1 燕山大学电气工程学院, 河北 秦皇岛 066004
2 燕山大学信息科学与工程学院, 河北 秦皇岛 066004
3 石家庄学院机电学院, 河北 石家庄 050035
半潜油是一种隐藏于海面之下并呈现悬浮状态的溢油, 其长期毒害并侵蚀着海洋生态环境。 然而, 针对半潜油污染到目前还未形成有效地监测手段和处理方式, 致使其污染的突发性和危害性更甚于海面溢油。 因此, 研究有效地半潜油鉴别方法对保护海洋生态环境具有重要意义。 三维荧光光谱技术中的总同步荧光光谱(TSFS)在油类污染物检测与鉴别中具有不存在瑞利散射干扰以及冗余数据少的优势, 但由于TSFS数据本身不具备三线性结构, 使得多维校正分析方法在其应用上受到了一定的限制。 基于此, 开展基于TSFS结合高阶张量特征提取方法的海水半潜油种类鉴别研究。 首先, 利用有机分散剂和六种不同种类的油品配制了90个半潜油实验样本; 然后, 利用FS920荧光光谱仪采集实验样本的TSFS数据, 并对该数据进行标准化预处理; 最后, 通过高阶张量特征提取方法二维线性判别分析(2D-LDA)以及二维主成分分析(2D-PCA)分别建立了半潜油样本的鉴别模型; 并将所建模型与常规方法多元曲线分辨率交替最小二乘法(MCR-ALS)结合线性判别分析(LDA)以及多维偏最小二乘判别分析(NPLS-DA)进行了对比。 分析结果表明, 2D-LDA和2D-PCA所建立的半潜油样本鉴别模型具有可靠的性能, 鉴别模型的精确率、 灵敏度及特异性分别为100%, 100%和100%。 并且, 2D-LDA和2D-PCA能够直接提取TSFS光谱图像矩阵在空间、 统计学以及图形学上的精细光谱特征, 为区分半潜油样本带来更为精准的鉴别依据。 因此, 相较于常规的基于展开或分解数据的方法, 高阶张量特征提取方法所建立鉴别模型所得到的预测结果更加精确。 该研究为半潜油种类鉴别提供了一种参考。
半潜油 种类鉴别 Submersible oil TSFS TSFS 2D-LDA 2D-LDA 2D-PCA 2D-PCA Oil identification
油类污染日渐频繁, 给人类健康及生态环境造成了严重的威胁。 因此, 研究有效的油类识别方法对保护生态环境具有重要意义。 三维荧光光谱技术是识别油类最有效的分析手段之一, 利用二阶校正方法对三维荧光光谱数据进行解析, 然后利用模式识别对二阶校正方法解析结果中的浓度得分矩阵进行分类, 可以实现对未知样本的定性识别。 然而, 此类方法在对未知样本进行分类识别的过程中, 只应用了浓度得分矩阵, 其本质上只是利用样本所含化学成分的相对含量差异对未知样本进行了分类。 并没有利用具有定性意义的载荷矩阵, 即没有从样本所含化学成分本身实现对样本的定性。 基于此, 将重构的三维荧光光谱和偏最小二乘判别分析(PLS-DA)相结合, 提出了一种针对油类样本的辨识方法。 首先, 利用四种油类(汽油、 柴油、 航空煤油和润滑油)在不同的背景环境下(纯净水、 自来水、 河水及海水配制的十二烷基硫酸钠溶剂)配制了80个油类样本; 然后, 利用FS920荧光光谱仪采集样本的三维荧光光谱数据, 并对该数据进行去散射及标准化预处理; 其次, 利用Leverage值识别并删除其中的异常光谱, 并利用平行因子分析算法(PARAFAC)对剩余的光谱进行重构; 最后, 通过PLS-DA建立重构三维荧光光谱的分类模型; 并将重构与未重构的三维荧光光谱分别建立的分类模型进行了对比。 分析结果表明, 三维荧光光谱经过重构后, 可以将四种油类的正确分类率分别从原来的100%, 50%, 60%和20%提高到100%, 100%, 100%和100%, 表明重构的三维荧光光谱具有更加明显的类内特征。 重构三维荧光光谱所建立的分类模型的灵敏度(SENS)、 特异性(SPEC)及F分数分别为100%, 100%和100%, 表明所建立的模型具有稳健及可靠的分析结果。 该研究中, 重构三维荧光光谱利用了PARAFAC解析结果中的浓度得分矩阵及载荷矩阵, 所建立的PLS-DA分类模型不仅从化学成分相对含量的差异而且从化学成分本身对样本进行了定性识别, 所得结果更加具有说服力。 该研究为油类识别提供了一种可靠的方法。
重构三维荧光光谱 油类识别 Reconstructed 3D fluorescence spectrum PARAFAC PLS-DA Oil identification PARAFAC PLS-DA 光谱学与光谱分析
2020, 40(12): 3789
1 中国科学院安徽光学精密机械研究所, 中国科学院环境光学与技术重点实验室, 安徽 合肥 230031
2 中国科学技术大学, 安徽 合肥 230026
