基于近红外光谱与SIMCA快速识别乙烯醋酸乙烯酯共聚物树脂牌号的定性方法

利用近红外光谱与族类独立软模式方法(SIMCA)对不同牌号的乙烯醋酸乙烯酯(EVA)共聚物树脂进行快速定性分析。利用漫反射测量方式与傅里叶近红外光谱仪测量样本的近红外光谱,并利用SIMCA方法对训练集样本建立类别定性模型及预测验证集样本的牌号。结果表明,近红外光谱经过导数与MSC预处理后,利用主成分分析方法将光谱数据降维得到光谱的主成分信息,选用前3主成分建立的EVA树脂牌号的定性识别模型,对24个验证集样本的预测准确度为100%。基于近红外光谱与SIMCA定性方法可以用于EVA树脂牌号的快速识别。     

X射线荧光光谱法结合HCA-PCA-BPNN实现塑料快递包装袋识别分类

X射线荧光光谱法与机器学习有机结合,建立现场塑料快递包装袋物证科学精准识别分类模型。利用X射线荧光光谱法对72个塑料快递包装袋样品无损检验,并依据光谱数据,利用定性半定量分析法对塑料快递包装袋初步分类。利用z-score标准化进行光谱预处理,并结合层次聚类、主成分分析和BP神经网络(HCA-PCA-BPNN)建立识别分类模型,确定最佳聚类类别。结果显示,72个样品聚为8类时,模型检验集预测判别正确率为97.9%,预测集预测判别正确率仅为72%,模型识别分类准确度较差;72个样品聚为3类时,模型检验集和预测集预测判别正确率均为100%,识别分类准确度较高,72个样品最佳聚类为3类。研究表明,X射线荧光光谱法结合HCA-PCA-BPNN可以为现场塑料快递包装袋物证无损且准确地识别分类提供一种方便可行的模式。     

基于近红外光谱建立PE、PP和PET的识别分类模型

利用近红外高光谱成像仪在900~1 700 nm的范围采集PE、PP和PET样本的高光谱图像,并进行黑白校正,提取感兴趣区域的反射率光谱数据;利用主成分分析法对提取的数据去噪降维。结果表明,前3个主成分的累计贡献率达98.89%。把前3个主成分的载荷系数对波长作图,得到了6个特征波长;利用特征波长对应的反射率光谱数据进行判别分析,并建立了3种塑料的识别分类模型;用预测样本对模型进行检验,结果显示,预测样本的识别准确率为95.24%,表明该模型可准确有效地对PE、PP和PET进行识别分类。     

近红外光谱技术在快速鉴别真伪抗生素的应用

为实现对假冒抗生素药物的快速识别,采集了7种抗生素106份样品的近红外漫反射光谱,采用一阶导数、标准归一化和Norris平滑对光谱预处理,选择9 300～4 000 cm-1的光谱波段,通过相似度匹配和判别分析法建立抗生素的鉴别模型,并取样对该模型验证,预测集均能被正确的识别,取得了良好的效果。因此,近红外光谱结合判别分析法能快速、准确的对抗生素质量进行鉴别,为抗生素的真伪鉴别提供了一种新方法。     

二维相关近红外光谱分析技术判别天然绿棉掺杂中的应用研究

以天然绿棉、染色绿棉、天然绿棉+50%染色绿棉、天然绿棉+30%染色绿棉等4组棉花为研究对象,采用近红外光谱技术结合二维相关光谱分析技术对天然绿棉中是否掺入染色绿棉进行判别。结果表明,4组绿棉在4 000~5 500 cm~(-1)波段范围内二维相关近红外光谱图在自动峰和交叉峰的出峰数目、位置及峰强上有明显的差异。这表明二维相关近红外光谱技术可以快速判别天然绿棉的掺杂,为天然彩棉掺杂的识别提供一种新的方法。     

基于近红外和中红外光谱的杜仲产地溯源

杜仲是一种重要而有价值的中药,具有多种医疗功能,多年来在中国、日本和韩国等亚洲国家被广泛用作保健食品。杜仲的功效和质量与产地密切相关。采用近中红外光谱与化学计量学相结合的方法,用于简便、快速和准确地鉴别杜仲的产地。使用k-最邻近分析(kNN)、主成分分析-线性判别分析(PCA-LDA)和偏最小二乘判别分析(PLS-DA)模型对杜仲样品进行了产地来源分类。结果表明,kNN模型更适合基于近红外光谱的不同省份杜仲样品的识别,kNN模型对来自8个省份的杜仲样本在训练集和测试集上的识别率均达到100%,交叉验证识别率为100%;PLS-DA模型更适合基于中红外光谱的不同省份杜仲样品的识别,PLS-DA模型在训练集和测试集中对来自8个省份的杜仲样品的识别率分别达到99.40%和98.61%,交叉验证识别率为99.11%。该方法可以快速、准确地确定杜仲的省份来源,有望应用于市场监督领域。     

