拉曼光谱和MLS-SVR的食用油脂肪酸含量预测研究

为实现食用植物油中饱和脂肪酸、油酸、亚油酸含量的快速预测,对一批纯食用油以及不同比例两两混合油共91个样品进行了拉曼光谱检测,在800～2 000 cm-1范围内,通过基于寻峰算法的自动确定支点的基线拟合方法,对获得的光谱数据进行预处理,提取八个特征峰作为拉曼光谱的特征值。以这些特征值为输入,以样品油中实际饱和脂肪酸、油酸、亚油酸含量为输出,运用偏最小二乘回归(PLS)和多输出最小二乘支持向量回归机(MLS-SVR)方法,分别建立了可以同时预测三种脂肪酸含量的数学模型,结果表明MLS-SVR方法具有较好的效果。将MLS-SVR模型的预测结果与气相色谱法结果相比较,可得到三种脂肪酸的预测均方根误差分别为0.496 7%,0.840 0%和1.019 9%,相关系数分别为0.813 3,0.999 2和0.998 1;对未知样品三种脂肪酸的预测均方根误差不超过5%。表明,拉曼光谱和MLS-SVR相结合的食用油脂肪酸含量预测方法,具有快速、简便、无损、准确等优点,为食用油脂肪酸含量分析提供了一种可行的方法。     

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。     

一种葡萄糖发酵液中乙醇含量的拉曼光谱分析方法

拉曼光谱法可实现样品的快速定量分析,但发酵液等复杂体系中样品的拉曼强度与被测组分含量之间的良好线性关系难以直接得到。本实验中将待测样品与纯被测组分的拉曼光谱均视为向量,并按照向量点积公式计算向量之间的夹角。在被测组分的拉曼光谱特征峰波段,对多组样品在不同光谱区间的向量夹角矩阵和被测组分含量进行偏最小二乘回归,建立定量分析数学模型,从而以光谱向量之间的夹角作为定量指标实现葡萄糖发酵液中乙醇含量的快速测定。选取的主成分数为6时,所建模型校正集和预测集中预测值与实测值的线性相关系数分别为0.9993和0.9933;校正集均方根误差为0.2171。其建模所用样本数量少、对样品无损坏,方法适用于发酵在线监测和过程分析。     

甲醇汽油、乙醇汽油定性判别及其醇含量测定模型研究

甲醇汽油和乙醇汽油都为清洁能源,但甲醇汽油和乙醇汽油的优缺点各有不同,其中甲醇、乙醇的含量决定了汽油性能的优劣,对甲醇汽油和乙醇汽油进行判别区分以及醇类汽油中醇含量进行定量测定非常重要。通过中红外光谱技术对醇类汽油的类型进行判别并对其含量进行定量分析。首先通过对比分析甲醇汽油和乙醇汽油的中红外光谱图,采用随机森林(random forest, RF)对甲醇汽油和乙醇汽油样品进行判别;在建立甲醇汽油和乙醇汽油样品定性判别模型之后,分别建立甲醇汽油和乙醇汽油的定量测定模型,从而精确测定汽油中对应的醇的含量。为减小在实验过程中实验仪器振动、噪声等原因导致的光谱漂移、光散射等现象,对中红外光谱进行预处理。首先采用不同预处理,如(savitzky-golay, S-G)卷积平滑、多元散射校正(multiplicative scatter correction,MSC)、标准正态变量变换(standard normal variable transformation,SNV)、导数(derivatives)等方法进行校正,分别建立适合甲醇汽油和乙醇汽油的检测模型。预处理后的数据分别建立甲醇汽油、乙醇汽油的最小二乘支持向量机(least square support vector machine,LS-SVM)模型。采用随机森林(random forest, RF)对甲醇汽油和乙醇汽油样品进行判别,发现当决策树个数为61时,判别正确率达到98.28%。对于LS-SVM模型,比较建模结果可知:无论是甲醇汽油还是乙醇汽油,标准正态变量变换(SNV)预处理效果最好,经SNV校正处理后建立的甲醇汽油甲醇含量测定LS-SVM模型的预测相关系数R_p为0.9519,均方根误差(root mean square error of prediction, RMSEP)为1.766 3;经过标准正态变量变换后建立的乙醇汽油乙醇含量测定LSSVM模型的预测相关系数R_p为0.951 5,均方根误差RMSEP为1.770 3。该研究可为甲醇汽油、乙醇汽油的定性判别和其含量测定提供技术参考和理论依据,为甲醇汽油产业提供测量醇类汽油检测的新方法,具有较为重要的现实意义,也为其他类型的化工产品的检测奠定了基础。     

