范文一：多角度偏振光散射技术

考研屋 www.kaoyanwu.com

提供各大机构考研、公务员、四六级辅导视频课程

根据光散射理论，当激光照射到流动室内流过的每一个细胞时，由于细胞的物理特性，部分光线从细胞上经不同的角度散射。其中，前向小角度散射光的光强可以反应细胞体积;大角度散射光的光强可以反应细胞核，浆复杂度和细胞颗粒的信息;而侧向散射光的光强可以反应细胞膜、核膜、细胞质的变化。因此，可以依据细胞表明光散射的特点对细胞进行分类。用激光光源产生的单色光束直接进入计数池的敏感区，在不同角度(10度,70度)对每个细胞进行扫描分析，测定其散射光强度，从而提供细胞结构、形态的光散射信息。由于粗颗粒细胞的散射强度比细颗粒细胞更强，故光散射对细胞颗粒的构型和颗粒质量具有很好的区别能力。

2011年卫生资格一次过关秘诀～点击查看>>

更多卫生资格信息请访问:卫生资格考试

-

考研屋 www.kaoyanwu.com :提供各大机构考研、公务员、四六级辅导视频课程 考研路上必备的网站----考研屋 www.kaoyanwu.com

范文二：神经网络在岩石多角度偏振光谱识别中的应用

() [ 文章编号 1000 21832 20050120113205

神经网络在岩石多角度偏振光谱

识别中的应用

赵云升 ,黄睿 ,胡新礼 ,张洪波

()东北师范大学城市与环境科学学院 ,吉林 长春 130024

[ 摘 要 ] 依据岩石多角度偏振光谱反射特征数据 ,运用神经网络方法 ,对反射特征相近的岩

石加以识别 . 在识别中以不同方位角 、反射角及入射角的反射比等参数作为训练样本及测试样

本 ,训练样本经过网络学习 、训练得到神经网络模型 ,测试样本对神经网络模型进行检验 ,实验

证明将神经网络应用于岩石多角度偏振遥感技术是岩石识别的一种切实可行的方法 .

[ 关键词 ] 神经网络 ;岩石 ;偏振反射比 ;识别

[ 中图分类号 ][ 学科代码 ] 170506?7[ 文献标识码 ] ATP 7

神经网络是一门新兴交叉学科 ,它实际上是一种由许多非常简单的彼此之间高度连接的处理单元 组成的信息处理系统 . 偏振光具有光强随方向变化的现象 ,它在遥感中的重要性早已引起国内外许多遥 感专家的极大关注 ,因为偏振光可以解决传统光学遥感无法解决的一些问题. 岩石具有偏振反射特性 , 神经网络具有很好的适应性和学习能力 ,二者的有机结合为岩石识别提供了一个好方法 . 目前 B P 网络 是使用最广泛的一种神经网络 ,约占全部应用的 80 % ,为此本文选用 B P 网络来识别岩石 . 鉴于神经网 络在地学中的应用刚刚起步 ,本文提出了依据岩石多角度偏振光谱反射特征数据 ,运用神经网络进行岩 石识别的方法 .

岩石偏振反射特征分析1 1 为了获取岩石多角度偏振光谱反射特征数据 ,使用偏振光谱反射特征数据采集与处理系统,该系 统具有快速采集和处理偏振反射特征数据功能 . 通过对岩浆岩 、沉积岩 、变质岩中有代表性岩石数据的 采集 、处理和分析 ,发现一部分岩石可以通过偏振光谱反射比直接识别区分 ,而相当一部分岩石偏振反 射比非常接近 ,无法直接识别 . 现选取岩石偏振反射比非常接近的 6 种岩石 ———板岩 、紫红页岩 、辉长 岩 、砾岩 、闪长岩和玄武岩做偏振反射特征分析.