基于近红外光谱的再生塑料固体废物识别技术

再生塑料固体废物鉴别过程较为复杂，需要结合多项理化指标综合分析判定。本文采用便携式近红外光谱技术，以842个再生塑料样品和202个再生塑料固体废物样品为研究对象，结合模式识别算法(最近邻算法KNN,偏最小二乘分类判别法PLS-DA,最小二乘支持向量机LS-SVM)建立识别模型，在剔除饱和吸收光谱的情况下，训练集的准确率最高可达到97%。实现了不同种类再生塑料固体废物快速鉴别，可应用于再生塑料固体废物现场初筛，为海关监管提供技术支撑。     

基于主成分分析和偏最小二乘回归的烟煤水分近红外检测

基于近红外光谱技术对烟煤水分分析的快速、无损性。采集了100个烟煤样品,分成验证集和预测集,验证集85个,预测集15个。利用主成分分析对烟煤的近红外光谱数据进行压缩,然后以主成分为输入,采用偏最小二乘回归建立烟煤水分预测模型。烟煤水分平均绝对相对误差为0.0728,表明该方法用于预测烟煤水分含量是可行的。     

基于OPLS-DA提取VIP值的塑料餐盒K-NN拉曼光谱分析

为了实现塑料餐盒这一食品包装材料的拉曼光谱特征提取和模式识别的系列研究,进行有监督的正交偏最小二乘判别分析算法模型的构建,样本在提取出的3个正交新变量上类与类之间明显区分开来。从已构建模型中提取出变量投影重要性局部极大值大于1的29个特征变量进行k值为1的K最近邻算法分类,最终训练集和测试集的分类正确率分别达到了92. 3%和100%,表明包括模型构建、特征提取和模式识别在内的系列方法可有效对塑料餐盒样本进行分类识别。     

基于智能优化算法的软测量模型建模样本优选及应用

根据目标工况合理选择训练样本,是建立软测量模型的关键。传统的训练集样本选择方法难以充分利用因变量信息,而且难以综合考虑样本对模型的影响。为了解决上述问题,本文提出一种基于智能优化算法的训练集样本选择模型,定义了损失函数和样本压缩率,通过权重因子将二者融合为多目标适应度函数,可调整优化算法的寻优方向,使算法能够同时对建模样本组合结构与样本数量寻优,因此极大提高了所选建模样本的质量。为了验证方法的有效性,以汽油调和过程中采集的汽油近红外光谱-研究法辛烷值数据以及柴油近红外基准数据为例,与偏最小二乘、局部权重偏最小二乘等多种方法进行了比较研究,并分析了建模样本对软测量模型的影响。结果表明,本文方法在大规模降低训练集样本规模的同时能够保证软测量模型的精度和泛化性,非常适合工业应用。     

应用红外光谱进行不同性状沥青的判别

通过对不同性状沥青获取的可见红外光谱曲线的分析,采用主成分分析方法对光谱数据进行聚类分析,并将提取的主成分作为BP神经网络的输入值建立了不同性状沥青判别模型。该模型将前3个主成分作为神经网络的输入变量,加速了神经网络的学习速度,提高了模型的预测精度。随机选取每个性状的22个沥青样本共110个样本组成训练集,剩余的30个样本组成预测集,建立训练模型,并用预测集样本对其进行验证,将判定的偏差标准定为±0.01,结果表明只有1个未知样本超出偏差范围,该方法的判定正确率为96.7% ,获得了满意的结果。说明采用可见红外光谱判别具有很好的分类和鉴别作用,为不同性状沥青的快速判别提供了一种新方法。     

基于差分拉曼光谱对一次性塑料杯盖的分类研究

差分拉曼光谱是目前较为常用的检验方法之一,本文对计算机分类识别技术在案件现场常见一次性塑料杯盖的应用进行实验,获取了样本的差分拉曼光谱。根据谱图可将样本分为3类：聚丙烯（PP）、聚苯乙烯（PS）和聚对苯二甲酸乙二醇酯（PET）,对比分析其中官能团峰位,再利用Calinski?Harabasz评价指标优选最佳聚类数为5类,进行K?均值聚类。随机选取40个样本建立支持向量机判别模型,提取谱图方向梯度直方图和灰度共生矩阵后合并成一个向量作为特征矩阵的一行,剩余8个样本作为测试集验证结果。结果表明,识别准确率达到到100 %。此高效识别方法具有检验成本低、分析速度快等优点,在公安机关实际办案过程中可起到技术参考作用。     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