中红外光谱对甲醇汽油甲醇含量检测研究

甲醇汽油是一种清洁能源,甲醇汽油中甲醇的含量决定了汽油的性能。通过中红外光谱对甲醇汽油中甲醇含量进行定量检测和分析。首先,对采集的甲醇汽油原始中红外光谱进行平滑处理（smoothing）、多元散射校正（MSC）、基线校正（baseline）、归一化（normalization）等预处理,再建立PLS模型,对比选择最佳预处理方法,结果表明：在多元散射校正（MSC）处理后建立的PLS模型效果最好,模型的预测集相关系数r为0.918,预测均方根误差RMSEP为2.107。为进一步简化模型,提高预测精度,采用无信息变量消除(uninformative variable elimination, UVE)方法对波长进行筛选,将UVE波段筛选之后的作为模型的输入变量,采用偏最小二乘法（partial least squares, PLS）、主成分回归(principal components regression, PCR)和最小二乘支持向量机（least square support vector machine, LSSVM）三种方法分别建立甲醇汽油中甲醇含量的定量预测模型,并比较不同模型的预测效果和结果。结果表明,使用无信息变量消除可以较好提高数据的运算速度,其中,UVE-PLS模型建模效果最好,r和RMSEP分别为0.923和2.075。该实验表明中红外光谱检测甲醇汽油中甲醇含量是可行的并可以得到较好的效果;UVE是一种对甲醇汽油的中红外光谱非常有效的波段筛选方法,该模型的建立对石油化工领域具有较为重要的意义。     

拉曼光谱结合偏最小二乘的甲醇汽油甲醇含量快速定量分析方法研究

甲醇汽油是一种用以替代传统汽油的新型燃料,其品质受到甲醇含量的严重影响.因此,甲醇汽油中甲醇含量的快速分析对其品质把控具有深远意义.基于拉曼光谱(Raman)结合偏最小二乘(PLS)建立了一种甲醇汽油中甲醇含量快速定量分析方法.采用激光拉曼光谱仪对49组甲醇汽油样品的Raman光谱进行采集,并进行光谱解析.比较了五种光...     

近红外光谱法检测乙醇柴油主要性能指标

乙醇柴油是柴油替代品的一种,它的使用越来越广泛,乙醇柴油品质由许多指标决定,采用传统方法检测这些指标不仅价格昂贵而且耗时长。近红外光谱技术是一种廉价、快速实时在线检测乙醇柴油品质的有效方法。本文采用近红外光谱技术结合最小二乘支持向量机检测了乙醇柴油的密度、粘度和乙醇含量,比较了线性和非线性校正技术(主成分回归、偏最小二乘回归和最小二乘支持向量机)对乙醇柴油品质的分析效果,同时也比较了不同预处理方法对预测模型能力的影响。实验结果表明,最小二乘支持向量机优于主成分回归和偏最小二乘回归模型,其对乙醇柴油密度、粘度、乙醇含量建模效果最优,相关系数分别是0.995 8、0.995 7和0.995 3;预测均方根误差分别为0.000 68、0.011 3和0.5714。     