图 1 为 6 种岩石在偏振反射比差别最明 显 情 况

下 ,即岩石均在 B 波 段 、入 射 角 为 50?, 探 测 角 为

60?,方位角为 140?,220?、偏振角为 0?时的偏振

2 ,3反射比 . 从 图 1 中 很 清 楚 地 看 出 , 板 岩 、紫 红

页岩 、辉长岩和砾岩偏振反射比极其接近 ,闪长岩

和玄武岩的偏振反射比极其接近 ,很显然直接利

用偏振光谱反射特征来区别这 6 种岩石 是 困 难 图 1 岩石多角度偏振光谱反射特征 的 .

212206 2004[ 收稿日期 ] ( )国家自然科学基金资助项目 4977105 [ 基金项目 ] ( ) [ 作者简介 ] 赵云升 1948 - ,男 ,教授 ,主要从事地图遥感研究.

114 东 北 师 大 学 报 自 然 科 学 版第 37 卷

岩石识别的 BP 神经网络模型建立2

2 . 1 BP 神经网络原理

B P 网络是一种采用误差反向传播算法进行有监

[ 4 ] 督训练的多层前向神经网络. 网络有输入层节点 、 输出层节点以及隐含层层节点 . 隐含层可以是一层 , 也可以是多层 . 对于输入信号 , 要先向前传播到隐含

( ) 层节点 , 经过激活函数 f ?后 , 再把隐含层节点的输 出信息传播到输出节点 , 最后给出输出结果. 节点的 激活函数通常选取 S 型函数 .

网络的学习算法由正向传播和反向传播两部分 组成. 在正向传播的过程中 , 输入信息从输入层经过 隐含层逐层处理 , 并传向输出层 , 每一层神经元的状 图 2 单隐含层的 BP 网络简化图

态只影响下一层神经元的状态 , 同层神经元之间没 有作用. 若输出结果与期望的结果不符 , 则计算输出层的误差变化值 , 并反向传播误差信号 . 将误差信号

从输出层开始 , 按原来的连接通路返回 , 通过修改权值 , 反复上述过程使得误差信号最小 .

2 . 2 BP 神经网络算法

单隐含层的 B P 网络可简化如图 2 所示. 设输入矢量为 X , 输入层有 r 个神经元 , 隐含层内有 s个 1

( ) ( ) 神经元 , 转移函数为 f 1 ? 输出层有 s个神经元 , 对应的转移函数为 f 2 ? 网络实际输出为, 理想,,Y 2

输出为 Y.′

T T ) ( ) ( , x ; Y = y , y , , y. X = , x ,x, x ,, y , r1 2 s 1 2 j k 2

隐含层中第 i 个神经元的输出为

r ( ) ( )a1 = f 1 ?w 1 + b1 , i = 1 , 2 ,1 x, s. 1 i i j j i j = 1

输出层第 k 个神经元的输出为

s 1( ) ( )y = f 2 ?w 2 a1 + b2 , k = 1 , 2 ,2 , s. 2 k ki i k i = 1

定义误差函数为 s 2 1 2 ( ) ( ) E = ?y′- y .3 k k k = 12

( ) 1输出层权值变化

对从第 i 个输入到第 k 个输出的权值有 :

9y 9 E k 9 E Δ ηη( ) δηη( )w 2 = - = y′- y f 2a′1 = a1 , = - 4 ki k k i ki i 9w 2 9y 9w 2 kik ki

δ( ) = y′- y f 2=′ ef 2,′ e= y′- y . 其中 ki k k k k k k

同理可得

9y 9 E k 9 E Δηη( ) δηη( )b2 = - = y′- y f 2=′ . = - 5 ki k k ki 9b2 9y 9b2 kik k i

