基于同步荧光光谱法的鸭肉中西维因残留含量检测研究

为了快速测定鸭肉中西维因残留含量,提出应用同步荧光光谱法检测鸭肉中西维因残留含量,同时运用遗传算法-支持向量回归(GA-SVR)建立了鸭肉中西维因残留含量的回归预测模型。首先,通过荧光分光光度计分别采集了西维因水解物和含有西维因的鸭肉的三维同步荧光光谱图,经过分析确定了最佳波长差Δλ都为140 nm;其次,分析了鸭肉中西维因的浓度猝灭现象;最后采用GA进行同步荧光光谱的优化和选择,根据交互验证均方根误差(RMSECV)选择出了21个特征波长,并分别用全波长和21个特征波长作为SVR回归预测模型的输入特征变量,发现通过GA选择的特征波长可以得到更好的预测效果,并且其预测集的相关系数(R2)达到0.976 4,均方根误差(RMSECP)为12.232 2。试验结果表明利用同步荧光技术结合GA-SVR方法能有效、快速的检测鸭肉中西维因残留含量。     

基于三维荧光光谱和PSO-SVM对胭脂红含量的测定

胭脂红是一种应用广泛的食品色素，在各种食品、饮料的添加剂里都有它的身影，过量食用人工合成色素会严重危害健康。食物中色素一般都是多种联用，各种色素之间会相互产生干扰，这加大了对食品中色素检测的难度，模拟食品中多种色素共存的环境，采用荧光光谱技术，结合PSO-SVM算法，建立一种测定混合溶液中胭脂红含量的方法。从试剂公司购买胭脂红和苋菜红固体粉末，选择胭脂红为待检测色素，苋菜红为干扰色素，配成不同浓度的胭脂红单色溶液以及加入苋菜红后的混合溶液样本，其中胭脂红的浓度在0.1~30 μg·mL-1之间，干扰色素苋菜红的浓度在0.1~10 μg·mL-1之间随意添加。运用Edinburgh Instruments 公司生产的FS920稳态荧光光谱仪, 测得胭脂红单色溶液与加入苋菜红后混合溶液的荧光光谱图，分析得到胭脂红的最佳激发波长为λ_ex＝326 nm，最佳发射波长为λ_em＝430 nm。各选取6组不同浓度的单色样本以及混合色素样本，其中，胭脂红的物质浓度同为3，4，5，6，7和8 μg·mL-1，苋菜红的物质浓度都定在2 μg·mL-1。观察6组样本在激发波长λ_ex=326 nm时的发射光谱和荧光强度的关系。单色样本中，胭脂红浓度与荧光强度线性关系良好；而在混合溶液中，随着胭脂红浓度的增加，荧光强度呈现出先降后增再降的过程，光谱线型、强度与各组分浓度间存在复杂的非线性关系，得以证明混合溶液的荧光光谱并不是由各组分光谱简单的叠加，而是在吸收光谱的过程中，胭脂红溶液与苋菜红溶液存在竞争和相互影响。配取25组胭脂红、苋菜红混合溶液，从中选择7个作为预测样本，其余18组作为训练样本。7 个预测样本中胭脂红的浓度分别为 1.0，2.0，4.0，6.0，9.0，12和15 μg·mL-1，干扰物质苋菜红的物质浓度在0.1~10 μg·mL-1之间。选择各组样本在最佳激发波长λ_ex＝326 nm 下对应的荧光强度，作为检测模型的输入，以胭脂红的预测浓度作为输出。对PSO参数初始化设置后，训练输出SVM的最佳参数c和g，将所得的最佳参数输入PSO-SVM模型, 得到7组预测样本的浓度预测结果分别为：1.146 9，1.860 6，3.854 4，6.146 9，9.133 8，11.857 6和14.859 8 μg·mL-1。分析PSO-SVM的预测结果，得到胭脂红平均回收率为100.84%，预测均方根误差(RMSEP)为1.03×10-4，模型输出与真实值之间的相关系数是0.999。在同等条件下，采用误差逆向传播算法(BP)预测得到的7组样本浓度分别为：1.140 1，2.139 8，3.188 2，6.436 2，8.882 7，11.860 1和12.664 3 μg·mL-1，其平均回收率为98.56%，均方根误差为4.65×10-3，输出值与真实值之间的相关系数为0.972。与误差逆向传播算法(BP)的预测结果相比较，PSO-SVM 相关系数高出2.7%，平均回收率高出0.6%，均方根误差降低了将近一个数量级。分析结果表明，通过荧光光谱技术与PSO-SVM相结合的方法，能够有效的避开干扰色素的影响，准确的测定混合溶液中胭脂红的含量，并且效果相比较于BP更加理想。     

