1 华中农业大学工学院, 湖北 武汉 430070 农业农村部长江中下游农业装备重点实验室, 湖北 武汉 430070
2 华中农业大学工学院, 湖北 武汉 430070 农业农村部长江中下游农业装备重点实验室, 湖北 武汉 430070农业农村部柑橘全程机械化科研基地, 湖北 武汉 430070
3 华中农业大学工学院, 湖北 武汉 430070 农业农村部长江中下游农业装备重点实验室, 湖北 武汉 430070国家现代农业（柑橘）产业技术体系, 湖北 武汉 430070农业农村部柑橘全程机械化科研基地, 湖北 武汉 430070
咪鲜胺和抑霉唑是柑橘类水果常用的保鲜剂, 二者混用可有效降低致病细菌抗药性, 达到更好的保鲜效果, 但农残过量会影响食用者健康。 基于表面增强拉曼光谱技术, 以丑橘为基质, 咪鲜胺和抑霉唑混合农药为研究对象, 结合化学计量学方法, 建立一种快速准确检测柑橘表皮农药残留的方法。 为了对比金、 银溶胶的增强效果, 分别将金、 银溶胶用于浓度为10 mg·L-1的咪鲜胺、 抑霉唑标准溶液及橘皮萃取液中的混合农药, 采集其拉曼光谱。 结果表明, 咪鲜胺和抑霉唑的单独标准溶液中金溶胶较优, 在橘皮萃取液中的混合农药溶液中银溶胶效果更佳。 为了获得最佳增强效果, 通过不同比例试验对比, 最终确定溶胶增强基底与两种农药标准溶液体积比为1∶1, 团聚剂NaCl浓度为1 mol·L-1。 按照浓度从高到低的方向, 分别采集咪鲜胺标准溶液及抑霉唑标准溶液在不同浓度情况下的光谱, 检出限分别低于1和0.5 mg·L-1, 达到国标规定的最大残留限5 mg·L-1。 在咪鲜胺和抑霉唑混合农药的定量分析实验中, 以橘皮萃取液为基质, 用增强效果较好的银溶胶作为增强基底, 采集含有梯度浓度的咪鲜胺和抑霉唑混合农药(5~42 mg·L-1)的表面增强拉曼光谱, 采用多种预处理方法优化光谱数据, 对比支持向量回归(SVR)、 灰狼算法优化的支持向量回归(GWO-SVR)、 粒子群算法优化的支持向量回归(PSO-SVR)、 遗传算法优化的支持向量回归(GA-SVR)四种回归模型的建模效果选择最佳算法建立定量模型。 结果表明: 通过一阶微分预处理方法, 选取829和1 168 cm-1处的特征峰强度建立灰狼算法优化的支持向量机回归(GWO-SVR)模型得到的预测效果最佳, 其校正相关系数(RC)为0.978, 校正集均方根误差(RMSEC)为1.655 mg·L-1, 预测相关系数(RP)为0.967, 预测集均方根误差(RMSEP)为2.227 mg·L-1。 研究结果表明, 该方法可对柑橘表皮咪鲜胺和抑霉唑混合农药进行定性与定量检测, 可为柑橘农残检测提供新思路。
表面增强拉曼光谱 柑橘 咪鲜胺 抑霉唑 支持向量机回归 Surface enhanced Raman spectroscopy Citrus Prochloraz Imazalil Support vector machine regression 光谱学与光谱分析
2023, 43(10): 3052
电子科技大学自动化工程学院, 四川 成都 611731 电子科技大学长三角研究院(湖州), 浙江 湖州 313001
研究高效、 准确、 便捷的土壤重金属检测方法对于了解土壤的污染状况以及开展污染防治工作具有重要的意义。 由于X射线荧光光谱分析（XRF）技术具备快速、 准确、 无损检测、 样品制备简单等优势, 在土壤重元素定量检测获得广泛应用。 XRF仪器测试标准样品的荧光光谱并建立校准曲线, 通过反演计算得到待测样品的元素含量。 由于样品元素间存在基体效应, 以及荧光谱特征峰存在叠加干扰, 未经优化的校准曲线的线性度较差, 这给反演计算来困难。 为了解决上述问题, 分别利用小波变换、 非对称加权惩罚最小二乘法(arPLS)对光谱进行去噪和扣除本底基线, 提高校准曲线的决定系数（R2）; 运用竞争性自适应重加权算法（CARS）, 针对不同目标元素优化变量选取; 进一步地, 基于选取的变量建立粒子群算法（PSO）优化的支持向量机回归（SVR）模型, 并通过该模型反演计算各元素含量, 提高定量分析的准确度和预测的泛化能力。 