( ) 2隐含层权值的变化

对从第 j 个输入到第 i 个输出的权值 , 有 :

s 2 9y 9a1 9 E 9 E k i Δηηη ( ) δη( )w 1 = - = - 6 = ?y′- y f 2w′ 2 f 1x′ = x , i j k k ki j ij j k = 1 9y 9a1 9w 1 9w 1 k i i ji j

s 2δδ其中= ef 1,′ e= ?w 2 . i j i i ki ki k = 1

Δδη( )b1 = . 同理可得7 i ij

( ) ( ) δ4—7式即为 S 形单层神经网络的法则 , 即 B P 算法 , 其流程如图 3 所示. 由此可见 , B P 网络

115 第 1 期赵云升等 :神经网络在岩石多角度偏振光谱识别中的应用

完成的是一个多重复合非线性映射 ,随着权值的改变 ,它可以实现各种复杂的非线性映射 . 2 . 3 神经网络结构设计

理论上已经证明 ,具有偏差和至少一个 S 型隐含

层加上一个线性输出层的网络 , 能够逼近任何有理函

数. 这实际上已经给出一个基本的设计 B P 网络的原

则. 增加层数主要可以进一步降低误差 , 提高精度 , 但

同时也使网络复杂化. 所以在建立实际系统的模型时 ,

要兼顾精确性和复杂性两方面的因素 :既要考虑到模

型能对系统进行精确逼近 , 又不至过于复杂而使运算

量剧增 ,这就要求在二者之间做折中处理.

基于上述分析 本文所采用的 B P 网络包含一个 ,

输入层 、一个隐含层和一个输出层 . 由于文献 [ 5 ] 的

结果分析表明 , 岩石偏振反射比在 B 波段 、方位角为

140?,220、?入射角为 40,?60时? , 变化最为明显 , 加 之

偏振角的影响 , 因此 , 选择输入层包含 28 个神经

元 , 输出层包含 6 个神经元 , 隐含层的神经元数根据

训练情况进行优选. 隐含层的激活函数为双曲正切

S 型激活函数 , 输出层采用线性激活函数 .

图 3 BP 算法流程图 参考上述原则 , 本文设计了如下网络 :

( ) 1网络拓扑结构 :28 ×15 ×6 ;

) (2转移函数 :隐含层采用双极性 S 型函数 , 输出层采用线性函数 ;

) (3学习算法 :自适应学习率 .

