基于遗传神经网络的激光诱导击穿光谱元素定量分析技术

提出了一种基于遗传神经网络定量分析模型的激光诱导击穿光谱(LIBS)分析技术。采用误差反向传播(BP)算法构造三层神经网络(ANN)结构,通过遗传算法对神经网络权值和阈值进行优化,并将该定量分析模型与LIBS技术有机结合,实现了元素含量的高精度检测。对土壤中的Ba和Ni元素进行定量检测,平均相对误差分别为4.15%和6.06%,相关系数分别为0.983和0.990,检测精度明显优于BP-ANN方法和光谱分析中常用的内标法。研究表明遗传神经网络建模方法具有很好的预测效果,为LIBS技术进行元素高精度检测提供了一种新的建模方法。     

基于激光诱导击穿光谱技术的金属基体辅助测量研究

为了降低土壤中基体效应对激光诱导击穿光谱技 术(Laser-induced breakdown spec troscopy,LIBS)定量分析的影响,采用了Cu、Al、Zn三种金属作为基体辅助LIBS检测土壤 中的重金属元素。以Cd I 288.08 nm为特征谱线进行定量分析,得到 了三种金属基体的原子 谱线图,计算出等离子体特征参数。相比于压片条件,在三种金属基体辅助条件下的谱线强 度均有明显的增强,定标曲线拟合系数R²都在0.97以 上,且相对标准偏差RSD低于7%。实验 结果表明采用金属基体辅助LIBS检测的方法,提高了LIBS在土壤重金属检测的灵敏度,这对 土壤中重金属元素的检测具有重要意义。     

基于主成分回归的土壤重金属LIBS定量分析方法研究

采用激光诱导击穿光谱(LIBS)技术结 合主成分分析(PCA )和基于PCA的偏最小二乘回归法(PLSR ),对8种土壤样品进 行分类及Cr元素含量的分析研究。对比分析了不同土壤样品基体元素的特征光谱,利用PCA 对8种土壤样品进行分类,并采用PLSR定量分析不同土壤中Cr元素的含量。研究结果表 明,不同土壤样品中的基体元素特征光谱出现较大差异,8种土壤样品经PCA分析后大致 分为3类;利用PLSR训练模型得到的定标曲线将拟合相关系数提高至0.986,对同一类的 土壤样品Cr的含量预测相对误差小于7.5%,对非同一类土壤样品Cr的预测相对 误差较大。这说明,对待测样品定量分析前,采用PCA对土壤样品分类可以提高对待测样品 重金属元素定量检测的精确度,对建立定量分析模型提供指导。     

优化CMP碱性铜抛光液配比的新方法

采用响应曲面法(RSM)和人工神经网络(ANN)分别对化学机械抛光(CMP)碱性铜抛光液的主要成分(SiO2磨料、FA/O型螯合剂、H2O2氧化剂)进行优化研究.采用RSM优化,当抛光液中磨料、氧化剂和FA/O型螯合剂的体积分数分别为10.57％,1.52％和2.196％时,Cu的抛光速率的预测值和实测值分别为924.29和908.96 nm/min;采用ANN结合人工蜂群算法(ABC)优化,当抛光液中磨料、氧化剂和FA/O型螯合剂的体积分数分别为11.58％,1.467％和2.313％时,Cu的抛光速率的预测值和实测值分别为947.58和943.67 nm/min,其拟合度为99.36％,高于RSM的94.63％,且均方根误差较低为0.199 3.结果表明,在抛光液配比优化方面,RSM和ANN都是可行的,但后者比前者具有更好的拟合度和预测准确度,为更加高效科学地优化抛光液配比提供了一种新的思路和方法.     

基于粒子群优化BP神经网络的脉象识别方法

针对传统脉诊存在易受主观因素影响、诊断结果可靠性不高等问题,提出基于粒子群优化BP神经网络的脉象识别方法。粒子群算法中评判粒子好坏的适应度函数采用神经网络的输出误差,以此获得最优粒子的位置向量,并把其值作为BP神经网络的初始权值和阈值。在Matlab中建立基于BP算法、PSO-BP算法和GA-BP算法的三种ANN模型用于脉象信号的识别。实验结果表明,在识别脉象时,优化后的算法降低了传统BP神经网络的输出误差,提高了识别精度,PSO-BP算法明显改善了传统BP神经网络的泛化能力。     

