1 黑龙江八一农垦大学工程学院, 黑龙江 大庆 163319
2 黑龙江八一农垦大学信息与电气工程学院, 黑龙江 大庆 163319
3 黑龙江省农业科学院绥化分院, 黑龙江 绥化 152052
4 大庆市绿色农产品监测中心, 黑龙江 大庆 163311
大豆品种快速准确的鉴别, 对于鉴定种子品质、 净化种业市场以及保障粮食安全具有重要意义。 为解决传统农作物品种鉴别方法中存在精度差和效率低等问题, 采用拉曼光谱结合特征波长提取方法建立偏最小二乘(PLS)鉴别模型, 对黑龙江省4个高蛋白大豆品种（黑农88、 黑农98、 绥农71以及绥农76）进行快速鉴别。 随机蛙跳(RF)算法是一种通过迭代计算变量被选概率, 以确定变量重要性的新型特征波长选择算法, 可以有效剔除全光谱数据中的冗余信息。 该方法存在初始变量集随机性、 所需迭代次数大、 阈值选取不确定的问题, 因此提出一种基于最小绝对收敛与选择算子(LASSO)回归的改进随机蛙跳（MRF）算法。 采用LASSO算法提取与属性变量最相关的特征波长点作为RF初始变量集F0, 消除初始变量的随机性, 在此基础上开始迭代计算, 可以减少无用迭代次数, 提高模型的预测精确度。 RF算法通过设定阈值的方法选择变量, 因此提取的特征波长往往具有不确定性。 改进如下: 首先去除被选概率为0的变量, 对于排序后变量以10个波长点为间隔, 每次增加1个间隔建立特征波长与大豆品种属性的偏最小二乘回归模型, 当交叉验证均方根误差(RMSECV)取最小值时的建模波长为优选特征波长。 以MRF优选特征波长作为输入变量建立PLS鉴别模型, 并与全光谱以及常用的RF、 LASSO和ElasticNet特征波长选择算法建模结果进行对比分析。 结果表明, MRF算法提取300个特征波长点, 仅占全谱波长的9.37%, 有效筛选了关键特征变量, 简化了模型复杂度。 预测结果中均方根误差(RMSEP)和决定系数(R2p)分别为0.246 9和0.951 2, 识别准确率达到100%, 为所有模型中最优。 拉曼光谱结合MRF算法可以实现大豆品种的快速鉴别, 同时也为其他农作物品种的快速鉴别提供了一种新思路。
拉曼光谱 大豆 特征波长选择 随机蛙跳 最小绝对收敛与选择算子 Raman spectroscopy Soybean Characteristic wavelength selection Random frog LASSO 光谱学与光谱分析
2023, 43(12): 3763
黑龙江八一农垦大学土木水利学院, 黑龙江 大庆 163319
用相近产地的大米代替独有的地理因素形成的地域品牌大米, 消费者难以辨别。 基于拉曼光谱技术, 试验对比不同预处理方法包括一阶导数+平移平滑、 二阶导数+平移平滑, 小波变换+去除基线三种常用的预处理方法, 另外提出一种改进的分段多项式拟合+去除基线共四种预处理方法, 分别结合偏最小二乘法实现相近产地大米的鉴别分析, 提出一种最佳的鉴别相近产地大米的预处理方法。 首先用拉曼光谱仪采集了黑龙江省依安县3个相近产地大米的150个拉曼位移为200~3 100 cm-1的大米光谱样本, 再对原始拉曼光谱分别用一阶导数+平移平滑、 二阶导数+平移平滑、 小波变换+去除基线、 分段多项式拟合+去除基线进行光谱预处理。 分别从每个产地选取33个样本进行训练, 并对未知的51个样本建立了基于偏最小二乘法的鉴别分析模型, 在训练集中一阶导数+平移平滑的预处理方法相关系数值最大、 均方误差和均方根误差最小, 小波变换+去除基线的预处理方法相关系数值最小、 均方误差和均方根误差最大; 在测试集中采用3点2次拟合+去除基线的预处理方法的相关系数值最大、 均方误差和均方根误差最小, 二阶导数+平移平滑的预处理方法最差。 最后再通过PLS建模结果得知, 在训练集中, 采用四类九种预处理的方法对三个产地大米的总识别率均为100%; 在测试集中, 采用3点2次拟合+去除基线对三个产地大米总识别率为100%, 采用5点2次拟合+去除基线对三个产地大米总识别率为52.9%, 其他分段多项式拟合介于二者之间; 采用一阶导数+平移平滑、 二阶导数+平移平滑和小波变换的总识别率分别为88.2%, 86.2%和96.1%; 从中发现, 分段式多项式拟合中的3点2次拟合+去除基线的优势明显, 与其相关系数、 均方误差、 均方根误差结果吻合, 总体识别率高, 鉴别效果稳定。
