人工神经网络对VOCs的自动识别

利用人工神经网络(ANN)对严重混叠的傅里叶变换红外光谱图进行了定性和定量解析。通过大量模拟数据训练神经网络后,引用了新的评价标准——逼近度来选择最优网络模型。利用此优化网络对两类光谱图进行了解析,考察了网络的泛化能力。结果表明：该网络不仅能够对两组分同时存在时的样本进行准确解析,而且对于未知单组分光谱图,也能够进行准确鉴别和定量分析。可见, 该研究为人工神经网络在单组分和多组分未知物的定性和定量分析方面提供了一种新思路。     

被动式OP-FTIR的新近发展

被动式OP-FTIR是一种开路FTIR技术,它具有OP-FTIR的所有优点,而且在缺乏背景信息的情况下,有对准任意方向收集数据的能力,是一种可移动、快速的遥测手段。文中给出了被动式OP-FTIR在高海拔大气污染物测量、有毒气体自动识别、热耗气体测量(包括飞行器尾气测量、烟囱释放化学烟羽测量和遥测火山发射物)、温度及燃烧产物的测量(包括云层温度测量)及军事上等几个方面的新近应用。随着FTIR和计算机技术的不断发展,被动式OP-FTIR将在环境监测、航空航天、发动机排放、燃烧和军事等方面,有着非常广阔的应用前景。     

被动式遥感FTIR测量时的仪器响应函数校正

在应用红外发射光谱来获得某些红外源的绝对光谱能量数据,如辐射源光谱辐射通量密度、辐射源光谱辐射强度、辐射源光谱辐射亮度及光谱辐射照度等时,需要得知不同条件下的仪器响应函数。文章对被动式遥感FTIR测量时的仪器响应函数进行了校正,实验结果表明：在不同的实验条件下,仪器响应函数的变化规律是不同的,它不仅和校正时所采用的绝对黑体温度有关,而且和校正中仪器接收到的信号大小有直接关系。因此,在被动式测量时,要密切注意发射源温度以及发射源发射信号大小,以便获得最佳仪器响应函数校正结果。     

被动式FTIR遥感掺纳米材料固体推进剂的燃烧火焰温度

应用被动式遥感FTIR,分别对掺入纳米级金属氧化物、掺入同种材料普通金属氧化物及无掺入物的固体推进剂的燃烧火焰温度进行了测量。固体推进剂的主要成分为硝化棉和硝化甘油。掺加物分别为6 nm CuO,56 nm Fe₂O₃,16 nm NiO粒子及相应的普通金属氧化物。FTIR仪器分辨率为1 cm-1。利用燃烧产物中H₂O分子在2.75 μm处的基带发射光谱精细结构,根据分子转振光谱测温法,计算出燃烧火焰温度。结果表明,掺有纳米级CuO,Fe₂O₃和NiO粒子的固体推进剂的燃烧火焰温度分别为3 089,3 193和3 183 K,此温度与掺入同种材料的普通金属氧化物和无掺入物的固体推进剂的燃烧火焰温度无明显差别。     

正交信号校正用于傅里叶变换红外光谱的模型传递

利用正交信号校正（OSC）实现了4组分气体混合物的PLS模型,在两台傅里叶变换红外光谱（FTIR）仪上的传递,并与直接标准化（DS）、分段直接标准化（PDS）、多元分散校正（MSC）和有限脉冲响应（FIR）的传递效果进行了比较,确立了以源机的校正模型直接对目标机数据进行预测的传递方式。经过OSC校正,预测均方根误差（RMSEP）为10^-3左右。OSC可以有效地减小测量仪器间的差异,同时使PLS模型的潜变量个数降为4,使模型简单化。与DS和PDS相比,OSC不需要同一样品在两台仪器上测量,在支集大小为3时,得到一致的预测准确度,表现出稳健性。MSC和FIR处理的RMSEP为10^-1左右,效果远差于OSC。     

偏最小二乘法在傅里叶变换红外光谱中的应用及进展

偏最小二乘法(PLS)是一种应用非常广泛的化学计量方法,它综合了多元线性回归法(MLR)和主成分回归法(PCR)的优势,具有预测能力强和模型相对简单等优点。PLS使傅里叶变换红外光谱的应用范围不断扩大,同时算法也得到了改进和完善。文章介绍了偏最小二乘法在傅里叶变换红外光谱中的应用,对改进算法,如移动窗口PLS(MWPLS)、稳健PLS(RPLS)、加权PLS(WPLS)和非线性PLS等进行了介绍。同时,对应用PLS时数据的预处理、变量的选择、噪声的处理和非线性模型的建立进行了综述。