激光诱导击穿光谱结合间隔偏最小二乘法检测土壤中的Pb

为了提高激光诱导击穿光谱(LIBS)技术检测自然土壤中Pb的检测精度,提出采用间隔偏最小二乘法(IPLS)定量预测模型。对土壤在400~417nm波段的特征光谱进行平滑预处理后,建立偏最小二乘法(PLS)定量模型,得到训练集的相关系数为0.974 2,且斜率为0.983。建立IPLS模型时,把所选波段均分成了25个子区间,得到第八个子区间包含了Pb的特征光谱405.78nm,且交叉验证均方根误差最小,选择该区间建立模型得到训练集相关系数为0.985 3,斜率为1.121。预测集中,土壤样品Pb的真实浓度与预测浓度之间的相对误差在13%以内,平均相对误差为7.00%。研究表明IPLS法应用于LIBS定量检测土壤中的Pb是可行的,且该定量模型预测效果优于PLS法。     

基于激光诱导击穿光谱和神经网络的蛋壳研究

为了研究残缺蛋壳的分类方法以及某些蛋制品中存在的食品安全问题,采用激光诱导击穿光谱技术(LIBS)和反向传播神经网络(BPNN)相结合的方法开展了对于蛋壳元素的探究、不同种类蛋壳的甄别以及蛋壳中污染元素的检测工作。结果表明,鸭蛋壳中含有Si,Cu,Ca,Mg,C,Na和Al等元素;采用LIBS测量并标定污染的皮蛋壳中的元素组成,成功探测到了明显的铅元素特征峰;对鸡蛋壳、鸭蛋壳和鹌鹑蛋壳进行快速的甄别,得到了94.167%的准确率;对鸭蛋壳和皮蛋壳进行不同制作方法的蛋壳分类,获得了97.5%的准确率。LIBS与BPNN的结合为蛋壳的分类与甄别提供了一个新的思路与研究方法。     

基于激光诱导击穿光谱积分信号的水稻种子鉴别研究

基于LIBS技术结合BP神经网络技术,对6类水稻种子进行类型鉴别研究。对水稻种子的LIBS全谱和分段光谱进行积分,再输入BP神经网络,得到:全谱积分前的识别率为81.02%,积分后识别率为93.40%,识别率提高12.38%;分段光谱积分后识别效果较好的是中心波长为405 nm、570 nm、810 nm的光谱,将这三段光谱进行组合,组合光谱的识别率均超过94%,其中405-570-810 nm组合识别率最高达到97.67%;从该组合光谱中提取特征光谱输入神经网络,识别率为97.35%,识别时间为原组合光谱的53%。结果表明:LIBS积分信号下的组合光谱法识别迅速可靠,适用于水稻种子的快速批量检测。     

PMSM反馈信号的ANN分类方法

针对永磁同步电机控制系统中电流反馈环路的噪声问题,提出一个信号预分类的ANN方法.该方法通过使用三层BP神经网络对反馈信号的采样空间进行充分训练,进而建立反馈信号的ANN分类模型.使用该模型可判明每种噪声类型,为不同种类的噪声选择不同的滤波器(或截止频率)进行细致化滤波处理提供了有力的科学依据.实验结果表明该方法具有良好的效果.     

基于BP神经网络的啤酒酒精度近红外光谱快速检测

以啤酒酒精度的快速测定为研究对象,采用误差反向传播算法(Back-Propagation,BP),结合主成分分析(PCA),构造了三层的神经网络结构,建立了PCA-BP神经网络模型,达到满意的预测精度,结果表明:使用BP神经网络方法后,验证集预测均方差、平均相对误差和回收率范围分别为0.114、1.131%和97.91%-104.59%,其效果优于PLS模型.     

煤中激光诱导击穿光谱的碳元素定量分析

在定量分析煤样品中碳元素含量时, 为了克服受基体效应影响较大且预测精度低的问题, 在最优实验条件下, 获得14个标准煤样品经激光诱导击穿光谱(LIBS)试验后的光谱数据, 并选取独立性好、不受相邻谱线干扰的C Ⅰ 193.09nm波长, 将积分强度作为输入变量, 采用基本曲线定标法以及神经网络定标法, 对煤样品进行定量分析。结果表明, 当采用基本定标曲线法时, 受噪声干扰以及基体效应的影响较大, 平均相对误差为15.39%;当采用神经网络定标法时, 验证样品的相对误差平均降低了7.54%;采用神经网络定标法能有效减小定量分析误差, 提高LIBS对煤中碳元素含量的预测能力。该研究可为定量分析煤中碳元素含量提供指导。     

Rapid identification of rice seed based on inverse Fourier transform of laser-induced breakdown spectroscopy

The identification of rice seeds is crucial for agriculture production. An inverse Fourier transform (IFT) method based on laser-induced breakdown spectroscopy (LIBS) is proposed to identify five kinds of rice seeds. The LIBS data of the samples were preprocessed by inverse fast Fourier transform (IFFT), and the time-domain signals of rice seeds were obtained. The back propagation (BP) neural network was used to establish full spectrum, segmented spectrum, time-domain full spectrum and time-domain segmented spectrum discrimination models. Compared with the original spectrum, the time-domain spectrum can significantly improve the identification accuracy. The time-domain full-spectrum identification accuracy reached 95.28%, and the time-domain segmented spectrum identification accuracy reached 94.36%, whose identification time was only a few seconds. The results demonstrate that LIBS detection technology combined IFFT and BP neural network is fast and accurate, which provides a new idea for batch detection of rice seeds.     

