激光诱导击穿光谱的Gold去卷积算法自动寻峰

为提高激光诱导击穿光谱(LIBS)寻峰中重叠谱的分辨能力并抑制随机噪声的干扰,提出用Gold去卷积算法结合平滑处理的自动寻峰方法。对于标准样品NIST 1256b和NIST 1762的LIBS光谱,先进行平滑处理,然后采用高斯形系统函数去卷积,最后用五点法对去卷积结果进行自动寻峰。实验研究了平滑处理结合不同半峰全宽(FWHM)的系统函数对重叠峰分辨能力和抗随机噪声干扰能力的影响。结果表明,采用0.140 nm(比弱峰的FWHM稍大)作为Gold去卷积系统函数的FWHM,结合平滑处理能取得高达0.039 nm的重叠谱分辨能力,且寻峰峰位、峰值、曲线拟合与NIST数据库的数据都能较好地吻合。研究初步表明基于Gold去卷积算法的自动寻峰可应用于LIBS数据处理。

Gaussian-LM算法在光纤布拉格光栅反射光谱寻峰中的应用

针对光谱仪采样获得布拉格光栅反射谱含有干扰严重的噪声的问题,采用Levenberg-Marquardt(LM)算法对高斯曲线拟合系数进行优化,并使用优化后的Gaussian-LM算法对采样的光纤布拉格光栅的反射谱进行寻峰。通过寻峰结果的对比分析,验证了Gaussian-LM算法对高斯曲线系数优化的重要性,实验结果表明Gaussian-LM寻峰算法可以有效减小寻峰误差。对基于波长解调原理的光纤布拉格光栅传感系统而言,提高了中心波长检测的准确度和稳定性。

拉曼光谱神经网络分类与样本扩充方法

拉曼光谱广泛应用于岩石矿物分析,而神经网络需要大量样本才能对拉曼光谱做到较高的分类准确率。本文提出了一种拉曼光谱的样本扩充方法,使用Gold反卷积算法、波峰波谷寻峰算法和函数拟合方法获取光谱中所有的拉曼峰信息,然后在其中加入随机值重构拉曼光谱用于扩充数据集。实验结果显示,样本扩充方法将卷积神经网络模型的分类准确率由95.7%提升至98.6%,因此在样本数据量极少的情况下依然可以使用样本扩充方法对岩石矿物样本准确分类且稳定性很高。