拉曼光谱 基线去除 大米 预处理方法 Raman spectrum Baseline removal Rice Pretreatment method
电子科技大学 自动化工程学院, 四川 成都 611731
石英晶体微天平(QCM)是一种高灵敏度的传感器, 通过建立QCM参数变化与被测粘弹性薄膜之间的关系, 可以对其进行量化分析及表征。该文基于石英晶体本构方程, 推导了在气相条件下, 不考虑电容效应的粘弹性薄膜吸附的QCM等效BVD模型, 给出了一个关于粘弹性薄膜物理性质的QCM等效参数与频率变化的显式表达, 揭示了粘弹性薄膜的损耗模量和存储模量在气相中产生“额外质量效应”的物理现象。与Arnau给出的EBVD模型相比, 该文推导的BVD模型具有更高的准确度。结果表明, 该模型可被应用于气相粘弹性薄膜的特性分析。
石英晶体微天平 等效BVD模型 粘弹性薄膜 存储模量 损耗模量 quartz crystal microbalance equivalent BVD model viscoelastic film storage modulus loss modulus
1 黑龙江八一农垦大学电气与信息学院, 黑龙江 大庆 163319
2 中国林业科学研究院, 北京 102300
3 齐齐哈尔大学通信与电子工程学院, 黑龙江 齐齐哈尔 161006
微量物质拉曼光谱测量精度的提高是拉曼分析技术的难点之一, 特别是高荧光背景下生物体中微量物质的测量。 根据拉曼谱峰突发、 离散特点, 分别给出荧光背景和噪声拟合函数, 通过监测总体拟合偏差A类不确定度函数实现拉曼谱峰定位和干扰信号滤波; 进一步根据谱峰位置划分光谱区间, 在单调区间内弱化非谱峰信号, 实现谱峰信号增强。 与其他光谱处理方法比较, 可以准确拆分重叠特征峰, 不会降低特征峰高度, 提供更加灵敏的半谱峰面积指标。 实验表明, 该方法在处理皮肤拉曼光谱时, 可以准确得到螺旋构象的酰胺I带、 神经酰胺和CO的归属拉曼谱峰; 另外经过该方法处理后数据建立水溶性糖（水稻叶片）含量测量模型, 其精度优于小波分解、 多项式拟合和非线性最小二乘法。
生物体拉曼光谱 微量物质 测量精度 Biological Raman spectroscopy Micro-substance Measurement accuracy
1 黑龙江八一农垦大学信息技术学院, 黑龙江 大庆 163319
2 燕山大学电气工程学院, 河北 秦皇岛 066004
3 齐齐哈尔大学通信与电子工程学院, 黑龙江 齐齐哈尔 161006
4 中国林业科学研究院华北林业实验中心, 北京 102300
用时频方法分析拉曼光谱和近红外光谱。 经验模态分解光谱成为特征模态分量, 模态分量比重计算显示拉曼光谱能量均匀分布于各个分量, 而近红外光谱的低阶特征模态分量只承载了较少的原光谱有效信息。 真实光谱和数值实验均显示, 经验模态分解视拉曼光谱为调幅信号, 具有高频能量吸附特性; 视近红外光谱为调频信号, 在一阶特征模态分量中可以较好实现高频窄带解调。 一阶特征模态分量希尔伯特变换显示, 经验模态分解拉曼光谱时易出现模态混叠现象。 进一步在时频域分析玉米叶片近红外光谱, 经验模态分解后截掉低能量的一、 二阶分量, 用剩余特征模态分量重构光谱信号, 均方根误差为1.001 1, 相关系数为0.981 3, 两个指标反映出重构精度较高; 分解趋势项表明在近红外光波段, 吸光度随着波长的减小呈现递增趋势; 特征模态分量的希尔伯特变换显示, 657 cm-1是碱胁迫光谱特有频率, 可作为碱胁迫光谱特征频率来辨识。
时频分析 经验模态分解 希尔伯特变换 近红外光谱 拉曼光谱 Time-frequency analysis Empirical mode decomposition Hilbert translation Near infrared spectrum Raman spectrum
