基于Voigt峰的未知成分光谱拟合算法及其在甲醇汽油定量分析中的应用
李津蓉+戴连奎+武晓莉等
摘要:提出了一种基于Voigt函数的未知成分拉曼光谱拟合算法,利用Voigt峰函数的叠加形式对样本中未知成分所产生的背景光谱进行拟合。在扣除背景光谱影响后,利用被测成分的光谱贡献权值与成分浓度之间建立线性关系模型。实验在3种成分不同的基础汽油中加入不同体积比例(2.5%~80.0%)的甲醇溶液,利用本方法对成分未知的基础汽油所产生的背景光谱进行拟合,扣除拟合光谱后,剩余光谱即可视为甲醇的光谱贡献。基于4个训练样本建立了甲醇光谱贡献权值与浓度之间的线性定量分析模型,模型的预测均方误差(RMSEP)为1.86%,复相关系数(R2)达到0.987。结果表明,此方法可有效解决混合物中光谱重叠问题,具有训练样本少、外推性强的优点。
1引言
拉曼光谱定量分析的理论基础是在确定的测量条件下,谱峰强度与成分浓度之间具有线性关系。但在实际应用中,光谱的非线性变化及被测样本中未知成分所产生的干扰信号等因素均会导致线性定量分析模型的失效。针对于这种情况,目前常用的定量分析建模方法可分为两类:其一,是基于训练样本数据的统计特性建立回归模型,如偏最小二乘(Partial least squares, PLS)[1,2]、最小二乘支持向量机(Least squares SVM, LSSVM)[3,4]和人工神经网络(Artificial neural network, ANN)[5]等,这类方法在样本数量充足且覆盖范围大的情况下,具有建模简便、预测准确等优点,但这类算法的缺点是训练样本需求量大,且回归模型的“外推性”较差;其二,是设法混合物中各种成分的光谱廓形进行拟合估计,利用估计结果直接建立光谱强度与成分浓度的线性回归模型。目前针对于未知成分光谱估计的算法主要是自建模曲线分解算法(Self modeling curve resolution, SMCR)[6,7]。这类算法是基于不同源信号之间的统计独立性、稀疏性、时空无关性和光滑性等特性实现混合信号的分解。但这类算法通常以信号的线性组合为理论依据,且无法保证分解结果的物理意义和唯一性,因此直接用于光谱信号的分解尚有较大困难。
摘要:提出了一种基于Voigt函数的未知成分拉曼光谱拟合算法,利用Voigt峰函数的叠加形式对样本中未知成分所产生的背景光谱进行拟合。在扣除背景光谱影响后,利用被测成分的光谱贡献权值与成分浓度之间建立线性关系模型。实验在3种成分不同的基础汽油中加入不同体积比例(2.5%~80.0%)的甲醇溶液,利用本方法对成分未知的基础汽油所产生的背景光谱进行拟合,扣除拟合光谱后,剩余光谱即可视为甲醇的光谱贡献。基于4个训练样本建立了甲醇光谱贡献权值与浓度之间的线性定量分析模型,模型的预测均方误差(RMSEP)为1.86%,复相关系数(R2)达到0.987。结果表明,此方法可有效解决混合物中光谱重叠问题,具有训练样本少、外推性强的优点。
1引言
拉曼光谱定量分析的理论基础是在确定的测量条件下,谱峰强度与成分浓度之间具有线性关系。但在实际应用中,光谱的非线性变化及被测样本中未知成分所产生的干扰信号等因素均会导致线性定量分析模型的失效。针对于这种情况,目前常用的定量分析建模方法可分为两类:其一,是基于训练样本数据的统计特性建立回归模型,如偏最小二乘(Partial least squares, PLS)[1,2]、最小二乘支持向量机(Least squares SVM, LSSVM)[3,4]和人工神经网络(Artificial neural network, ANN)[5]等,这类方法在样本数量充足且覆盖范围大的情况下,具有建模简便、预测准确等优点,但这类算法的缺点是训练样本需求量大,且回归模型的“外推性”较差;其二,是设法混合物中各种成分的光谱廓形进行拟合估计,利用估计结果直接建立光谱强度与成分浓度的线性回归模型。目前针对于未知成分光谱估计的算法主要是自建模曲线分解算法(Self modeling curve resolution, SMCR)[6,7]。这类算法是基于不同源信号之间的统计独立性、稀疏性、时空无关性和光滑性等特性实现混合信号的分解。但这类算法通常以信号的线性组合为理论依据,且无法保证分解结果的物理意义和唯一性,因此直接用于光谱信号的分解尚有较大困难。
