化學計量學與遙感FTIR技術聯(lián)用對復雜多組分體系的定性定量研究.pdf

1、本文利用化學計量學的方法，結合遙感傅里葉紅外光譜(Fourier transforminfrared Spectrum，F(xiàn)TIR)技術，對大氣環(huán)境中的有毒易揮發(fā)有機化合物(VolatileOrganic Compounds，VOCs)進行了較為深入的定性、定量研究。主要研究內(nèi)容如下： 1．基于化學計量學的多組分遙感FTIR譜圖解析。針對人工神經(jīng)網(wǎng)絡(ANN)訓練時間過長和模型“過擬合”的問題，采用偏最小二乘法(PLS)和主成分

2、分析法(PCA)，對輸入．ANN 的光譜數(shù)據(jù)進行了主成分提取，利用遺傳算法(GA)進行波長選擇，以簡化模型、剔除不相關的變量、加快分析速度。建立了PLS-BP-ANN-PCA-BP-ANN、GA-BP-ANN和BP-ANN四種模型，對譜帶混疊嚴重的多組分體系成功地進行了同時定量分析。在苯、甲苯、甲醇、氯仿和丙酮五組分大氣VOCs的定量測定中，對四種方法的預測誤差比較，PLS-BP-ANN模型顯示了最為穩(wěn)健的能力。 2．模型傳遞

3、方法用于解析遙感FTIR譜圖。將模型傳遞的思想引入到遙感FTIR譜圖的分析中，模型傳遞就是將一臺儀器所獲得的數(shù)據(jù)建立的校正模型，直接用到另一臺儀器測得的數(shù)據(jù)上，旨在簡化分析過程并獲得好的預測精度，這樣就可消除同一樣品在不同儀器上的測量誤差。而遙感FTIR的問題，本文將其理解為樣品在實測中相對于標準紅外譜圖所出現(xiàn)的偏差。采用普魯克分析(PA)就是去除儀器間的差異，PA的基本思想是去除X(如吸光度)中與Y(如濃度)不相關的部分。由于其更針對

4、在不同儀器上的量測信號進行處理，消除這些信號間的差別，同時具有較好的適應性，因此是一種更有意義的模型傳遞方法。本研究利用PA實現(xiàn)了四組分一丙酮、苯、氯仿和甲醇氣體混合物的BP-ANN模型在兩臺 FTIR 儀器上的傳遞，預測精度高，實現(xiàn)了EPA數(shù)據(jù)對遙感數(shù)據(jù)的分析。 3．人工神經(jīng)網(wǎng)絡研究大氣VOCs的分類。針對BP-ANN 學習收斂速度慢、建模過程中網(wǎng)絡層數(shù)及每層神經(jīng)元的個數(shù)難以確定和易陷入局部最優(yōu)等問題，本文提出了適用于模式分

5、類的徑向基神經(jīng)網(wǎng)絡，即概率神經(jīng)網(wǎng)絡(Probabilistic Neural Network，PNN)和學習矢量量化(Learning Vector Quantization，LVQ)神經(jīng)網(wǎng)絡的方法，對大氣環(huán)境質(zhì)量進行預測。在氯仿、甲醇、丙酮、己烷、甲苯和二氯甲烷六組分大氣VOCs的定性測定中，對PNN、LVQ和BP-ANN三種方法的預測誤差進行比較，結果表明：PNN方法的分類精度最好，達到93.3％。而且由于PNN的結構簡單、訓練速度

6、快、新的訓練樣本也很容易加入到以前訓練好的分類器中，因此它很適合于大氣環(huán)境的實時、在線定性監(jiān)測，能起到及時預警的作用。 4．遙感FTIR譜圖的模式識別。創(chuàng)造性地將主成分提取與線性判別分析(Linear DiscriminantAnalysis，LDA)相結合的方法，引入到遙感 FTIR 光譜的分析中，建立了PLS-LDA、PCA-LDA對 VOCs 的模式識別方法。在對譜圖相互嚴重混疊干擾的五組分-己烷、苯、甲苯、丙酮和二氯甲