一种高锌背景下痕量钴离子浓度分光光度测量法

在分光光度法分析高浓度锌溶液中痕量钴离子浓度的过程中,由于基体离子Zn(Ⅱ)与待测离子Co(Ⅱ)化学性质相近且基体离子浓度过高,导致Co(Ⅱ)的光谱信号与Zn(Ⅱ)的光谱信号重叠,大部分Co(Ⅱ)的光谱信号被Zn(Ⅱ)的光谱信号掩蔽,在部分波长段溶液的吸光度与浓度呈现很强的非线性,混合溶液加和性不佳,因此无法通过全波段信息实现痕量Co(Ⅱ)浓度的检测。该研究提出了间隔相关系数-偏最小二乘法对溶液的紫外可见光光谱进行波长点的筛选并建立吸光度-浓度模型。首先设计实验获取锌钴混合溶液光谱图;其后使用间隔分区的方法根据预测均方根误差这一指标挑选出Co(Ⅱ)的最优特征区间段,以减少高浓度锌液的掩蔽作用并去除空白信息;再在Co(Ⅱ)敏感区域使用相关系数法对吸光度矩阵进行波长点的精选,所筛选出的点能最大程度保留Co(Ⅱ)灵敏度和线性度; 最后利用筛选出的波长建立PLS模型并计算出Co(Ⅱ)浓度。将所提方法与全波段偏最小二乘,分区偏最小二乘,蒙特卡罗无信息变量消除偏最小二乘及竞争自适应加权偏最小二乘进行了分析比较,结果表明所提出的方法所需波长数分别减少89.1%,40%,72.3%和81.7%,模型精度分别提高64.6％,33.3%, 38.7%和24.3%,样本最大相对误差5.45%,平均相对误差2.21%,妥善的解决了高浓度锌液背景下痕量钴离子浓度检测问题。     

基于特征区域下凸点提取的藻类荧光光谱波长选择方法

藻华现象的频繁发生严重影响了海洋环境和人类的生产活动,因此对水体浮游植物的监测十分重要。三维荧光光谱被广泛应用于水体浮游植物中藻类的群落组成分析和浓度定量分析,然而三维荧光光谱数据中的信息冗余给藻类定性定量分析带来了一定的影响。针对光谱信息冗余问题,提出了特征区域积分与凸点提取相结合的三维荧光光谱波长选择方法。以抑食金球藻、细长聚球藻、小球藻为研究对象,采用Savitzky-Golay卷积平滑法对三维荧光光谱进行预处理,解决了因外界因素造成的光谱噪声问题,采用马氏距离法剔除三维荧光光谱数据集中的异常光谱样本,运用浓度残差法剔除三维荧光光谱数据集中的异常浓度值样本,然后通过偏最小二乘回归模型的内部交叉验证均方根误差衡量不同特征区域下凸点的可靠性进行波长变量的选择。为验证波长筛选方法的有效性,对三种藻类建立偏最小二乘回归模型,以内部交叉验证决定系数(R²)、内部交叉验证均方根误差(RMSECV)作为模型评价指标。与全光谱数据建立的回归模型进行了比较,抑食金球藻、小球藻、细长聚球藻的波长变量由全谱的1071个分别减少到77个、 75个、 67个,R²     

特征变量优选在苹果可溶性固形物近红外便携式检测中的应用

为实现苹果可溶性固形物(SSC)的便携式快速检测,利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统,结合无信息变量消除(UVE)、遗传算法(GA)、竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。另外,采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量,分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。试验结果表明,经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好,其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。利用该检测装置结合GA-CARS筛选的特征波长,可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度,为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。     

温室黄瓜病虫害的叶绿素荧光光谱分析

基于叶绿素荧光光谱分析技术,从光谱形态角度出发确定了波长685 nm作为健康与病虫害叶片分析的第一特征点,采用简单波段自相关选择与主成分分析方法相结合实现对光谱的降维处理,并在保持光谱信息达到99.999%的前提下将主成分因子个数由10降为5。对比分析了偏最小二乘回归、BP神经网络和最小二乘支持向量机回归三种建模方法,以真实值与模型预测值的相关系数作为评价标准,最终确定最小二乘支持向量机为温室黄瓜病虫害叶绿素荧光光谱分析的一种较为适宜的建模方法。     

