基于大黄的红外光谱的人工神经网络鉴别研究

将傅里叶变换红外光谱法和人工神经网络用于鉴别正品和非正品大黄样品。在对神经网络训练前用小波变换对测量的红外光谱进行压缩,将原700个数据点的光谱压缩到44个变量,因此加速了神经网络的训练速度。52个大黄样品被用于网络模型的建立,其中包括25个正品大黄和27个非正品大黄的样品。文章还对隐含层神经元数目和动量参数的影响做了考察。结果表明,在优化的条件下用该方法对大黄样品的鉴别正确率达到98％。这种方法可被用于含大黄中药生产的质量控制。     

基于枸杞红外光谱人工神经网络的产地鉴别

应用红外光谱技术,快速鉴别枸杞药材产地。利用傅里叶变换红外光谱, 测定了45个来自青海省不同产地的枸杞样品的红外光谱。以常规预处理方法和小波变换对红外光谱原始数据进行了预处理。对比常用的窗口移动平滑预处理、标准正态变换以及多元散射校正, 小波变换是一种有效实用的光谱预处理方法。为了提高神经网络的训练速度, 在利用人工神经网络建立模型之前, 通过小波变换的方法对光谱变量进行了压缩, 同时对建立的模型的相关参数进行了详细的讨论。结果表明,红外光谱数据压缩到原来的1/8,其分析精度与原始光谱数据基本相当。以压缩了的光谱数据作为反向传播(BP)网络的输入变量,产地类别作为神经网络的输出变量,建立3层人工神经网络。其中隐含层神经元个数为5个,输出层神经元个数为1个。隐层的传递函数是tansig,输出层传递函数是purelin,网络训练函数trainlm,权阈值的学习函数是learngdm。net.trainParam.epochs=1 000,net.trainParam.goal=0.001。对10个未知枸杞产地类别进行了预测,预测结果准确率达100%。实验表明, 建立的模型能够正确地对枸杞样品快速地进行产地鉴别。红外光谱法结合人工神经网络可作为中药材产地分类鉴别的一种新的现代化方法。     

中草药大黄的近红外光谱和人工神经网络鉴别研究

大黄是我国最常用的中草药之一。对正品和非正品大黄的快速、准确鉴别对于大黄及其中草药产品的质量控制具有重要的意义。将近红外漫反射光谱分析技术与人工神经网络方法相结合,对52种大黄样品进行了测定和鉴别,正确率可达96%。并对神经网络的隐含层个数和动量因子的影响做了讨论。由于近红外光谱法具有样品前处理少,测定快速和非破坏性等特点,因而特别适合于中草药的鉴别。     

基于支持向量机及小波变换的人参红外光谱分析

以吉林名贵中药材人参作为研究的主要对象,详细研究了利用小波变换技术对红外光谱变量的压缩方法和实现过程,以及如何利用人工神经网络(ANN)和支持向量机(SVM)技术建立人参的红外光谱的产地鉴别模型,并详细讨论了ANN模型中相关参数的优化方法以及SVM模型中的核函数及σ值的优化选择。仿真实验表明,建立的ANN模型对40个吉林人参样品产地识别率达到92.5%,而采用径向基核函数的SVM模型的识别率为97.5%,其分类效果明显优于ANN模型。从而表明小样本的情况下,利用SVM结合小波变换技术可以对吉林人参的红外光谱的产地特征进行正确区分,同时为中草药的红外光谱的进一步的分析和研究提供了一定理论依据和技术支持。     

太赫兹时域光谱结合主成分分析线性判别和支持向量机用于大黄样品鉴定

太赫兹时域光谱技术(THz-TDS)结合主成分分析-线性判别分析(PCA-LDA)和支持向量机(SVM)用于正品大黄样品的鉴定。在时域测量41个大黄样品的太赫兹时域透射光谱,然后将这些时域信号转换成频域的吸收系数系数。根据样本的吸收系数建立了主成分分析-线性判别分析和支持向量机的定性分类模型,并对正品和非正品大黄样本的分类模型进行了交叉验证。模型的预测能力和稳定性使用自助拉丁配分进行评价,使用50次自助拉丁配分,配分数为4。使用主成分分析-线性判别分析和支持向量机均得到了满意的结果。提出的方法证明是一种方便、无污染、准确和无需化学处理的鉴定大黄样本的方法。该文提出的步骤可以应用于其他中草药分类和生产的质量控制。     