实验结果显示, 经过小波去噪和arPLS本底扣除后的校准曲线的决定系数（R2）有明显提升, Cr、 Cu、 Zn、 As、 Pb分别从0.965、 0.979、 0.971、 0.794、 0.915提高为0.979、 0.987、 0.981、 0.828、 0.953; 通过CARS选取的谱线变量的个数大幅度减少, 从2 048个通道降低到30个以下, 为原来变量个数的1.5%, 提高了变量选择的精准性; 与偏最小二乘法（PLS）、 未优化的SVR模型进行对比, 采用CARS变量选择和PSO优化的SVR模型进行含量预测, 训练集R2C与测试集R2P的决定系数分别在0.99、 0.90以上, 预测准确性有明显提高。 因此, 所提出的竞争性自适应重加权算法和PSO优化的SVR定量分析模型对于土壤重金属元素定量分析具有较好的理论指导和应用价值。
X射线荧光光谱 土壤重金属 竞争性自适应重加权算法 粒子群算法 支持向量机回归模型 X-ray fluorescence spectroscopy Soil heavy metals Competitive adaptive reweighted sampling Particle swarm optimization Support vector regression 光谱学与光谱分析
2023, 43(12): 3742
中国计量大学机电工程学院, 浙江 杭州 310018
鉴于藤椒油市场良莠不齐, 以近红外光谱技术为基础, 藤椒油为研究对象, 展开对藤椒油掺伪检测研究。 首先将纯藤椒油作为基底油, 按比例配置掺入大豆油、 玉米油、 葵花籽油得到油样, 采集藤椒油掺伪样品的近红外光谱数据; 光谱数据经归一化处理后采用标准正态变换(SNV)、 多元散射矫正(MSC)进行预处理, 然后采用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)进行特征数据提取, 组合不同预处理算法与特征数据提取算法, 通过支持向量机回归(SVR)建立藤椒油掺伪预测模型。 结果表明: MSC-CARS-SVR模型校正集和预测集的决定系数(R2)最高, 校正集R2达到了0.756 1, 预测集R2达到0.705 2; 均方根误差(RMSE)最小, 校正集RMSE达到0.743, 预测集RMSE达到0.794。 为了提高模型的准确性, 采用鲸鱼算法(WOA)和改进鲸鱼算法(BAS-WOA)优化SVR模型, 改进的鲸鱼算法以每一次鲸鱼群的最优鲸鱼作为当前天牛须的出发位置, 分别探索左右须前进, 计算前进后的目标函数, 如果目标函数优于当前最优鲸鱼的值, 则用前进后的天牛位置替换鲸鱼位置, 进而实现了天牛须算子对鲸鱼算法的改进。 用WOA优化SVR模型, 相比之下精度最高的为MSC-CARS-WOA-SVR模型, 校正集R2达到0.859 1, 预测集R2达到0.821 6; 校正集RMSE降低到了0.374, 预测集RMSE降低到0.495。 相比于传统的SVR模型精度和性能都有较明显提升。 用BAS-WOA优化SVR模型, 精度最高的是MSC-CARS-BAS-WOA-SVR模型, 校正集R2高达0.955 1, 预测集R2高达0.943 9; 校正集RMSE降低到了0.054, 预测集RMSE降低到0.081。 相比于WOA优化算法, BAS-WOA优化的模型精确度和性能都有了进一步提升, 模型预测集R2从0.821 6提高到0.943 9, 预测集RMSE从0.495降低为0.081。 鲸鱼算法优化SVR模型容易陷入局部极值和收敛速度问题, 改进的鲸鱼算法通过天牛须算法的左右须探寻来改进鲸鱼算法不足, 从而提升算法的全局寻优能力。 研究表明近红外光谱技术结合智能优化算法能有效识别藤椒油掺伪。
近红外光谱 藤椒油 改进鲸鱼算法(BAS-WOA) 支持向量机回归(SVR) 掺伪 Near-infrared spectroscopy Rattan pepper oil Improved whale optimization algorithm (BAS-WOA) Support vector machine regression (SVR) Adulteration
东北林业大学工程技术学院, 黑龙江 哈尔滨 150040
