红外干涉信号采样误差分析及修正方法研究

傅立叶变换红外(FTIR)光谱系统用He-Ne激光干涉信号作为参考信号,存在过零点采样误差。基于光的干涉原理,通过傅里叶变换建立了FTIR光谱仪采样误差与光谱鬼线位置和强度之间的理论仿真模型。为降低采样误差,采用三次样条插值法修正过零点误差,线性插值法重建红外光干涉信号强度。结果表明该模型可以作为由采样误差引起光谱误差修正算法的理论依据,三次样条插值法用于He-Ne信号过零点重建能减小采样误差,误差范围降低了93%,线性插值法用于红外光信号强度重建能提高光谱信噪比,平均提高5.7%。

采样误差分布分析法建立氯丙醇含量的稳健近红外光谱分析模型

利用近红外光谱技术结合采样误差分布分析(SEPA)方法建立了二氯丙醇产品生产过程的氯化液杂质3-氯-1,2-丙二醇浓度的分析模型。对样本数据进行1000次随机划分,建立1000个子模型,获得多个潜变量数下的交互检验误差,进行统计分析。绘制了误差分布图,计算其中位数、标准偏差、偏斜度和分布峰度等统计指标,通过这些指标的综合分析对近红外光谱分析模型进行条件优化、建模和模型评价等。4种光谱处理方法显示出比较理想的模型性能,作为候选与不同波长区域的选择相结合,继续运用SEPA运算,进一步优化模型。最终优化的建模条件为:一阶导数结合标准正态变换; 6931～6017 vcm^(-1)波数区间;使用5个偏最小二乘潜变量。校正、交互检验和独立验证误差分别为0.881%、1.282%和1.167%。所选择的波长具有可解释性,模型的各项统计参数合理、可信。研究结果表明,SEPA能全面、合理地考察多项统计指标,可以建立实用、稳健的近红外光谱分析模型。

最小角回归算法(LAR)结合采样误差分布分析(SEPA)建立稳健的近红外光谱分析模型

结合采样误差分布分析(SEPA)框架和最小角回归(LAR)算法,提出了一种SEPA-LAR变量逐步筛选方法用于波长选择,并建立了稳健的近红外光谱分析模型。利用蒙特卡洛采样(MCS)获得多个数据集划分建立多个模型,对光谱各变量(波长)在所有模型的LAR系数进行统计分析,按其回归系数绝对值总和由大到小排序,选择排序靠前的波长建立偏最小二乘(PLS)模型,以未参与SEPA-LAR和建模的独立验证集对该模型进行评价。将玉米湿度、柴油密度以及奶酪脂肪的近红外光谱数据用于SEPA-LAR的性能检验,独立验证集的预测均方根误差(RMSEP)分别为0.001 44%(湿度指标)、0.001 58 g/mL(密度指标)以及1.13 g/100 g(脂肪含量指标)。结果表明,相较于竞争自适应重加权采样法(CARS),该方法具有更优异的稳定性;相较于移动窗口偏最小二乘(MWPLS)以及蒙特卡洛无信息变量消除(MCUVE)方法,该方法选择的变量更少,预测误差更低,预测性、可解释性和稳定性更优异。

SEPA-PLS法建立石榴籽粒可溶性固形物的近红外光谱分析模型

以四川特色水果会理石榴为试材,采集同批样品不同贮藏时间的石榴籽粒近红外光谱,同时用传统方法测试石榴汁的可溶性固形物含量。样品数为135个,石榴籽粒可溶性固形物含量范围为13.07%~16.12%,模型预测标准偏差即预测集均方根误差为0.29%。结合化学计量学算法,建立了石榴籽粒可溶性固形物近红外光谱分析模型。

桦木顺纹抗压强度的SEPA-VISSA-RVM近红外光谱预测

木材顺纹抗压强度是评价木材力学性能的重要指标,而传统测量方法操作复杂、精确度低。以桦木为例,提出基于近红外光谱技术(NIR)的SEPA-VISSA-RVM木材顺纹抗压强度模型,实现对其更加精确的预测。试验选取100个木材试件,在900~1700 nm近红外光谱波段上采集数据并测量抗压强度真值;然后采用卷积平滑(SG)方法进行光谱预处理;使用采样误差分布分析(SEPA)作为变量空间迭代收缩算法(VISSA)的改进策略进行特征波长优选;最后通过粒子群优化算法(PSO)优化核函数参数并建立相关向量机(RVM)的预测模型。试验表明:在特征波长优选方面,以偏最小二乘法(PLS)建模为基础的SEPA-VISSA方法,其预测决定系数为0.9593,预测均方根误差为2.8995,相对分析误差为3.0256,光谱变量数由512减小到111个,占总波长的22%,均优于VCPA、CARS和VISSA算法;在建模预测方面,以SEPA-VISSA所选波长为基础的RVM模型,PSO优化的拉普拉斯(Laplacian)核函数的核宽度为10.4043,决定系数为0.9449,预测均方根误差为2.0432,相对分析误差为4.2936,预测效果优于PLS和SVR。因此,基于近红外光谱的SEPA-VISSA-RVM建模能够实现对桦木顺纹抗压强度更准确和稳定的无损检测。