近红外光谱法结合偏最小二乘法预测生物柴油中甲醇的含量

生物柴油中甲醇的定量分析对其品质监控具有重要科学意义与实用价值,因此进行了题示研究。制作44个含不同体积分数甲醇的生物柴油样品,采集了相应的近红外光谱。采用Savitzky-Golay平滑滤波(SG)和标准正态变换(SNV)相结合的方法对原始光谱进行预处理,并采用协同区间偏最小二乘法(SIPLS)提取特征变量,确定在6270~6640 cm^(−1)和10900~11240 cm^(−1)波段内采用偏最小二乘法(PLS)建模。结果显示,所建SG-SNV-SIPLS-PLS模型的留一交叉验证决定系数R2 cv为0.9994,均方根误差RMSECV为0.0488,预测集决定系数R_(p)^(2)为0.9996,均方根误差RMSEP为0.0563,变量数为207,优于PLS模型以及单变量线性回归模型的。

基于定量构效关系的多环芳烃急性毒性研究

本文建立了一种随机森林(Random forest,RF)结合定量构效关系(Quantitative structure-activity relationship,QSAR)的多环芳烃(Polycyclic aromatic hydrocarbons,PAHS)对大鼠的急性毒性预测方法。首先,使用Edragon计算80种PAHS的分子描述符,并基于归一化方法对分子描述符进行预处理以消除量级之间的差异。然后,提出了一种基于连续投影算法(Successive projections algorithm,SPA)结合变量重要性测量(Variable importance measurement,VIM)的混合变量选择方法对分子描述符进行筛选,并基于筛选出的分子描述符构建RF模型对PAHS急性毒性进行预测;最后,将获得的结果与RF和VIM-RF模型进行对比。结果表明,SPA-VIMRF模型具有更好的预测性能,最优的校正集和预测集决定系数(Coefficient of determination,R^(2))分别为0.9673和0.7456;均方根误差(Root mean square error,RMSE)分别为0.1162和0.2424;平均相对误差(Mean relative error,MRE)分别为0.0440和0.0881。以上研究说明,随机森林结合定量构效关系具有分析速度快、预测准确度高等优势,该研究为PAHS的急性毒性预测提供了一种可行方法。

光谱法结合化学计量学对土壤中多环芳烃的定量检测技术研究进展

土壤是人类赖以生存的基础,由于化石燃料燃烧、汽车尾气排放等人类行为,多环芳烃产生量日益增加,多环芳烃的疏水性使其容易与土壤中的有机物相互作用从而吸附在土壤中。多环芳烃具有毒性和致癌性,对人体健康构成极大威胁,因此对多环芳烃的定量检测尤为重要。光谱法因快速、便捷、对样品无损或微损的特点被广泛应用于各个领域,化学计量学方法在数据处理和信息提取中起重要作用,将二者结合可以有效应用于土壤中多环芳烃的定性定量研究。本文综述了3种光谱技术在土壤中多环芳烃检测方面的研究工作,总结了光谱技术结合化学计量学方法的现实分析与应用,最后对光谱法发展方向和趋势作出展望。

激光诱导击穿光谱结合RFE-GBDT算法定量分析稀土矿石中的Fe和Y

稀土矿组成复杂,对选矿技术要求较高,寻找一种快速检测分析稀土矿石中元素的方法对稀土矿选矿具有重要意义。激光诱导击穿光谱(Laser-induced Breakdown Spectroscopy, LIBS)是检测稀土矿石中元素的一种重要手段,可以进行现场分析,无需制备复杂样品。建立了一种基于LIBS结合递归特征消除(Recursive Feature Elimination, RFE)和梯度提升树(Gradient Boosting Decision Tree, GBDT)算法的模型对稀土矿石中Fe元素和Y元素进行快速定量分析。采用激光诱导击穿光谱仪对25个样品进行光谱采集,将采集的光谱进行预处理后使用5折交叉验证对RFE阈值进行优化,再通过贝叶斯搜索对GBDT模型参数进行优化,构建了RFE-GBDT校正模型,对稀土矿石中的Fe和Y进行了定量分析并与真实值进行对比,结果表明,Fe和Y的预测决定系数(RP2)分别为0.957 1和0.930 7,预测均方根误差(RMSEP)分别为0.072 7和0.022 6,说明该模型具有良好的预测性能,可以实现稀土矿石中Fe和Y的快速定量分析。

利用激光诱导击穿光谱技术对煤炭热值进行判别分析

建立激光诱导击穿光谱(LIBS)结合互信息-粒子群优化-支持向量机(MI-PSO-SVM)方法,对45个煤炭样本进行分类和鉴定。采用LIBS光谱仪采集了45个煤炭样本的光谱数据。首先采用基于主成分分析的无监督分类模型(PCA)对45个煤炭样本进行分类。结果表明,只有高热值煤(HQ)和特高热值煤(SHQ)易于区分,而中高热值煤(MHQ)和特高热值煤(SHQ)在基于PCA的分类界限模糊,在分类方面面临更大的挑战。所以建立了基于SVM的煤炭分类监督分类模型,采用互信息(MI)和粒子群(PSO)两种方法作为变量选择方法,消除无用信息,提高SVM模型的分类能力。通过与互信息-粒子群优化-支持向量机(MI-PSO-SVM)和MI-PSO-KNN模型的分类结果进行比较,结果表明,MI-PSO-SVM模型的分类效果更好,分类准确率为94.34%。总体结果表明,LIBS技术与MI-PSO-SVM方法相结合,是一种很有前途的对不同地区煤炭样品的分类和鉴定方法。