本站小編為你精心準(zhǔn)備了獨(dú)立成分在化學(xué)戰(zhàn)劑識(shí)別中的應(yīng)用參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫(xiě)作靈感。歡迎深入閱讀并收藏。

《紅外與激光工程雜志》2016年第四期

摘要：

在戰(zhàn)場(chǎng)等復(fù)雜環(huán)境得到的混合氣體的紅外光譜主次吸收峰交錯(cuò)重疊，因此對(duì)其定性識(shí)別的特征提取方法就顯得尤為重要。采集到的各種化學(xué)戰(zhàn)劑和有機(jī)氣體的紅外光譜數(shù)據(jù)都是高維度數(shù)據(jù)，首先采用中心化后降維進(jìn)行特征提取來(lái)盡可能多地捕獲到它所包含的本質(zhì)信息，由于混合氣體的紅外光譜是非線性、非高斯性信號(hào)，把非高斯性作為獨(dú)立性度量將各成分作為獨(dú)立分量分離出來(lái)，為了滿足實(shí)時(shí)需求，在傳統(tǒng)快速獨(dú)立成分分析(FastICA)算法的基礎(chǔ)上對(duì)其迭代過(guò)程進(jìn)行優(yōu)化，并應(yīng)用極限學(xué)習(xí)機(jī)(ELM)建立模型進(jìn)行定量分析。實(shí)驗(yàn)結(jié)果表明：改進(jìn)算法的迭代次數(shù)較傳統(tǒng)算法減少，定量分析均方差E=2.3926×10-4，回歸系數(shù)R=0.999，說(shuō)明該方法在不影響分離精度的前提下提高了混合物質(zhì)中純物質(zhì)光譜分離出來(lái)的效率。

關(guān)鍵詞：

混疊峰識(shí)別；紅外光譜；非高斯性；快速獨(dú)立成分分析

紅外光譜分析作為一種光譜測(cè)量技術(shù)與化學(xué)計(jì)量學(xué)的有機(jī)結(jié)合的新興分析技術(shù)，因其分析速度快、無(wú)損檢測(cè)、效率高、成本低和易于實(shí)現(xiàn)在線分析等特點(diǎn)已應(yīng)用于諸多領(lǐng)域。紅外光譜吸收峰的頻率、強(qiáng)度和形狀是各物質(zhì)所特有的，因此紅外光譜可以用來(lái)對(duì)某些單純環(huán)境下的樣品或者某些特殊的復(fù)雜環(huán)境和場(chǎng)合下的樣品進(jìn)行定性定量分析[1]。戰(zhàn)時(shí)，當(dāng)我軍遭受化學(xué)戰(zhàn)劑襲擊時(shí)，需要盡快獲得敵襲擊使用的化學(xué)戰(zhàn)劑類型，戰(zhàn)場(chǎng)上復(fù)雜的環(huán)境使得我們得到的紅外光譜的透過(guò)率光譜包括幾種神經(jīng)性毒氣和一些有機(jī)氣體(煙氣成分)的混合氣體，組成成分相似和分子結(jié)構(gòu)類似的各種有機(jī)氣體的紅外光譜由于特征譜帶的重疊或部分重疊而給譜峰的歸屬辨認(rèn)帶來(lái)極大的困難，面對(duì)現(xiàn)今愈來(lái)愈復(fù)雜的混合物體系，尤其是復(fù)雜的有機(jī)混合物體系，化學(xué)計(jì)量學(xué)為試樣沒(méi)有驗(yàn)前信息的黑色體系提供了多種波譜的解析方法，常用的有主成分分析(PCA)，實(shí)際信號(hào)的大部分重要信息往往包含在高階統(tǒng)計(jì)特性中，而PCA方法利用協(xié)方差矩陣參與實(shí)際計(jì)算時(shí)只涉及輸入數(shù)據(jù)的二階統(tǒng)計(jì)特性，容易造成信息丟失[2]。