1 燕山大学电气工程学院, 河北 秦皇岛 066004
2 黑龙江八一农垦大学信息技术学院, 黑龙江 大庆 163319
3 齐齐哈尔大学生命科学与农林学院, 黑龙江 齐齐哈尔 161006
4 齐齐哈尔大学通信与电子工程学院, 黑龙江 齐齐哈尔 161006
针对近红外透射和吸收双光谱提出一种自适应的去噪方法.同步采集样品的近红外透射谱和吸收谱,在相同分解原则下总体经验模态法分解两组光谱,得到单组分特征模态分量.计算特征模态分量与原透射谱、吸收谱之间相关性,以及两组特征模态分量之间相关性,相关性最小模态分量初判为噪声分量.分析该分量在光谱中点处自相关性,若中点处很大,其他点几乎为零或很小,可以判断该分量为噪声.这种基于模态分量相关性的噪声判别方法称为“3R”法则.剔除噪声分量,重构光谱信号,循环上述分解过程,直到不满足“3R”法则,降噪过程结束.构造理想光谱,叠加噪声,“3R”法降噪效果优于EMD和EEMD低通滤波器,略逊于小波分解.真实光谱实验中,经过上述方法降噪处理过的玉米叶片光谱采用3层BP神经网络建立与叶绿素之间预测模型,“3R”法处理模型具有最大校正相关系数和预测相关系数,最小校正标准差和预测标准差.在四种降噪方法中,“3R”法对光谱谱峰位置和峰高的影响最小.实验表明,“3R”双谱去噪方法无需预设迭代次数,不用考虑分解层数,没有基函数,是自适应的,该方法适合近红外光谱去噪。
总体平均经验模态分解 相关性 近红外 双谱 去噪 Ensemble empirical mode decomposition Correlation Near infrared Bi-spectrum Denoising 光谱学与光谱分析
2015, 35(4): 1146
1 燕山大学电气工程学院, 河北 秦皇岛066004
2 黑龙江八一农垦大学信息技术学院, 黑龙江 大庆163319
3 大庆石化工程有限公司, 黑龙江 大庆163317
4 齐齐哈尔大学生命科学与农林学院, 黑龙江 齐齐哈尔161006
5 通信与电子工程学院, 黑龙江 齐齐哈尔161006
基线校正是光谱分析的重要环节, 现有算法通常需要设定关键参数, 不具备自适应性。 根据总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)残余量特点, 提出用残余量拟合光谱基线。 通过残余量与信号相关性、 残余量自相关和互相关性（称为残余相关准则）判断残余量是否是基线组成部分, 以此为基础提出一种自适应的EEMD残余相关基线校正算法。 对叠加曲线背景和线性背景的模拟光谱数据进行实验, 结果显示在已知基线数学假设情况下, EEMD残余相关法逊于多项式拟合, 同非线性拟合相差不多, 优于小波分解。 在没有光谱背景知识情况下, 对真实拉曼光谱数据进行试验。 经过上述方法预处理过的玉米叶片光谱采用3层BP神经网络建立与叶绿素之间预测模型, 经过残余相关基线校正的模型具有最大校正相关系数和预测相关系数, 最小交叉验证标准差和相对分析误差。 各种基线校正方法中, 残余相关基线校正对特征峰峰位、 峰强和峰宽影响最小。 实验表明, 该算法可用于拉曼谱图基线校正, 无需分析样品成分的先验知识, 无需选择合适的拟合函数、 拟合数据点、 拟合阶次以及基函数和分解层数, 也无需基线信号分布的数学假设, 自适应性很强。
总体平均经验模态分解 残余量 相关性 基线校正 自适应性 Ensemble empirical mode decomposition Residual Correlation Baseline correction Adaptive 光谱学与光谱分析
2014, 34(6): 1624
中科院大连化学物理研究所,辽宁,大连,116012
采用共聚焦光学结构,并用激光二极管泵浦固体激光器作为激发光源,研制出一种小型荧光检测系统.该系统采用模块化结构,具有体积小、成本低、灵敏度高、易操作等优点.若适配检测池模块可满足不同的分离体系.
激光二极管 激光诱导 荧光 检测器 LD-DPSS laser-induced Fluorescence detector