近红外光谱的ELM校正模型测定柴油凝点

为了简便、快速地测定柴油凝点,建立了一个基于ELM算法的近红外光谱校正模型。首先选择KS法按4:1划分样本集,并以"一阶导数+矢量归一化"方法进行光谱预处理;以校正集数据训练ELM模型并进行参数优化后,代入测试集光谱数据完成预测。通过136个柴油样品数据建模验证,结果表明用近红外光谱的ELM校正模型测定柴油凝点是完全可行的,且其准确度、稳健性和速度均优于PLSR模型和LS-SVM模型。     

近红外光谱法快速同时测定烟用香精中常用溶剂含量

基于近红外光谱技术建立了烟用香精中水、乙醇、1,2-丙二醇、丙三醇4种组分含量的预测模型，并对模型进行了验证和评价。结果表明，所建预测模型可同时快速对样品中的水、乙醇、1,2-丙二醇、丙三醇含量进行预测，采用Savitzky-Golay滤波平滑+一阶导数光谱预处理，模型的校正集相关系数（R2）均大于0.985，校正均方根误差（RMSEC）分别为0.884、0.644、1.720、0.849。将模型的预测值与气相色谱-热导检测器（GC-TCD）法测定结果相比较，二者结果无显著性差异（P>0.05），利用预测值建立了质量控制模型，当显著水平为5%条件下，该模型对异常样品和正常样品的正确判别率均为100%。可见，近红外光谱技术能对烟用香精常用溶剂进行无损、快速、高效的同时分析，并可用于烟用香精生产与应用过程中的质量监测。     

基于DMD哈达玛变换近红外光谱仪的汽油辛烷值检测

应用近红外光谱分析检测技术建立一种汽油研究法辛烷值的快速定量分析方法。收集来自不同地区共100个汽油样品,应用化学计量学方法建立近红外光谱原始数据信息与研究法辛烷值之间的定量分析模型,结果表明:对原始光谱进行归一化处理后,采用偏最小二乘回归建立数学模型,其校正集与预测集相关系数分别为0.9300和0.9322,校正集均方根误差与预测集均方根误差分别为0.6700和0.6577,表明模型准确可靠,可应用于汽油辛烷值的快速检测。     

基于判别分析与K近邻算法对塑料吸管的红外光谱分析

为建立一种塑料吸管物证的高效、准确分类方法,利用红外光谱法对来自全国的4个品牌共42个塑料吸管样本进行了检验。经过前期光谱预处理后,利用主成分分析法提取出了25个主成分,累积方差贡献率为99. 689%,并将其作为判别变量进行判别分析。判别结果区分效果良好但交叉验证正确率仅为73. 8%,有待进一步提高。因此将判别得分作为特征变量导入K值为1的K近邻算法中,构建起了分类正确率为100%的K近邻算法模型,实现了对塑料吸管物证的准确分类。     

基于Fisher判别分析的一次性塑料手套光谱鉴别

为了建立一种快速准确且无损检材的检验一次性塑料手套的光谱分析方法,利用X-MET7000手持式X荧光光谱能量色散型分析仪,对39个不同品牌不同用途的一次性塑料手套进行检验分析,通过特征元素Cl与Cd将样品分为4组,对于同组样本还可通过Ca/Zn含量比进行进一步认定,效果较好。使用Fisher判别分析法,建立判别函数Y1、Y2与Y3,实现对新数据类别变量取值的预测,同时检验三个判别函数的判别能力。根据判别能力较强的第一和第二判别函数建立判别分布图,图中4组样本质心明显区分。为验证分类结果的准确性,对所得数据进行系统聚类和K-Means快速聚类,根据数据间的亲疏程度,进行分类,此方法为犯罪现场检验此类物证提供依据。     

近红外光谱法快速测定TDI固化剂中游离-NCO含量

借助于近红外光谱分析技术,采用化学计量学的方法,以偏最小二乘法(PLS)为模型算法,建立了快速测定TDI固化剂中游离-NCO含量的定量分析模型。模型相关性方程为Y=0. 9997X+0. 0037,相关系数R2为0. 9997,交叉验证均方差RMSECV为0. 0846,校正均方差RMSEC为0. 2909,属性残差Property Residual绝对值小于0. 1,光谱残差Spectral Residual小于0. 00015,模型性能良好。采用验证集样品进行模型验证,平均预测回收率为100. 02%,实现了TDI固化剂中-NCO含量的简便、快速、准确分析。