基于LIBS技术的钢铁合金中元素多变量定量分析方法研究

针对钢铁合金样品元素组成相对复杂,基体效应较严重的问题,利用激光诱导击穿(LIBS)光谱技术对钢铁合金中的元素进行了定量分析。以Nd∶YAG脉冲激光器基频1 064 nm波长激光作为激发光源,采用中阶梯光栅光谱仪和ICCD分光探测钢铁合金样品的LIBS光谱。通过优化实验确定最佳探测延时为1.5 μs,最佳探测门宽为2 μs,激光聚焦点位置在实验样品靶面以下1.5 mm。采用单变量定量分析、多变量线性回归和偏最小二乘(PLS)三种方法分析钢铁合金中Cr元素和Ni元素的含量。结果表明,采用单变量定标方法定标曲线相关系数不高,对待测样的预测误差相对较大,难以有效地定量分析基体元素复杂的钢铁合金中金属元素的含量;采用多变量线性回归分析方法能有效提高定量分析的精度;采用PLS方法得到的Cr和Ni元素的拟合曲线相关系数r分别为0.981和0.995,对两个待测样品中Cr元素和Ni元素的预测相对误差在6.4%和7.1%以内,分析结果优于多变量线性回归方法。可见,采用多变量校正的PLS方法能更有效地校正基体效应对定量分析的影响,提高定量分析的精度。     

基于多元定标法的脐橙Pb元素激光诱导击穿光谱定量分析

建立了利用激光诱导击穿光谱(LIBS)技术分析脐橙中Pb含量的多元线性回归定量分析模型.选用脐橙中Ca II 393.37 nm与Ca II 396.84 nm特征谱线强度之和、Pb I 405.78 nm特征谱线强度、在405.03—405.96 nm范围内Pb元素的谱线积分强度作为自变量,得到了回归关联式,通过方差分析和回归统计验证了关联式的可行性.结果表明,多元线性回归模型预测值与原子吸收光谱法检测值之间的相对误差最大值为12.99%,平均值为4.87%,并且利用这两种方法得到的结果拟合效果很好,拟合度达到0.995.这说明多变量的定标法能比较充分地利用光谱中的信息,降低基体效应的影响,从而提高LIBS定量分析的精确度,并对LIBS技术进一步应用于水果中重金属元素的定量检测提供了实验指导.     

基于小波核偏最小二乘回归方法的混沌系统建模研究

基于核学习的强大非线性映射能力,结合用于回归建模的线性偏最小二乘(PLS)算法,提出一种小波核偏最小二乘(WKPLS)回归方法. 该方法基于支持向量机使用的经典核函数技巧,将输入映射到高维非线性的特征空间,在特征空间中,构造线性的PLS回归模型. PLS方法利用输入与输出变量之间的协方差信息提取潜在特征,而可允许的小波核函数具有近似正交以及适用于信号局部分析的特性. 因此,结合它们优点的WKPLS方法显示了更好的非线性建模性能. 将WKPLS方法应用在非线性混沌动力系统建模上,并与基于高斯核的核偏最小二乘 关键词： 小波核 偏最小二乘回归 混沌系统 建模     

线性回归粗差点判别在大学物理实验数据处理中的应用

大学物理实验数据处理过程中变量之间的关系大多可以转化为一元线性回归问题,但实验测量数据中可能存在的粗差点会降低其结果的准确性。本文将一元线性回归曲线拟合与C语言程序相结合,采用线性回归粗差点判别法,实现粗差点的剔除,有效地提高判别结果的准确性。     

基于小波分析的气泡光散射空间谱强度分布的高斯拟合算法优化

将小波消噪方法应用在采用CCD器件作为光传感器的尾流气泡光散射空间谱强度分布检测技术中, 发现CCD输出经过消噪后的高斯拟合曲线比其直接进行高斯拟合的结果更逼近实际的气泡光散射谱强度分布,可以有效减小测量误差,使高斯拟合算法得以优化,从而解决了CCD饱和与测量噪音对散射谱强度分布半值宽度和峰值的影响,提高了用气泡光散射谱强度分布判断水中气泡存在和气泡大小的准确度.     

