特征变量提取方法对脐橙皮中Cu元素LIBS检测精度的影响

食品重金属污染日趋严重,常规的实验室化学分析方法难以满足现代农业发展的需求。激光诱导击穿光谱是一种新兴的快速无损检测新方法,但该技术存在检测稳定性、灵敏度和精确度不高的瓶颈问题。本工作以江西特色水果赣南脐橙中的Cu元素为研究对象,探讨采用LIBS技术检测的可行性问题。首先对脐橙样品进行实验室污染处理,再利用优化的试验参数(激光能量120mJ、光谱采集延迟时间1.14μs、采集积分时间2ms)采集样品表皮的LIBS光谱信息,然后利用AAS对激光击打部位果皮进行Cu元素真实含量检测。提取CuⅠ324.7nm与CuⅠ327.4nm作为Cu元素定量分析特征光谱,建立Cu元素真实浓度与CuⅠ324.7强度、CuⅠ327.4强度、CuⅠ324.7与CuⅠ327.4强度之和的关系模型,并对模型的灵敏度和预测准确度进行了分析。结果显示,三个关系模型的浓度预测相对误差均在7.01%以下,最小分别达到了0.02%,0.01%和0.02%,平均相对误差分别为2.33%,3.10%和2.63%。试验表明,寻找合适的特征变量能明显提高定量分析结果的精确度。此外,该研究有助于为重金属元素在果皮果肉中的传输规律提供理论依据。

一种改进型多组分气体的Tikhonov正则化特征光谱提取方法

针对FTIR光谱分析数据计算量大,具有相同基团的多组分混合气体交叉灵敏度过高,以及在线分析过程中基线漂移等问题,提出了一种改进的TR2-1(Tikhonov 2norm-1norm)正则化特征变量提取法。该方法借鉴TR1和TR2模型的基本思想,引入谱线距离和谱线系数绝对值最小化两个约束项来保证所提取特征量的准确度,消除基线漂移所带来的影响,并结合上述两种模型建立了不适定问题的最优化求解通式。该通式有效地克服了经验法和实验法确定正则矩阵和参数所带来的误差。实验以浓度为0.01%～20%的甲烷、乙烷、丙烷、正丁烷、异丁烷、正戊烷和异戊烷气体为例进行了特征光谱选取。结果表明,对于浓度为0.2%的甲烷气体,其预测误差平方和仅为2.6×10-4,可决系数达到0.959 2,分析准确度高,有效增强了TR正则法的实用性。

基于XY双变量特征提取策略的秸秆炭热值LIBS定量分析

农业生物质能已逐步成为我国现代工业主要清洁能源之一。利用激光诱导击穿光谱(LIBS)技术实现秸秆炭热值(CV)精准预测。针对传统X自变量特征提取方法在LIBS定量分析秸秆炭CV过程中缺陷问题,提出了一种XY双变量特征提取法。研究首先分析了秸秆炭CV与各元素含量之间相关性,选取与CV相关性极显著(p<0.01)的Y型特征变量,其主要获取了以炭单质、芳香环和羧基等形式存在的C,O,H和Na元素的分析线展宽波段;同时通过筛选偏最小二乘回归(PLSR)模型回归系数阈值获取与CV相关的X型特征变量,当阈值为4×10^(-5)时模型交互验证均方根误差(RMSECV)降至最低值,其所对应的变量主要为参与农作物生理生长的Ca,Cr,Mg和K元素的分析线光谱线。基于所提取XY双特征变量构建遗传算法优化及自适应增强的人工神经网络(GA-BP-Adaboost)模型,当变异概率、交叉概率和相对误差率(RE)分别设为0.1,0.95和0.01时,最优模型预测平均相对误差(AREP)和预测相对标准误差(RSDP)分别为2.39%和2.97%,相比于XY-PLSR模型效果分别较低了0.82%和0.91%。结果表明:XY双变量特征提取法结合GA-BP-Adaboost模型可以为生物质炭在工业使用过程中CV精确定量预测分析提供方法依据。

基于Landsat 8 OLI的特征变量优化提取及森林生物量反演

基于江苏省常熟市虞山地区Landsat 8OLI影像和55块调查样地数据,利用多元逐步回归法建立森林生物量模型,并讨论了预测结果及其精确性。选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合(包括18种植被指数)、纹理信息以及主成分分析、最小噪声分离变换等在内的53个特征变量。通过分析53个特征变量与森林地上、地下生物量的Pearson相关性,进行特征变量的优化提取。结果表明:所有样地无区分分析时,地上和地下生物量的模型精度均达到0.4以上,基于3种森林类型(针叶林、阔叶林和混交林)进行地上和地下生物量建模时精度有明显提高,达到0.67以上,地上生物量和地下生物量的估测结果均为混交林优于阔叶林,阔叶林优于针叶林。

融合不同成熟度的苹果可溶性固形物预测模型研究

目的为实现对不同成熟度的苹果可溶性固形物的预测,建立普适性强的混合分析模型。方法选取甘肃静宁241个不同成熟度的苹果作为研究对象,利用近红外光谱采集系统获取苹果漫反射光谱信息,并对苹果可溶性固形物含量进行测定。利用S-G卷积平滑、多元散射校正(multiplicative scatter correction,MSC)、以及标准正态变量变换(standard normal variable transformation,SNV)等预处理方法结合竞争自适应加权算法(competitive adaptive reweighted sampling,CARS)、随机蛙跳(random frog,RF)算法提取苹果可溶性固形物的特征变量,然后利用偏最小二乘回归(partial least squares regression,PLS R)和支持向量机(support vector machine,SVM)算法建立分析模型。结果对比发现,采用RF选取的特征波长变量数更少且预测精度优于CARS,原始波长点由1251个减少到55个,MSC-RF-PLSR建立的模型预测结果最好,其预测相关系数r和预测均方根误差分别为0.906和0.744。结论采用近红外光谱方法构建的苹果可溶性固形物混合分析模型可以实现对苹果不同成熟度的预测,为建立适用于不同成熟度苹果的可溶性固形物便携设备提供理论依据。

红外光谱数据融合对栽培滇重楼产地鉴别

目的 多样的环境因素使得不同产地栽培滇重楼的化学成分也丰富多样,不同居群栽培滇重楼的甾体皂苷类成分具有很大的差异,多源数据融合分析能更全面的表征药材化学信息,建立一个高效而准确的产地鉴别模型,为其资源合理开发利用提供依据。方法 以来自云南和四川的8个产地(保山、楚雄、大理、红河、丽江、成都、文山、玉溪)共366份栽培滇重楼根茎为实验材料,采集其傅里叶变换近红外光谱(FT-NIR)和衰减全反射-傅里叶变换中红外光谱(ATR-FTMIR)数据。采用Kennard-Stone算法将不同产地的样品分为2/3的训练集和1/3的预测集,基于4种特征变量提取方法(CARS、VIP、SPA、SO-Covsel)结合2种数据融合策略(低级数据融合和中级数据融合),建立偏最小二乘产地判别分析模型。根据模型参数交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)评估模型的稳定性,模型训练集和预测集准确率(ACC)评估模型分类性能。结果 近红外光谱和中红外光谱均能反应不同产地栽培滇重楼的化学成分差异,在中级数据融合中,基于VIP和SPA提取的特征变量建立的模型正确率均大于94%。相较于中级数据融合,低级数据融合模型得到了最为满意的结果,其预测集分类正确率达到100%。结论 根据近红外和中红外数据建立的低级数据融合PLS-DA模型,能够用于栽培滇重楼的产地鉴别分析。