摘要:提出了一种基于Voigt函数的未知成分拉曼光谱拟合算法,利用Voigt峰函数的叠加形式对样本中未知成分所产生的背景光谱进行拟合。在扣除背景光谱影响后,利用被测成分的光谱贡献权值与成分浓度之间建立线性关系模型。实验在3种成分不同的基础汽油中加入不同体积比例(2.5%~80.0%)的甲醇溶液,利用本方法对成分未知的基础汽油所产生的背景光谱进行拟合,扣除拟合光谱后,剩余光谱即可视为甲醇的光谱贡献。基于4个训练样本建立了甲醇光谱贡献权值与浓度之间的线性定量分析模型,模型的预测均方误差(RMSEP)为1.86%,复相关系数(R2)达到0.987。结果表明,此方法可有效解决混合物中光谱重叠问题,具有训练样本少、外推性强的优点。
1引言
拉曼光谱定量分析的理论基础是在确定的测量条件下,谱峰强度与成分浓度之间具有线性关系。但在实际应用中,光谱的非线性变化及被测样本中未知成分所产生的干扰信号等因素均会导致线性定量分析模型的失效。针对于这种情况,目前常用的定量分析建模方法可分为两类:其一,是基于训练样本数据的统计特性建立回归模型,如偏最小二乘(Partial least squares, PLS)[1,2]、最小二乘支持向量机(Least squares SVM, LSSVM)[3,4]和人工神经网络(Artificial neural network, ANN)[5]等,这类方法在样本数量充足且覆盖范围大的情况下,具有建模简便、预测准确等优点,但这类算法的缺点是训练样本需求量大,且回归模型的“外推性”较差;其二,是设法混合物中各种成分的光谱廓形进行拟合估计,利用估计结果直接建立光谱强度与成分浓度的线性回归模型。目前针对于未知成分光谱估计的算法主要是自建模曲线分解算法(Self modeling curve resolution, SMCR)[6,7]。这类算法是基于不同源信号之间的统计独立性、稀疏性、时空无关性和光滑性等特性实现混合信号的分解。但这类算法通常以信号的线性组合为理论依据,且无法保证分解结果的物理意义和唯一性,因此直接用于光谱信号的分解尚有较大困难。
摘要:提出了一种基于Voigt函数的未知成分拉曼光谱拟合算法,利用Voigt峰函数的叠加形式对样本中未知成分所产生的背景光谱进行拟合。在扣除背景光谱影响后,利用被测成分的光谱贡献权值与成分浓度之间建立线性关系模型。实验在3种成分不同的基础汽油中加入不同体积比例(2.5%~80.0%)的甲醇溶液,利用本方法对成分未知的基础汽油所产生的背景光谱进行拟合,扣除拟合光谱后,剩余光谱即可视为甲醇的光谱贡献。基于4个训练样本建立了甲醇光谱贡献权值与浓度之间的线性定量分析模型,模型的预测均方误差(RMSEP)为1.86%,复相关系数(R2)达到0.987。结果表明,此方法可有效解决混合物中光谱重叠问题,具有训练样本少、外推性强的优点。
1引言
拉曼光谱定量分析的理论基础是在确定的测量条件下,谱峰强度与成分浓度之间具有线性关系。但在实际应用中,光谱的非线性变化及被测样本中未知成分所产生的干扰信号等因素均会导致线性定量分析模型的失效。针对于这种情况,目前常用的定量分析建模方法可分为两类:其一,是基于训练样本数据的统计特性建立回归模型,如偏最小二乘(Partial least squares, PLS)[1,2]、最小二乘支持向量机(Least squares SVM, LSSVM)[3,4]和人工神经网络(Artificial neural network, ANN)[5]等,这类方法在样本数量充足且覆盖范围大的情况下,具有建模简便、预测准确等优点,但这类算法的缺点是训练样本需求量大,且回归模型的“外推性”较差;其二,是设法混合物中各种成分的光谱廓形进行拟合估计,利用估计结果直接建立光谱强度与成分浓度的线性回归模型。目前针对于未知成分光谱估计的算法主要是自建模曲线分解算法(Self modeling curve resolution, SMCR)[6,7]。这类算法是基于不同源信号之间的统计独立性、稀疏性、时空无关性和光滑性等特性实现混合信号的分解。但这类算法通常以信号的线性组合为理论依据,且无法保证分解结果的物理意义和唯一性,因此直接用于光谱信号的分解尚有较大困难。