太赫兹时域光谱结合主成分分析线性判别和支持向量机用于大黄样品鉴定（英文）

太赫兹时域光谱技术(THz-TDS)结合主成分分析-线性判别分析(PCA-LDA)和支持向量机(SVM)用于正品大黄样品的鉴定。在时域测量41个大黄样品的太赫兹时域透射光谱,然后将这些时域信号转换成频域的吸收系数系数。根据样本的吸收系数建立了主成分分析-线性判别分析和支持向量机的定性分类模型,并对正品和非正品大黄样本的分类模型进行了交叉验证。模型的预测能力和稳定性使用自助拉丁配分进行评价,使用50次自助拉丁配分,配分数为4。使用主成分分析-线性判别分析和支持向量机均得到了满意的结果。提出的方法证明是一种方便、无污染、准确和无需化学处理的鉴定大黄样本的方法。该文提出的步骤可以应用于其他中草药分类和生产的质量控制。     

FTIR结合主成分分析对棕榈科植物鉴别研究

采用傅里叶变换红外光谱(FTIR)结合主成分分析(PCA)对棕榈科植物2个亚科4个族的植物叶片进行了光谱研究。结果显示,棕榈科同族不同种和同科不同族的植物在红外光谱上表现出差异。用二阶导数光谱进行主成分分析,显示可以将样品进行正确分类。研究表明傅里叶变换红外光谱在鉴别分类植物方面具有应用潜力。     

基于可见-近红外和热红外光谱联合分析的煤和矸石分类方法研究

煤与矸石是矿山采煤过程中主要固体堆放物,对其进行遥感动态监测是矿山环境保护的重要需求。由于煤与部分矸石存在“异物同谱”现象,在使用传统的可见-近红外遥感分类时,往往将部分矸石划分为煤,导致遥感分类精度降低。首先对铁法矿区的12个煤样本和115个矸石样本进行可见-近红外光谱测试,发现绝大部分矸石样品的光谱与煤差异很大,二者易于区分,但有部分矸石与煤样本存在“异物同谱”现象。为进一步对矸石与煤区分,测试了混分样本的热红外光谱,发现二者存在明显的光谱差异,利用热红外光谱特征可以将其区分开来。在此基础上,提出了基于可见-近红外和热红外光谱联合分析的煤与矸石区分方法。该方法首先对所有样本进行可见-近红外光谱测试,利用Mao模型进行第一步分类识别;其次对煤与矸石混分的样品进行热红外光谱测试,利用光谱吸收比率SAR作为判别指标进行第二步分类,两步的分类结果为最终分类结果。该方法在铁法、兖州、神东和木里矿区的验证结果表明,其具有很高的分类准确率,效果远好于单独基于可见-近红外光谱特征的分类方法。研究结果表明,利用多种光谱联合分析的方法可以解决单波段存在的“异物同谱”现象,对于地物遥感分类具有重要的借鉴意义。     

远红外窗口聚乙烯性能研究

采用压缩模塑法制备了聚乙烯远红外窗口,对红外窗口材料的成型条件和性能进行了测试分析。结果表明,成型温度为150℃,样品的成型压力对红外透过率没有影响,窗口材料的红外透过率随厚度的增加而减小,最后选定样品厚度为2mm,在15μm以后具有较好的透过率。抗腐蚀性能测试结果表明,材料耐强酸、强碱及部分有机溶剂。     

叶片衰老影响木兰科植物聚类的FTIR研究

傅里叶变换红外光谱(FTIR)结合聚类分析技术应用于木兰科植物不同亚族分类,研究了叶片衰老对聚类分析效果的影响。测试了木兰科三个亚族14种植物的幼叶、成叶、老黄叶红外光谱,结果显示三个亚族植物叶片红外光谱差异不大;同种植物叶片不同生长期的红外光谱吸收峰位置基本一致,但一些特征峰的峰强有变化;用1 800～700 cm-1范围二阶导数光谱结合聚类分析,发现成叶二阶导数光谱聚类分析能够正确对样品分类,幼叶和老黄叶二阶导数谱聚类分析效果不如成叶,说明叶片衰老过程化学成分变化影响聚类分析效果,聚类分析时取成叶样品为好。     

基于分子光谱图像识别的食用油快速分类研究

分子光谱分析技术结合化学计量学已成为一种非常活跃的食用油鉴别方法。然而,当不同类型的样本之间的光谱差异极其微小时,利用传统的分类技术也很难将其分开。为了完成相似品种食用油的快速识别和分类,收集了包括芝麻油、玉米油、油菜籽油、调和油、葵花油、花生油、橄榄油七种食用油的衰减全反射红外光谱,在此基础上,采用图像识别的方法对七种食用油进行快速分类。在所提出的图像识别方法中,首先,将通过多元散射校正预处理后的红外光谱吸光度矩阵进行自相关运算,利用等高线原理根据吸光度强度值的不同生成光谱图像,以扩大的光谱差异并提高光谱可视化。然后,根据图像膨胀的原理找到光谱图像的局部特征点,将其作为图像特征。最后,使用BP神经网络对特征点进行训练和分类预测。为了对比所提出的方法,PCA-BP和KL-BP的方法被用于与图像识别的方法进行比较,实验结果表明,图像识别方法的正确识别率为94.4%,高于PCA-BP的66.7%和KL-BP的83.3%。所提方法为实现食用油的快速识别和检测提供了一条新的有效途径。     

