基于小波包能量熵和Fisher判别的油纸绝缘老化拉曼光谱诊断

准确诊断油纸绝缘材料的老化程度是保证油纸绝缘设备安全运行的重要技术手段。拉曼光谱在物质成分分析及状态诊断领域已经普遍应用。结合实验室搭建的油纸绝缘拉曼光谱分析平台，根据绝缘纸的平均聚合度将加速热老化实验获得的油纸样本分为四个老化阶段。通过对不同老化样本拉曼光谱所包含的能量信息分析，运用小波包能量熵提取特征量，结合Fisher判别法构造判别函数，建立基于拉曼光谱老化特征量的油纸绝缘老化诊断模型，并收集现场变压器油样验证诊断模型的泛化能力。结果表明，两个判别函数能区分不同老化阶段的绝缘油样，对于老化样本的判别正确率达到84.2%。拉曼光谱结合小波包能量熵和Fisher判别分析法能够有效地对油纸绝缘老化状态进行诊断。     

油纸绝缘老化状态判别的拉曼光谱特征研究

获取能准确反映油纸绝缘老化的有效特征量,对实现油纸绝缘老化的准确诊断具有重要意义。表面增强拉曼光谱技术在油纸绝缘老化诊断领域已表现出一定的应用潜力。对25#矿物变压器油和普通牛皮纸构成的油纸绝缘试品进行了加速热老化实验,结合共聚焦拉曼光谱检测平台和银纳米片表面增强基底获取其拉曼光谱信号,从多种角度提取了拉曼光谱特征量。使用竞争性自适应重加权算法在提取出光谱的关键变量,其结果对应了油纸绝缘老化特征物的主要特征峰;使用VOIGT函数对光谱进行解析,解析峰的轮廓参数与油纸绝缘老化程度之间呈现相关性;以绝缘纸聚合度为依据将样本进行老化程度分类,光谱的前8个主成分及其载荷不仅与老化特征物和老化程度呈现相关性,且能够对样本进行准确分类;最后对光谱进行了小波包能量熵分析,分析了油纸绝缘老化过程中拉曼光谱的能量变化情况。研究成果为表面增强拉曼光谱技术应用于油纸绝缘老化诊断提供了依据,为实现油纸绝缘设备故障与老化状态的快速、非接触的现场诊断奠定了基础。     

应用拉曼光谱分析变压器油中溶解乙酸含量

乙酸是变压器油纸绝缘老化所生成酸类物质的主要成分;分析变压器油中溶解乙酸含量对准确评估运行变压器的老化状态具有重要意义。拉曼光谱技术是基于拉曼效应的一种分子分析技术,能很好地用于物质的非接触式原位检测。论文开展了变压器油中溶解乙酸含量拉曼光谱检测方法研究： 利用Gaussian 09W软件分析了乙酸分子的拉曼振动特性,对实测乙酸拉曼谱峰的振动模式进行了指认;基于实验室搭建的激光拉曼光谱液体检测平台,对不同乙酸含量的变压器油样进行了原位检测;选定891 cm-1作为变压器油中溶解乙酸分子的拉曼特征峰,基于乙酸891 cm-1与变压器油932 cm-1特征峰面积比值和最小二乘法建立了乙酸的定量分析方法,检测限可达0.08 mg·mL-1。实验结果表明： 激光拉曼光谱可应用于油中溶解乙酸含量原位检测并具有良好的检测稳定性和重复性,为变压器油中溶解乙酸含量的快速、无损检测提供了一种新方法。     

基于高斯核主成分分析的多通道拉曼光谱重建

针对多通道拉曼成像系统常会受荧光背景、噪声等非线性因素的影响而导致拉曼光谱重建结果一般的问题,提出了一种基于高斯核主成分分析的拉曼光谱重建算法.首先利用相似度因子对标定样本数据集进行预处理,其次通过高斯核函数将标定样本以非线性形式映射至高维特征空间,接着在特征空间中对映射后的数据集提取基函数并通过伪逆法求得与之对应的基函数系数.使用聚甲基丙烯酸甲酯作为测试样本,并引入均方根误差来评估拉曼光谱重建结果的准确性.实验结果表明,相比传统的伪逆法与维纳估计法,该算法具有更高的重建精度及抗噪能力,且能有效降低标定样本中不良数据和成像系统中非线性因素对拉曼光谱重建的影响.因此,该算法可以为多通道拉曼快速成像提供一种有效的拉曼光谱重建算法.     