木材密度可以反映木材的干缩性、 抗压抗拉强度等多种物理性质, 是重要的木材物理特性。 采用近红外光谱技术能够实现木材密度的快速预测, 可克服传统检测方法耗费人力、 物力、 时间的弊端, 但建模结果往往受异常样本的影响。 为准确识别并剔除样本集中的异常样本, 提出一种孤立森林结合学生化残差方法(IFSR), 在利用孤立森林集成特征的优点基础上考虑样本对模型的影响度, 可同时检测异常样本与强影响样本。 该研究对181个落叶松木材样本的近红外光谱及其在常温下的气干密度进行了测定。 通过对比多种方法预处理和特征选择方法, 确定采用标准正态变量变化(SNV)+去趋势处理(DT)+均值中心化(MC)+标准化(Auto)方法进行预处理, 采用竞争性自适应重加权算法(CARS)进行特征波段选择, 消除噪声及无关信息对算法的影响, 简化数据集, 提高算法剔除异常样本的准确性。 为验证IFSR方法剔除异常样本的能力, 将其与蒙特卡洛交互验证(MCCV)、 马氏距离(MD)等其他六种异常检测方法对比分析, 建立偏最小二乘(PLS)模型对其进行异常检测性能评价。 同时在上述基础上采用粒子群寻优-支持向量机回归(PSO-SVR), BP神经网络(BPNN)与PLS分别建立落叶松木材密度近红外预测模型。 结果表明, IFSR结合PSO-SVR方法得到的优化模型预测能力最强, IFSR可有效剔除奇异样本, 提高模型精度。
近红外 木材密度 异常值检测 孤立森林算法 支持向量机回归 Near-infrared spectrum Wood density Outlier detection Isolation forest algorithm Support vector regression 光谱学与光谱分析
2022, 42(11): 3395
1 西安交通大学能源与动力工程学院, 陕西 西安710049
2 西安航天动力研究所, 陕西 西安 710100
3 德岛大学大学院社会产业理工学研究部, 日本 德岛 770-8506
采用激光诱导击穿光谱(LIBS)技术对配制的飞灰样品进行实验分析,应用支持向量机回归(SVR)模型对飞灰的含碳量进行预测。运用网格搜索法分别对径向基(RBF)核函数和多项式函数的结构参数进行寻优,然后分别建立基于内标元素特征光谱、全谱和主要元素特征光谱的SVR模型。研究表明,基于RBF和多项式核函数的SVR模型在理想的结构参数下可以取得相同的分析精度,但RBF能较快地完成模型优化并且不易出现欠拟合的现象。基于内标元素特征光谱的SVR模型的分析精度与内标法相当,基于全谱的SVR模型出现明显的过拟合现象。基于主要元素特征光谱的SVR模型的回归系数为0.986,校正均方根误差为1.79%,预测均方根误差为2.57%,说明该模型可以有效避免欠拟合和过拟合。
光谱学 激光诱导击穿光谱 飞灰含碳量 支持向量机回归 定量分析
1 长春理工大学理学院, 吉林 长春 130022
2 长春理工大学化学与环境工程学院, 吉林 长春 130022
为了提高铝合金定量分析的精度, 将激光诱导击穿光谱技术与多变量线性回归、 中值高斯核支持向量机回归及标准化偏最小二乘回归等方法相结合, 建立铝合金中 Cu元素定量分析模型。 对采集的LIBS光谱进行三阶极小值去背景和小波阈值降噪处理, 从而提高LIBS光谱的信背比。 将处理后数据筛选最佳训练集、 预测集并用多变量线性回归、 中值高斯核支持向量机回归法和标准化偏最小二乘拟合回归等建立定标模型。 选用 Cu Ⅰ 324.80 nm, Cu Ⅰ 327.43 nm两条特征谱线以及323~329 nm范围内的LIBS光谱数据进行定量分析, 对比分析三种LIBS定量分析模型的拟合系数(R2)、 定标均方根误差(RMSEC)、 预测均方根误差(RMSEP)和平均相对误差(ARE)等。 结果表明, 相对于多变量线性回归和中值高斯核支持向量机回归法两种LIBS定量分析模型, 对于铝合金中的Cu元素定量分析, 标准化PLSR模型的精度和准确度都有明显的提高, 并且LIBS定标曲线的R2, RMSEC, RMSEP和ARE分别为0.997, 0.014 Wt%, 0.129 Wt%和3.053%。 研究结果表明在提高定标模型精确度与泛化性方面, 标准化PLSR方法更具有优势, 能够有效地减小参数波动和自吸收效应对铝合金定量分析的影响。