改进粒子群优化算法的高光谱波段选择

高光谱图像具有数百个连续、狭窄的光谱带,光谱范围跨越可见光到红外光,可提供地物的精细光谱属性,对于地物材质和属性的识别分类具有重要应用价值.针对感兴趣目标选择有限的光谱波段进行传输和处理,对于提升高光谱数据处理时效性、以及设计面向特定应用的实用化光谱仪都具有重要意义.而如何结合目标特征选择最优波段成为在提升处理效率的同...     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

三维荧光光谱-小波变换-粒子群算法联用快速识别测定浮游藻群落组成方法的研究

利用三维荧光光谱(EEMs)技术测定了实验室培养的分属5个门13个属的17种中国近海常见赤潮藻的荧光性质,通过db7二维小波变换提取赤潮藻三维荧光光谱的特征参量,采用系统聚类法构建荧光特征标准谱库,并利用多元线性回归辅以粒子群算法进行参数估计建立识别技术,实现了赤潮藻在门、属水平上的识别测定。测定样品中:赤潮藻纯种培养体在门、属水平上的平均识别正确率分别为96.1%和73.6%;对于优势度分别为60%,75%,80%,90%的赤潮藻模拟混合样品,优势藻在门水平上的平均识别正确率分别为86.7%,96.9%,98.7%,99.4%,识别相对含量分别为62.6%,72.7%,76.0%,81.6%;优势藻在属水平上的平均识别正确率分别为51.0%,68.9%,72.0%,78.8%;对于优势度达75%的赤潮藻实际混合样品,优势藻在门、属水平上的平均识别正确率分别为99.4%和75.9%。将所建技术用于围隔实验水样和现场调查采集水样进行分析,有效实现了浮游藻群落组成的识别测定,尤其是硅藻和甲藻的分类识别。     

粒子群优化算法在混合气体红外光谱定量分析中的应用

通过将粒子群优化技术及BP神经网络技术相结合,建立了三种烃烷混合气体的红外光谱定量分析模型。混合气体主要由甲烷、乙烷、丙烷三种组分气体组成,三种组分气体浓度范围分别为0.01%～0.1%。文章首先采用主成分分析技术从红外光谱1 866个数据中提取了5个特征变量作为神经网络的输入,将气体浓度作为网络输出。然后将粒子群优化算法与BP神经网络技术相结合,对网络的隐含层节点数进行了优化选择。再对结构优化后的网络进行训练,建立气体分析模型。分析模型的标准气体验证实验结果表明,采用此方法建立混合气体红外光谱定量分析模型所用时间(大约4 600 s)比单纯采用BP神经网络进行遍历优化建模所用时间(大约24 500 s)降低5倍以上,模型预测精度水平相当,网络结构大致相同,具有一定的实践意义和应用潜力。     

面向XRF的竞争性自适应重加权算法和粒子群优化的支持向量机定量分析研究

研究高效、准确、便捷的土壤重金属检测方法对于了解土壤的污染状况以及开展污染防治工作具有重要的意义。由于X射线荧光光谱分析(XRF)技术具备快速、准确、无损检测、样品制备简单等优势,在土壤重元素定量检测获得广泛应用。XRF仪器测试标准样品的荧光光谱并建立校准曲线,通过反演计算得到待测样品的元素含量。由于样品元素间存在基体效应,以及荧光谱特征峰存在叠加干扰,未经优化的校准曲线的线性度较差,这给反演计算来困难。为了解决上述问题,分别利用小波变换、非对称加权惩罚最小二乘法(arPLS)对光谱进行去噪和扣除本底基线,提高校准曲线的决定系数(R²);运用竞争性自适应重加权算法(CARS),针对不同目标元素优化变量选取;进一步地,基于选取的变量建立粒子群算法(PSO)优化的支持向量机回归(SVR)模型,并通过该模型反演计算各元素含量,提高定量分析的准确度和预测的泛化能力。实验结果显示,经过小波去噪和arPLS本底扣除后的校准曲线的决定系数(R²)有明显提升,Cr、Cu、Zn、As、Pb分别从0.965、0.979、0.971、0.794、0.915提高为0...     