摘要:提出了一种基于Voigt函数的未知成分拉曼光谱拟合算法,利用Voigt峰函数的叠加形式对样本中未知成分所产生的背景光谱进行拟合。在扣除背景光谱影响后,利用被测成分的光谱贡献权值与成分浓度之间建立线性关系模型。实验在3种成分不同的基础汽油中加入不同体积比例(2.5%~80.0%)的甲醇溶液,利用本方法对成分未知的基础汽油所产生的背景光谱进行拟合,扣除拟合光谱后,剩余光谱即可视为甲醇的光谱贡献。基于4个训练样本建立了甲醇光谱贡献权值与浓度之间的线性定量分析模型,模型的预测均方误差(RMSEP)为1.86%,复相关系数(R2)达到0.987。结果表明,此方法可有效解决混合物中光谱重叠问题,具有训练样本少、外推性强的优点。
1引言
拉曼光谱定量分析的理论基础是在确定的测量条件下,谱峰强度与成分浓度之间具有线性关系。但在实际应用中,光谱的非线性变化及被测样本中未知成分所产生的干扰信号等因素均会导致线性定量分析模型的失效。针对于这种情况,目前常用的定量分析建模方法可分为两类:其一,是基于训练样本数据的统计特性建立回归模型,如偏最小二乘(Partial least squares, PLS)[1,2]、最小二乘支持向量机(Least squares SVM, LSSVM)[3,4]和人工神经网络(Artificial neural network, ANN)[5]等,这类方法在样本数量充足且覆盖范围大的情况下,具有建模简便、预测准确等优点,但这类算法的缺点是训练样本需求量大,且回归模型的“外推性”较差;其二,是设法混合物中各种成分的光谱廓形进行拟合估计,利用估计结果直接建立光谱强度与成分浓度的线性回归模型。目前针对于未知成分光谱估计的算法主要是自建模曲线分解算法(Self modeling curve resolution, SMCR)[6,7]。这类算法是基于不同源信号之间的统计独立性、稀疏性、时空无关性和光滑性等特性实现混合信号的分解。但这类算法通常以信号的线性组合为理论依据,且无法保证分解结果的物理意义和唯一性,因此直接用于光谱信号的分解尚有较大困难。
摘要:提出了一种基于Voigt函数的未知成分拉曼光谱拟合算法,利用Voigt峰函数的叠加形式对样本中未知成分所产生的背景光谱进行拟合。在扣除背景光谱影响后,利用被测成分的光谱贡献权值与成分浓度之间建立线性关系模型。实验在3种成分不同的基础汽油中加入不同体积比例(2.5%~80.0%)的甲醇溶液,利用本方法对成分未知的基础汽油所产生的背景光谱进行拟合,扣除拟合光谱后,剩余光谱即可视为甲醇的光谱贡献。基于4个训练样本建立了甲醇光谱贡献权值与浓度之间的线性定量分析模型,模型的预测均方误差(RMSEP)为1.86%,复相关系数(R2)达到0.987。结果表明,此方法可有效解决混合物中光谱重叠问题,具有训练样本少、外推性强的优点。
1引言
拉曼光谱定量分析的理论基础是在确定的测量条件下,谱峰强度与成分浓度之间具有线性关系。但在实际应用中,光谱的非线性变化及被测样本中未知成分所产生的干扰信号等因素均会导致线性定量分析模型的失效。针对于这种情况,目前常用的定量分析建模方法可分为两类:其一,是基于训练样本数据的统计特性建立回归模型,如偏最小二乘(Partial least squares, PLS)[1,2]、最小二乘支持向量机(Least squares SVM, LSSVM)[3,4]和人工神经网络(Artificial neural network, ANN)[5]等,这类方法在样本数量充足且覆盖范围大的情况下,具有建模简便、预测准确等优点,但这类算法的缺点是训练样本需求量大,且回归模型的“外推性”较差;其二,是设法混合物中各种成分的光谱廓形进行拟合估计,利用估计结果直接建立光谱强度与成分浓度的线性回归模型。目前针对于未知成分光谱估计的算法主要是自建模曲线分解算法(Self modeling curve resolution, SMCR)[6,7]。这类算法是基于不同源信号之间的统计独立性、稀疏性、时空无关性和光滑性等特性实现混合信号的分解。但这类算法通常以信号的线性组合为理论依据,且无法保证分解结果的物理意义和唯一性,因此直接用于光谱信号的分解尚有较大困难。