基于区间组合移动窗口法筛选近红外光谱信息

近红外光谱信息的筛选方法是近红外光谱技术简化模型和提高预测精度的重要手段,为选择近红外光谱分析中最优的建模光谱波段,提出区间组合移动窗口偏最小二乘法(SCMWPLS)。该方法通过大小连续变化的移动窗口和交叉有效性筛选出连续的建模区间。以葡萄糖溶液的近红外光谱为测试对象,分别采用所提方法以及传统的间隔偏最小二乘法(IPLS)和窗口移动偏最小二乘法(MWPLS)建立近红外光谱预测模型。所提方法与传统的间隔偏最小二乘法和窗口移动偏最小二乘法模型相比,预测均方根误差分别降低了44%和25%。     

高光谱成像技术检测高温障碍胁迫下番茄叶片色差的研究

提出了利用可见/近红外高光谱成像技术检测高温障碍胁迫下番茄叶片色差的方法。首先采集380~1 023 nm波段范围内60个高温障碍胁迫和60个健康番茄叶片的高光谱图像,同时获取全部叶片的色差值(L*, a*和b*),然后提取所有样本的高光谱图像中感兴趣区域(region of interest, ROI)的光谱反射率值。基于不同预处理方法建立偏最小二乘(partial least squares, PLS)预测模型,再利用连续投影算法(successive projections algorithm, SPA)提取特征波长并建立SPA-PLS预测模型。最后分别基于全波段和特征波段建立偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)模型。结果显示,全波段中基于原始光谱信息建立的模型效果最好,3个色差值的预测集决定系数(determination coefficient, R2)分别是0.818,0.109和0.896;基于特征波长建立的模型预测集R2分别是0.591,0.244和0.673;所有模型预测集的总体识别率均大于77.50%。结果表明,可见/近红外高光谱成像技术检测番茄叶片色差值(L*和b*)和识别高温障碍样本是可行的。     

用遗传算法快速提取近红外光谱特征区域和特征波长

提出了一种遗传区间偏最小二乘法(GA-iPLS),并用该方法快速提取苹果糖度近红外光谱的特征区域,在此基础上采用遗传偏最小二乘法(GA-PLS)提取苹果糖度近红外光谱的特征波长,进行苹果糖度预测。结果表明,整个光谱等分为40个子区间,遗传区间偏最小二乘法能快速寻找出5个特征子区间(第4,6,8,11,18号);在5个特征子区间的基础上用遗传偏最小二乘法继续优化,从中提取44个特征波长。建立在5个特征子区间和44个特征波长上的偏最小二乘法模型精度均优于全光谱偏最小二乘法模型,对预测集的预测相关系数提高了近10%;且模型得到了很大的简化,用于建模的主因子数减少了7个。这些结果表明,用这两种方法不但可以建立简洁、数据运算量少的模型,还可以快速地提取近红外光谱的特征区域和特征波长。     

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像, 提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集, 其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型, 并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长, 并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型, 但是仅用12个变量代替了全波段的151个变量, 大大简化了模型, 更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(Rp)分别为0.92和0.93, 预测均方根误差(RMSEP)分别为1.31%和1.18%, 取得了满意的结果。研究表明, 近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量, 为鱼肉品质的快速监测提供重要的参考。     

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像,提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集,其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型,并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长,并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型,但是仅用12个变量代替了全波段的151个变量,大大简化了模型,更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(R_p)分别为0.92和0.93,预测均方根误差(RMSEP)分别为1.31%和1.18%,取得了满意的结果。研究表明,近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量,为鱼肉品质的快速监测提供重要的参考。     