利用同步荧光光谱快速鉴别潲水油

为快速鉴别潲水油,采用三维同步荧光光谱结合平行因子法解析潲水油的特征波长差(Δλ),并利用支持向量机建立潲水油鉴别模型。结果表明,潲水油的特征Δλ为60 nm;特征Δλ下的样品原始同步荧光光谱经过主成分分析提取5个主成分,以径向基函数(RBF)为核函数,利用网格搜索和6-fold交叉验证优化建模参数,得到惩罚因子C=512、核参数g=0.5,该条件下建立的模型对训练集和预测集的判别率均达到100%。采用同步荧光光谱可以快速、准确地鉴别潲水油。     

基于APTLD的猪肉中莱克多巴胺残留含量的三维同步荧光光谱快速测定

应用三维同步荧光光谱法结合交替惩罚三线性分解(APTLD)来建立猪肉中莱克多巴胺残留含量的定量测定模型,以实现猪肉中莱克多巴胺残留含量的快速测定。首先分析了莱克多巴胺的荧光光谱产生机理和样本的三维同步荧光光谱;其次对猪肉提取液中的莱克多巴胺荧光的浓度猝灭现象进行了分析;然后应用核一致诊断法确定了APTLD的三线性分解组分数为2,并建立了猪肉提取液中莱克多巴胺的相对荧光峰值强度与训练样本中莱克多巴胺的相对荧光峰值强度之间的标定曲线,用于待测样本中的相对荧光峰值强度的校正;最后,建立了基于APTLD的猪肉中莱克多巴胺残留含量的三维同步荧光光谱预测模型。试验结果表明,该方法可以较好的解决猪肉样本中莱克多巴胺与背景之间的同步荧光光谱严重重叠的问题,省去了一些烦琐的“化学分离”过程,模型预测集的决定系数(R2)和均方根误差(RMSEP)分别为0.986 3和0.496 6 mg·L-1,达到了猪肉中莱克多巴胺残留含量快速定量测定目的。     

应用近红外光谱对低碳数脂肪酸含量预测

应用近红外光谱技术结合支持向量机回归(support vector machine regression, SVR)方法测量食用植物油脂低碳数脂肪酸(C≤14)含量。使用SupNIR-5700近红外光谱仪采集58个样品的近红外光谱图,通过偏最小二乘(partial least square, PLS)算法剔除奇异样品。选择其中具有代表性的52个样品进行主成分分析(principal component analysis, PCA),选取径向基(radial basis function, RBF)核函数建立支持向量机回归模型,并对光谱预处理方法和参数寻优方法进行了详细的分析和讨论。实验表明,经过粒子群算法(particle swarm optimization, PSO)优化后模型的性能都有所提高,泛化能力更强,预测的准确度和稳健性更好;其中预处理方法2经过PSO优化寻优后的参数C=2.085, γ=22.20时,预测集和校正集相关系数(correlation coefficient, r)分别达到了0.998 0和0.925 8,均方根误差(root mean square error, MSE)分别为0.000 4和0.014 3。研究结果表明,应用近红外光谱结合PSO-SVR方法进行食用植物油脂低碳数脂肪酸含量快速、准确的预测是可行的。     

一种基于多准则决策和PSO-LM混合优化算法的多峰Brillouin散射谱的特征提取方法

采用传统方法对多峰Brillouin散射谱进行拟合的过程中,通常是以谱线最大功率点为基准的,却忽略了其他比该点小但却是极值的功率点。这样获得的拟合曲线通常只有一个峰值,相当于把除最高峰之外还有多个小峰的多峰Brillouin散射谱进行了简化,导致大量有用信息的丢失。为了提高Brillouin散射谱的特征提取精度,提出了一种基于MCDM和PSO-LM混合优化算法的多峰Brillouin散射谱特征提取方法(MCDM-PSO-LM)。MCDM可以识别和准确定位多峰Brillouin散射谱的各个波峰和波谷;PSO-LM混合优化算法可以实现分别对各个波峰和波谷的曲线进行拟合并找到每一个波峰的中心频率,该算法既克服了PSO算法过早收敛于局部极值和LM算法依赖初值的问题,又可以将PSO算法的全局搜索能力和LM算法的局部收敛能力结合在一起。较传统算法而言,MCDM-PSO-LM算法保证了对最优值求解的速度和精度,提高了运算能力,使解析解最大限度地接近最优值。分别在不同信噪比和不同线宽条件下进行仿真验证,频移和温度误差分析结果表明,MCDM-PSO-LM方法可以对多峰Brillouin散射谱的各个波峰与波谷进行准确定位,可用于多峰Brillouin散射谱的特征提取,识别效果明显强于传统算法,提高了信息分析的准确性。     