基于稀疏表示和学习图正则的高光谱图像特征提取

针对传统局部特征提取算法难以确定邻域参数,以及仅考虑数据间的单一结构而漏掉重要信息的问题,提出一种基于稀疏表示和学习图正则的局部判别与全局稀疏保持投影算法。该算法首先对稀疏表示模型施加基于学习的图正则器,用该改进的稀疏表示模型自适应揭示样本数据间的局部线性结构,通过局部判别模型全局集成算法来提取局部线性结构中的判别信息;利用基于学习图正则稀疏表示模型构建的新型稀疏图来揭示数据间的全局稀疏结构;使得数据的局部判别结构和全局稀疏结构在低维特征空间得以保持。通过1-近邻和支持向量机分类器对实验结果进行评估,在PaviaU和Indian Pines两个高光谱公共数据集上的实验显示,提出的局部判别与全局稀疏保持投影算法较对比算法取得了最好的性能,由于提取了全局和局部的判别信息,有效提升了高光谱图像的地物分类精度。     

基于DCGAN的拉曼光谱样本扩充及应用研究

拉曼光谱检测方法依赖于化学计量学算法,深度学习是当下最炙手可热的方向,可应用于拉曼光谱进行建模。但是深度学习需要大样本进行训练,而拉曼光谱采集受制于器材和人力成本,获取大批量的样本需要更大成本,且易受荧光等因素干扰,这些问题都制约了将深度学习应用于拉曼光谱。针对以上问题,通过引入深度卷积生成对抗网络（DCGAN）提取拉曼光谱内部特征,对抗生成新的拉曼光谱,从而达到扩充数据集目的。同时和另一个扩充数据集的方法--偏移法进行对比,证明DCGAN的可靠性。设计生成光谱选取标准,选取高相似性的光谱填充数据集,为深度学习在拉曼光谱中的应用奠定基础。为了验证生成的光谱比原始光谱有更好的适用性,设计四组实验：（1）使用原始拉曼光谱输入到SVM进行分类,得到51.92%的分类准确率;（2）使用原始拉曼光谱输入到CNN进行分类,得到75.00%的分类准确率;（3）采用偏移法生成光谱,输入到CNN里进行分类,得到91.85%的分类准确率;（4）使用DCGAN生成光谱,输入到CNN里进行分类,得到98.52%分类准确率。实验结果表明,DCGAN能在只有少量拉曼光谱的情况下,通过对抗学习得到较好的生成光谱,且生成的光谱相比原光谱更加清晰,减少了可能的干扰因素,具有光谱预处理效果。通过DCGAN对抗生成大量高质量的数据填充到原有拉曼光谱数据集,扩充数据集的样本量,使得深度学习模型能够得到更好的训练,从而提高模型的准确率。该研究为深度学习方法应用于拉曼光谱分析技术提出了一个可行的方案。     

基于Gabor特征与局部保护降维的高光谱图像分类算法

提出了两种基于Gabor特征与局部保护降维的高光谱图像分类算法。该算法利用嵌入主成分分析的Gabor变换对高光谱图像进行特征提取。为了保护相邻特征的局部信息,利用局部Fisher判别分析或局部保护非负矩阵分离对Gabor特征进行降维,并采用高斯混合模型分类器对降维后的特征进行分类。两组高光谱数据的实验结果表明,本文算法不但能充分挖掘高光谱图像的谱间-空间特征,而且有效保护了高光谱图像的局部特征信息与多模型结构。与现有的几种算法相比,本文算法能得到更高的分类精度和Kappa系数,在高斯噪声环境中也具有更强的稳健性。     