基于高光谱图像和偏最小二乘的羊肉pH值特征波段筛选研究

波段筛选方法的选取以及随后的光谱特征波段的提取对高光谱模型效果的影响较大。为了快速准确检测羊肉的pH值,开展并讨论了利用两种特征波段筛选方法对羊肉pH值高光谱模型的影响研究。本研究采用二阶导数(2D)、多元散射校正(MSC)和中心化处理(mean-centering)相结合的方法对所提取纯肌肉部分的代表性光谱进行预处理,利用联合区间偏最小二乘(siPLS)和联合区间偏最小二乘结合遗传算法(siPLS-GA)对全波段473～1000 nm范围光谱进行特征波段的提取,并分别建立相对应特征波段范围羊肉pH的PLS预测模型,同时与全波段的PLS模型效果相比较。结果表明采用siPLS-GA提取的特征波长建立的PLS模型效果最优,其选取的特征波长点数为56,校正集相关系数(R_cal)和均方根误差(RMSEC)分别为0.96和0.043,预测集相关系数(R_P)和均方根误差(RMSEP)分别为0.96和0.048。siPLS-GA方法既能够减少建模使用的光谱变量,又可以提高模型精度,因此利用高光谱图像技术结合siPLS-GA可以实现羊肉pH的特征波段筛选和快速准确检测。     

基于遗传算法和间隔偏最小二乘的苹果硬度特征波长分析研究

利用傅里叶近红外光谱(FT-NIRS)测定了苹果的硬度。通过使用几种基于遗传算法和间隔偏最小二乘法的特征波长选取方法,包括动态向后间隔偏最小二乘(dynamic backward version of interval PLS,dynamic biPLS)、动态向后间隔偏最小二乘结合遗传算法(dynamic biPLS & GA-PLS)和反复的遗传算法(iterative GA-PLS),分析了苹果硬度的特征波长。结果表明,运用遗传算法和间隔偏最小二乘选择特征波长后,不但可以降低模型的复杂度,同时能够达到提高模型预测精度的效果。在此基础上,研究分析了苹果硬度特征波长的物理化学意义。由于果胶是在苹果成熟过程中一种和硬度有很大关联的物质,通过比较苹果硬度的特征波长和果胶的特征吸收峰,发现两者具有有很好的一致性。因此,采用遗传算法和间隔偏最小二乘法得到的苹果硬度的特征波长能够反映果胶的吸收信息,从而解释了近红外技术检测苹果硬度的机理。     

二维相关光谱技术在含能材料快速分析中的应用研究

以单基发射药为研究对象,制备了二苯胺(DPA)含量范围为0.8%~6%的40个发射药样品,获得其在不同二苯胺含量下的动态近红外光谱,并以二苯胺为外扰,采用二维相关光谱技术对吸收峰进行准确归属,提取了二苯胺的特征波段(4 575~4 960,5 330~5 835,6 050~6 650和6 735~7 080cm-1)。以二维相关谱提取的特征波段和间隔偏最小二乘(iPLS)及反向间隔偏最小二乘(BiPLS)筛选的特征波段分别建立二苯胺偏最小二乘模型,模型的相关系数Rc和Rp均大于0.98,均方根误差RMSEC、RMSECV和RMSEP均较小,说明二维相关光谱技术提取的特征波段建立的二苯胺定量模型与iPLS和BiPLS模型的预测性能均较优,这提高了建模波段选择的化学解释性。该技术为快速分析含能材料提供了一种途径。     

一种用于可见-近红外光谱特征波长选择的新方法

提出了一种基于模拟退火(SA)算法和最小二乘法支持向量机(LS-SVM)选择可见一近红外光谱特征波长的新方法(SA-LS-SVM).该方法用LS-SVM作为识别器,用识别率作为SA的目标函数,提取合适的特征波长数以及对应的特征波长.3种不同品牌的润滑油可见-近红外光谱的特征波长分别用SA_LS-SVM,主成分回归分析(PCA)和偏最小二乘法(PLS)进行处理,提取特征波长或主成分,然后结合反向传播人工神经网络(BP-ANN)对各种处理方法进行识别预测.结果发现,SA-LS-SVM只需从751个数据光谱中提取4个特征波长,就可以使三种品牌润滑油的识别率达到了100%,而其他所有的方法发现预测率都达不到100%,由此验证了SA_LS-SVM的优越性.实验结果表明,SA-LS-SVM不仅能有效地减少建模的变量数,而且可以提高预测精度.     