粒子群和GMM-SDR模型在重叠谱峰解析中的应用

针对X光谱分析研究中经常遇到的谱峰重叠问题,提出了一种基于标准差关联的高斯混合模型(GMM-SDR)和粒子群算法的重叠谱峰解析方法。首先,介绍了重叠峰的GMM-SDR模型,并以GMM-SDR参数构成粒子位置,给出了粒子目标函数及适应度值的快速算法;然后,利用粒子群算法的群体搜索能力,以搜索最优GMM-SDR模型,进而实现重叠峰的分解。初始值采用随机设定,将测量的所有随机数据作为一个整体,以其对模型的概率匹配程度作为适应度值,故该方法避免了初值设定不当带来的局部收敛问题,克服了传统曲线拟合方法对原始有用数据的破坏,所搜索到的模型是一个全局最优解。通过对四个及以下重叠谱峰的分解表明,该方法分解精度较高,其中,两峰重叠谱分解后的峰位、峰面积及标准差最大相对误差分别为0.4%,0.05%和2.07%,三峰重叠谱分解后的峰位、峰面积及标准差最大相对误差分别为1.2%,0.04%和0.74%,可适用于各种严重重叠谱峰的分解。     

基于粒子群优化的最小二乘支持向量机在混合气体定量分析中的应用

针对混合气体建模过程中最小二乘支持向量机参数难以确定及红外光谱数据计算量过大的问题,提出一种粒子群优化的最小二乘支持向量机方法,用于建立基于主成分分析特征提取的红外光谱多组分气体定量分析模型。首先对主吸收峰区域的550个红外光谱数据利用主成分分析技术进行了特征提取,将降维得到的7个特征值作为模型的输入变量从而有效地降低了计算量。混合气体主要由浓度范围分别是0.1%～1%的甲烷、乙烷及0.1%～1.5%的丙烷三种组分气体组成。采用最小二乘支持向量机技术分别建立了各组分气体的定量分析模型,利用粒子群优化算法对最小二乘支持向量机算法中的参数进行了优化选取,取代了传统的遍历优化方法,然后利用取得的最优参数重建定量分析模型。实验结果表明,采用此方法离线建模所用时间比采用遍历优化方法节省40倍以上,预测结果误差水平相当,满足实测要求。粒子群优化算法在全局优化及收敛速度方面具有较大优势。粒子群优化算法与最小二乘支持向量机技术相结合用于混合气体定量分析是切实可行的,具有一定的实际意义和应用价值。     

同步荧光光谱比率法检测过氧亚硝酸根及其清除剂的研究

利用同步荧光光谱建立了一种新的荧光比率法检测过氧亚硝酸根(ONOO－)及评价其清除剂的方法。酪氨酸自身有荧光,在pH 8.5的磷酸缓冲溶液中,酪氨酸与CO₂和ONOO－反应生成强 荧光的酪氨酸二聚体,利用同步荧光光谱技术, 在荧光发射光谱中能同时获得酪氨酸单体(λ_em=364 nm)与二聚体的荧光峰(λ_em=406 nm),且两峰的荧光强度的比值与ONOO－的浓度呈计量相 关。结果表明荧光强度的比值不受实验参数改变的影响,与传统的荧光法相比,有利于扩大检测的线性范围,提高灵敏度。荧光强度的比值与ONOO－的浓度在1.60×10－7 mol·L-1～6.00× 10－6 mol·L-1范围内呈线性关系,线性相关系数为0.999,检测限为1.84×10－8 mol·L-1。对浓度为1.00×10－6 mol·L-1 ONOO－ 平行测定8次,其相对标准偏差为2.4％。利用该法测得抗癌药米托蒽醌的IC₅₀为0.065 μg·mL-1。方法简便易行,试剂廉价易得,体系稳定,可作为一种检测ONOO-及筛选其清除剂的方法。