排序方式: 共有23条查询结果,搜索用时 46 毫秒
1.
提出了一种基于包层模谐振的光纤温度传感器. 它是通过将三包层石英特种光纤(TCQSF)两端分别与普通单模光纤(SMF)电弧熔接构成的SMF-TCQSF-SMF结构. 根据耦合模理论, 首先将TCQSF等效为三个同轴波导, 按各波导模场的分布特点标量计算其传输模式的色散曲线, 并深入研究其耦合长度与传输谱线之间的关系; 其次根据光纤的热光效应及热膨胀效应, 分析计算该传感器的温度灵敏度; 最后选取耦合长度为一个拍长时的传感器进行温度传感实验. 实验结果表明, 在35-95 ℃的温度变化范围内, 其温度灵敏度为73.74 pm/℃, 与理论计算结果一致. 因此, 该传感器具有结构简单、制备容易、灵敏度高、包层模激发可控等优点, 可用于工业生产、生物医学等温度传感领域. 相似文献
2.
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。 相似文献
3.
提出了一种基于激光拉曼光谱和人工蜂群智能优化支持向量回归机(ABC-SVR)算法的快速定量检测三组分混和油中3种脂肪酸含量的方法。该方法针对光谱数据信息与样本之间非线性、高维度的关系,建立了预测精度及建模效率均高于同类对比算法的数学模型,同时避免了气相色谱法、液相色谱法等对混合油脂肪酸含量的检测方式,根据纯种油中3种脂肪酸含量的国际标准,由油品配置体积得到脂肪酸质量,有效降低了检测成本与实验复杂程度,提高了检测工作的实用价值。首先根据一定梯度配置66组混合油检测样品,使用便携式拉曼光谱仪采集样本的拉曼光谱信息,扣除背景噪声;观察多组样本的拉曼光谱图可知,由于官能团浓度的差异,食用油的拉曼特征峰位移基本相同,特征峰的峰值明显不同,因此基于特征峰信息可以区分食用调和油的不同混合物;其次对拉曼光谱做背景扣除、光谱平滑、最大值谱线归一化三步预处理,以降低实验中不可控的外界因素及背景荧光的影响,准确提取光谱特征峰强度信息;然后根据纯种油中3种脂肪酸的国际标准含量,结合国家食品法典委员会标准CODEX STAN210-1999《指定的植物油法典标准》中规定的纯种油密度中值,由油品体积得到脂肪酸质量数;随机选取56组样本数据作为训练集,剩余10组样本数据作为预测集;以训练集光谱特征峰强度和脂肪酸质量分别作为回归模型的输入及输出值,建立SVR和PSO-SVR,ABC-SVR三种混合优化算法对比的定量分析模型,对测试集的3种脂肪酸含量分别进行预测;最后通过均方误差(MSE)、相关系数(r)及建模时间(Elapsed time)分别进行对比,建立数据表对模型精准度进行检验。实验结果表明,通过ABC-SVR定量分析模型效果最佳,3种脂肪酸含量预测值与真实值的均方差分别为0.88×10-4,16×10-4和8×10-4,均低于0.002;相关系数分别为93.43%,99.65%和99.43%,均高于93%;预测时间(Elapsed time)分别为1.26,2.42和2.14 s。因此,所提出的检测方法,具备较高的精确度、较快的建模时间,且在理论上的类似条件下可适用于其他样品检测工作,可为振动光谱学对食用油掺伪分析的进一步工作提供可行的理论依据。 相似文献
4.
5.
采用传统方法对多峰Brillouin散射谱进行拟合的过程中,通常是以谱线最大功率点为基准的,却忽略了其他比该点小但却是极值的功率点。这样获得的拟合曲线通常只有一个峰值,相当于把除最高峰之外还有多个小峰的多峰Brillouin散射谱进行了简化,导致大量有用信息的丢失。为了提高Brillouin散射谱的特征提取精度,提出了一种基于MCDM和PSO-LM混合优化算法的多峰Brillouin散射谱特征提取方法(MCDM-PSO-LM)。MCDM可以识别和准确定位多峰Brillouin散射谱的各个波峰和波谷;PSO-LM混合优化算法可以实现分别对各个波峰和波谷的曲线进行拟合并找到每一个波峰的中心频率,该算法既克服了PSO算法过早收敛于局部极值和LM算法依赖初值的问题,又可以将PSO算法的全局搜索能力和LM算法的局部收敛能力结合在一起。较传统算法而言,MCDM-PSO-LM算法保证了对最优值求解的速度和精度,提高了运算能力,使解析解最大限度地接近最优值。分别在不同信噪比和不同线宽条件下进行仿真验证,频移和温度误差分析结果表明,MCDM-PSO-LM方法可以对多峰Brillouin散射谱的各个波峰与波谷进行准确定位,可用于多峰Brillouin散射谱的特征提取,识别效果明显强于传统算法,提高了信息分析的准确性。 相似文献
6.
