排序方式: 共有31条查询结果,搜索用时 16 毫秒
1.
采用浸渍-提拉法制备了一系列石墨烯氧化物(GO)薄膜,并通过X射线衍射(XRD),扫描电镜(SEM),傅里叶变换红外光谱,紫外-可见吸收光谱和光电化学测量等技术对样品进行了表征.在GO电极上观察到阴极光电流,且光电流密度受薄膜的厚度影响.GO薄膜电极厚度为27nm时,光电流密度为0.25μA·cm-2.此外,GO电极的光电响应还受紫外光照影响,随着紫外光照时间的延长,阴极光电流逐渐减小.该工作提供了简便的通过控制薄膜厚度或紫外光照时间来控制GO薄膜半导体光电化学性能的方法. 相似文献
2.
3.
利用共轴双脉冲激光诱导击穿光谱( DP-LIBS)技术对植物油(大豆油、花生油和玉米油)中的重金属铬( Cr)含量进行定量分析。采用Ava-Spec双通道高精度光谱仪采集样品的LIBS光谱,然后通过其LIBS谱线图确定了CN分子谱线(421.49 nm)、Ca原子谱线(422.64 nm)及Cr的3条原子谱线(425.39、427.43和428.87 nm),根据上述谱线建立了Cr元素的单变量定标模型和最小二乘支持向量机(LS-SVM)校正模型,并用验证样品对它们进行检验。研究结果表明,对于单变量定标法,大豆油、花生油及玉米油验证样品的平均预测相对误差(PRE)分别为12.57%,12.11%和13.72%;对于三变量LS-SVM法,其定标样品真实值与预测值之间的拟合度 R2分别为0.9785,0.9792和0.9654,验证样品的平均 PRE 分别为8.92%,8.33%和10.98%;对于五变量LS-SVM法(增加两基体元素谱线变量),其定标样品真实值与预测值之间的拟合度R2分别为0.9895,0.9901和0.9855,验证样品的平均PRE分别为7.46%,8.96%和8.95%。由此可知,LS-SVM校正模型性能优于单变量定标法,且五变量LS-SVM校正模型性能优于三变量LS-SVM校正模型;采用LS-SVM法及引入合适的基体元素谱线( CN、Ca)能有效减小定量分析误差,提高LIBS技术对植物油中Cr含量预测的精度。 相似文献
4.
可见/近红外漫透射光谱结合CARS变量优选预测脐橙可溶性固形物 总被引:11,自引:0,他引:11
可溶性固形物(SSC)是脐橙重要内部品质之一。采用QualitySpec型光谱仪在350~1000 nm波段范围采集脐橙的可见/近红外漫透射光谱,采用CARS(competitive adaptive reweighted sampling)变量选择方法筛选出与脐橙SSC相关的重要变量,并与无信息变量消除(UVE)及连续投影算法(SPA)比较。最后,对选择的38个重要波长变量应用偏最小二乘(PLS)回归建立脐橙SSC预测模型,并对未参与建模的75个样品进行预测。研究结果表明,CARS方法优于UVE及SPA变量选择方法,能有效地筛选出重要波长变量。CARS-PLS建立的SSC预测模型优于全光谱的PLS模型,其校正集及预测集的相关系数分别为0.948和0.917,均方根误差分别为0.347%和0.394%。因此,可见/近红外漫透射光谱结合CARS方法可以预测脐橙可溶性固形物,CARS变量选择方法能有效简化预测模型和提高模型的预测精度。 相似文献
5.
采用可见/近红外光谱技术结合化学计量学方法对油茶籽油三元体系掺假进行定量检测研究。将菜籽油和花生油按不同比例掺入纯油茶籽油中,获得掺假样本。采集纯油茶籽油及掺假样本在350~1 800 nm范围内的可见/近红外光谱数据,随机分为校正集和预测集,并从不同建模波段、预处理方法及建模方法角度对掺假预测模型进行优化。研究结果表明,菜籽油、花生油和总掺伪量的最优建模波段及预处理方法分别为750~1 770,900~1 770 ,870~1 770 nm和多元散射校正(MSC)、标准归一化处理(SNV)和二阶微分,而最优的建模方法均为最小二乘支持向量机(LSSVM)。对于最优掺假模型,菜籽油、花生油和总掺伪量的预测集相关系数(Rp)和预测均方根误差(RMSEP)分别为0.963,0.982,0.993和2.1%,1.5%,1.8%。由此可见,可见/近红外光谱技术结合化学计量学方法可以用于油茶籽油的三元体系掺假定量检测。 相似文献
6.
利用激光诱导击穿光谱(LIBS)技术对大豆油中的重金属Cr进行检测研究。以松木木片对重金属Cr进行富集,采用AvaSpec双通道高精度光谱仪在206.28~481.77 nm波段范围内采集松木木片样本的LIBS光谱,利用无信息变量消除(UVE)方法筛选与重金属Cr相关的波长变量,应用偏最小二乘(PLS)回归建立大豆油中重金属Cr的定标模型,并与单变量及全波段PLS定标模型进行比较。结果表明,相比单变量及全波段PLS定标模型,UVE-PLS定标模型的性能更优,其相关系数、校正均方根误差、交互验证均方根误差及预测均方根误差分别为0.990,0.045,0.050及0.054 mg·g-1。经UVE变量筛选后,UVE-PLS定标模型所用的波长变量数仅为全波段PLS的2%。由此可见,UVE是一种有效的波长变量筛选方法,能有效筛选出与重金属Cr相关的波长变量。 相似文献
7.