T 第一层 W1 0 . 736 8 - 0 . 558 3 1 . 242 6 - 0 . 070 5 0 . 783 1 0 . 244 7 0 . 769 0 - 1 . 049 5 0 . 613 8 0 . 345 1 0 . 077 6 0 . 380 5 0 . 691 2 0 . 654 2 - 0 . 597 3 - 0 . 465 4 0 . 895 6 1 . 176 4 - 0 . 321 5 0 . 775 2 - 0 . 982 9 0 . 354 1 0 . 658 0 - 1 . 053 8 0 . 102 0 - 0 . 467 0 - 0 . 970 3 - 0 . 120 7 - 0 . 271 9 - 0 . 608 9 - 1 . 278 5 0 . 572 8 0 . 349 0 0 . 740 4 - 0 . 079 3 - 0 . 315 6 1 . 660 0 - 0 . 797 0 - 0 . 711 2 0 . 102 0 - 0 . 467 0 - 0 . 970 3 - 0 . 120 7 - 0 . 271 9 - 0 . 608 9 0 . 377 7 0 . 481 2 0 . 207 9 - 0 . 422 2 - 0 . 605 7 - 0 . 800 2 0 . 642 3 - 0 . 601 7 0 . 279 7 0 . 912 5 0 . 764 3 - 1 . 940 8 0 . 425 0 - 0 . 038 8 0 . 285 8 - 0 . 256 9 0 . 791 8 1 . 145 2 0 . 248 6 0 . 684 8 0 . 398 5 - 0 . 159 9 - 0 . 345 3 - 0 . 337 5 - 0 . 734 2 0 . 253 0 - 0 . 148 7 0 . 404 4 0 . 765 6 0 . 181 2 - 0 . 043 3 0 . 103 6 1 . 064 4 0 . 389 9 0 . 260 7 0 . 611 0 1 . 435 0 - 0 . 284 6 0 . 578 9 0 . 638 1 0 . 575 4 - 0 . 374 6 0 . 686 7 0 . 141 8 - 0 . 292 3 - 0 . 417 9 - 0 . 880 5 1 . 286 2 - 0 . 533 5 - 0 . 341 5 0 . 324 7 - 0 . 561 3 - 1 . 002 2 - 0 . 790 9 - 0 . 145 5 0 . 980 0 - 0 . 688 6 - 0 . 225 8 0 . 766 1 0 . 321 2 - 0 . 489 8 0 . 209 7 0 . 433 8 0 . 051 4 0 . 358 5 - 0 . 406 7 - 0 . 667 5 0 . 302 8 0 . 423 3 0 . 296 4 - 0 . 008 9 - 0 . 323 5 0 . 440 4 - 0 . 503 8 - 0 . 567 4 - 0 . 585 5 - 0 . 332 2 2 . 004 3 - 1 . 032 6 0 . 474 7 1 . 067 2 0 . 959 2 1 . 032 0 - 0 . 400 8 - 0 . 260 9 0 . 216 3 0 . 577 0 - 0 . 672 3 - 0 . 001 5 - 1 . 113 5 - 0 . 112 7 0 . 539 0 0 . 911 8 - 0 . 026 0 0 . 886 2 0 . 479 0 - 0 . 783 8 0 . 418 3 0 . 130 6 0 . 474 4 - 0 . 485 1 0 . 502 3 - 0 . 531 9 0 . 706 7 0 . 810 7 - 0 . 364 1 - 1 . 032 0 - 0 . 124 4 - 0 . 186 2 - 0 . 757 0 0 . 120 8 - 0 . 526 3 - 0 . 814 8 - 0 . 902 3 - 1 . 125 0 - 0 . 825 5 0 . 744 0 0 . 487 7 - 0 . 460 9 0 . 117 9 - 0 . 472 6 - 0 . 157 2 - 0 . 538 5 0 . 178 9 0 . 407 1 - 0 . 957 0 - 0 . 506 5 - 0 . 413 8 - 0 . 089 0 - 0 . 294 4 0 . 388 8 - 0 . 218 9 0 . 226 3 - 1 . 083 4 - 0 . 045 4 - 0 . 506 4 0 . 115 7 0 . 587 8 0 . 553 4 - 0 . 613 1 - 0 . 569 1 1 . 055 1 - 0 . 930 0 0 . 404 6 - 1 . 632 0 0 . 792 0 0 . 012 5 0 . 618 7 - 0 . 406 1 0 . 381 4 - 0 . 880 3 0 . 734 1 - 0 . 241 4 - 0 . 826 0 0 . 989 6 0 . 047 3 - 0 . 352 8 - 0 . 325 3 - 0 . 465 2 0 . 700 2 - 0 . 826 8 - 0 . 937 5 - 1 . 894 0 - 0 . 761 4 0 . 583 7 1 . 484 0 - 0 . 357 6 - 1 . 414 7 0 . 313 7 - 0 . 506 3 0 . 103 7 0 . 