拉曼光谱结合模式识别方法鉴别大米种类

为实现大米种类准确、快速的鉴别，选购72份大米样品，粉碎，采集粒度为100-140目米粉的拉曼光谱，对谱图数据进行去噪、归一化和特征提取后，综合运用主成分分析（PCA）、层次聚类分析（HCA）和支持向量机（SVM）三种方法对粳米、籼米和糯米进行聚类与模式识别研究。三种大米经PCA分析可直观地归为三簇，籼米和糯米可被区分开，但粳米与糯米、粳米与籼米不能区分。HCA结果表明粳米与籼米较难区分，糯米与其它两种米有较大差异，三种大米经HCA聚类分析准确率为81.94%。而采用SVM判别方法经10次运行后的平均识别率达98.86%。实验证明：拉曼光谱法结合支持向量机用于大米种类的分类与识别简单快速，在分析数据相对复杂的情况下，可快速建立分类模型并实现大米种类间的鉴定与识别。     

拉曼光谱数据处理方式对大米产地鉴别模型的影响

为探究拉曼光谱数据处理方式对大米产地鉴别模型的影响,以盘锦大米、响水大米、西江大米、建三江大米、五常大米和延边大米为例,考察各数据处理方式下大米产地鉴别模型的准确度。稻谷样品经精米加工、粉碎、筛分,收集粒度为100～140目的米粉,在5个测量点分别采集拉曼光谱,然后经相对标准偏差和层次聚类分析剔除差异数据,最后将剔除差异前、后的数据和取平均值前、后的数据分别建立分类模型。结果表明:通过层次聚类分析可找出潜在的差异数据,通过相对标准偏差分析可初步判断是否存在差异数据及最终验证是否是差异数据。此外,取平均值后的数据可使相同大米样品内的数据差异缩小,而不同大米样品间的差异扩大,有效提高了模型的识别准确率。本文所探究的先剔除差异数据再取平均值的数据处理方式,可将大米产地鉴别模型的识别准确率提高12.89%,为大米产地溯源分析提供更为准确、有效的分析方法。     

谱图数据融合结合模式识别算法鉴别苹果香精

采用拉曼光谱-离子迁移谱（ion mobility spectrometry,IMS）数据融合技术结合主成分分析（principal components analysis,PCA）-最近邻（nearest neighbor,NN）算法的模型鉴别9 种食用苹果香精。香精先经水溶液稀释处理,再经拉曼光谱和IMS分析,建立样品的拉曼光谱和IMS指纹图谱库,然后分别使用单谱数据结合PCA-NN模型以及拉曼光谱-IMS数据融合结合PCA-NN模型鉴别香精。结果表明：拉曼光谱-IMS结合PCA-NN模型对9 种食用苹果香精的识别率达98.35%,高于拉曼光谱的78.14%和IMS的94.18%。使用水溶液稀释技术,不存在副反应,无污染,操作简单快速,保留了样品的整体物质,保证了实验结果的可靠性和稳定性。拉曼光谱仪和离子迁移谱仪具有操作简单、分析速度快的优点。拉曼光谱-IMS结合PCA-NN模型为鉴别食用苹果香精提供了一种可靠、稳定、快速、全新的方法。     

电扫描实现旋转磁场跟踪仿真研究

在电磁跟踪系统中,磁场源的优化设计不仅可简化系统结构,还可提高系统性能。设计了一种电控旋转磁场源,并对该磁场源实现电磁跟踪的可行性进行了仿真研究。首先提出了一种立方体磁芯缠绕三轴正交方形线圈,通过控制3个正交线圈激励电流强度,实现合成磁感应强度矢量旋转的磁场源方案;之后,采用有限元分析法,通过仿真软件ANSYS对其空间磁场分布情况及激励电流对磁场分布的影响进行了仿真研究。仿真结果表明:可以通过控制三轴线圈的电流强度,控制立方体三轴正交线圈合成的总磁感应强度最大值的方向,实现磁场的"旋转"。该磁场源方案符合电扫描实现旋转磁场跟踪的要求,为下一步的实际系统设计提供了依据。     

钢筋对混凝土收缩变形分布的影响

采用固定多组位移传感器方法,研究了单面干燥条件下不同配筋形式混凝土试件距离表面不同深度处的收缩变形。结果表明:配筋与未配筋混凝土试件均存在沿着距离干燥表面深度方向的收缩变形梯度;配筋率越高,钢筋附近混凝土收缩所受约束程度越大,导致混凝土试件内外层的收缩变形梯度差加剧。     

华瀛公司煤质管理技术谈

提出煤质管理需要通过建立健全煤质管理体系,制定煤质管理措施,落实煤质管理责任制,完善和强化煤炭质量保证体系,强化宣传教育,并介绍了全员全过程煤质控制的方法。     

流化床生物膜硝化反应器的试验与研究

发明了一种新型流化床生物膜反应器，以氨氮的硝化为目的对反应器进行了中试研究。     

相似度分析结合人工神经网络鉴别苹果香精

采用相似度分析结合人工神经网络的方法鉴别苹果香精。香精经水溶液稀释处理后再经离子迁移谱仪分析,针对仪器波动性引起的谱图差异,应用相似度分析的方法判别离群谱图,筛选有效谱图,建立了香精样品的离子迁移谱指纹图谱库。通过主成分分析提取香精指纹图谱的特征向量输入误差反向传播神经网络,建立了几种不同网络结构的分类鉴别模型。实验结果表明,采用单层感知机,网络结构为10-13-5,激活函数为tansig,训练函数为trainbr的分类鉴别模型最佳,能避免过拟合,获得更加精确的识别效果,识别率达99.41%,且较去离群谱图前的识别率提高了3.82%。     

基于荧光光谱的古井贡酒年份酒品质控制技术研究

探讨了荧光光谱结合相关系数法用以白酒品质控制的可行性。以古井贡8年酒为主要研究对象,以高通量分析平台获取各品牌白酒荧光光谱数据,具有样品用量少,分析速度快等优势,比较了同批次古井贡8年酒间的相关系数,以及不同批次古井贡8年酒、同品牌古井贡16年、26年酒、不同品牌白酒与古井贡8年酒（均值）间的相关性。结果表明,同批次古井贡8年酒样本间相关系数超过0.99,不同批次古井贡8年酒相关系数达到0.98左右,而古井贡16年、26年酒以及其他品牌白酒与古井8年酒相关系数值相对较低,依据相关系数值可初步实现古井贡8年酒在同批次、不同批次、同品牌、不同品牌白酒间的鉴别分析。据此,本方法有望实现古井贡酒年份酒简单、高效的品质控制鉴别。