基于近红外光谱分析技术测定库尔勒香梨硬度

采用近红外(NIR)漫反射光谱法对新疆特色梨果库尔勒香梨的五种不同果（包括青头、粗皮、脱萼、宿萼、突顶果）的硬度进行测定。由于近红外光谱数据量大且原始光谱噪声明显、测定水果时散射严重等导致光谱建模时关键波长变量提取困难。以新疆库尔勒香梨为研究对象,为了有效地消除固体表面散射以及光程变化对NIR漫反射光谱的影响,首先采用标准正态变量变换（SNV）和多元散射校正（MSC）对库尔勒香梨的原始光谱进行预处理。为寻找适合近红外光谱检测库尔勒香梨硬度的最佳特征波长筛选方法,进行香梨近红外光谱的特征波长变量选择方法的比较与研究。研究比较了两种特征波长筛选方法对库尔勒香梨硬度偏最小二乘法（PLS）建模精度的影响。同时使用反向偏最小二乘（BiPLS）和遗传算法结合反向偏最小二乘（BiPLS-GA）在全光谱范围内筛选香梨硬度的特征波长变量,将校正均方根误差（RESMC）、预测均方根误差（RESMP）以及决定系数（R2）作为模型的评价标准,并最终确定最优波段选择方法及最佳预测模型。基于选择的特征波长变量建立的PLS模型（BiPLS-GA）与全光谱变量建立的PLS模型进行比较发现BiPLS-GA模型仅仅使用原始变量中6.6%的信息就获得了比全变量PLS模型更好的库尔勒香梨硬度的预测结果,其中R2,RMSEC和RMSEP分别为0.91,1.03和1.01。进一步与基于反向偏最小二乘算法（BiPLS）获得的特征变量建立的PLS模型比较发现,BiPLS-GA不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,使得建模变量从301个减少到20个。极大地简化模型的同时有效地提高了模型的预测精准度和稳定性。因此该方法能够有效地用于近红外光谱数据变量的选择。证明了近红外光谱分析技术结合BiPLS-GA模型能够高效地选择出建模变量,去除与库尔勒香梨硬度无关的近红外光谱信息,显著地提高库尔勒香梨硬度定量模型的预测精度。这不仅为新疆地区特色梨果库尔勒香梨的快速、精确、无损优选分级提供一定的技术支持,同时也为基于近红外光谱分析技术预测水果内部品质的研究提供了参考。     

RMSECV曲线筛选光谱波段算法

提出了一种利用偏最小二乘回归系数矩阵筛选光谱波段的算法。该算法利用偏最小二乘回归系数作为筛选光谱波长的依据,参考(root-mean-squares error of cross-validation,RMSECV)曲线,使初选波长数大大降低。在此基础上通过循环选择将无效信息光谱波长剔除,同时增强了所建模型的预测精确性。通过生产过程的Raman光谱数据验证,该算法比传统的利用回归系数筛选波长的算法更好地提高了模型的精确性,同时降低了模型的复杂程度,是一种高效实用的算法。     

中红外光谱技术在浓香型白酒原酒关键指标分析中的应用

基于中红外光谱分析技术对浓香型白酒原酒中总酸及己酸乙酯的关键指标含量进行检测分析,采用标准正态变换(SNV)方法对数据进行预处理,结合组合间隔偏最小二乘波段选择法(SiPLS)及遗传算法(GA)对各指标的特征吸收波长进行筛选,最终采用偏最小二乘法(PLS)建立分析模型,通过决定系数R2、预测标准偏差(RMSEP)、性能...     