利用双脉冲激光诱导击穿光谱(LIBS)技术对溶液中的倍硫磷含量进行定量检测。采用二通道高精度光谱仪采集不同浓度倍硫磷样品在206.28~481.77 nm波段的LIBS光谱,并对光谱进行多元散射校正(MSC)、标准正态变量变换(SNV)及3点平滑预处理,根据偏最小二乘(PLS)建模确定最优的预处理方法。在此基础上,利用竞争性自适应重加权算法(CARS)筛选与倍硫磷相关的重要变量,然后应用PLS回归建立溶液中倍硫磷含量的定量分析模型,并与单变量定量分析模型及未变量选择的PLS定量分析模型进行比较。结果表明,相比单变量定量分析模型及原始光谱PLS定量分析模型,CARS-PLS定量分析模型的性能更优,其模型的校正集和预测集的决定系数及平均相对误差分别为0.969 4、15.537%和0.995 9、5.016%。此外,与原始光谱PLS模型相比,CARS-PLS模型仅使用其中1.9%的波长变量,但预测集平均误差却由9.829%下降为5.016%。由此可见,LIBS技术检测溶液中的倍硫磷含量具有一定的可行性,且CARS方法能简化定量分析模型,提高模型的预测精度。 相似文献
8.
果皮对脐橙可溶性固形物可见/近红外检测精度的影响 总被引:3,自引:0,他引:3
利用可见/近红外半透射光谱技术对未剥皮(完整)和剥皮脐橙的可溶性固形物(SSC)进行检测,探索果皮对脐橙SSC检测精度的影响。采用QualitySpec型光谱仪获取未剥皮和剥皮脐橙在350~1 000 nm波段的可见/近红外光谱,并从光谱和模型性能两方面分析果皮的影响。对未剥皮和剥皮脐橙平均光谱进行比较,并提取前20个主成分进行多元方差分析;应用偏最小二乘(PLS)回归结合不同预处理方法分别建立未剥皮和剥皮脐橙SSC的预测模型,对预测模型性能进行比较,并对预测集样本的预测残差平方进行方差分析。结果表明,在5%置信水平下,果皮对脐橙SSC检测精度的影响是显著的。未剥皮和剥皮脐橙SSC的最优PLS模型的预测集相关系数和预测均方根误差分别为0.888,0.456%和0.944,0.324%。 相似文献
9.
利用共线双脉冲激光诱导击穿光谱 (LIBS)对溶液中的乐果含量进行定量检测。采用圆柱形桐木木片对农药乐果进行富集,然后利用双通道高精度光谱仪获取样本在206.28~481.77 nm波段范围的LIBS光谱。选用4条磷元素谱线(P Ⅰ 213.618 nm,P Ⅰ 214.91 nm,P Ⅰ 253.56 nm,P Ⅰ 255.325 nm)为分析线,碳元素谱线(C Ⅰ 247.856 nm)为内标线,应用单变量线性拟合及最小二乘支持向量机(LSSVM)方法分别建立溶液中乐果含量的单变量定标模型、LSSVM定标模型及基于内标法的LSSVM定标模型,并进行比较。三个定标模型中,基于内标法的LSSVM定标模型性能最优,LSSVM定标模型性能次之,而单变量定标模型性能最差。结果表明,共线双脉冲LIBS技术结合LSSVM及内标法可以用于溶液中的乐果含量定量检测,所建立的定标模型的决定系数为0.999 7,训练集和验证集的平均相对误差分别为11.24%及12.01%。LSSVM方法及内标法均能在一定程度上改善定标模型的性能,提高预测精度。 相似文献
10.
利用近红外光谱技术对食用植物油中反式脂肪酸(Trans fatty acids,TFA)含量进行快速定量检测,并通过波段选择、预处理方法、变量筛选及建模方法对TFA含量预测模型进行优化.采用AntarisⅡ傅里叶变换近红外光谱仪在4000~10000 cm-1光谱范围采集98个食用植物油样本的近红外透射光谱,然后采用气相色谱法测定TFA的真实含量.首先,对样本原始光谱进行波段、预处理方法优选;在此基础上,采用竞争自适应重加权法(Competitive adaptive reweighted sampling,CARS)筛选TFA相关的重要变量,最后应用主成分回归、偏最小二乘和最小二乘支持向量机方法分别建立食用植物油中TFA含量的预测模型.研究结果表明,近红外光谱技术检测食用植物油中的TFA含量是可行的,优化后的最佳预测模型的校正集和预测集R2分别为0.992和0.989,RMSEC和RMSEP分别为0.071%和0.075%.最佳预测模型所用的变量仅26个,占全波段变量的0.854%.此外,与全波段偏最小二乘预测模型相比,其预测集R2由0.904上升为0.989,RMSEP由0.230%下降为0.075%.由此表明,模型优化非常必要,CARS能有效筛选TFA相关的重要变量,极大减少建模变量数,从而简化预测模型,并较大提高预测模型的精度和稳定性. 相似文献