10.3964/j.issn.1000-0593(2020)05-1601-06
基于CARS和K-S的马拉硫磷农药浓度吸收光谱预测模型研究
利用马拉硫磷在紫外/可见光波长范围内的不同浓度梯度的吸光度光谱数据,建立其快速有效的定量预测分析模型.在预测模型的建立过程中,参与建模的波长变量和校正集样本的优劣对定量分析模型的预测能力有着决定性作用.首先对实验样本是否存在异常样本进行检查,然后将200.08~750.04 nm波长范围的光谱数据采用不同预处理方法并建立PLS模型,进而将预处理结果最优(均值中心化)的光谱数据采用竞争性自适应重加权采样(CARS)算法和蒙特卡洛无消息变量消除法(MC-UVE)分别筛选出关键波长变量并建立相应的PLS预测模型,模型结果表明,CARS算法在关键变量筛选的性能上优于MC-UVE算法;再将CARS算法筛选出的18个波长变量(为原来变量数的1.1378%)结合Kennard-Stone(K-S)算法和蒙特卡洛交叉验证(MCCV)分别优选出的44个建模样本(原来样本数的88%)建立CARS-K-Ss-PLS和CARS-CCVs-PLS定量预测模型,R2p分别为0.9982和0.9989,RMSEP分别为0.8634和1.0262,RPD分别为24.1635和20.3301,CARS-K-Ss-PLS模型略优于CARS-CCVs-PLS模型.结果表明,CARS算法能够淘汰与样本浓度相关性较弱的变量,同时有效剔除无关光谱信息,K-S算法能帮助选择更优的建模样本集,马拉硫磷农药的紫外/可见光吸收光谱结合CARS算法和K-S算法所建立的CARS-K-Ss-PLS模型能够用来定量预测马拉硫磷农药浓度.研究工作为利用光谱技术快速检测有机磷农药浓度提供一定的理论依据和实验基础,在有机磷农药快速检测领域具有良好的应用前景.
马拉硫磷、紫外/可见吸收光谱、关键变量筛选、样本优选、定量预测
40
O657.39(分析化学)
国家重点研发计划项目2016YFD0800901
2020-05-28(万方平台首次上网日期,不代表论文的发表时间)
共6页
1601-1606