703 4 - 0 . 664 2 0 . 548 7 0 . 137 6 0 . 409 6 - 0 . 803 3 - 1 . 055 2 - 0 . 129 8 0 . 878 3 0 . 750 7 - 0 . 130 0 - 0 . 809 4 - 0 . 899 9 - 0 . 715 3 - 0 . 358 6 1 . 149 0 - 0 . 627 7 0 . 620 0 - 2 . 812 2 - 0 . 283 8 0 . 211 1 0 . 479 2 0 . 573 7 0 . 338 8 - 0 . 755 5 - 0 . 891 3 1 . 213 7 0 . 115 8 0 . 901 1 0 . 131 2 0 . 310 8 0 . 068 6 0 . 093 6 - 0 . 283 6 - 0 . 298 5 - 0 . 726 9 - 0 . 921 9 0 . 925 2 - 0 . 886 7 1 . 099 9 0 . 740 4 - 0 . 014 7 - 0 . 063 3 0 . 391 9 - 0 . 867 3 1 . 387 5 0 . 558 8 0 . 266 5 1 . 647 9 - 0 . 151 9 - 0 . 782 6 - 0 . 949 0 0 . 706 1 1 . 121 1 0 . 599 3 0 . 394 6 0 . 321 2 - 0 . 175 4 0 . 363 9 0 . 485 1 - 0 . 076 9 - 0 . 246 0 0 . 397 3 - 0 . 183 7 0 . 190 7 1 . 113 8 - 1 . 224 5 0 . 545 0 0 . 356 7 0 . 493 3 0 . 943 2 0 . 754 4 0 . 349 7 0 . 053 3 - 0 . 819 8 0 . 366 9 - 0 . 170 5 - 0 . 560 8 - 0 . 080 8 0 . 317 2 0 . 327 1 0 . 491 9 - 0 . 002 0 - 0 . 563 6 0 . 111 6 - 0 . 051 9 0 . 446 5 0 . 191 1 - 0 . 798 1 - 0 . 118 7 0 . 504 1 2 . 015 9 0 . 846 4 0 . 317 5 0 . 799 4 0 . 520 4 0 . 998 5 0 . 933 1 - 0 . 909 0 0 . 896 1 0 . 138 2 0 . 489 3 0 . 808 4 0 . 113 0 0 . 289 5 0 . 170 0 0 . 848 4 - 0 . 717 7 0 . 091 0 - 0 . 510 4 1 . 022 8 - 0 . 071 1 0 . 383 1 - 0 . 918 1 - 0 . 463 8 - 0 . 097 7 0 . 674 1 0 . 125 7 0 . 314 1 - 0 . 823 8 1 . 018 2 1 . 025 0 0 . 656 7 1 . 198 6 0 . 456 1 - 0 . 090 7 - 0 . 441 0 0 . 306 9 0 . 214 9 - 0 . 424 8 - 0 . 911 4 - 0 . 132 7 - 0 . 151 6 0 . 103 8 0 . 601 6 0 . 129 7 - 0 . 192 5 0 . 331 8 - 0 . 189 9 - 0 . 593 1 1 . 362 9 1 . 198 6 0 . 157 1 - 0 . 978 1 0 . 461 6 0 . 036 8 2 . 139 8 - 0 . 659 4 - 0 . 017 0 - 0 . 386 2 - 0 . 357 7 1 . 133 1 0 . 790 3 0 . 149 8 0 . 859 8 0 . 239 2 1 . 266 3 0 . 537 1 0 . 021 8 0 . 240 8 0 . 823 5 0 . 610 6 - 0 . 464 2 - 0 . 140 6 - 0 . 641 6 - 0 . 115 2 - 0 . 265 0 0 . 089 7 0 . 142 4 - 0 . 665 1 - 0 . 143 8 0 . 790 7 - 0 . 733 7 - 0 . 031 7 - 0 . 004 2 0 . 113 4 - 0 . 118 6 0 . 022 5 0 . 321 9 0 . 787 8 - 0 . 753 4 - 0 . 928 2 0 . 018 9 - 1 . 241 0 - 0 . 228 6 - 0 . 023 4 1 . 086 2 0 . 226 7 - 1 . 002 6 - 0 . 842 1 - 0 . 157 4 - 0 . 345 4 - 1 . 240 4 0 . 314 4 0 . 211 2 0 . 098 8 - 0 . 118 4 0 . 462 7 1 . 086 7 0 . 920 5 - 0 . 759 2 0 . 462 1 - 0 . 045 0 1 . 028 4 T 第一层 B1 0 . 515 8 - 0 . 510 9 - 1 . 180 6 - 0 . 856 0 0 . 913 5 0 . 050 8 - 0 . 776 5 0 . 458 3 - 0 . 918 6 - 0 . 022 3 0 . 617 1 - 0 . 827 8 - 0 . 110 5 - 0 . 012 7 0 . 154 4