橡胶添加剂瓦斯炭黑的太赫兹光谱定量研究

瓦斯炭黑是橡胶中重要的添加剂之一,其含量对橡胶性能有重要的影响。丁腈橡胶是工业生产中应用比较广泛的合成橡胶,研究丁腈橡胶中瓦斯炭黑的含量具有重要意义。利用太赫兹时域光谱技术,对八种不同含量瓦斯炭黑与丁腈橡胶组成的混合物样本中的瓦斯炭黑含量进行测试,获取了混合物样本在0.3~1.4 THz频段的吸收光谱数据。分别利用偏最小二乘(PLS)和支持向量回归(SVR)建立混合物中瓦斯炭黑的定量分析模型,使用均匀梯度法来选择模型的校正集和预测集,获得瓦斯炭黑预测集的相关系数与均方根误差。偏最小二乘模型相关系数与均方根误差分别为0.985 8和2.098 9%,支持向量回归模型相关系数与均方根误差分别为0.998 0和0.785 4%。实验结果表明,支持向量回归定量分析模型的预测结果优于偏最小二乘模型。为进一步证明支持向量回归模型的稳定性,多次使用随机选择法选择它的校正集和预测集,并求得其相关系数与均方根误差。结果表明,无论是利用均匀梯度法还是随机选择法对支持向量回归定量分析模型的校正集和预测集进行选择,求得的相关系数和均方根误差均优于偏最小二乘模型。     

结合异常样本检测的汽油族组成拉曼光谱分析

汽油族组成不仅决定了汽油品质,同时直接关系到燃烧尾气对环境的影响。文章成功地将拉曼光谱分析技术应用于汽油族组成的定量分析。通过对校正集进行异常样本检测,剔除个别异常样本,有效地提高了偏最小二乘的模型精度,得到了较好的预测效果。芳烃含量、烯烃含量和氧含量的标准预测误差分别达到了0.23,0.52和0.143,其预测复相关系数分别达到了0.987,0.927和0.971。实验结果表明：采用拉曼光谱分析技术可以有效的解决汽油族组成的定量分析问题,其分析精度显著高于近红外光谱法与多维气相色谱法;同时也适用于汽油生产过程中的在线分析。     

基于拉曼光谱的已知混合物组分定量分析方法

利用拉曼光谱进行混合物组分定量分析一直是分析化学领域的一大难题。针对现有的基于机器学习(如支持向量回归机、偏最小二乘)的混合物定量分析方法存在的训练样本难以获得、模型推广性能差的问题,提出了一种基于拉曼光谱谱峰强度最小二乘拟合的已知混合物组分直接定量分析方法。该方法首先采集已知混合物及其各组分的拉曼光谱,利用连续小波变换和惩罚最小二乘法相结合的方法对采集的拉曼光谱进行去噪、基线校正等预处理。通过斜率比较法将预处理后的拉曼光谱分为多个光谱子区间,将各子区间的拉曼光谱看作是多个Voigt函数的线性叠加,并利用levenberg-marquardt-fletcher(LMF)算法求解获得各谱峰的位置、强度、半高宽等表达系数。根据各组分参考光谱的谱峰位置,确定各组分对混合物光谱中每个谱峰的贡献度。依据朗伯-比尔定律中拉曼光谱的谱峰峰强与其所对应的浓度的正比关系,建立超定方程;最后利用最小二乘法拟合该超定方程得到各组分对应的系数,从而获得各组分的体积浓度。利用乙醇、乙腈、丙酮、环己烷、二丙酮醇、丙二酸二乙酯六种组分配置了10种三元混合物(每种三元混合物9个体积浓度比),采集了90组混合物及6种组分的拉曼光谱数据。在混合物及其组分参考光谱测量条件(功率和积分时间)相同情况下,所有组分的相关系数(r)均在0.96以上,均方根误差(RMSE)小于6%,剩余预测偏差(RPD)均大于2.5;在混合物及其组分参考光谱在不同测量条件下,各组分的r均大于0.93,最大RMSE为7.94%, RPD均大于2.0,证明了算法具有良好的准确性和鲁棒性。所提出的方法能够实现对三组分混合物的快速、准确的直接定量分析,为混合物的定量分析提供了一种有效的途径。     