激光诱导击穿光谱联合一元回归方法定量检测大豆油中的铁含量

采用激光诱导击穿光谱(LIBS)技术对大豆油中的铁(Fe)含量进行定量检测。实验中用一系列不同Fe浓度的大豆油样品,采用二通道高精度光谱仪采集其LIBS光谱信号。根据样品LIBS谱线图,确定了Fe的两个特征谱线404.58和406.36 nm,并应用不同的一元回归方法对两个特征谱线分别建立一元指数回归定量分析模型、一元线性回归定量分析模型和一元二次回归定量分析模型。研究结果表明,Fe Ⅰ 404.58及Fe Ⅰ 406.36的一元指数、一元线性及一元二次回归模型的预测平均相对误差分别为29.49%,8.93%,8.70%和28.95%,8.63%,8.44%。Fe Ⅰ 406.36建立的回归模型预测结果优于Fe Ⅰ 404.58,三个回归模型中一元二次回归模型性能最优。由此可见,LIBS技术检测大豆油中的Fe元素具有一定的可行性,一元二次回归定量分析模型可以有效提高Fe元素预测浓度的精度。     

计算器在ICP光量计计算分析结果上的应用

本文介绍用一种具有线性回归性能的市售计算器如:国产DS-5、SHARP EL-5002、CASIO 3600P等来处理多道ICP光量计的数据,可得到与计算机同样的结果,同时省时。省力、省氩气,弥补了多道仪器为测定试样变化频繁而带来的麻烦,提高了仪器使用效率,具有一定的实用价值。     

线性扫频光脉冲功率谱的理论分析

本文给出了线性扫频(啁啾)的高斯型光脉冲的功率谱表达式,它等效于有调制的、脉宽压窄的无啁啾光脉冲的功率谱.理论分析表明:啁啾可由脉冲的功率谱并借助强度自相关方法确定.     

基于生物阻抗谱的细胞悬浮液浓度识别方法研究

基于生物阻抗谱技术提出一种细胞悬浮液浓度自动识别方法,该方法结合了多元线性回归算法和生物阻抗谱技术,能够快速准确地识别细胞悬浮液的浓度.首先,提出一种细胞位置随机分布策略,模拟细胞的真实存在状态;其次,采用数值仿真的方法生成2400组不同浓度的正常、癌变以及混合的细胞模型并计算生物阻抗谱数据;然后,利用多元线性回归、支持向量机和梯度提升三种回归算法分别对癌变细胞浓度进行鉴别,仿真结果表明,多元线性回归算法为最佳回归模型,其平均拟合优度和均方误差分别是0.9997和0.0008;最后,将多元线性回归算法应用于不同浓度的红细胞悬浮液的识别中,实验结果显示其平均拟合优度和均方误差分别是0.9998和0.0079,说明该方法具有较高的细胞悬浮液浓度识别能力.     

高斯拟合算法在光谱建模中的应用研究

采用高斯拟合算法对光谱进行特征提取,利用拟合得到的特征参量表征光谱信息,并结合多元校正方法对光谱模型进行优化和解释,建立了样品快速准确的测定方法。实验以玉米活体叶片为研究对象,建立叶片光谱与叶绿素含量之间的关系模型,采用三个高斯峰对原始光谱的1 551个数据拟合后,光谱数据转换为9个高斯特征量(约为整个波段的0.58%),进而利用该高斯特征量来预测叶绿素含量。实验结果显示,采用高斯拟合分别与偏最小二乘法和主成分回归结合建模,其预测集相关系数分别为0.960和0.962;不采用高斯拟合算法而直接采用偏最小二乘法和主成分回归对全光谱建模,其预测集相关系数分别为0.957和0.919。可见,将高斯拟合算法运用到定量分析模型中是可行的,该方法不仅简化了模型参数,而且提高了模型的可解释性。     