矿石拉曼光谱模型拟合分类方法

拉曼光谱因具有简单、快速及无损等特点,非常适合矿石的分类与鉴别。拉曼光谱模型拟合分类方法无需构建参考光谱库且避免了复杂的逐项光谱匹配,具有明显的优势。然而,已有的基于机器学习及深度学习的矿石拉曼光谱分类研究所采用的学习模型比较单一,缺乏具有参考意义的综合比较。对基于机器学习及深度学习的矿石拉曼光谱模型拟合分类方法进行综合评估验证,对比了KNN, XGBoost, SVM, RF四种传统机器学习方法和CNN, DNN, RNN三种深度学习模型在RRUFF矿物拉曼光谱数据集上的分类效果,验证了4种数据预处理方法和样本量对模型分类效果的影响。为提升机器学习模型的分类性能,本文还提出了一种拉曼光谱强度曲率的数据预处理方法,对经基线矫正后的拉曼光谱序列强度计算曲率作为构造特征,使模型更有效的提取出拉曼光谱的特征峰位置。实验结论：数据预处理对提升机器学习模型的分类性能效果明显,而对深度学习模型不敏感;样本量为影响模型分类效果的关键因素,当样本量较大时,深度学习模型的分类效果优于传统的机器学习模型;对于微小样本,深度学习模型难以发挥其优势,而辅以预处理的机器学习具有更优的分类性能。     

变压器油中溶解糠醛拉曼光谱定量分析方法研究

本文开展了变压器油中溶解糠醛的定量分析研究,基于实验室搭建的拉曼光谱液体检测平台,对不同浓度糠醛含量的变压器油样进行光谱信号检测及预处理,运用主成分分析法对光谱数据进行数据降维并结合支持向量机建立油中溶解糠醛含量拉曼光谱定量分析回归模型,检测下限为0.625mg/L。结果表明,拉曼光谱技术结合支持向量机能有效地对变压器油中溶解糠醛进行定量分析,为实现油中溶解老化特征物的准确、快速检测提供新的手段。     

基于IABC-SVR算法的拉曼光谱定量分析山羊血清蛋白含量

提出了一种基于拉曼光谱和改进人工蜂群算法优化支持向量机回归（IABC-SVR）算法快速定量检测山羊血清蛋白含量的方法。传统人工蜂群算法在数据区域规模较大时,收敛速度逐渐减慢, 出现效率低、精准度下降、局部最优解概率高等问题。所提出的算法解决了这些问题,使算法在进化前期避免陷入局部最优解,在进化中后期能够保持解的全局搜索能力。常规测定血清蛋白总量的方法通常采用凯氏定氮法、双缩脲法等,但存在时效慢、污染样本等缺点。采用拉曼光谱法进行检测,具有快速、无损的优点。以山羊血清为分析对象,按一定体积比配置35组待测样本,用拉曼光谱仪采集拉曼光谱,光谱采集范围为300~1 300 cm-1,采用基线矫正去除荧光背景,使用Savitzky-Golay光谱平滑法对原始光谱进行平滑处理,归一化处理光谱数据,并对拉曼光谱特征峰进行归属。实验结果表明,拉曼光谱能够表征血清中主要化学集团的信息,且由于官能团浓度差异,光谱特征峰强度随浓度变化明显,因此基于特征峰信息可以测定血清蛋白总量。实验中,以购买的山羊血清蛋白含量为基准,通过配置样本的体积比得到各组待测血清样本的蛋白含量,配置的单个液体样本体积为3 mL,随机选取8组实验样本作为模型测试集,剩余27组作为模型训练集。以经过处理的光谱特征峰强度和对应的血清蛋白含量分别作为模型的输入值及输出值,建立IABC-SVR,ABC-SVR和BP三种算法的定量模型,对测试集血清蛋白总量进行预测。最后通过均方差(MSE),相关系数（r）与建模时间分别进行对比,结果表明通过IABC-SVR建立的山羊血清蛋白定量矫正模型效果最佳,模型的相关系数为0.990 27,均方误差为0.244 3,建模时间为1.9 s,预测值方差均小于0.001 g·mL-1,预测准确率为99.8%。实验结果表明,应用激光拉曼光谱技术结合IABC-SVR算法,对快速定量检测山羊血清蛋白含量,具有较高的准确率和稳定性。     

基于偏最小二乘法判别分析与随机森林算法的牛肝菌种类鉴别

牛肝菌作为一种著名的野生食用菌,具有较高的食用价值和经济价值.牛肝菌种类繁多,不易区分,建立一种有效、快速、可信的种类鉴别技术,可为牛肝菌提高品质提供一种方法.本研究采集云南不同地区7种野生牛肝菌共计683株,获取样品中红外光谱和紫外光谱,分析不同种类牛肝菌平均光谱图特征.基于多种预处理组合(SNV+SG,2D+MSC...     

