化学谱图重叠峰检测及基线校正

本文提出一种谱峰曲线与其一个阶差分曲线相结合的算法，经宽松变换处理后，用于区分化学谱图中谱峰的终点是否真正落回到基线上，并由此建立了一种具有健壮性的重叠峰检测方法和及时准确的谱图基线校正方法。由于此算法的阈值参数可以固定，从而保证了重叠峰检测较少地受到人为的影响，进一步提高了化学谱图数据处理的自动化水平。     

核磁共振谱自动基线校正新方法

该文提出一种新的核磁共振谱自动基线校正方法,该方法基于迭代移动平均值算法,改进了峰区域的基线识别,然后使用迭代方法进行基线建模.为了改进峰区域的基线建模结果,该方法结合了两种基线校正方法的优点,在基线识别过程选择了一系列位于峰区域的"基线定位点",然后和除了峰区域以外的基线点一起参与基线建模.该基线校正方法适用于NMR谱,即使在基线严重非线性失真的情况下也能得到理想的基线校正结果.     

一种用于一次谐波背景消除与基线校正的新型方法

针对可调谐半导体激光吸收光谱一次谐波信号中具有背景信号及较大的基线信号,提出一种新型的背景消除与基线校正的处理方法.分析了一次谐波背景中的激光器相关强度调制信号,电子学噪声和光学干涉条纹,采用无吸收谱线区域检测谐波方法消除背景信号.给出了激光器不同工作温度时的电流和强度之间的关系曲线,由此设计出消除背景后剩余基线的校正方法.文中给出了背景搜索方法的原理以及LabView软件流程图.设计了检测氟化氢气体的实验系统,根据谱线选取原则确定吸收谱线为1312.59 nm,设置激光器的工作温度为27.0?C,对应的背景温度为30.2?C.一次谐波信号经过背景消除和基线校正后,信号的畸变得到明显改善,基线得到校正,验证了该方法在激光器其他工作温度(26.7—27.2)是有效的,并对HF气体浓度精度的改善进行了定量分析,为一次谐波信号的后续处理提供了方便.     

基于卷积神经网络的光谱预处理方法

光谱的预处理在光谱分析中占有非常重要的地位。针对现有光谱去噪算法对弱峰保存能力差、基线校正算法对光谱能量过扣除、光谱特征峰定位不准确以及各种预处理算法串行处理造成的误差累计等问题,设计了一个端到端的卷积神经网络。该网络由两个模块组成：基线校正和去噪模块和特征峰定位模块。这两个模块相互连接又独立输出。理想条件下,可以依据光谱的线型函数和特征峰的位置拟合出无噪声无基线的光谱,所以在基线校正和光谱去噪模块中连接特征峰定位模块的输出可以有效的提高去噪和基线校正的精度;而高质量的光谱有助于更加精确的估计光谱峰的位置,因此这两个模块相互连接可以有效提高重建光谱的质量。光谱基线校正和去噪模块是一个前馈网络,该模块由多个卷积层、激活函数和批归一化层构成,每一层均连接了特征峰定位模块的输出。特征峰定位模块是一个多尺度特征融合网络,该模块使用不同尺寸的卷积核将光谱分为不同的尺度,融合大小不同尺度的特征估计光谱特征峰的具体位置。在网络训练时,使用不同温度、湿度和不同预热时间的光谱仪获得光谱作为输入样本,使用中国计量院的标准仪器获得光谱数据作为输出样本。在实验中,首先对合成的光谱分别添加不同信噪比的噪声和不同峰值的高斯基线,分别评价该网络在噪声抑制、基线校正、光谱特征峰校正的能力;然后将添加噪声和基线后的玉米的近红外光谱作为样本,用最先进的算法对它们进行预处理,然后用偏最小二乘法估计玉米中的水和油的浓度。估计的浓度与用标准仪器测量的真实浓度进行比较,以证明所提出的CNN的优势。实验证明,所设计的网络在单任务和多任务处理中均能取得良好的结果。而且经过该网络处理的光谱在定量分析中可以得到更准确的结果,具有较强的实用价值。