空间约束结合支持向量机提高毫秒激光诱导击穿光谱的铝合金中的Fe元素成分检测精度

铝合金中Fe元素的浓度会影响铝合金的软硬程度,从而影响铝合金器件的工作使用寿命,因此铝合金中Fe的含量检测精度非常重要,开展了空间约束结合支持向量机提高毫秒激光诱导击穿光谱的铝合金中的Fe元素成分检测精度研究.在平板空间约束条件下,毫秒激光诱导铝等离子体光谱出现了光谱增强,并且提高了等离子体辐射光谱稳定性,光谱辐射中的...     

基于CART回归树的LIBS特征变量选择方法研究

激光诱导击穿光谱技术（LIBS）用于检测时,由于谱线多且复杂,存在许多冗余的信息,这些都会对定量分析造成影响。因此,提取有效的特征变量在LIBS的定量分析中具有非常重要的意义。对CaCl₂溶液中的Ca元素进行光谱特征选择方法分析,对比单变量模型、偏最小二乘回归和CART回归树定标模型的准确度和稳定性。针对水体表面的波动性较大,光谱稳定性差,同时光谱受基体效应和自吸收效应影响等问题,首先采用单变量模型得到的拟合系数（R2）仅有0.933 2,训练均方根误差（RMSEC）、预测均方根误差(RMSEP)和平均相对误差(ARE)分别为0.019 2 Wt%,0.017 7 Wt%和11.604%。经偏最小二乘回归优化后,模型R2提高到0.975 3,RMSEC,RMSEP和ARE分别降低到0.010 8 Wt%,0.013 Wt%和7.49%。为了进一步提高定量分析的准确度,建立CART回归树定标模型。该方法在构建树模型时,通过平方误差最小化准则,从复杂的光谱信息中选取最优的特征变量组合做分类决策,从而建立Ca元素的定标曲线。通过CART回归树的变量选择,特征变量个数从100个减少到6个,变量的压缩率达到了94%,显著降低了无关谱线的干扰,回归树模型的相关系数R2,RMSEC,RMSEP和ARE分别为0.997 5,0.003 5 Wt%,0.006 1 Wt%和2.500%。相较于传统的单变量模型与偏最小二乘回归,CART回归树模型具有更高的精度、更小的误差。通过对特征变量的有效筛选,剔除无关信号的干扰,显著降低了基体效应和自吸收效应对LIBS定量分析的影响,提高了定量分析的准确度和稳定性。     

激光诱导击穿光谱定量分析锂矿石中锂元素

锂元素具有优良的物理和化学性能,因而在军事、电池、特种合金、受控热核反应等领域具有重要作用。现有的锂矿石分析主要是基于酸分解的原子吸收光谱、电感耦合等离子体质谱或原子发射光谱等离线方法。激光诱导击穿光谱(LIBS)是一种无需样品制备、适用于低原子序数元素(包括锂)的原子发射光谱方法。采用LIBS技术,实验采集了11种锂矿石成分分析标准物质的等离子体发射光谱,分别在610.35和670.78 nm附近观测到了Li的特征峰,但由于谱线的重叠,无法应用单变量线性回归进行建模。在全谱积分强度标准化基础上,分别使用偏最小二乘回归(PLSR)和基于主成份分析的支持向量回归(PCA+SVR)对锂矿石标准物质中的锂含量进行建模。校准模型的相关参数通过留一组交叉验证均方根误差(RMSECV)来确定。结果表明,相较于PCA+SVR校准模型,PLSR的决定系数(R2)更大,校准均方根误差(RMSEC)更小,但预测均方根误差(RMSEP)远大于RMSEC,存在过拟合现象。另一方面,PCA+SVR计算得到的RMSEP和平均相对误差(MRE)相对于PLSR更小,因此认为PCA+SVR模型拥有更好适应度。从而证明,LIBS技术可以实现锂矿石中Li含量的分析,有望应用于位于传送带上锂矿石的原位在线定量分析。     