不同浓度稀土溶液的反射波谱特征研究

波谱吸收特征一般和物质成分具有密切联系,其中描述波谱吸收特征的参数——波谱吸收深度可以作为一种定量评估样品化学组成的参数。 波谱吸收特征及化学特征之间的相关性研究已经在土壤学、 矿物学及植被科学等领域得到了证实,但是针对稀土元素及其化学特征之间的相关性研究目前还未开展相关工作。 为开展此方面的研究,针对赣南稀土矿区采集的10个不同浓度的稀土溶液样品,运用便携式地物波谱仪和等离子质谱仪分别获取了其波谱特征和稀土总浓度,研究结果表明稀土溶液呈现出水体和稀土氧化物的混合波谱特性,在可见光-近红外波段有6个明显的稀土特征吸收谷。 针对这6个特征吸收谷,运用原始波谱与纯水波谱比值的方法计算得出的波谱吸收深度和稀土总浓度进行线性回归分析,表明两者高度线性相关,由此建立了稀土浓度定量评估模型。 这一研究提供了一种间接评估溶液中稀土浓度的新方法,并且为稀土元素高光谱信息提取研究提供了理论基础。     

汽车自动变速箱油的近红外光谱识别研究

利用自编码网络(autoencoder network, AN)流形学习和稀疏表示(sparse representation, SR)方法对汽车变速箱油进行近红外光谱品种识别研究。以壳牌、美孚、嘉实多、上海大众和上海通用五种变速箱油为对象,利用AN方法对600～1800 nm近红外光谱数据进行非线性降维,获取10个特征变量。每种变速箱油选取30个样本(共150个样本)作为训练样本,每种30个样本(共150个样本)作为测试样本。所有训练样本的特征变量组成了稀疏表示方法的整体训练样本矩阵,将变速箱油品种分类识别问题转化为一个求解待识别测试样本对于整体训练样本矩阵的稀疏表示问题,通过求解L-1范数意义下的最优化问题来实现。经过主成分分析(principal component analysis,PCA)和AN降维后,分别利用线性判断分析法(linear discriminant analysis,LDA)、偏最小二乘支持向量机法(least squares-support vector machine,LS-SVM)和本文提出的稀疏表示分类算法进行分类比较。结果表明,结合自编码网络和稀疏表示方法对五种汽车变速箱油品种的平均识别准确率达97.33%,为汽车变速箱油品种近红外光谱快速准确识别提供了有效的新途径。     

基于FFCNN的二维恒星光谱分类

天体光谱处理中的一项基本任务是对大量的恒星光谱进行自动分类。到目前为止,恒星光谱的分类工作多是基于一维光谱数据。该研究打破传统的天体光谱数据处理流程,提出了基于二维恒星光谱分类的方法。在LAMOST(the large sky area multi-object fiber spectroscopic telescope)的数据处理流程中,所有的一维光谱都是由二维光谱抽谱、合并得来。二维光谱是由光谱仪产生的图像,包括蓝端图像和红端图像。基于LAMOST二维光谱数据,提出了特征融合卷积神经网络（FFCNN）分类模型,用于二维恒星光谱的分类。该模型是一个有监督的算法,通过两个CNN模型分别提取蓝端图像和红端图像的特征,然后将二者进行融合得到新的特征,再利用CNN对新特征进行分类。所使用的数据全部来源于LAMOST,我们在LMOST DR7中随机选择了一批源,然后获得了它们的二维光谱。一共有14 840根F,G和K型恒星的二维光谱用于FFCNN模型的训练,其中包括7 420根蓝端光谱和7 420根红端光谱。由于三类恒星光谱的数量并不均衡,在训练的过程中分别为每类恒星光谱设置了不同权重,防止模型出现分类失衡现象。同时,为了加快模型收敛,对二维光谱数据采用Z-score归一化处理。此外,为了充分利用所有样本,提高模型的可靠度,采用五折交叉验证的方法验证模型。3 710根二维光谱用作测试集,使用准确率、精确率、召回率和F1-score来对FFCNN模型的性能进行评价。实验结果显示,F,G和K型恒星的精确率分别达到87.6%,79.2%和88.5%,而且它们超过了一维光谱分类的结果。实验结果证明基于FFCNN的二维恒星光谱分类是一种有效的方法,它也为恒星光谱的处理提供了新的思路和方法。     

