特征谱区筛选在近红外光谱检测茶叶游离氨基酸含量中的应用

为了提高近红外光谱快速检测茶叶游离氨基酸含量的精度和稳定性,利用特征谱区结合偏最小二乘法建立了预测模型。研究了利用联合区间偏最小二乘法和遗传偏最小二乘法等筛选特征谱区的方法,通过交互验证法确定偏最小二乘模型的主成分因子数和筛选区间,并以预测均方根误差(RMSEP)和相关系数R作为模型的评价指标。实验结果表明:两种方法建立模型的预测能力都好于传统PLS模型;利用联合区间偏最小二乘法建立的预测模型最佳,预测的相关系数R和RMSEP分别为0.9542和0.2560。研究结果表明,近红外光谱结合特征谱区筛选方法可以快速准确地测定茶叶中游离氨基酸含量。

特征谱区筛选在多元混合物的太赫兹光谱定量分析中的应用

用特征谱区筛选法结合太赫兹时域光谱(THz-TDS)技术对多元混合物成分含量进行了定量分析研究。实验利用太赫兹时域光谱系统测量了由乳糖一水合物(LAC)、对乙酰氨基酚(APAP)、可溶性淀粉(starch)以及微晶纤维素(MCC)四种材料组成的混合物样品的太赫兹吸收光谱,并分别尝试采用常规区间偏最小二乘(iPLS)、向后区间偏最小二乘(biPLS)、联合区间偏最小二乘(siPLS)和移动窗口偏最小二乘(mwPLS)四种特征谱区筛选法对多元混合物的太赫兹吸收光谱进行特征子区间优选,建立了太赫兹吸收谱与四元混合物中乳糖一水合物含量之间的定量回归模型。通过比较四种谱区筛选算法模型及全光谱偏最小二乘(PLS)模型所得结果,表明采用移动窗口偏最小二乘法建立的谱区筛选模型得到的结果相对最优,其交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)、校正集相关系数(RC)和预测集相关系数(RP)分别为0.980 3,1.114 1,0.996 0和0.995 1。实验结果表明,采用特征谱区筛选方法可以有效选择多元混合物太赫兹吸收光谱的特征区间,提高模型精度和降低模型复杂性,为实现多元混合物成分含量的快速检测提供了一种有效的方法。

太赫兹光谱结合特征谱区筛选算法在发动机润滑油含水量定量分析中应用研究

发动机润滑油是保障汽车发动机持久且稳定运转的基石,准确评定发动机润滑油各项性能指标是其在生产到使用全过程必不可少的步骤。发动机润滑油在一段时间的使用后会因为多种原因引起油品变质,发动机润滑油变质的指标可以用其中非磁性颗粒物浓度、金属屑含量、pH值、粘稠度、含水率等表述。关于发动机润滑油含水量的检测,传统的检测方法存在操作复杂,及时性差等缺点。太赫兹对水吸收强烈,适合用于对样品中微水含量的分析。通过透射式太赫兹时域光谱系统获得1.0~3.5THz下的六种不同水含量的发动机润滑油的吸收系数谱线,对谱线进行Savitzky-Golay(SG)平滑去噪,剔除奇异样本后,采用Kennard-Stone算法划分样品集,尝试常规区间偏最小二乘法(iPLS)、向后区间偏最小二乘法(BiPLS)和联合区间偏最小二乘法(SiPLS)对其太赫兹时域光谱特征谱区间进行筛选,着重研究区间间隔数、PLS组件数、最佳主因子数和区间选择等因素对PLS模型属性的影响,并且对不同含水量的润滑油建模分析,对不同模型比较选优,建立最优定量分析模型。建模结果表示特征谱区筛选可以提高建模性能、降低模型复杂性,特征谱区筛选算法通过剔除发动机润滑油太赫兹吸收系数谱线中非线性或者无关变量的方式,使建模结果更好的表达吸收系数谱线与其含水量的关系。结果表明:采用BiPLS模型用于发电机润滑油中微量水含量的定量分析时建模效果最佳,模型区间数为26,入选区间为[18 10 4 3 8 12 5 11 24 13 16 21 2],主因子数为10,最优模型的交互验证均方根误差RMSECV为0.003 5,预测均方根误差RMSEP为0.004 6,校正集相关系数r为0.919 3,预测集相关系数r为0.865 7。由此可见,可以采用反向区间偏最小二乘法(BiPLS)用于发动机润滑油水含量的测定,且实验过程简单,建模计算速度快,效果理想,可以适用于非接触式油品含水量的定量分析。