近红外光谱技术快速检测莲子粉

莲子是我国重要的药食同源食物,与莲子营养价值相当、便于食用的莲子粉备受消费者青睐。为保证莲子粉的品质,利用近红外光谱(NIRs)技术对掺杂小麦粉、玉米粉和地瓜粉的莲子粉进行鉴定,在样品类别已知下利用支持向量机(SVM)、最小二乘支持向量机(LS-SVM)、偏最小二乘法-判别分析(PLS-DA)模型进行判别,在样品类别未知下基于聚类算法进行判别。同时,对莲子粉中水分含量利用偏最小二乘(PLS)回归进行定量分析。结果表明,LS-SVM模型对纯莲子粉样品与掺入小麦粉、玉米粉和地瓜粉的莲子粉样品的判别率达到100%;基于聚类算法能够有效识别掺入5%地瓜粉、小麦粉和玉米粉的莲子粉样品;PLS模型对莲子粉中水分含量预测综合性能良好,其中经过标准化预处理得到模型效果最佳,其R2_c,RMSEC,R2_p和RMSEP分别达到0.973 2,0.111 5,0.969 5和0.118 9。近红外光谱技术能为隐蔽的莲子粉掺杂的鉴别以及莲子粉中水分含量监控提供一种快速、准确、无损检测的分析方法,为保证高档次莲子品质提供一种有益的思路。     

PSO-LSSVM对LIBS定量分析精度的提高

针对土壤定量分析受基体效应影响大，LIBS定量分析精度不佳等问题，采用粒子群算法对LSSVM进行优化，提高模型的精确度。选取Pb Ⅰ 405.78 nm和Cr Ⅰ 425.44 nm作为分析谱线进行分析。采集十二个不同浓度样品的特征光谱，每个浓度样品在不同点采集20组数据，将其中17组数据设为训练集，3组数据设为预测集，用LSSVM和PSO-LSSVM两种方法建立定标模型。对比两种模型的拟合相关系数（R2）、训练集均方根误差（RMSEC）和预测集均方根误差(RMSEP)。由于自吸收效应的影响，随着浓度的增加，预测值逐渐低于实际值，LSSVM定标模型的拟合程度较低，无法达到实验要求，模型性能有待提高。利用粒子群算法对LSSVM的模型参数惩罚系数和核函数参数进行优化，得到最佳的参数组合，Pb元素为(8 096.8, 138.865 7)，Cr元素为(4 908.6, 393.563 5)，用最佳的参数组合构建LSSVM的定标模型。相比于LSSVM，PSO-LSSVM定标模型的精确度更高，Pb和Cr元素的R2提高到了0.982 8和0.985 0，拟合效果明显提升。Pb和Cr元素的训练集均方根误差由0.026 0 Wt%和0.027 2 Wt%下降到0.022 4 Wt%和0.019 1 Wt%，预测集均方根误差由0.101 8 Wt%和0.078 8 Wt% 下降到0.045 8 Wt%和0.042 0 Wt%，模型的稳定性进一步提高。说明PSO-LSSVM算法能够更好地降低土壤基体效应和自吸收效应带来的影响，提高分析结果的精确度与稳定性。     