改进偏最小二乘法在近红外牛奶成分测量中的应用

采用NicoletNexus870红外-近红外傅里叶变换光谱仪测量了36个市售巴氏杀菌纯牛乳样品的透射光谱。在近红外光谱1254～1875nm和2045～2372nm波段内,为了选择携带信息量大的波长区域,采用改进偏最小二乘回归法,包括间隔偏最小二乘法、移动窗口偏最小二乘法和可变窗宽移动窗口偏最小二乘法对巴氏杀菌纯牛乳中脂肪、蛋白质及乳糖成分分别建立模型,进行了分析和比较,结果表明,采用改进偏最小二乘法所选出的波长区与目标值的相关程度高,可以较好地建立牛奶的预测模型。     

高光谱成像技术结合特征提取方法的草莓可溶性固形物检测研究

采用高光谱成像技术结合不同的特征提取方法,实现了对草莓可溶性固形物含量的检测。通过提取154颗成熟无损伤草莓的高光谱图像的874～1 734 nm范围光谱信息,对941～1 612 nm光谱采用移动平均法(moving average,MA)进行预处理。基于残差法剔除19个异常样本后将剩余135个样本分为建模集(n=90)和预测集(n=45)。采用连续投影算法(successive projections algorithm, SPA),遗传偏最小二乘算法(genetic algorithm-partial least squares, GAPLS)结合连续投影算法(GAPLS-SPA),加权回归系数(weighted regression coefficient, Bw)以及CARS法(competitive adaptive reweighted sampling)选择特征波长分别提取14,17,24与25个特征波长,并采用主成分分析(principal component analysis, PCA)与小波变换(wavelet transform, WT)分别提取20与58个特征信息。分别基于全波段光谱、特征波长与特征信息建立PLS模型。所有模型都取得了较好的效果,基于全波段光谱的PLS模型与基于WT提取的特征信息的PLS模型的效果最优,建模集相关系数(r_c)与预测集相关系数(r_p)均高于0.9。结果表明高光谱成像技术结合特征提取方法可用于草莓可溶性固形物含量的检测。     

基于tri-PLS模型的油类混合物三维荧光光谱及其成分的研究

提出了一种光谱重叠的多种矿物油混合物组分含量测定的新方法。将偏最小二乘方法(PLS)推广至三维扩展(tri-PLS),不需要解决特征值问题。利用该方法对柴油、汽油和煤油混合物的三维荧光光谱进行研究,根据样本序列、激发波长、发射波长构造出三维数据矩阵,结合浓度矩阵应用tri-PLS法建立校正模型,对实验样本进行预测,实验结果表明tri-PLS方法的建模精度比常用的平行因子法优越。     

应用荧光相关光谱测定L-色氨酸的浓度

应用FLS920P型荧光光谱仪对L-色氨酸溶液进行三维荧光光谱检测,从中发现：L-色氨酸的特征荧光峰位于270/350 nm。设定发射波长为350 nm,测量激发谱。由测量结果发现在250~260 nm区间,谱线斜率较大、线性度好。因此选取250,255和260 nm三个激发波长,在每个激发波长下分别测量相应的荧光发射谱。基于三条不同的荧光发射谱,构建以激发波长为外扰变量的自相关光谱;而以浓度为外扰变量的自相关光谱,是以超纯水在不同激发波长的平均谱作为参考光谱,通过参考光谱与样本平均谱的相关计算得到。在此基础上,将相关光谱数据分别与偏最小二乘回归(PLSR)和径向基神经网络(RBFNN)相结合,建立溶液中L-色氨酸含量的预测模型,研究结果表明：采用浓度为外扰变量构造的荧光相关光谱信噪比较高,建模的预测效果要好;而在外扰变量相同时,基于径向基神经网络建立的预测模型比基于偏最小二乘回归建立的预测模型对溶液中L-色氨酸浓度的预测结果更为准确。其中,以浓度为外扰变量时的径向基神经网络预测模型准确度最高,该模型的预测相关系数为99.91%,预测均方根误差为0.033 μg·mL-1。研究结果表明,使用该方法能够对溶液中的物质含量进行准确测定,可为食品安全监管提供帮助。