纺织品近红外光谱定性分析的一种新方法

• 作者: 刘胜 李海洋
• 来源期刊: 光谱学与光谱分析
• 学科: 化学
• 关键词: 近红外光谱 定性分析 新方法 纺织品
• 年，卷（期）: 2019,（7）
• 页码范围: 2142-2146
• 页数: 5页
• 分类号: O657.3
• 字数: 4728字
• 语种: 中文
• DOI: 10.3964/j.issn.1000-0593(2019)07-2142-05

摘要

近红外光谱分析技术可用于对样本的快速无损检测,在人们的生产和生活中发挥着越来越重要的作用.支持向量机是建立定性分析模型的常用方法,可通过寻找最优分类超平面将两类样本分开.在小样本情况下,支持向量机方法有其独特的优势.主成分分析是常用的数据降维方法,可将数据降维之后作为支持向量机方法的输入变量,简化模型并提高模型识别的准确性.因此,基于主成分分析的支持向量机(简称PCA-SVM )适合用于建立近红外光谱定性分析模型.多模型方法是人们使用较少的建模方法,用该方法建立的模型一般具有较好的稳定性.将多模型方法与PCA-SVM方法成功结合形成了新方法.以棉锦混合、棉涤混合纺织品为例,用新方法建立了这两类纺织品样本的近红外光谱定性分析模型.建模时将光谱数据按照波长分为4组,用每组光谱数据建立一个子模型,将子模型的输出值进行加权平均便得到最终的预测结果.这样可以更充分地使用光谱数据中所包含的信息.为了便于对比不同的方法,仍使用上述校正集和验证集,又用PCA-SVM方法建立了这两类纺织品样本的近红外光谱定性分析模型.对预测结果做交叉验证,用新方法所建模型判别的正确率的平均值为85.49%,正确率的标准差为0. 066 7 ,用PCA-SVM 方法所建模型判别的正确率的平均值为83.34%,正确率的标准差为0. 109 6 .研究结果表明用新方法所建模型的分类效果好于用PCA-SVM方法所建模型的分类效果;用新方法建立的模型的稳定性明显高于用PCA-SVM 方法建立的模型的稳定性.用PCA-SVM方法所建模型的预测效果受校正集构成情况的影响较大,而用新方法所建模型的预测效果则相对稳定.对废旧纺织品进行分类回收可大量节约纺织原材料,但采用人工分拣方式效率低且成本高.采用近红外光谱分析方法对纺织品进行分类,为废旧纺织品的大规模精细分拣和分级奠定了一定的基础.该新方法有望用于某些其他类型样本的分类.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘胜	北京林业大学理学院	34	168	6.0	11.0
2	李海洋	北京林业大学理学院	4	14	3.0	3.0