基于叶绿素荧光光谱和反射光谱的甜瓜种子品种鉴别

甜瓜的品种多样,富含多种营养成分,甜瓜种子品种不纯将对甜瓜生产造成一定危害,研究采用种子的叶绿素荧光光谱结合反射光谱的分析方法鉴别甜瓜种子品种,以甜瓜品种“一特白”、“一特金”、“京蜜7号”、“京蜜11号”、“伊丽莎白”为研究对象。构建了甜瓜种子品种鉴别光谱系统,包括激发光源单元、光谱数据采集单元和数据处理单元,使用该系统获取不同品种甜瓜种子的光谱数据。对光谱数据分别进行一阶导数(first derivative, FD),Savitzky-Golay(SG) 平滑,FD结合SG平滑预处理。采用主成分分析(principal component analysis, PCA)方法降低光谱数据的维数,提取主成分。使用两种不同分组方法将样品按照3∶1的比例分为训练集和验证集,并分别采用Fisher判别和Bayes判别分析方法建立甜瓜种子品种的判别模型。本文比较了仅使用叶绿素荧光光谱与使用叶绿素荧光光谱结合反射光谱建立判别模型的判别结果,结果显示,使用叶绿素荧光光谱结合反射光谱建模的判别结果优于仅使用叶绿素荧光光谱建模的判别结果,Fisher判别分析和Bayes判别分析的验证集样品品种的判别正确率均达到98.0%。研究结果表明,采用叶绿素荧光光谱结合反射光谱鉴别甜瓜种子品种具有可行性。     

基于高光谱技术融合图像信息的脱绒棉种品种分类检测研究

开展种子品种的识别研究是保证种子质量的重要手段。利用高光谱图像技术融合图像特征信息对脱绒棉种的品种进行判别分析。采集4个品种共240粒脱绒棉种样本的高光谱图像数据(400～1 000 nm),提取样本的光谱信息及长、宽、面积、圆形度、等12个形态特征。采用连续投影算法(SPA)选出11个特征波段作为输入结合偏最小二乘判别分析法(PLS-DA)、软独立模式识别法(SIMCA)、最邻近节点算法(KNN)、主成分分析结合线性判别(PCA-LDA)及二次判别(PCA-QDA)进行建模分析,得出PLS-DA建模集和预测集的总体识别率分别为93%和90%。利用图像信息进行建模分析,模型整体的识别率均不高,说明单独使用高光谱图像的形态特征进行分类效果不佳。将特征波段的光谱和形态特征信息进行融合作为输入,建立基于PLS-DA,SIMCA,KNN,PCA-LDA及PCA-QDA的信息融合模型,其精度均比基于光谱或形态信息模型高,其中PLS-DA模型识别效果最好,建模集和预测集总体识别率分别为98%和97%。表明融合高光谱图像的光谱与图像信息可以在少量波段情况下有效的提高脱绒棉种品种的分类检测精度。     

基于拉曼光谱技术鉴别ABS废旧塑胶原料的方法研究

塑胶微粒原料已渗透到人类衣食住行的方方面面,并广泛应用于能源、工业、农业、交通乃至航空航天和海洋开发等各重要领域不可或缺的材料。在利益的诱惑下,废旧塑胶的走私现象屡禁不止。我国作为塑胶原料进口大国,现有检测方法耗时长,难以实现现场检测,因此,开发一种用于现场的废旧塑胶微粒判别方法,对快速通关和海关缉私有重要意义。拉曼光谱技术具有快速、无损、样品用量小、无需前处理且适应性强等优点,已在现场快速鉴别领域得到广泛应用。在研究塑胶废旧机理的基础上,将拉曼光谱技术结合化学判别方法,应用于废旧塑胶原料识别。选取两类成分相似的实际通关塑胶原料样品,包含标准品及废旧品各160份,并对样品的拉曼光谱信息进行了采集。对比分析了两种塑胶原料的原始拉曼光谱,并对样品的拉曼光谱特征峰进行了归属分析。选取1 603 cm-1作为归一化参照峰位,进一步探究废旧塑胶的成分变化,对比统计了废旧塑胶原料及标准塑胶原料的相对峰强变化,结果表明废旧塑胶原料发生了化学老化。基于主成分分析法（PCA）对原始拉曼光谱及预处理拉曼光谱进行降维处理,结果表面预处理拉曼光谱的前2主成分空间分离度较好,通过对原始拉曼光谱数据进行背景扣除及平滑预处理,可减少荧光背景及噪声对鉴别的影响,提高鉴别的准确度。将样品一半划分为校正集用于模型建立,另一半划分为预测集用于模型验证,基于偏最小二乘判别分析（PLS-DA）,建废旧塑胶原料鉴别模型,该模型对建模训练集鉴别正确率为100％,模型验证集鉴别正确率为99.06％。研究表明,基于拉曼光谱技术,结合测试数据预处理及偏最小二乘判别分析方法,可以有效地实现塑胶原料的现场、快速、准确鉴别,为开发现场检测装备及方法提供理论参考。     