集成学习结合波长选取的有机物红外光谱定量回归方法研究

研究集成学习方法在有机物红外光谱定量分析中的应用及特征波长选取方法对红外光谱集成学习建模效率和预测精度的影响。以柴油红外光谱的十六烷和总芳香烃含量为研究对象,首先采用极端随机森林(ERT)、线性核支持向量机(LinearSVM)、径向基核支持向量机(RBFSVM)和多项式核支持向量机(polySVM)作为基学习器,LinearSVM作为元学习器建立两层Stacking集成学习框架,分析比较单个基学习器与集成学习对柴油红外光谱的定量回归预测精度,与偏最小二乘(PLS)定量回归模型相比,Stacking集成学习模型对柴油光谱的两种有机物含量的预测精度均有提升,其中十六烷含量的ERT模型预测结果最优(r=0.848, RMSEP=1.603, RDP=2.627),总芳香烃含量的Stacking模型预测结果最优(r=0.991, RMSEP=0.526, RDP=9.243);进一步利用组合偏最小二乘(SiPLS)和连续投影算法(SPA)对红外光谱进行特征波长选取,利用优选出的红外光谱特征波长建立集成学习定量回归模型,其中十六烷含量的SiPLS-ERT模型预测结果最优(r=0.893, RMSEP=1.013, RDP=3.051),芳香烃含量的SiPLS-Stacking模型预测结果最优(r=0.998, RMSEP=0.354, RDP=11.475),且模型平均训练时间较全光谱训练时间减少50%以上,建模速度明显提高。研究结果表明,特征波长结合集成学习定量回归建模能够用于有机物红外光谱的定量分析中,与传统定量回归方法相比,该方法的建模效率和预测精度均有较大提高,为进一步研究机器学习在光谱定量分析中的应用提供相关方法支持。     

支持向量回归建立测定醇烯比的近红外光谱校正模型

在石化工业中,甲基叔丁基醚（MTBE）是20多年来发展最快的石化产品之一。在生产过程中,反应器混合进料的醇烯比（MRMI）都是一个至关重要的操作参数,但传统的色谱方法由于速度慢、硬件维护量大等原因,应用效果大都 不理想。近红外光谱方法因其快速、测量方便、维护少等特点,特别适合这一参数的在线测量。但是,由于醇烯比与近红外光谱之间呈严重的非线性响应,基于线性校正的偏最小二乘方法将不能得到准确的测定结果。因此,文章采用近几 年新兴的支持向量回归方法建立近红外光谱测定醇烯比的校正模型,结果表明,该方法的预测能力优于偏最小二乘和人工神经网络方法,可以推广应用于实际的醇烯比在线近红外测量中。     

Rapid prediction of fatty acid composition of vegetable oil by Raman spectroscopy coupled with least squares support vector machines

The fatty acid composition of vegetable oil plays a significant role in a nutrition‐balanced diet, which makes this industry more quality conscious. A set of store‐purchased vegetable oils and their binary mixtures were characterized by Raman spectra in a region of 800–2000 cm⁻¹. The obtained Raman spectral data were pretreated, and intensities of eight characteristic peaks were extracted as the eigenvalues of an entire spectrum. A prediction model of fatty acid content based on least squares support vector machines (LS‐SVM) were established for multivariate analysis between the Raman spectral eigenvalues and the fatty acid composition measured by gas chromatography (GC) method. The performance of the model was evaluated by comparing the predicted values to the reference values from GC analysis. The correlation coefficient for the prediction of oleic acid, linoleic acid and α‐linolenic acid was 0.9972, 0.9982 and 0.9854, respectively. Raman spectroscopy based on LS‐SVM can be a promising technique for predicting the fatty acid composition of vegetable oil with the advantages of being simple and time‐effective while not requiring any sample preprocessing. In particular, a portable Raman system is suitable for on‐site detection in practical applications. Copyright © 2013 John Wiley & Sons, Ltd.     

基于拉曼特征峰的甲醇汽油甲醇含量测定

采用拉曼光谱分析技术定量分析甲醇汽油中的甲醇含量。首先,对采集到的原始拉曼光谱进行平滑除噪、荧光背景消除、标准归一化等预处理;其次,根据甲醇含量与拉曼光谱的相关性分析找出甲醇含量的特征点;最后,建立了基于拉曼特征峰的甲醇含量一元线性回归模型。针对实验室配制的19个甲醇汽油样本的实验结果表明,该方法准确、稳健、所需训练样本少,可以应用于甲醇汽油中甲醇含量的快速测定。     