第二层 W2

1 . 345 9 0 . 151 2 - 2 . 914 0 - 0 . 153 9 0 . 439 6 - 0 . 360 5 - 1 . 464 - 1 . 573 2 0 . 229 2 - 2 . 432 7 0 . 810 8 - 1 . 159 7 0 . 889 9 - 0 . 352 0 - 1 . 558 6 - 1 . 121 5 0 . 316 1 2 . 283 8 - 0 . 527 9 - 0 . 166 8 - 0 . 409 4 1 . 380 2 1 . 909 1 - 0 . 375 1 2 . 845 0 0 . 385 2 0 . 854 0 - 1 . 153 9 0 . 590 4 1 . 173 8 - 0 . 328 9 0 . 606 3 0 . 509 2 0 . 450 3 0 . 139 9 1 . 073 0 - 0 . 938 7 - 0 . 617 3 - 0 . 954 6 - 0 . 378 2 0 . 300 0 1 . 292 5 - 0 . 084 8 0 . 047 8 0 . 540 0 0 . 696 8 0 . 457 1 - 1 . 092 6 - 0 . 820 7 - 0 . 753 7 - 0 . 735 1 1 . 460 5 - 0 . 348 6 - 0 . 045 6 - 0 . 092 1 - 1 . 082 5 - 1 . 001 0 - 1 . 644 9 0 . 713 1 0 . 814 9 0 . 190 8 - 0 . 857 4 1 . 380 8 0 . 442 7 0 . 795 9 - 0 . 154 4 - 1 . 358 6 1 . 874 1 0 . 948 6 - 0 . 392 7 - 0 . 742 2 1 . 423 3 1 . 276 4 - 0 . 938 3 0 . 286 9 - 0 . 364 9 0 . 231 5 0 . 316 4 0 . 700 2 - 0 . 209 4 0 . 364 8 0 . 358 1 - 1 . 197 6 - 1 . 146 0 0 . 203 1 - 0 . 757 8 - 1 . 515 1 1 . 321 3 0 . 208 4 - 0 . 444 3 T 第二层 B2 - 0 . 833 7 - 0 . 098 0 0 . 767 4 - 0 . 303 0 1 . 013 3 - 0 . 125 4

图 4 网络连接权值及结点偏置阈值

116 东 北 师 大 学 报 自 然 科 学 版第 37 卷

应用神经网络识别岩石3

( ) α利用偏振光谱数据测量系统测得各种岩石在各种条件下的反射比 . 以玄武岩 表 1为例 ,为方位

β( ) 角 ,为探测角 . 对其数据进行变换 , 变成 表 2输入原始数据 X 第一列的形式 , 最后一个数据为偏振角 的代号. 把所有的偏振光谱数据测量系统测得的数据都这样变换 , 作为网络训练的输入样本 . 与输入样 本对应的输出样本如下 :

T T 为玄武岩 , 为闪长岩 , 1 ,0 ,0 ,0 ,0 ,0 0 ,1 ,0 ,0 ,0 ,0

T T 为板岩 , 为紫红叶岩 , 0 ,0 ,1 ,0 ,0 ,0 0 ,0 ,0 ,1 ,0 ,0

T T 为辉长岩 , 为砾石. 0 ,0 ,0 ,0 ,0 ,1 0 ,0 ,0 ,0 ,1 ,0

表 1 玄武岩的反射比

α β 140? 150? 160? 170? 180? 190? 200? 210? 220? 40? 0 . 431 0 . 425 0 . 440 0 . 457 0 . 515 0 . 489 0 . 493 0 . 563 0 . 580 50? 0 . 503 0 . 631 0 . 773 0 . 507 0 . 607 0 . 807 0 . 478 0 . 520 0 . 599

0 . 447 0 . 479 0 . 522 0 . 416 0 . 412 0 . 466 0 . 401 0 . 420 0 . 456 60?

训练样本每种岩石各取 80 个 ,总计 480 个样本 ,在此不一一给出 ,经过 2104 h 的网络学习 、训练 ,得 到图 4 所示的网络连接权值及节点偏臵域值 ,即得到符合要求的神经网络模型 .