基于拉曼光谱的电线绝缘材料老化状态评估

电线绝缘材料老化状态的准确评估有助于减少因电线绝缘老化引起的火灾,该实验基于拉曼光谱检测平台及自行搭建的老化设备,对13种电线绝缘材料（聚偏氟乙烯、聚丙烯、聚四氯乙烯、尼龙、亚大尼龙、聚氨酯、乳胶、聚全氟乙丙烯树脂、橡胶、聚乙烯、聚氯乙烯、硅胶、进口硅胶）进行加速温度老化以及加速紫外老化试验并定期检测,温度老化10个时间段,时间间隔为32 h,每个老化时间15个样本数据,获得温度老化的每种材料共150个样本光谱数据;紫外老化13个时间段,时间间隔16 h,每个老化时间15个样本数据,获得紫外老化的每种材料共195个样本光谱数据。依据老化时间段,温度老化分为10类,紫外老化分为13类,采用线性回归分类和支持向量机对原始光谱数据进行分类,两种分类算法准确率均在80%以上的材料有尼龙、聚氨酯、特氟龙、橡胶等,但部分材料的分类准确率却低于70%,在对原始光谱数据进行支持向量机分类时,由于样本数量多以及光谱维度高,支持向量机分类所需时间较长,为进一步提升分类准确率以及分类速度,对原始光谱数据进行迭代自适应加权惩罚最小二乘法、五点三次平滑等预处理方法,采用PCA压缩,样本光谱维数从2 048维降至3维,由于降维后的样本光谱维数小于样本数量,无法满足线性回归分类要求,故采用支持向量机进行分类,经过预处理以及特征提取后,数据的分类效果得到大幅度提升,所有材料的温度老化、紫外老化均获得90%以上的分类准确率,支持向量机的分类速度亦得到大幅度提升,其结果为电线绝缘材料老化状态的有效评估提供理论依据,对预防因绝缘老化引起的事故提供技术支持。     

基于波段选择的拉曼光谱血痕鉴别

血痕的种属鉴别在刑事技术和检验检疫等领域有重要的实践意义,拉曼光谱技术为血痕种属鉴别提供了思路。实验采集人血及猪、鸡、鸭、牛、鼠5种动物的血样并获取其拉曼光谱,采用Savitzky-Golay方法平滑降噪,airPLS方法进行基线校正,选取100~1 700 cm-1波段进行实验。训练集有600组数据,测试集有300组拉曼光谱数据。第一部分实验对比了PLS-DA,LDA,PCA+LDA,SVM和PCA+SVM等方法,测试集准确率分别为84.0%,49.3%,78%,83.0%和85.7%,验证了降维算法结合SVM分类器的有效性。第二部分采用互信息算法、遗传算法和等间隔组合三种波段选择算法,结合SVM分类器做对比实验,结果显示互信息结合SVM算法的分类准确率最优,在选择波段数为50时,测试集准确率达到86.0%。在波段选择数为300时,三种波段选择算法结合SVM分类器的准确率都达到93%左右,大幅高于传统分类方法。实验结果表明,采用波段选择算法进行光谱降维,可以有效的提高算法的准确率和鲁棒性,同时使拉曼光谱种属鉴定的可解释性更强。波段选择算法确定了血痕鉴别的关键波段位置,对设计用于执法的便携式拉曼系统也有重要意义。