饲料中添加铜元素对猪生长速度的促进效果明显,因而铜元素在猪饲料中的超标情况非常普遍,但其带来的危害也非常严重。利用共线双脉冲激光诱导击穿光谱(DP-LIBS)技术对猪饲料中的铜元素进行快速定量分析,采用竞争自适应重加权采样(CARS)算法筛选出与猪饲料中铜元素相关的22个重要变量,压缩率为1.1%;基于筛选出来的22个重要波长变量,利用偏最小二乘(PLS)回归方法建立猪饲料中铜元素含量的预测模型,并对预测集猪饲料样品中的铜元素含量进行预测。结果表明:与全光谱-PLS模型相比,CARS-PLS模型具有更高的预测精度和预测能力,模型相关系数、交叉验证均方根误差、平均相对误差分别为0.978、19.25、5.59%。CARS算法可以有效地优化猪饲料中铜元素的激光诱导击穿光谱在线检测模型,并可以提高模型的预测精度。

基于单脉冲激光诱导击穿光谱(LIBS)检测技术, 以Cu在324.74 nm处和Ca在317.95 nm处的两条特征谱线强度作为多元非线性定标的自变量, 饲料中Cu含量作为因变量, 对猪饲料中Cu元素的含量进行了定量分析。比较了单变量分析方法、交叉降维近似多元非线性模型、多元二次非线性模型和平方降维近似多元非线性模型的分析结果, 并对验证样品进行预测分析。结果表明, 交叉降维近似多元非线性模型与其他三种分析方法相比预测效果更好, 建模集预测浓度与实际浓度的相关拟合系数为0.9799, 预测集的相关拟合系数为0.8597, 平均相对误差为8.12%。