基于能量色散X射线荧光光谱的鱼粉产地溯源方法研究

鱼粉是一种在养殖业中占有重要地位的高蛋白饲料原料。我国对鱼粉的市场需求很大,但不同产地的鱼粉存在品质差异的问题。为保证鱼粉品质安全,建立鱼粉产地溯源系统具有非常重要的意义。能量色散X射线荧光光谱根据元素辐射X射线荧光光子能量不同,能够检测样品矿物质元素种类和含量。鱼粉所含矿物质元素种类和含量会因鱼粉产地不同而存在差异,因此提出采用能量色散X射线荧光光谱(EDXRF)法对鱼粉进行扫描检测来获得鱼粉的元素信息,将原始光谱进行预处理后,采用鲸鱼算法改进的自适应净信号权重局部超平面方法识别鱼粉样品的光谱向量,从而对其产地进行溯源判别。首先对产地来自辽宁和浙江的51份鱼粉样品进行压片,并在EDXRF谱仪的检测程序中设置不同的滤光片,得到51组(每组6条光谱)光谱。然后对光谱进行预处理,采用基于自适应迭代重加权惩罚最小二乘法算法(airPLS)进行基线校正,从而消除基线漂移的影响,提高精度。采用小波变换对光谱进行平滑,去除光谱曲线的高频噪声。选取每个鱼粉样品6条光谱的有效区段,计算谱峰面积,获得代表样品矿物质元素含量的16维向量。最后采取鲸鱼算法对自适应净信号权重局部超平面(ANWKH)方法的关键参数(近邻数、主成分数、调节参数)进行最优选择,再利用寻找到的最优参数建立自适应净信号权重局部超平面模型,随机选取每个产地鱼粉样品的70%作为训练集,30%作为测试集进行鱼粉产地判别。鱼粉样品分别来自辽宁和浙江两个产地,经预测模型识别正确率分别为94.3%和100%,总正确率为97.3%,均高于人工寻找参数的自适应净信号权重局部超平面分类准确率。结果表明,基于能量色散X射线荧光光谱的鱼粉溯源方法能够准确地实现鱼粉产地溯源,经鲸鱼算法改进后的自适应净信号权重局部超平面方法能够寻找到最优参数,建立分类准确度更高的模型,为以后进行更加详细的国内外鱼粉产地溯源提供了参考。

鱼粉产地溯源的近红外光谱判别方法研究

鱼粉是以一种或多种鱼类为组成原料的高蛋白饲料,其在养殖产业中占据着非常重要的地位。鱼粉产地众多,品质参差不齐,有不法商家以次充好,为维护市场秩序,应当建立一种鱼粉的产地溯源方法,以便更加精准地判别和分析鱼粉的品质。采用近红外光谱技术并结合化学计量学方法实现对不同产地鱼粉进行快速准确的产地溯源。采用径向基为核函数的支持向量机进行模式识别,并采用灰狼算法对以径向基为核函数的支持向量机进行关键参数的选择,模拟狼群狩猎行为,由适应度高低来设置等级制度,有秩序地对目标参数进行逐渐逼近围捕的移动,每次移动后重新进行适应性评估,经过狼群等级迭代最终捕获猎物,搜索到最佳惩罚因子和核函数半径;最后,利用最佳参数建立支持向量机模型进行不同产地鱼粉的产地溯源。灰狼算法可以提高支持向量机算法中关键参数的选择速度和精度,并提高支持向量机分类正确率。对来自浙江温岭、山东荣成、山东威海、辽宁大连四个产地的鱼粉样品采样,共获得144条光谱,光谱范围为3 700~12 500 cm^-1,用获得的光谱进行产地溯源。随机选取每个产地样品的70%作为建模训练样本集, 30%作为测试样品集。首先对原始近红外光谱进行预处理,采用多元散射校正算法计算所有光谱的平均光谱当作"理想光谱",其他光谱对平均光谱进行一元线性回归,对光谱平移、偏移进行基线校正。采用小波变换对原信号分解,对高频信号进行阈值化处理,消除高频噪声达到光谱曲线平滑去噪效果;利用灰狼算法优化的支持向量机进行十次平行实验,降低误差干扰,得到产地分类结果:浙江温岭、山东荣成、山东威海、辽宁大连识别正确率分别为100%, 98.89%, 96.43%和97.78%。与网格搜索法相比,改进后的灰狼算法搜索支持向量机的惩罚因子和核函数半径速度更快更精确,分类准确率更高,可见灰狼算法优化的支持向量机(GWO-SVM)对鱼粉光谱进行产地溯源是可行的。

地表水总有机碳含量紫外-可见光谱检测方法

总有机碳是以碳含量评价水质有机污染的指标,可以反映水体受污染程度。目前地表水总有机碳检测多采用现场取样后实验室分析检测方法,该方法存在费时费力、操作复杂、二次化学污染等缺点。紫外-可见光谱法具有环保、操作简便、可实时在线原位检测等优点,在地表水总有机碳检测中具有很好的应用前景。针对总有机碳检测问题,采用了一种基于自适应增强学习的区间偏最小二乘回归方法,该方法将总有机碳吸收光谱波段分为若干子区间,初始化训练样本权重,依次在各子区间建立偏最小二乘回归模型,根据子区间模型预测误差率计算该子区间预测结果的权重系数,并更新下一子区间训练样本权重,最后将各子区间模型预测结果线性加权得到总有机碳的检测结果。实验配制总有机碳标准溶液浓度25~150 mg·L^(-1)共43个样品,第一时间段采集35个总有机碳标准样品光谱分为训练集和测试集,建立并验证总有机碳检测算法模型。为评价算法模型鲁棒性,在另一时间段采集剩余的8个标准样品光谱进行反测验证。实验结果表明,采用基于自适应增强学习的区间偏最小二乘回归法建立的总有机碳定量模型具有较高的精度和鲁棒性,分组验证和反测验证的预测均方根误差分别为1.304和1.533 mg·L^(-1),均优于偏最小二乘回归和极限学习机方法。为进一步验证该方法的有效性,使用该建模方法预测生活污水的总有机碳含量。实际地表水样本取样于河北石家庄藁城污水处理厂排污口污水及河北先河公司园区的生活污水,经稀释后共获得50组地表水样本,采用SPXY方法分为训练集33组水样,测试集17组水样。在实际水样检测中,采用净信号分析方法进行光谱预处理,降低总有机碳与其他水质参数间的交叉干扰;分组验证预测均方根误差为3.26 mg·L^(-1),平均绝对值百分比误差为3.46%。综上所述,基于自适应增强学习的区间偏最小二乘回归方法,可以快速准确地对地表水中总有机碳进行检测,为在线水质总有机碳检测提供了方法支撑。