为了验证所求网络的有效性 , 利用表 3 的输入原始数据 X 进行网络检验 . X 和 X 为为玄武岩 ; 1 2

和 X 为闪长岩 ; X 和 X 为板岩 ; X 和 X 为紫红叶岩 ; X 和 X 为辉长岩 ; X 和 X 为砾石. 显 X3 4 5 6 7 8 9 10 11 12 然由输入原始数据经神经网络计算的输出结果与实际是一致的 , 所以利用神经网络识别岩石类别是可 行的.

表 2 网络检验 X X X X X X X X X X X X 1 2 3 4 5 6 7 8 9 10 11 12 0 . 431 0 . 409 0 . 459 0 . 451 0 . 420 0 . 391 0 . 996 0 . 958 0 . 299 0 . 075 0 . 415 0 . 416 0 0 0 0 0 0 0 0 1 1 1 1 0 . 425 0 0 . 437 0 0 . 487 0 0 . 461 0 0 . 217 0 0 . 182 0 0 . 489 0 0 . 404 0 0 . 608 0 0 . 460 0 0 . 617 0 0 . 612 0 0 . 440 0 0 . 486 0 0 . 523 0 0 . 500 0 0 . 377 0 0 . 325 0 0 . 980 0 0 . 765 0 1 . 203 0 0 . 852 0 1 . 335 0 1 . 277 0 0 . 457 0 0 . 448 0 0 . 460 0 0 . 489 0 0 . 565 0 0 . 668 0 1 . 183 0 1 . 107 0 1 . 599 0 1 . 166 0 1 . 501 0 1 . 534 0 0 . 515 0 0 . 472 0 0 . 515 0 0 . 531 0 0 . 395 0 0 . 408 0 0 . 572 0 0 . 482 0 0 . 715 1 0 . 516 0 0 . 706 0 0 . 678 0 0 . 489 0 0 . 505 0 0 . 556 0 0 . 533 0 0 . 958 0 0 . 771 0 1 . 226 0 0 . 944 0 1 . 348 0 0 . 993 0 1 . 533 0 1 . 453 0 0 0 0 0 0 1 1 1 1 1 1 1 . 493 0 . 458 0 . 451 0 . 506 0 . 885 0 . 063 0 . 420 0 . 326 0 . 699 0 . 325 0 . 755 0 . 880 0 0 . 563 0 0 . 513 0 0 . 548 0 0 . 535 0 0 . 902 0 0 . 850 0 0 . 806 0 0 . 656 0 0 . 897 0 0 . 600 0 0 . 906 0 0 . 804 0 0 . 580 0 0 . 557 0 0 . 708 0 0 . 540 0 3 . 195 0 1 . 663 0 2 . 079 0 1 . 327 0 1 . 815 0 1 . 186 0 1 . 994 0 1 . 665 0 0 . 503 0 0 . 475 0 0 . 459 0 0 . 547 0 1 . 180 0 1 . 375 0 1 . 700 0 1 . 539 0 1 . 786 0 1 . 508 0 1 . 844 0 2 . 036 0 0 . 631 0 0 . 571 0 0 . 546 0 0 . 610 0 1 . 369 0 0 . 985 0 1 . 113 0 0 . 793 0 1 . 166 0 0 . 843 0 1 . 236 0 0 . 939 0 0 . 773 0 0 . 660 0 0 . 770 0 0 . 596 0 4 . 529 0 1 . 438 0 3 . 265 0 1 . 738 0 3 . 176 0 1 . 695 0 2 . 940 0 1 . 724 0 0 . 507 0 0 . 464 0 0 . 436 0 0 . 561 0 1 . 051 0 1 . 147 0 1 . 695 0 1 . 562 0 1 . 698 0 1 . 383 0 1 . 680 0 1 . 698 0 0 . 607 0 0 . 533 0 0 . 498 0 0 . 652 0 0 . 856 0 0 . 552 0 1 . 087 0 0 . 820 0 0 . 