激光诱导击穿光谱 标准化偏最小二乘回归 中值高斯核支持向量机回归 多变量回归 铝合金 Laser-induced breakdown spectroscopy Standardized partial least squares regression Medium Gaussian kernel support vector machine regression Multivariate regression Aluminum alloy
海军工程大学电气工程学院，湖北 武汉 430033
光纤陀螺（FOG）的零漂补偿是提高其工作精度的主要方法之一。为了实现FOG零漂的实时在线补偿，利用基于增量学习的在线支持向量机回归（Online-SVR）方法建立FOG零漂实时补偿方案，并提出了一种基于滑动平均的温度变化率实时获取方法，可以实现温度变化率的稳定获取以满足在线补偿的要求。通过分析和预处理FOG在-15~50 ℃范围内的实测数据，分别进行径向基神经网络、支持向量机回归以及基于增量学习的在线支持向量机回归建模，并对原始零漂和三种模型补偿后的剩余零漂进行Allan方差分析。结果表明：在线支持向量机回归模型实现在线补偿的同时，具有较其他两种模型更好的补偿精度和稳定性，适用于FOG零漂数据的在线补偿。
光纤光学 光纤陀螺 零漂 滑动平均 在线支持向量机回归 实时补偿 激光与光电子学进展
2022, 59(1): 0106002
沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110161
纹枯病是水稻的主要病害之一, 其防治对于保证水稻产量、 质量具有重要意义, 以高光谱检测水稻病害得到了广泛应用, 并且高光谱降维是光谱分析的重要环节。 该研究在2019年沈农水稻试验基地获取水稻低空遥感冠层与地面冠层高光谱, 并对其进行以窗口宽度为15和阶数为3的Savitzky-Golay平滑处理和光谱变换(得到原始光谱、 一阶微分光谱和倒数之对数光谱), 分窗口对这3种光谱分别进行Gram-Schmidt变换, 找到投影空间并映射出主基底, 实现高光谱数据降维, 绘制具有显著性概率的主基底, 其极大极小值为特征波段。 此外3种光谱还采用了主成分分析和连续投影法降维。 以降维后的数据与水稻纹枯病病情指数进行支持向量机回归建模, 其中支持向量机回归进行粒子群优化, 并以径向基为核函数, 对比分析了3种降维方式的降维效果。 结果表明: 水稻地面冠层尺度建模效果高于低空遥感尺度建模; 在光谱处理方面, 低空冠层高光谱进行倒数之对数变换效果较好, 地面冠层所得高光谱数据进行一阶微分变换效果较好; 分窗Gram-Schmidt变换算法优于主成分分析和连续投影法; 粒子群算法可以优化支持向量机中的惩罚系数和核函数参数, 提高其反演精度; 无人机低空遥感尺度中, 高光谱进行倒数之对数处理, 以分窗Gram-Schmidt变换降维, 敏感波段为427.3, 539.6, 749.5和825.4 nm, PSO-SVR建模决定系数R2为0.731, 均方根误差RMSE为0.151; 地面冠层尺度中, 高光谱进行一阶微分处理, 以分窗Gram-Schmidt变换降维, 敏感波段为552, 607, 702和730 nm, PSO-SVR模型决定系数R2为0.778, 均方根误差RMSE为0.147。 因此, 高光谱技术可以有效地检测水稻纹枯病, 并且其病情指数可用冠层高光谱进行反演, 分窗Gram-Schmidt变换对于高光谱数据降维有较好的效果, PSO-SVR建模对于水稻纹枯病病情指数的反演有明显提高, 结果可为冠层尺度检测水稻纹枯病与病害发生情况提供一定的理论基础和技术支撑。
水稻纹枯病 病害检测 高光谱降维 Gram-Schmidt变换 粒子群优化 支持向量机回归 Rice sheath blight Disease detection Hyperspectral dimensionality reduction Gram-Schmidt transform Particle swarm optimization Support vector machine regression 光谱学与光谱分析