基于密度泛函理论与自举软缩减法的酒石酸太赫兹光谱特征谱区分析指认

太赫兹时域光谱不但包含了样品的化学信息和物理信息,还承载了设备噪声、样品状态、环境参数等多方面的背景信息,其光谱的多元性可能影响模型的性能,降低预测精度。能否在复杂、重叠、变动背景下从光谱数据中提取目标组分的特征信息,去除冗余变量,筛选特征谱区,对太赫兹光谱定量、定性分析至关重要。以L-酒石酸为研究对象,在室温下采集6个浓度:10%,20%,40%,50%,60%和80%,共计342个样本的L-酒石酸太赫兹吸收光谱。利用密度泛函理论(DFT)中的B3LYP方法,基于6-31G^(*)(d,p)基组对L-酒石酸单分子模型进行优化并对其太赫兹频谱特性进行理论模拟计算,分析对应特征波峰的分子振动模式,得到0.2~1.6 THz频段吸收谱。与实测吸收谱进行对比,实验所测结果与理论计算结果对应的吸收峰位置基本吻合。采用自举软缩减法(BOSS)对L-酒石酸的太赫兹吸收谱进行特征谱区筛选,并与竞争性自适应加权采样(CARS)、蒙特卡洛无信息变量消除法(MC-UVE)和间隔区间偏最小二乘法(iPLS)3种经典特征谱区筛选法进行对比,分析结果显示BOSS算法选取的有效谱区与DFT理论计算特征谱区重合度最优。分别使用全谱PLS,CARS-PLS,MC-UVE-PLS,iPLS及BOSS五种算法对L-酒石酸光谱进行建模回归分析,实验结果表明,四种谱区筛选方法相较于全谱PLS模型,预测精度均有所提高,其中BOSS算法预测能力提高最为显著,其交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)、训练集决定系数(R^(2)_(train))和测试集决定系数(R^(2)_(test))分别为0.0260,0.0260,0.9881和0.9875,相较其他模型有更高的预测精度和模型稳定性,为实现基于太赫兹光谱技术的快速定量检测提供了一种有效的方法。

基于THz-ATR光谱的玉米种子水分定量模型优化方法研究

应用太赫兹时域光谱技术结合区间偏最小二乘法筛选玉米种子水分THz特征波段,并采用支持向量机构建基于特征谱区的抗非线性干扰的种子水分快速定量分析模型。实验以郑单958玉米种子为例,制备含水量范围9.58%~12.71%的种子粉末样本40组(每组取样3份),采用衰减全反射(ATR)附件扫描得到120份样本太赫兹时域光谱,根据SPXY(光谱-理化值共生距离算法)法划分得到训练集样本90份,测试集样本30份。种子水分对太赫兹波具有强烈吸收,首先采用基于偏最小二乘线性回归的移动区间(mwPLS)、独立区间(iPLS)、后向区间(biPLS)和联合区间(siPLS)方法筛选最优特征谱区组合;鉴于环境水分、种子其他成分及系统噪声对种子水分太赫兹光谱存在不可避免的非线性干扰,在上述光谱特征区间进一步采用基于RBF核函数的支持向量机和网格搜索法构建得到预测性能最优的种子水分快速定量分析非线性模型,训练集均方根误差为0.0212,预测集均方根误差为0.0697,相对分析误差为12.3457,相较于传统偏最小二乘线性回归模型,模型性能得到提升。种子水分含量是影响种子贮藏安全和种子活力的重要因素,实验结果表明:太赫兹时域光谱结合化学计量学可以有效筛选种子水分特征吸收谱区,建立抗干扰、高精度的种子水分快速定量分析模型,有望成为未来种子质量快速测定领域一项极具应用潜力的补充技术。