缅甸翡翠中铁元素的激光诱导击穿光谱定量检测

采用激光诱导击穿光谱(LIBS)技术定量分析缅甸翡翠中Fe元素的浓度。选择Fe元素的275.57 nm光谱线作为定量分析谱线,选取Si元素的288.17 nm光谱线作为内标谱线,选取12个缅甸翡翠样品作为研究对象,以其中9个样品绘制了传统定标法和内定标法的Fe元素定标曲线,并将定标曲线用于3个检验样品的Fe含量的实际预测。实验结果表明,采用传统定标方法时,定标样品光谱强度的相对标准偏差(RSD)在1.4%～8.3%之间,所建立的Fe元素浓度含量定标曲线的拟合相关系数R2为0.979,使用该方法建立的定标曲线对3个检验样品中Fe元素含量进行测定,最大相对误差为10.6%;而采用内定标法时,定标样品光谱强度的比值(I_Fe/I_Si)的相对标准偏差(RSD)在0.9%～5.7%之间,Fe的拟合相关系数R2达到0.989,样品中Fe元素的测定相对误差均可降低到7%以下。结果证明,利用内定标法定量分析翡翠中Fe的含量比传统定标法相对误差更小,采用LIBS技术结合内定标法更适于缅甸翡翠样品中Fe元素定量分析。     

集成学习结合波长选取的有机物红外光谱定量回归方法研究

研究集成学习方法在有机物红外光谱定量分析中的应用及特征波长选取方法对红外光谱集成学习建模效率和预测精度的影响。以柴油红外光谱的十六烷和总芳香烃含量为研究对象,首先采用极端随机森林(ERT)、线性核支持向量机(LinearSVM)、径向基核支持向量机(RBFSVM)和多项式核支持向量机(polySVM)作为基学习器,LinearSVM作为元学习器建立两层Stacking集成学习框架,分析比较单个基学习器与集成学习对柴油红外光谱的定量回归预测精度,与偏最小二乘(PLS)定量回归模型相比,Stacking集成学习模型对柴油光谱的两种有机物含量的预测精度均有提升,其中十六烷含量的ERT模型预测结果最优(r=0.848, RMSEP=1.603, RDP=2.627),总芳香烃含量的Stacking模型预测结果最优(r=0.991, RMSEP=0.526, RDP=9.243);进一步利用组合偏最小二乘(SiPLS)和连续投影算法(SPA)对红外光谱进行特征波长选取,利用优选出的红外光谱特征波长建立集成学习定量回归模型,其中十六烷含量的SiPLS-ERT模型预测结果最优(r=0.893, RMSEP=1.013, RDP=3.051),芳香烃含量的SiPLS-Stacking模型预测结果最优(r=0.998, RMSEP=0.354, RDP=11.475),且模型平均训练时间较全光谱训练时间减少50%以上,建模速度明显提高。研究结果表明,特征波长结合集成学习定量回归建模能够用于有机物红外光谱的定量分析中,与传统定量回归方法相比,该方法的建模效率和预测精度均有较大提高,为进一步研究机器学习在光谱定量分析中的应用提供相关方法支持。     

基于近红外光谱分析的高丹草种子发芽率检测研究

高丹草中粗蛋白质以及碳水化合物的含量丰富,适合青贮处理.优质的高丹草种子是发展畜牧业十分重要的前提,发芽率是检验种子质量最常规的指标之一,播前种子发芽率检测与筛选十分必要.现阶段采用发芽试验法进行种子发芽率的检测,周期长、成本高.基于此,提出利用近红外光谱对高丹草种子进行发芽率的快速、无损检测.选择适量的高丹草种子样品...     