獨(dú)立成分分析[3](ICA)是信號(hào)處理領(lǐng)域在20世紀(jì)90年代后期發(fā)展起來(lái)的一項(xiàng)基于信號(hào)高階統(tǒng)計(jì)特性的分析方法，ICA方法已經(jīng)在特征提取、生物醫(yī)學(xué)信號(hào)處理、語(yǔ)音信號(hào)處理、圖像處理及人臉識(shí)別等方面得到了廣泛的應(yīng)用[4]。由于紅外光譜的多峰性和重疊性，使得許多波譜分辨方法無(wú)法直接應(yīng)用于紅外光譜，特別是化合物紅外光譜的定性分析，ICA可以從非高斯信號(hào)中找到一個(gè)使組分變成統(tǒng)計(jì)獨(dú)立或者盡可能獨(dú)立的非線性表達(dá)，可廣泛應(yīng)用于特征提取和信號(hào)分離，近年來(lái)部分研究人員已經(jīng)將ICA結(jié)合光信號(hào)用于混合光譜中分離出獨(dú)立組分的光譜，基于紅外光譜無(wú)損檢測(cè)黃花梨可溶性固形物含量[5]和艦船氣泡尾流所產(chǎn)生的后向散射光信號(hào)[6]。它已經(jīng)成為一種從混合體系中分離出獨(dú)立組分的強(qiáng)有力算法，并逐漸顯示了在分析化學(xué)領(lǐng)域的強(qiáng)大作用，ICA是從混合物譜中分離出獨(dú)立組分的紅外光譜，這種方法使得被分析信號(hào)各成分之間的統(tǒng)計(jì)依賴性最小，突出了源信號(hào)的本質(zhì)結(jié)構(gòu)，將ICA用于混合物的紅外光譜進(jìn)行解析[7]，則提供了一種將吸收峰重疊的光譜分離出來(lái)的途徑，方便后續(xù)建立定量分析模型[8]。ICA的實(shí)現(xiàn)算法根據(jù)目標(biāo)函數(shù)的不同有最大非高斯性法、極大似然估計(jì)法和最小互信息法等，F(xiàn)astICA是以負(fù)熵作為衡量非高斯性指標(biāo)的一種固定點(diǎn)迭代算法，它使用簡(jiǎn)單、收斂速度快穩(wěn)定性好，是一種能對(duì)大量采樣點(diǎn)進(jìn)行批處理的快速算法，文中采用FastICA算法完成主次吸收峰混疊的紅外光譜特征提取，并對(duì)傳統(tǒng)的FastICA算法進(jìn)行迭代優(yōu)化，經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證該優(yōu)化算法在保證分離精度的前提下提升分離速度的能力。

1ICA算法

1.1基于ICA的紅外模型根據(jù)朗伯比爾定律，通常認(rèn)為在未知混合體系中測(cè)得的紅外光譜是一些純物質(zhì)(主要成分)光譜的線性組合。根據(jù)上述ICA數(shù)學(xué)模型，對(duì)應(yīng)于紅外光譜數(shù)據(jù)矩陣可建模為Xm×n表示各成分的光譜信號(hào)與其貢獻(xiàn)度乘積。

1.2基于負(fù)熵最大的FastICA迭代算法根據(jù)信息論理論，在所有等方差的隨機(jī)變量中，高斯隨機(jī)變量具有最大的熵值，因而可以利用熵來(lái)度量分離結(jié)果的非高斯性，常用熵的修正形式負(fù)熵。在信噪分離過(guò)程中，可通過(guò)對(duì)分離結(jié)果的非高斯性度量來(lái)表示分離結(jié)果間的相互獨(dú)立性，當(dāng)非高斯性度量達(dá)到最大時(shí)，則表明已完成對(duì)各獨(dú)立分量的分離[9]。在具有相同方差的隨機(jī)變量中，高斯分布的隨機(jī)變量具有最大的負(fù)熵，F(xiàn)astICA算法通過(guò)最大化負(fù)熵得到W(W=BT)的目標(biāo)函數(shù)可定義。1.3優(yōu)化的FastICA迭代算法在實(shí)際應(yīng)用過(guò)程中，為了應(yīng)對(duì)某些實(shí)時(shí)檢測(cè)的要求，需要在不影響分離效果保證精確度的同時(shí)減少迭代次數(shù)，加快算法迭代速度，在此基礎(chǔ)上對(duì)FastICA迭代過(guò)程進(jìn)行優(yōu)化。為了在牛頓迭代法求解過(guò)程中減少求雅可比矩陣的次數(shù)。