基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取 总被引:1,自引:0,他引:1
针对布里渊光时域反射光纤传感系统散射谱的高精度特征提取的要求,提出了一种基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取算法。不仅利用了广义回归神经网络在逼近能力、学习速度、模型的泛化等方面具有的优势,而且采用搜索能力较强的自适应变异果蝇优化算法进一步增强了神经网络的学习能力,从而提高了布里渊散射谱的拟合度和频移提取的准确度。在布里渊散射谱中心频率为11.213 GHz,线宽为40~50,30~60和20~70 MHz的散射谱白噪声实验模型中,将新算法分别与基于有限元分析的Levenberg-Marquardt拟合法、粒子群优化和拉凡格式混合拟合法、最小二乘法进行预测比较,新算法获得的最大拟合频移误差为0.4 MHz,平均拟合度为0.991 2,均方根误差为0.024 1。仿真结果表明所提出的算法拟合度较好,绝对误差小。因此,将此算法用于基于布里渊光时域反射的分布式光纤传感系统,可有效提高布里渊散射谱的拟合度和频移提取的准确度。 相似文献
7.
提出了一种运用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化多输出最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)的新混合优化算法。该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、芝麻油、葵花油和大豆油的快速定量鉴别。采用基线校正去除背景荧光,结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。构建基于QPSO-MLSSVM混合优化算法的定量分析模型,并采用20个组分组成的预测集对其进行模型校验。实验结果表明,基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好,均方差(mean square error, MSE)为0.0241,低于0.05,各油分预测相关系数均高于98%。研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法,对四组分调和油中各油分进行快速定量检测可行,具备较强的自适应能力和良好的预测精度,可以满足多组分调和油的成分鉴别。 相似文献
8.
采用紫外可见(ultraviolet/visible, UV-Vis)光谱技术和近红外(near-infrared, NIR)光谱技术及信息融合技术对乙醇汽油中乙醇含量进行了检测。首先采用组合区间偏最小二乘(synergy interval PLS, SiPLS)算法作为特征提取方法,分别建立了基于UV-Vis和NIR光谱的偏最小二乘(PLS)回归模型;再根据油品的实际情况,运用信息融合理论将UV-Vis和NIR光谱信息进行融合,建立了数据级融合(low level data fusion, LLDF)和特征级融合(mid-level data fusion, MLDF)模型,并与单谱源模型效果进行了比较,确定了最优模型为数据级融合后再进行矢量归一化的模型(LLDF-VN1);最后分别用高乙醇含量样品和市售汽油样品的光谱数据对该最优模型进行了通用性检验。结果表明:UV-Vis和NIR光谱数据单独建模均能很好的检测并提供较好的预测结果;而UV-Vis和NIR光谱数据直接融合在基于校正集的回归模型中效果最好,其校正集相关系数rc=0.999 9,校正集交叉验证均方差RMSECV=0.125 8,校正集整体评价偏差Biasc=0.000 6;而采用数据级融合后再进行矢量归一化的模型(LLDF-VN1)的预测效果为最佳,其rp=0.999 1, RMSEP=0.352 7, Biasp=-0.073 8;自配溶液对最优模型(LLDF-VN1)的通用性验证中,rp=0.999 7, RMSEP=0.329 1, Biasp=0.102 2;市售汽油对最优模型(LLDF-VN1)的通用性验证中,rp=0.990 1, RMSEP=0.892 7, Biasp=0.675 1。实验结果说明通过将UV-Vis和NIR光谱信息进行数据级融合可以快速、准确的检测出乙醇汽油中乙醇的含量,并能实现乙醇浓度的宽范围检测,为进一步实现混合油品中物质的快速检测奠定了基础。 相似文献
9.
10.