粒子群优化BP神经网络的激光铣削质量预测模型

为了有效地控制激光铣削层质量,建立了激光铣削层质量（铣削层宽度、铣削层深度）与铣削层参数（激光功率、扫描速度和离焦量）的BP神经网络预测模型。采用粒子群算法优化了BP神经网络的权值和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-BP算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以Al2O3陶瓷激光铣削质量预测为例,进行算法实现。仿真结果表明:提出的PSO-BP算法迭代次数大大减少,且预测误差明显减少。所构建的质量预测模型具有较高的预测精度和实用价值。     

LIBS结合GA-BP神经网络与GA-SVM对塑料分类研究北大核心CSCD

塑料制品回收力度小、重复利用率低,造成环境污染和资源浪费,因此对废旧塑料精确分类是提高塑料回收的关键。本文采用激光诱导击穿光谱(LIBS)技术结合遗传算法优化误差反向传播神经网络(GA-BP)和支持向量机(GA-SVM)对常见的10种塑料进行分类识别。利用LIBS技术对塑料样品进行处理,分别采集每种塑料样品100组光谱。对采集到的原始光谱做滤波和归一化处理,提取光谱中14条主要的特征谱线,分别建立GA-BP神经网络和GA-SVM模型。实验结果表明,GA-BP神经网络对塑料的识别性能优于GA-SVM,其中GA-BP神经网络识别精度为99.25%,原因是GA-SVM利用升维算法实现对数据集的分类,在塑料样品种类多的情况,分类效果不及GA-BP神经网络。因此,利用LIBS技术结合不同的识别算法,可以实现对多种塑料样品的分类,也为研究不同算法对塑料样品分类识别提供研究思路。     

土壤压实度的激光图像无损检测方法

为了实现土壤压实度检测,建立了土壤压实度的激光图像测量系统。首先采集土壤激光图像,并采用4邻域平均法对其平滑去噪;其次,采用Canny算法提取出激光图像中的激光光斑;然后选择含水量、激光光斑半径、吸收系数和散射系数作为分类器的输入特征参数;最后,利用反向传播(BP)神经网络预测压实度。实验结果表明,BP神经网络经过11次学习后,达到测量精确度的要求;与环刀法实际测量值相比较,平均绝对和相对误差在2%左右。因此,本文测量系统的检测精确度满足土壤压实度的检测要求。     

BP神经网络在土壤水分预测中的应用

土壤水分预测是一个复杂的非线性系统,受土壤复杂结构和气象因子影响显著,很难建立一个理想的土壤水分预测数学模型。本文利用BP人工神经网络方法建立了土壤水分预测模型,该模型的预报精度较高,其最大绝对误差为3．12％,最小绝对误差为0．63％,平均绝对误差为1．38％。预测结果表明应用BP神经网络建立的土壤水分数学模型适用于土壤水分的预测,能够比较准确的预测土壤水分,具有较好的预测精度。     

改进混沌搜索的AMPSO-BP激光铣削质量预测

为了更好地控制激光铣削的质量,建立了激光铣削质量和铣削层参数的神经网络模型。针对神经网络易陷入局部极小值的缺点,提出混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立了AMPSO-BP激光铣削质量预测模型。最后以某种材料的激光铣削质量预测为例,将文中所提算法与PSO-BP、BP神经网络预测结果相比,结果表明所提方法有很高预测精度且预测误差明显减小,在实际中有一定应用价值。     

激光诱导击穿光谱物质辨识与定量分析

综述了激光诱导击穿光谱分析技术(LIBS)在不同对象领域应用中的谱图分析方法.随着激光诱导击穿光谱应用对象的不断扩展与分析要求的变化,其定量分析方法已不局限于传统标样定标曲线分析模型,发展出了自由定标模型、各类内标法模型、自相关定量模型、神经网络分析模型等新的激光诱导击穿光谱分析方法.对每种方法的定量分析原理、分析能力水平与适用对象范围进行了详细的分析比较.