模较大时,收敛速度逐渐减慢,出现效率低、精准度下降、局部最优解概率高等问题.所提出的算法解决了这些问题,使算法在进化前期避免陷入局部最优解,在进化中后期能够保持解的全局搜索能...     

基于SVM的混合气体分布模式红外光谱在线识别方法

针对混合气体组分浓度分析中海量训练样本的获取、分析精度及实时在线分析等问题,将支持向量机这一新的信息处理方法和红外光谱分析法结合,提出了混合气体分布模式的概念。在此基础上,采用先进行混合气体分布模式识别,然后再进行混合气体分析的思路,在大量调查的基础上,研究探索了实际应用中可能出现的混合气体分布模式,确定60种混合气体分布模式,共计6 000个混合气体红外光谱数据样本用于模型的训练与检验。采用SMO算法实现了减量和增量的在线学习,最终建立了基于SVM的混合气体分布模式红外光谱在线识别模型。模型由模式识别和结果输出2层组成,模式识别层完成混合气体模式分布模式识别任务;结果输出层由60个SVM校正模型组成,完成具体的浓度分析任务。实验结果表明,该方法对混合气体分布模式的正确识别率不低于98.8%,可在小样本条件下对混合气体的分布模式进行在线识别,可在线实时加入新的混合气体分布模式,具有实际应用价值。     

基于多光谱成像技术的宫颈脱落细胞DNA定量分析研究

常用的宫颈癌筛查方法有TBS(the bethesda system)分类法和细胞DNA定量分析法两种,而同时利用多重染色方法在同一张细胞涂片上对细胞质进行巴氏染色和对细胞核进行Feulgen染色进行宫颈癌筛查的研究仍然是空白。多重染色筛查方法的难点在于非DNA物质的吸光度会干扰DNA物质的吸光度。因此建立了一套多光谱成像系统,并基于吸光度的线性叠加特性,利用多元线性回归方法建立了吸光度剥离模型,通过该模型成功地将DNA物质的吸光度剥离出来进行DNA定量分析,实现了两种常用方法的完美结合。通过一系列实验证明了,利用模型剥离出的DNA物质的吸光度与实测的DNA物质的吸光度在检验水平为1%的情况下在统计学上没有显著差异,而且实际应用测试中的统计数据也显示在置信水平为99%的情况下使用该分析方法筛查得到的四倍体细胞的DNA指数的置信区间与癌细胞的DNA指数判别区间没有交集,验证了这种基于多光谱成像技术的多重染色的DNA定量分析方法的准确性和可行性,在宫颈癌乃至其他癌症的早期诊断和筛查中有巨大的市场应用潜力与广阔的应用前景。     

层次式SVM子集含烃类混合气体光谱分析方法

含烃类混合气体具有组分多、组分浓度范围大的特点。为了解决海量混合气体光谱数据样本实际上是无法实现的难题,在大量调查的基础上,研究探索了实际工程中可能出现的混合气体分布模式,最后确定为15种混合气体分布子模式,共计5 500个光谱数据样本用于训练与检验。在此基础上,按照混合气体分布子模式识别→混合气体分析→结果输出的思路,提出了2层15子集的含烃类混合气体分析方法。多层次多子集软件集成框架以15种混合气体分布子模式为基本框架,由于应用了基于样本关联规则及混合气体分布模式中心集的SVM快速在线分类方法,可向原基本框架在线实时的加入新的混合气体分布子模式。实验结果显示,混合气体组分浓度分析的最大绝对误差为0.41%,最大平均绝对误差为0.04%。可用于其他混合气体的红外光谱分析,具有实际应用价值。     

基于近红外光谱技术的石油组分定量分析新方法

针对石油化工产品生产控制和质量检查的需要,为提高测定产品组成的效率,将近红外光谱法作为基础测定方法,以直馏柴油、加氢精制柴油和催化裂化柴油为校正模型的训练样本,测定其中饱和烃、胶质、单环芳烃、双环芳烃、三环芳烃和环烷烃的组成,论述了采用模糊神经网络建立校正模型测定石油化工产品组成的可行性。基于dSPACE硬件平台,用验证样本对模糊神经网络校正模型进行了检验,实验结果表明,该方法响应快、误差小、鲁棒性强,在近红外长波区内,校正样品和验证样品的均方误差小于10-6。该方法可用于石油化工产品的生产工艺研究中。     