可见/近红外联合UVE-PLS-LDA鉴别压榨和浸出山茶油

山茶油是我国特有的优质食用油,而压榨山茶油营养品质优于浸出山茶油。采用可见/近红外光谱技术对压榨和浸出山茶油进行鉴别研究。在350～1 800 nm波段范围内采集压榨和浸出山茶油样本的透射光谱,利用无信息变量消除(UVE)方法进行波长变量优选,剔除无用波长变量,并应用偏最小二乘-线性判别分析(PLS-LDA)建立鉴别分类模型。最后,利用鉴别分类模型对未参与建模的26个预测集样本进行鉴别。研究结果表明,UVE-PLS-LDA是一种有效的鉴别分类方法,所建立的鉴别分类模型能较好地对压榨和浸出山茶油进行鉴别,校正集和预测集样本的鉴别正确率均为100%。因此,可见/近红外光谱联合UVE-PLS-LDA方法鉴别压榨和浸出山茶油是可行的。     

基于近红外和中红外光谱数据融合以及竞争自适应重加权采样方法对甲维盐制剂中活性成分的测定

农药活性成分的快速测定已经成为农药质量监控的一个大趋势。通过融合甲维盐制剂近红外和中红外得光谱数据,旨在用数据融合的方法建立一种快速可靠的测定甲维盐制剂活性成分的方法。采用了将偏最小二乘回归法与数据融合相结合,以及用竞争自适应重加权采样法来选择偏最小二乘回归中的有效变量的方法。与近红外和中红外各自建立的模型相比,数据融合在吸取了近红外光谱和中红外光谱相互补充的信息后,具有协同效应的模型效果有了很大的提高。同时,证实了竞争自适应重加权采样法在建模过程中是一个使得模型更加简单高效的有效的变量选择技术。研究结果表明在吸收了不同来源的多种信息之后的数据融合是一种能提高模型效果的很有效的建模方法。数据融合策略的可行性使得测定低浓度(0.1%～1.0%)样品能获得更好的结果,而且结合了变量筛选算法的对近红外和中红外光谱的数据融合,是一个很有前景的测定商业农药制剂中有效成分的方法。最后建立了一种基于近红外光谱和中红外光谱数据融合来测定商业甲维盐制剂的有效成分的方法。     

On the superconductivity of graphite interfaces

We propose an explanation for the appearance of superconductivity at the interfaces of graphite with Bernal stacking order. A network of line defects with flat bands appears at the interfaces between two slightly twisted graphite structures. Due to the flat band the probability to find high temperature superconductivity at these quasi one-dimensional corridors is strongly enhanced. When the network of superconducting lines is dense it becomes effectively two-dimensional. The model provides an explanation for several reports on the observation of superconductivity up to room temperature in different oriented graphite samples, graphite powders as well as graphite-composite samples published in the past.     

基于LIBS与化学计量学的植物叶片分类研究

激光诱导击穿光谱（LIBS）是一种高效快速的光谱采集手段,可应用于各类物质的元素分析工作中。线性判别分析（LDA）与支持向量机（SVM）是化学计量学中两种常用的有监督算法,均通过对已知不同种类的样本数据进行学习建模,进而实现对未知类别数据的归类。为了实现LIBS技术对有机物的高准确率识别,将这两种算法应用到LIBS光谱数据的分类中。实验利用波长为1 064 nm的纳秒激光烧蚀女贞、珊瑚树、竹子三种植物的叶片,并采集每种树叶220～432 nm波段的100组光谱数据。通过对300组样本的原始光谱数据进行主成分提取,由第一主成分（PC1）和第二主成分（PC2）的得分图得出三种植物光谱的相似度非常高。然后,利用每种叶片70组样本的光谱数据作为训练集建模,其余30组光谱数据作为测试集来进行树叶种类的预测识别。将PCA对原始光谱数据提取得到的前20个主成分作为LDA与SVM建模的属性值。对于LDA算法,将属性值分析后得到前两个判别函数值,通过聚类分析发现不同种类的植物叶片光谱数据在空间上的分离效果较好,同一种类基本聚集在一起。再借助马氏距离可得到测试集的平均分类正确率为96.67%。与此类似,使用SVM方法对训练集样本的数据进行学习得到分类超平面,对测试集的平均分类正确率达到98.9%。研究结果表明,经过PCA对数据的预处理,再结合LDA,SVM这两种方法可实现LIBS技术应用于复杂有机物的快速准确分类,并且PCA与SVM结合的分类正确率更高。该方法可在食品快速溯源、生物组织原位鉴别、有机爆炸物远程分析等领域应用。