随着餐饮业的发展, 餐饮烟气已经成为某些城市三大空气污染源之一。 由于餐饮烟气对人体健康威胁很大, 近年来对餐饮烟气的研究愈来愈热。 餐饮烟气中包含有大量食用油加热过程中裂解而产生的不饱和烃类, 危害着人类健康。 不同食用油裂解出来的成分以及含量有所不同, 通过构建一定的分类识别数学模型, 从而实现对食用油分类识别。 采用自主研发的傅里叶变换红外光谱仪, 采集了不同食用油油烟烟气红外光谱数据。 同时构建了主成分分析(PCA)分别结合概率神经网络(PNN)以及误差反向传播人工神经网络(BPANN)的分类识别算法。 将两种分类识别算法对不同食用油油烟烟气的傅里叶变换红外光谱数据进行分析。 通过样本数据对数学模型进行训练, 将训练好的数学模型对未知光谱数据进行分析, 来确定产生油烟烟气的食用油种类。 实验结果表明, 两种算法都能对不同的油烟种类进行较好地分类识别。 在全波段识别时, 识别率分别达到90.25%和97.0%。 通过对烟气光谱数据的吸收波段进行分析, 提取大气窗口并且具有较强可挥发性有机物(VOCs)吸收特征的波段（1 300～700 cm-1以及3 000～2 600 cm-1）; 将吸光度数据分成两个分离的吸收波段, 两种算法在3 000～2 600 cm-1波段都有较好的识别效果, PCA-PNN算法识别率为90.25%, PCA-BPANN算法识别率为92.25%。 可见, 两种人工神经网络算法都能有效对食用油烟种类进行识别。
人工神经网络 油烟识别 主成分分析 FTIR FTIR ANN Oil identification PCA
1 中国石油大学(华东) 地球科学学院， 山东 青岛 266580
2 青岛农业大学 理学与信息科学学院， 山东 青岛 266109
3 青岛出入境检验检疫局, 山东 青岛 266001
为利用不同油种的发光特性来探测海洋溢油，通过高光谱成像仪，在两种照明模式下采集了6种溢油油种的高光谱图像。基于33个波段构建了波段均值、波段差、波段比和归一化波段比4个辐射指数，提出了基于Fisher和PCA的模型共识的溢油高光谱特征选择方法，采用RBF-SVM模型对油种进行识别。比较发现，本文构建的基于光源混合、波段运算和模型共识的多模式融合方法，从不同侧面提高了模型的溢油识别能力，识别率达到了99.1%以上，比单一方法提高了10%以上。结果表明，多模式融合有效提高了海洋溢油的识别率。
高光谱成像 光源融合 波段指数 模型共识 油种识别 hyper-spectral imaging light fusions band index model consensus oil identification.
1 中国石油大学(华东) 地球科学学院,山东 青岛 266580
2 青岛农业大学 理学与信息科学学院,山东 青岛 266109
3 中国石化青岛安全工程研究院,山东 青岛 266071
利用石油及其产品具有的紫外荧光特性,搭建了一套紫外诱导多光谱成像系统。该系统主要由3个紫外诱导光源、8个滤波片和1个彩色CCD相机组成。采集了6种油品的多光谱图像,以有效光斑的24个颜色分量均值作为特征,提出了一种联合熵最大化的独立分量分析特征优化方法。K均值聚类和支持向量机识别结果表明,较改进前的ICA方法,该方法的特征优化性能得到了有效提高,油种识别率达到了92.3%。
紫外诱导 多光谱成像 联合熵独立分量分析 油品检测 UV excitation light multi-spectral imaging joint entropy of independent component analysis oil identification
1 中国海洋大学光学光电子实验室， 山东 青岛266100
2 北京师范大学资源学院， 北京100875
3 潍坊学院物理与电子科学学院， 山东 潍坊261061
针对海面溢油样品的含量难以确定， 同时考虑到海水掺杂及风化等问题的影响， 提出了在较低非线性浓度范围内采集溢油嫌疑样品的同步荧光光谱， 获取其训练样本集， 利用主成分分析法（Principal component analysis, PCA）提取其特征光谱， 结合径向基函数（Radial basis function, RBF）神经网络对肇事样本和嫌疑样本进行模式识别的方法。 通过对相近油源原油样品分类识别研究表明： 该方法仅需单次对肇事样本同步光谱测量， 再借助数据分析， 就可以很好区分相近油源溢油样品， 外扰对识别率影响也不大。 RBF神经网络算法识别率在92%左右。 该结论对海洋环境中溢油的实时检测及油指纹数据信息库的建立有重要意义。
溢油鉴别 同步荧光光谱 主成分分析法 径向基函数神经网络 Spill oil identification Synchronous fluorescence spectra Principal component analysis (PCA) Radial basis function (RBF) artificial neural netw 光谱学与光谱分析
2012, 32(4): 1012
1 燕山大学测试计量技术及仪器河北省重点实验室, 秦皇岛 066004
2 中航577厂，秦皇岛 066102
介绍了运用神经网络进行模式识别的基本原理，将主成分分析法和BP神经网络相结合，提出矿物油三维荧光谱鉴别方案，并进行了系统设计,建立了基本的模型框架.选取矿物油三维荧光谱的特征参量，组成原始特征向量，采用主成分分析法进行预处理，而后选取主成分运用BP神经网络实现油种鉴别.该方法减少了输入变量的维数，消除了各输入变量的相关性，同时简化了网络结构，提高了程序运行的速度.通过实例进行了分析，结果证明该方法有效地实现了矿物油三维荧光谱的油种鉴别，同时该系统也可用于其它物质的光谱识别技术领域.
光谱分析 油种鉴别 主成分分析 BP神经网络 Spectral analysis Oil identification Principal component analysis BP neural network