基于模型的红外光谱温度预测及校正方法

温度校正是红外光谱定性定量分析中的一个关键问题,通过去除光谱数据中的温度效应,可以改善模型的线性度,从而提高模型的预测精度。通常的温度校正方法不仅需要记录训练集光谱的采集温度,而且需要记录测试集光谱的采集温度,这对很多实际应用中的光谱温度校正造成了困难。提出了一种基于模型的光谱温度预测及校正方法,通过训练集数据对光谱中的温度信息进行建模,利用模型的信息,从而能从测试集光谱数据中估计出采集温度,并进行光谱数据的温度校正,降低了温度校正方法对测试集光谱数据采集温度的依赖性。作为方法的验证,进行了两部分的实验：在第一部分的实验中,通过对十个浓度的水-乙醇二元混合物光谱数据的温度预测以及温度校正的实验,证明了本文方法的有效性;在第二部分的实验中,我们采用了Wulfert的经典温度校正方法CPDS的实验数据和实验方案,对三元混合物的光谱数据进行温度预测以及温度校正,得到了不亚于CPDS方法的温度校正效果,同时也证明了该方法对三元混合物光谱数据的适用性。通过两部分的实验表明,在缺少测试集测量温度的情况下,提出的温度校正方法仍可对光谱数据进行有效的预测和校正,降低了温度校正方法对测试集数据的依赖性,从而提高了温度校正方法的适用性。     

变压器油中溶解糠醛拉曼光谱定量分析方法研究

本文开展了变压器油中溶解糠醛的定量分析研究,基于实验室搭建的拉曼光谱液体检测平台,对不同浓度糠醛含量的变压器油样进行光谱信号检测及预处理,运用主成分分析法对光谱数据进行数据降维并结合支持向量机建立油中溶解糠醛含量拉曼光谱定量分析回归模型,检测下限为0.625mg/L。结果表明,拉曼光谱技术结合支持向量机能有效地对变压器油中溶解糠醛进行定量分析,为实现油中溶解老化特征物的准确、快速检测提供新的手段。     

QuantBasic软件用于红外光谱定量分析

化学计量学原理引入到红外光谱学后 ,使得红外光谱定量分析有了突破性进展。利用 MB15 4S型FTIR光谱仪专配的 Quant Basic定量软件 ,对红外光谱定量分析中基线取法进行了研究 ,并得出最优方法。通过对己二酸进行定量分析 ,验证了此软件对混合物中单组分定量不仅操作简便 ,快速可行 ,而且简化了训练集的建立和样品前处理     

激光诱导等离子体光谱用于煤中氧的定量分析

利用激光诱导等离子体光谱(LIPS)技术实现对燃煤电厂输煤管中煤质的在线检测对于提高锅炉燃烧效率具有重要的现实意义,但对煤中氧含量的测量却是个难题.提出了一种新的数据处理方法,主要包括内标法、最佳分析线选择法、温度校正法及多线法等,来提高对煤中氧含量定量分析的准确性和重复性.实验中先通过8组煤样获得了煤中氧的定标方程,然后又利用其它6组煤样来验证该定标方程的准确性.实验结果表明,利用本数据处理方法对煤中氧含量测量的绝对误差小于1.1 %,多次测量的相对标准偏差(RSD)小于5.9%,显示了较高的测量精度和重复性.     

拉曼光谱定量分析乙醇含量的非线性回归方法研究

传统拉曼特征峰峰比法一般采用线性回归法建立乙醇浓度与峰峰比的线性关系从而反演乙醇浓度实现乙醇定量分析,但仅在较低浓度范围适用。针对这一问题,采用自主研制的激光拉曼乙醇含量检测系统实验研究了不同浓度乙醇溶液拉曼光谱特征峰(非对称CH₂伸缩振动2 924.0 cm-1)与本底水峰(3 350 cm-1)相对强度关系,提出适用于大范围乙醇浓度测量的非线性回归分析方法。利用邻域平均算法去除拉曼光谱突变噪声,结合多点插值处理实现光谱基线校准。基线校准及归一化处理后,可有效消除突变噪声及强荧光背景的影响。分别采用二次多项式和e指数数学模型对拉曼峰值强度比随乙醇浓度变化关系进行非线性回归并与线性回归分析进行对比。结果表明,线性拟合相关系数约为0.991,线性回归模型乙醇浓度准确测量的适用范围为15%～60%;非线性拟合相关系数高于0.997,非线性回归模型乙醇浓度精确测量的适用范围为3%～97%。非线性数学模型可为乙醇溶液浓度定量分析提供理论基础,将该数学模型应用于乙醇含量检测系统,可实时反演较为精确的乙醇浓度,从而实现大浓度范围内具有荧光背景干扰的乙醇溶液快速、实时、准确的定量分析。