聚谷氨酸发酵过程中ATR-FTIR光谱信号的分数阶基线校正

采用衰减全反射傅里叶变换红外光谱法（ATR-FTIR）,结合多元校正模型对γ-聚谷氨酸（γ-PGA）发酵过程中两种主要底物葡萄糖和谷氨酸钠的浓度进行间接测量,为优化发酵系统控制提供重要的反馈信息。光谱测量中经常出现的基线漂移会严重影响后续多元校正模型的性能,需要采用基线校正算法对光谱进行预处理。现有流行的基线校正算法多数是基于Whittaker Smoother（WS）平滑算法,这些算法均采用整数阶微分对拟合基线进行约束,表达能力有限。针对现有基线校正算法中的整数阶微分自适应性差的问题,利用更加灵活的分数阶微分对基线进行约束,提出了一种基于分数阶的基线校正算法,实现对整数阶基线校正的扩展。总共进行了5个批次的γ-PGA发酵实验,并对不同批次和全部批次的ATR-FTIR光谱数据分别进行了分数阶基线校正,模型的预测精度均得到不同程度的提升。实验结果表明,只有在批次2时,基于整数阶的基线校正效果最好;其他批次的基线校正效果最好时的阶次均为分数阶。这也表明了分数阶微分（包含整数阶微分）对基线的约束更加合理。同时发现全部批次的整体基线校正效果远远差于单一批次的效果,原因可能是各批次发酵光谱的基线是不同的,对不同的批次需要选用不同的阶次以获得最佳的基线校正。此外,γ-PGA发酵样品的ATR-FTIR光谱测量是以蒸馏水为背景,会在3 100~3 600 cm-1波数范围内出现负水峰,形成有害的干扰信号;分数阶基线校正后的光谱表明,分数阶基线校正算法将负的水峰当作基线,在一定程度上进行了消除。综上分析,分数阶基线校正算法不仅扩展了传统整数阶基线校正算法的应用范围,也为消除ATR光谱中负的水峰提供了新的解决思路。     

利用散射系数变化测量血糖浓度的研究

论述了血糖浓度变化与溶液的散射系数的关系。在浑浊介质中散射特性取决于散射粒子和溶剂的折射率的相对大小,在血液中葡萄糖浓度的改变会引起血液折射率的变化,从而使血液的散射系数发生改变,从理论上给出了血糖浓度变化时计算散射系数变化的公式,得出了散射系数和血糖浓度成正比的结论。进一步讨论了满足临床应用目标下,散射系数的相对变化的测量精度要达到4.8×10-4,而对于中国人的血液绝对测量精度要达到6.82×10-3mm-1。用双积分球实验验证了理论计算的正确性,使用牛奶作为浑浊介质测量其散射系数与糖浓度的关系,在不同波长下散射系数都随葡萄糖浓度改变而改变,且线性度可以达到0.95以上。由此可以得出结论,血糖浓度可以通过测量散射系数来得到。     

结构光传感器模型及特性分析

给出了结构光传感器的数学模型，并依此模型详细分析了结构光传感器的各项参量，讨论了这些参量对结构光传感器性能的影响，得到了关于传感器参量和传感器特性之间关系的公式，给出了传感器设计必须遵守的条件。利用所给出的公式可以方便地讨论传感器的性能，对结构光传感器的设计起指导作用。     

六维参数的图形定位方法的研究

在汽车车身整体误差检测技术中 ,由于没有标准车身 ,但需要按照标准车身的特征点、线、面位置 ,快速调整、高精度定位二维视觉传感器。提出了对六维参数进行综合调整的图形定位方法 ,该方法使仪器调整直观 ,便捷 ,精度高。采用了空心正四面体的棱边代表标准汽车车身的棱边来设置传感器 ,能够在没有标准车身的情况下 ,通过调整显示在计算机屏幕上的两个图形的重合 ,对二维视觉传感器的六维参数同时进行调整。     

透射光偏振度与散射次数关系的研究

偏振态与散射次数的关系对于提取深入组织内部的后向散射光有很重要的价值.本文分析了透射光的偏振度与光在介质中的散射次数的关系,给出了偏振光完全失去偏振态所需的散射次数,并用直接散射的实验方法进行了验证,得出当散射次数为14次时偏振光将失去其偏振特性的结论.     

基于核系数样本选择算法的光谱模型更新

近红外光谱建立的偏最小二乘（PLS）模型的预测能力通常因待测样品的组分或环境条件发生变化,不能很好地预测新样本。该情况下需把新标记样本加入标定集合进行模型更新。但由于旧标定集合中的样本数量大,少量新样本的加入在模型中难以体现。为快速更新模型,该文提出了一种利用核系数选择重要旧样本（Kernel Coefficient Selection,KCS）以减少样本数量的方法,即对旧样本建立核模型,计算各样本在模型中的系数,选择在系数大的样本中加入新样本更新模型。以模拟和豆粕数据集进行实验,对KCS选择部分旧样本加入新样本的模型和全部旧样本加入新样本的模型进行对比。结果显示,KCS选择部分旧样本用于模型更新后,其预测均方根误差分别从更新前的1.165、0.730下降至更新后的0.961、0.654,分别下降了17.5%和10.4%;全部旧样本用于模型更新后,其预测均方根误差分别从更新前的1.110、0.720下降0.980、0.662,分别下降了11.7%和8.1%。实验结果表明,这种挑选部分重要旧样本用于模型更新的方法解决了新旧样本数量失衡的问题,提高了模型的更新速度。