基于便携式近红外光谱仪的重金属离子定量分析研究

近红外光谱分析技术凭借分析速度快、样品预处理简单等特点,被广泛用于农业、医药、环境、石油化工等领域。为实现高效率的现场检测,便携式的近红外光谱仪越来越备受关注。由于近红外光谱分析技术能够对多组分同时进行测定,因此在该研究中使用便携式近红外光谱仪探索同时对稀溶液中多种重金属离子定量分析的可行性。使用胺基改性聚合淀粉富集水中的镍离子和铜离子,然后使用便携式近红外光谱仪直接采集胺基改性聚合淀粉的近红外漫反射光谱,再借助光谱预处理方法和偏最小二乘回归法建立模型,最后通过交叉验证和外部验证证明所建立模型的稳定性。结果表明,在其他干扰离子存在下,氨基改性聚合淀粉仍能分别以99.5%和99.8%高效率地富集稀溶液中的镍离子和铜离子。便携式光谱仪采集的近红外漫反射光谱分别经连续小波变换和多元散射校正结合卷积求导光谱预处理之后,使用偏最小二乘回归能够得到相关系数分别为0.981 9和0.965 4的稳健模型,实现了对稀溶液中镍离子和铜离子的同时测定,并且检测到的镍离子和铜离子的最低浓度均为3.0 mg·L-1。该方法不仅提高了近红外光谱分析技术的检测灵敏度,同时也表明了便携式近红外光谱仪对多种重金属离子同时定量分析的可行性,是一种拓宽近红外光谱分析技术的有益探索。     

免疫算法: 一种新的多组分重叠色谱信号的解析方法

色谱及其联用技术的快速发展使其成为复杂样品分析的重要手段,但在复杂样品分析中仍难以避免多组分色谱信号的重叠。化学计量学利用数学方法对复杂重叠信号进行解析,为复杂样品的色谱分析提供了新的手段。本文对免疫算法研究的近期进展进行了总结,并以具体的实例介绍了其在多组分重叠色谱信号解析方面的应用。     

有机结构的二维图形输入法

有机结构的计算机输入方法有关联表法、编码法及图形法。三种方法比较:关联表法预处理时间长,输入烦琐,但转换程序简单;编码法是具有一定语法规则的符号输入法,其形式十分简单,输入时间短,但预处理时间长,还需掌握一套语法规则;图形法直观易学,     

分子三维模型建造系统中的知识表示与获取

分子三维图形生成中常用的模板法和生成法均是以一定的模板作为知识,以已有的知识去构造未知的分子模型。因此如何构造知识库以及如何从知识库中获取所需的知识关系到整个系统的模型建造速度;另外,评价知识库的一个重要标志是其可扩充性,亦即系统的学习功能。因为任何一个知识库不可能包括所有的模板或者由已知的模板去构造任意一个复杂的分     

随机共振与仪器分析中弱信号的检测

样品分析过程中，往往得到背景噪声很强的信号，尤其在微量和痕量水平；当信号的信噪比很小时，通常的方法不能满足检测要求，该文基于随机共振理论提出了一种新的弱信号的检测方法并对相关参数进行了讲座主；方法是通过噪声的协调作用，获得系统的“共振”，从而实现弱信号的检测，应用于模拟和实验信号的处理结果证明了方法的可行性。     

可解释深度学习在光谱和医学影像分析中的应用

深度学习是一种基于神经网络的建模方法,通过不同功能感知层的构建获得优化模型,提取大量数据的内在规律,实现端到端的建模。数据规模的增长和计算能力的提高促进了深度学习在光谱及医学影像分析中的应用,但深度学习模型可解释性的不足是阻碍其应用的关键因素。为克服深度学习可解释性的不足,研究者提出并发展了可解释性方法。根据解释原理的不同,可解释性方法划分为可视化方法、模型蒸馏及可解释模型,其中可视化方法及模型蒸馏属于外部解释算法,在不改变模型结构的前提下解释模型,而可解释模型旨在使模型结构可解释。本文从算法角度介绍了深度学习及三类可解释性方法的原理,综述了近三年深度学习及可解释性方法在光谱及医学影像分析中的应用。多数研究聚焦于可解释性方法的建立,通过外部算法揭示模型的预测机制并解释模型,但构建可解释模型方面的研究相对较少。此外,采用大量标记数据训练模型是目前的主流研究方式,但给数据的采集带来了巨大的负担。基于小规模数据的训练策略、增强模型可解释性的方法及可解释模型的构建仍是未来的发展趋势。     

近红外光谱用于低温水结构的分析

采用近红外光谱分析并结合拉曼光谱和分子动力学模拟研究了二甲基亚砜(DMSO)-水混合物中水在低温时的结构, 对DMSO降低水冰点的机理进行了讨论. 通过对不同DMSO含量混合物的近红外和拉曼光谱分析, 发现了DMSO与水相互作用的光谱信息, 表明DMSO与水在混合物中主要以摩尔比1∶2和2∶1的氢键结构(DW2和D2W)的形式存在, 结构形式主要取决于DMSO和水在混合物中的比例. 通过对水和30%(摩尔分数)DMSO-水混合物的温控近红外光谱分析, 发现DW2结构抑制四面体水结构的形成是混合物冰点降低的主要原因. 采用分子动力学模拟对DMSO-水混合物体系进行的模拟进一步证明了结论的可靠性.     

小波变换及其在色谱重叠峰解析中的应用

本文介绍了小波分析的基本原理、计算方法及其在色谱重叠峰解析中的应用。显示了小波分析的特点，表明了小波分析用于重叠峰的解析与传统的方法相比具有其优越性。     

近红外光谱与多元统计方法用于生产过程实时分析

近红外漫反射光谱快速、无损且适用于实际复杂样品分析等特点被广泛应用于在位和在线分析。基于近红外光谱漫反射技术和多元统计过程分析方法建立了一种适用于生产过程分析与在线实时监测新方法。该方法实时采集生产过程中物料的近红外光谱,并利用已建立的模型计算统计量Hotelling T2对生产过程进行实时评价。模型的建立采用了主成分分析,统计量根据实时光谱在主成分模型上投影进行计算。实际应用表明,利用该方法可以根据统计量实时监测生产过程中物料的变动情况,并根据不同批次统计量的进一步统计实现批次间的相对稳定性分析。因此,该方法可作为生产过程质量控制的良好手段。     

偏最小二乘回归用于近红外光谱分析的稳健策略

偏最小二乘法（PLS）在近红外光谱（NIR）定量分析中占有重要地位,但预测结果往往容易受到样本分组和奇异样本等因素的影响,稳健性不强。多模型PLS (EPLS）方法在模型稳健性上得到提高,然而它无法识别样本中存在的奇异样本。为了同时提高模型的预测准确性和稳健性,本文提出了一种根据取样概率重新取样的多模型PLS方法,称为稳健共识PLS（RE-PLS）方法。该方法通过迭代赋权偏最小二乘法(IRPLS)计算样本回归残差得到每个校正集样本的取样概率,然后根据样本的取样概率来选择训练子集建立多个PLS模型,最后将所有PLS模型的预测结果平均作为最终预测结果。该方法用于两种不同植物样品的近红外光谱建模,并与传统的PLS及EPLS方法进行比较。结果表明该方法可以有效的避免校正集中奇异样本对模型的影响,同时可以提高预测精确度和稳健性。对于含有较多奇异样本的,复杂近红外光谱烟草实际样本,利用简单PLS或者EPLS方法建模预测效果不是很理想,而RE-PLS凭借其独特优势则有望在这种复杂光谱定量分析中得到广泛的应用。