基于遗传算法与线性叠加模型的混合物组成拉曼光谱定量分析

温国基 戴连奎 刘薇

引用本文: 温国基, 戴连奎, 刘薇. 基于遗传算法与线性叠加模型的混合物组成拉曼光谱定量分析[J]. 分析化学, 2021, 49(1): 85-94. doi: 10.19756/j.issn.0253-3820.201500 shu
Citation:  WEN Guo-Ji,  DAI Lian-Kui,  LIU Wei. Raman Spectroscopic Quantitative Analysis Based on Genetic Algorithm and Linear Superposition Principle[J]. Chinese Journal of Analytical Chemistry, 2021, 49(1): 85-94. doi: 10.19756/j.issn.0253-3820.201500 shu

基于遗传算法与线性叠加模型的混合物组成拉曼光谱定量分析

    通讯作者: 戴连奎,E-mail:lkdai@zju.edu.cn
  • 基金项目:

    国家自然科学基金项目(No.U1609213)资助。

摘要: 提出了一种基于遗传算法(Genetic algorithm,GA)与线性叠加模型的拉曼光谱定量分析算法。仅需已知一种主要物质的拉曼光谱,即可基于一批包括该物质的混合物样本,结合相关分析获得各组分的特征峰位;再利用遗传算法拟合优化混合物对应的纯物质光谱矩阵;最后利用拟合得到的光谱矩阵,建立混合物中各种物质的拉曼光谱定量分析模型。本方法只在模型训练过程优化模型参数时计算量较大,而在实际预测时只需进行简单的矩阵运算即可,实时计算量很小,适用于连续在线应用。本方法可应用于液相或气相混合物的定量分析。以天然气为例,仅知主要组分甲烷的拉曼光谱时,基于一组已知其组成与拉曼光谱的天然气训练样本,建立了天然气中主要组分(CH4、C2H6、C3H8、CO2、N2、H2、CO)拉曼光谱定量分析模型;对于测试样本集,对应的预测均方根误差(Root mean square error,RMSE)分别为0.488%、0.103%、0.358%、0.079%、0.087%、0.126%和0.022%,复相关系数(Multi-correlation coefficient,R2)分别为0.995、0.991、0.990、0.991、0.998、0.999和0.999。尽管此结果不及所有纯物质光谱均已知情况下得到的结果,但为大多数纯物质光谱未知的情况提供了一种解决方案。

English


    1. [1]

      ESTEKI M, SHAHSAVARI Z, SIMAL-GANADARA J. Food Res. Int., 2019, 122:303-317.

    2. [2]

      JOHANNES K. Energies, 2015, 8(4):3165-3197.

    3. [3]

      KIEFER J, SEEGER T, STEUER S, SCHORSCH S, WEIKL M C, LEIPERTZ A. Meas. Sci. Technol., 2008, 19(8):1-9.

    4. [4]

      WU Lin, OUYANG Zhao-Hui, CAO Shu-Chao, YI De-Lian, SUN Shao-Xue, LIU Xia. J. Light Scattering, 2005, 2:180-186伍林, 欧阳兆辉, 曹淑超, 易德莲, 孙少学, 刘峡. 光散射学报, 2005, 2:180-186.

    5. [5]

      MARTEAU P, ZANIERSZYDLOWSKI N, AOUFI A, HOTIER G, CANSELL F. Vib. Spectrosc., 1995, 9(1):101-109.

    6. [6]

      SHARMA R, POONACHA S, BEKAL A, VARTAK S, WELING A, TILAK V, MITRA C. Opt. Eng., 2016, 55(10):104103.

    7. [7]

      NUMATA Y, SHINOHARA Y, TANAKA H. Spectrosc. Lett., 2019, 52(5):306-311.

    8. [8]

      GAO Ying, DAI Lian-Kui, ZHU Hua-Dong, CHEN Yun-Liang, ZHOU Li. Chin. J. Anal. Chem., 2019, 47(1):67-76. 高颖, 戴连奎, 朱华东, 陈昀亮, 周理. 分析化学, 2019, 47(1):67-76.

    9. [9]

      CHEN Y L, DAI L K. Anal. Sci., 2019, 35(5):511-515.

    10. [10]

      AIDILA J A, SOARES F L F, FARIAS M A D, CARNEIRO R L. Anal. Lett., 2017, 50(7):1126-1138.

    11. [11]

      BONOLDI L, FRIGERIO F, DI PAOLO L, SAVOIN A, BARBIERI D, GRIGO D. Energy Fuels, 2018, 32(9):8955-8965.

    12. [12]

      KARUNATHILAKA S R, YAKES B J, FARRIS S, MICHAEL T J, HE K Q, CHUNG J K, SHAH R, MOSSOBA M M. Food Anal. Methods, 2018, 11(4):969-979.

    13. [13]

      LIU Wei, DAI Lian-Kui. Chin. J. Anal. Chem., 2019, 47(1):77-85. 刘薇, 戴连奎. 分析化学, 2019, 47(1):77-85.

    14. [14]

      HE S X, FANG S X, LIU X H, ZHANG W, XIE W Y, ZHANG H, WEI D P, FU W L, PEI D S. Chemom. Intell. Lab. Syst., 2016, 15:1-9.

    15. [15]

      LI Z, GUAN A H, GE H Y, LIAN F Y. Microchem. J., 2017, 132:185-189.

    16. [16]

      GE Ji-Ke, QIU Yu-Hui, WU Chun-Ming, PU Guo-Lin. Appl. Res. Comput., 2008, 10:2911-2916. 葛继科, 邱玉辉, 吴春明, 蒲国林. 计算机应用研究, 2008, 10:2911-2916.

    17. [17]

      ZHANG Guo-Ming. Sci. Technol. Vision, 2013, 09:37+36. 张国民. 科技视界, 2013, 09:37+36.

    18. [18]

      KOSEK F, CULKA A, ROUSAKI A, VANDENABEELE P, JEHLICKA J. Spectrochim. Acta A, 2020, 243:118818.

    19. [19]

      KUYLIEV B T, JUMABOEV A J, KHUSHVAKTOV K A, MEYLIEV L O, ABOSONOV A A, HUDOYBERDIEV B G. Ukrainian J. Phy., 2019, 64(1):72-78

    20. [20]

      KE Yi-Kan, DONG Hui-Ru. Handbook of Analytical Chemistry 3B Molecular Spectroscopy Analysis, Chemical Industry Press, 2016:898-899. 柯以侃, 董慧茹. 分析化学手册3B分子光谱分析(第三版), 化学工业出版社, 2016:898-899.

  • 加载中
计量
  • PDF下载量:  45
  • 文章访问数:  1720
  • HTML全文浏览量:  327
文章相关
  • 收稿日期:  2020-08-16
  • 修回日期:  2020-11-04
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章