2021, 41(7): 2181
燕山大学信息科学与工程学院, 河北省特种光纤与光纤传感重点实验室, 河北 秦皇岛 066004
提出了一种基于拉曼光谱和改进人工蜂群算法优化支持向量机回归(IABC-SVR)算法快速定量检测山羊血清蛋白含量的方法。 传统人工蜂群算法在数据区域规模较大时, 收敛速度逐渐减慢, 出现效率低、 精准度下降、 局部最优解概率高等问题。 所提出的算法解决了这些问题, 使算法在进化前期避免陷入局部最优解, 在进化中后期能够保持解的全局搜索能力。 常规测定血清蛋白总量的方法通常采用凯氏定氮法、 双缩脲法等, 但存在时效慢、 污染样本等缺点。 采用拉曼光谱法进行检测, 具有快速、 无损的优点。 以山羊血清为分析对象, 按一定体积比配置35组待测样本, 用拉曼光谱仪采集拉曼光谱, 光谱采集范围为300~1 300 cm-1, 采用基线矫正去除荧光背景, 使用Savitzky-Golay光谱平滑法对原始光谱进行平滑处理, 归一化处理光谱数据, 并对拉曼光谱特征峰进行归属。 实验结果表明, 拉曼光谱能够表征血清中主要化学集团的信息, 且由于官能团浓度差异, 光谱特征峰强度随浓度变化明显, 因此基于特征峰信息可以测定血清蛋白总量。 实验中, 以购买的山羊血清蛋白含量为基准, 通过配置样本的体积比得到各组待测血清样本的蛋白含量, 配置的单个液体样本体积为3 mL, 随机选取8组实验样本作为模型测试集, 剩余27组作为模型训练集。 以经过处理的光谱特征峰强度和对应的血清蛋白含量分别作为模型的输入值及输出值, 建立IABC-SVR, ABC-SVR和BP三种算法的定量模型, 对测试集血清蛋白总量进行预测。 最后通过均方差(MSE), 相关系数(r)与建模时间分别进行对比, 结果表明通过IABC-SVR建立的山羊血清蛋白定量矫正模型效果最佳, 模型的相关系数为0.990 27, 均方误差为0.244 3, 建模时间为1.9 s, 预测值方差均小于0.001 g·mL-1, 预测准确率为99.8%。 实验结果表明, 应用激光拉曼光谱技术结合IABC-SVR算法, 对快速定量检测山羊血清蛋白含量, 具有较高的准确率和稳定性。
激光拉曼光谱 血清蛋白 改进人工蜂群优化 支持向量机回归 定量分析 Laser Raman spectroscopy Serum protein Improved artificial bee colony optimization Support vector machine regression Quantitative analysis
1 安徽大学 电气工程与自动化学院, 合肥 230061
2 中国科学院 合肥智能机械研究所 先进感知与智能系统研究室, 合肥 230031
为了在复合肥生产中对其成分进行快速检测, 达到指导生产的目的, 采用激光诱导击穿光谱技术(LIBS)与支持向量机(SVM)方法结合对复合肥中磷(P)元素进行定量分析。实验中选取磷元素的P Ⅰ 213.5nm, P Ⅰ 214.9nm和P Ⅰ 215.4nm 3条特征谱线对58个复合肥样品进行分析。采用随机选择法将58个样品划分为训练集(43个样本)和测试集(15个样本), 用网格搜索法对复合肥中P元素的定量分析模型进行参量寻优, 构建了SVM分析模型。结果表明, 所建立的训练集定标模型的相关系数R2=0.981, 说明训练集的参考值和预测值的相关性较高; 测试集中验证样本P元素的参考值与预测值的相关系数R2=0.992, 均方误差为4.95×10-5 , 说明所构建的SVM模型的适用性较强; 训练集的平均绝对误差和相对误差分别为5.9×10-4和3.99×10-3; 测试集的平均绝对误差和相对误差分别为5.6×10-4和3.28×10-3。将SVM算法与 LIBS技术结合可实现复合肥中磷元素的快速检测, 这为复合肥中元素含量快速检测提供了参考。
光谱学 支持向量机回归 激光诱导击穿光谱 磷元素 网格搜索法 spectroscopy support vector machine regression laser-induced breakdown spectroscopy phosphorus grid search