2實(shí)驗(yàn)分析

2.1混合光譜的分離實(shí)際情況中往往得到的是混合氣體的透過(guò)率光譜，其中包括某幾種神經(jīng)性毒氣和有機(jī)氣體(煙氣成分)，用毒性較小的沙林模擬劑DMMP和反2丁烯(煙氣的一種)作為實(shí)驗(yàn)的研究對(duì)象，實(shí)驗(yàn)采用擴(kuò)散法配制DMMP蒸氣，擴(kuò)散管內(nèi)加入DMMP液體置于廣口瓶中，擴(kuò)散管通道半徑很細(xì)，可以近似認(rèn)為其底部腔內(nèi)的DMMP蒸汽處于飽和狀態(tài)，使用德國(guó)Bruker公司的VERTEX70型紅外光譜儀，EGOLD-A型長(zhǎng)光程氣體吸收池，光程長(zhǎng)20m，容積500ml，實(shí)驗(yàn)溫度為296K，氣壓為101325Pa，不同濃度的混合氣體充入密閉氣室中，采集到樣品的透過(guò)率光譜400條，其中光譜范圍為大氣窗口8~14μm(1300~700cm-1)，分辨率為4cm-1。實(shí)驗(yàn)裝置如圖1所示。將得到的混合氣體光譜數(shù)據(jù)進(jìn)行ICA解析，并且分別采用普通快速獨(dú)立分量分析FastICA算法和優(yōu)化后的FastICA算法對(duì)吸收峰位置互相交錯(cuò)重疊的特征光譜進(jìn)行識(shí)別，也對(duì)兩種算法的識(shí)別率和迭代速度進(jìn)行了對(duì)比，分別選取不同的數(shù)據(jù)量來(lái)對(duì)兩種算法的識(shí)別率和迭代速度進(jìn)行比較，結(jié)果如圖2和表1所示?？梢钥闯觯壕驮搶?shí)驗(yàn)而言，F(xiàn)astICA算法和優(yōu)化后的FastICA算法的分離能力基本一致，應(yīng)用優(yōu)化后的FastICA算法能夠減少FastICA的迭代次數(shù)，進(jìn)一步加快收斂速度，也充分說(shuō)明了該優(yōu)化算法能夠在提高算法性能的情況下保持FastICA算法在特征提取方面的良好性能。圖3為FastICA和PCA處理后的譜圖。由圖3可以看出，PCA處理后由于一些信息的丟失導(dǎo)致吸收峰消失或者合并在強(qiáng)吸收峰內(nèi)，使某一吸收峰的峰寬變窄或增大，消失的峰位很可能影響到對(duì)特征光譜的解析，也可能會(huì)影響后續(xù)的定量分析。為進(jìn)一步檢驗(yàn)FastICA算法在混合情況下對(duì)于特征峰交錯(cuò)重疊中特征提取的優(yōu)越性，分別用PCA算法和FastICA算法對(duì)光譜數(shù)據(jù)處理后進(jìn)行定量分析。

2.2定量分析將優(yōu)化FastICA和PCA算法各自分離出來(lái)的400個(gè)DMMP樣品光譜中的320個(gè)樣品作為訓(xùn)練集，80個(gè)樣品作為測(cè)試集，用極限學(xué)習(xí)機(jī)(ELM)建立濃度預(yù)測(cè)模型進(jìn)行定量分析，其中隱含層神經(jīng)元個(gè)數(shù)為20，預(yù)測(cè)結(jié)果如圖4、5所示。優(yōu)化FastICA處理后測(cè)試集預(yù)測(cè)結(jié)果中，均方誤差E=2.3926×10-4，回歸系數(shù)R=0.999，PCA處理后測(cè)試集預(yù)測(cè)結(jié)果中，均方差E=2.5013×10-4，回歸系數(shù)R=0.989，說(shuō)明FastICA算法對(duì)于混疊峰的分離效果良好，定量分析結(jié)果更精確一點(diǎn)。

3結(jié)論

提出了一種以FastICA算法為基礎(chǔ)的紅外光譜主次吸收峰嚴(yán)重混疊的識(shí)別方法，它能夠提取高階統(tǒng)計(jì)信息，對(duì)混合氣體中各氣體吸收峰重疊的光譜進(jìn)行識(shí)別分離，同時(shí)為了契合實(shí)時(shí)探測(cè)的要求，對(duì)傳統(tǒng)的FastICA算法的迭代過(guò)程進(jìn)行優(yōu)化。利用搭建的實(shí)驗(yàn)系統(tǒng)采集多組化學(xué)戰(zhàn)劑模擬劑DMMP和反2丁烯混合氣體的紅外光譜數(shù)據(jù)，得到的數(shù)據(jù)分別經(jīng)過(guò)傳統(tǒng)FastICA和優(yōu)化FastICA在不同數(shù)據(jù)量下迭代次數(shù)的對(duì)比和分離精確度的對(duì)比，優(yōu)化的FastICA迭代次數(shù)減少，分離精度與傳統(tǒng)FastICA相當(dāng)。定量分析中分別用PCA和優(yōu)化FastICA對(duì)數(shù)據(jù)進(jìn)行處理，再經(jīng)過(guò)建立ELM的定量分析模型，PCA處理后測(cè)試集預(yù)測(cè)結(jié)果中，均方差E=2.5013×10-4，回歸系數(shù)R=0.989，優(yōu)化FastICA處理后測(cè)試集預(yù)測(cè)結(jié)果中，均方誤差E=2.3926×10-4，回歸系數(shù)R=0.999，該優(yōu)化方法相比于常用的PCA算法精度上有一定的優(yōu)越性。優(yōu)化后的FastICA算法能夠在不影響普通FastICA良好分離性能的前提下有效地減少了普通FastICA算法的迭代次數(shù)，進(jìn)一步加快收斂速度，這與光譜識(shí)別的實(shí)時(shí)要求是很好的契合，具有普遍的實(shí)用價(jià)值。

作者：陳媛媛 王芳 王志斌 李文軍 單位：電子測(cè)試技術(shù)重點(diǎn)實(shí)驗(yàn)室 山西省光電信息與儀器工程技術(shù)研究中心 儀器科學(xué)與動(dòng)態(tài)測(cè)試教育部重點(diǎn)實(shí)驗(yàn)室 天津津航技術(shù)物理研究所