表面增强拉曼光谱检测鸡蛋蛋清内三聚氰胺的定量方法研究

三聚氰胺对人体有害,鸡蛋内三聚氰胺定量检测非常有必要。以鸡蛋蛋清为研究对象,应用表面增强拉曼光谱技术结合化学计量学方法对蛋清内三聚氰胺进行了定量检测。首先采用人工饲养蛋鸡的方法获取含有三聚氰胺的样品鸡蛋。然后使用便携式拉曼光谱检测仪(Opto Trace RamTracer-200)和拉曼增强试剂测定蛋清的表面增强拉曼光谱,同时利用气相色谱质谱技术测定相应蛋清中三聚氰胺的含量。利用Raman Analyzer对拉曼光谱基线进行校正。应用相关系数法从表面增强拉曼光谱中选取320个光谱变量作为输入变量,建立偏最小二乘定量校正模型;并应用谱峰分解法建立谱峰分解定量校正模型。两种模型建立过程中均选定90个样本做为模型校正集,44个样本做为模型验证集,两种模型都有较好的预测效果。偏最小二乘定量校正模型预测值与气相色谱质谱联用法(GC-MS)测定值的决定系数R2为0.856,预测均方根误差RMSEP为1.547;谱峰分解定量校正模型R2为0.947,RMSEP为0.893。实验结果表明,该方法能有效定量检测鸡蛋内三聚氰胺,检测一个样本仅需15 min,为蛋品的三聚氰胺检测提供了一种新途径。     

基于QPSO-MLSSVM算法的拉曼光谱检测四组分调和油含量

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化多输出最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)的新混合优化算法。该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、芝麻油、葵花油和大豆油的快速定量鉴别。采用基线校正去除背景荧光,结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。构建基于QPSO-MLSSVM混合优化算法的定量分析模型,并采用20个组分组成的预测集对其进行模型校验。实验结果表明,基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好,均方差(mean square error, MSE)为0.0241,低于0.05,各油分预测相关系数均高于98%。研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法,对四组分调和油中各油分进行快速定量检测可行,具备较强的自适应能力和良好的预测精度,可以满足多组分调和油的成分鉴别。     

食用植物油中反式脂肪酸含量的激光拉曼光谱检测

油脂中的反式脂肪酸(TFA)有害人们的身体健康,有必要对其含量进行监测。共收集各类食用植物油样本79个,涉及9个品种和27个品牌,分配到校正集和预测集的样本数分别为53个和26个。采用QE65000拉曼光谱仪采集79个样本的拉曼光谱,利用自适应迭代惩罚最小二乘法去除样本拉曼光谱的荧光背景;在此基础上,采用多种归一化方法对样本拉曼光谱进行处理,并对拉曼光谱的建模波数范围进行初选;再利用竞争性自适应重加权采样(CARS)方法筛选与食用植物油TFA含量相关的光谱变量,并应用偏最小二乘(PLS)回归将食用植物油TFA的特征变量光谱强度与气相色谱测定的TFA真实含量进行关联,建立食用植物油中TFA含量的定量预测模型。研究结果表明,多种归一化方法中,有4种归一化方法均能提高PLS定量预测模型的性能,其中Area normalization方法的效果最优;经建模波数范围初选,波数范围由686~2 301 cm-1缩减为737~1 787 cm-1,确定较优的建模波数范围为737~1 787 cm-1;经CARS方法筛选,共有31个光谱变量被选择,其选择的光谱变量主要分布在1 265,1 303,1 442及1 658 cm-1拉曼振动峰附近,且974 cm-1拉曼振动峰两侧均有光谱变量被选择;此外,CARS方法的PLS建模结果优于常用的无信息变量消除及连续投影算法。由此可知,激光拉曼光谱技术结合化学计量学方法检测食用植物油中的TFA含量是可行的。归一化方法、建模波数范围初选及竞争性自适应重加权采样(CARS)方法能有效提高TFA定量预测模型的预测精度和稳定性,优化后的TFA定量预测模型的校正集及预测集的相关系数和均方根误差分别为0.949,0.953和0.188%,0.191%。与未优化的预测模型相比,预测均方根误差由0.361%下降为0.191%,下降幅度为47.1%;建模所用的变量数由683个下降为31个,仅占原变量数的4.54%。