多模式可调节光学机构的苹果可溶性固形物近红外光谱检测

利用多模式可调节的光学机构采集了苹果漫透射、全透射和漫反射三种检测方式的光谱,研究在不同的检测方式下苹果的光谱特征并采用PLS建立苹果可溶性固形物含量SSC预测的模型。首先分别采集每个样品赤道上四点的漫透射、全透射和漫反射光谱,然后分别使用多元散射校正MSC、基线偏移校正BOC、归一化Normalize和高斯滤波平滑GFS等方法对平均后的120个光谱做预处理,并结合竞争性自适应权重取样CARS法对漫反射光谱进行特征波长筛选,最后采用偏最小二乘法PLS回归建立预测苹果SSC的模型,并另购30个苹果验证模型性能。结果表明,苹果在三种检测方式下采集的光谱吸收峰和波谷所处的波段大致相同,但光谱强度有差异。三种光谱经3点高斯滤波平滑GFS预处理后建立预测苹果SSC含量的模型均取得很好的结果。漫透射的模型性能为R_cal=0.972,R_pre=0.967和RMSEC=0.436%,RMSEP=0.507%;全透射的模型性能为R_cal=0.964、R_pre=0.957和RMSEC=0.5%,RMSEP=0.574%;漫反射的模型性能为R_cal=0.963,R_pre=0.949和RMSEC=0.522%,RMSEP=0.536%;三种光谱经归一化预处理后融合建模的模型性能为R_cal=0.894,R_pre=0.857和RMSEC=0.836%,RMSEP=0.966%。进一步将漫反射光谱结合CARS算法筛选特征波长,使用119个变量建立模型的性能为R_cal=0.986,R_pre=0.977和RMSEC=0.323%,RMSEP=0.362%。最后将该模型导入新型多模式可调节的水果检测系统中,使用30个未参与建模的冰糖心苹果检验该模型预测苹果SSC的性能。结果显示30个外部验证集的相关系数为0.906,验证均方根误差为0.707%。进一步表明使用多模式可调节的水果内部品质检测系统采集的漫反射光谱结合光谱预处理、波段筛选算法和偏最小二乘回归方法可以建立较好的模型预测苹果可溶性固形物SSC含量。本研究为苹果的品质检测提供新的技术支持。     

贮藏期内灵武长枣果糖含量的高光谱预测

高光谱成像可将图像和光谱相结合,同时获得目标对象的图像和光谱信息,已在农产品定性和定量分析检测方面得到广泛利用。利用可见-近红外高光谱成像结合化学计量学方法对贮藏期内灵武长枣果糖含量进行无损检测。采用高效液相色谱测量长枣果糖含量的化学值,可见-近红外高光谱系统采集长枣的高光谱图像,提取每个样本感兴趣区域的平均光谱;建立长枣贮藏期的径向基核函数支持向量机（radial basis kernel function support vector machine,RBF-SVM）模型;分别选用正交信号校正法（orthogonal signal correction,OSC）、多元散射校正（multiplicative scatter correction,MSC）、中值滤波（median-filter,MF）、卷积平滑（savitzky-golay,SG）、归一化（normalization,Nor）、高斯滤波（gaussian-filter,GF）和标准正态变换（standard normalized variate,SNV）等方法对原始光谱进行预处理;为减少数据量,降低维度,提高运算速度,采用反向区间偏最小二乘法（backward interval partial least squares,BiPLS）、间隔随机蛙跳算法（interval random frog,IRF）和竞争性自适应加权算法（competitive adaptive reweighted sampling,CARS）对光谱数据提取特征变量;建立全波段和特征波段的偏最小二乘回归（partial least squares regression,PLSR）和主成分回归（principle component regression,PCR）长枣果糖含量预测模型。结果表明：RBF-SVM判别模型校正集准确率为98.04%,预测集准确率为97.14%,能很好地预测长枣的贮藏期;利用BiPLS, IRF及CARS进行降维处理,提取特征波长个数为100, 63和23,占原光谱数据的80%,50.4%和18.4%;为简化模型运算过程并提高模型精度,采用CARS算法对BiPLS及IRF算法所选取的特征波长进行二次筛选,分别优选出18和15个特征波长,占原光谱数据的14.4%和12%,显著减少特征波长数;将全波段光谱与提取出的特征波长分别建立长枣果糖含量的PLSR及PCR预测模型,优选出CARS提取特征波长建立的PLSR模型效果最优,其中校正集的相关系数R_c=0.854 4,均方根误差RMSEC=0.005 3,预测集的相关系数R_p=0.830 3,均方根误差RMSEP=0.005 7,说明CARS有效地对光谱进行降维,简化了数据处理过程。研究表明,利用可见-近红外高光谱成像结合化学计量学方法及计算机编程,可以有效的实现灵武长枣果糖含量的快速无损分析,为灵武长枣内部品质的检测提供理论依据。