963 0 0 . 789 0 0 . 815 0 0 . 756 0 0 . 807 0 0 . 606 0 0 . 599 0 0 . 587 0 1 . 583 0 0 . 674 0 2 . 921 0 1 . 726 0 2 . 353 0 1 . 890 0 1 . 706 0 1 . 459 0 0 . 478 0 0 . 417 0 0 . 395 0 0 . 508 0 0 . 720 0 0 . 724 0 1 . 425 0 1 . 341 0 1 . 619 0 1 . 262 0 1 . 549 0 1 . 530 0 0 . 520 0 0 . 448 0 0 . 461 0 0 . 592 0 0 . 360 0 0 . 265 0 0 . 772 0 0 . 656 0 0 . 835 0 0 . 657 0 0 . 672 0 0 . 656 0 0 . 599 0 0 . 529 0 0 . 511 0 0 . 621 0 0 . 532 0 0 . 306 0 1 . 630 0 1 . 2170 1 . 7490 1 . 3270 1 . 3010 1 . 1870 0 . 447 0 0 . 390 0 0 . 372 0 0 . 463 0 0 . 442 0 0 . 457 0 1 . 181 0 1 . 090 0 1 . 582 0 1 . 208 0 1 . 421 0 1 . 414 0 0 . 479 0 0 . 432 0 0 . 422 0 0 . 495 0 0 . 193 0 0 . 152 0 0 . 564 0 0 . 506 0 0 . 806 0 0 . 612 0 0 . 615 0 0 . 610 0 0 . 522 0 0 . 453 0 0 . 442 0 0 . 523 0 0 . 258 0 0 . 177 0 1 . 166 0 0 . 960 0 1 . 617 0 1 . 233 0 1 . 158 0 1 . 105 0 0 . 416 0 0 . 373 0 0 . 363 0 0 . 441 0 0 . 316 0 0 . 338 0 1 . 002 0 0 . 951 0 1 . 395 0 1 . 120 0 1 . 351 0 1 . 363 0 0 . 412 0 0 . 393 0 0 . 393 0 0 . 453 0 0 . 126 0 0 . 101 0 0 . 450 0 0 . 421 0 0 . 678 0 0 . 566 0 0 . 567 0 0 . 581 0 0 . 466 0 0 . 428 0 0 . 381 0 0 . 470 0 0 . 136 0 0 . 118 0 0 . 915 0 0 . 807 0 1 . 364 0 1 . 057 0 1 . 034 0 1 . 034 0 0 . 401 0 0 . 355 0 0 . 364 0 0 . 420 0 0 . 242 0 0 . 251 0 0 . 950 0 0 . 841 0 1 . 332 0 1 . 105 0 1 . 270 0 1 . 294 0 0 . 420 0 0 . 390 0 0 . 367 0 0 . 426 0 0 . 077 0 0 . 066 0 0 . 403 0 0 . 367 0 0 . 629 0 0 . 535 0 0 . 513 0 0 . 543 0 0 . 456 0 0 . 408 0 0 . 323 0 0 . 440 0 0 . 128 0 0 . 087 0 0 . 802 0 0 . 696 0 1 . 204 0 0 . 943 0 0 . 941 0 0 . 962 0 1 . 000 0 0 . 500 0 1 . 000 0 0 . 500 0 1 . 000 0 0 . 500 0 1 . 000 0 0 . 500 0 1 . 000 0 0 . 500 0 1 . 000 0 0 . 500 0

117 第 1 期赵云升等 :神经网络在岩石多角度偏振光谱识别中的应用

表 3 网络检验结果 Y Y Y Y Y Y Y Y Y Y Y Y 1 2 3 4 5 6 7 8 9 10 11 12 0 . 988 5 . 970 8 . 018 2 0 . 020 3 . 002 3 0 . 007 5 . 000 5 - 0 . 027 5 . 010 4 0 . 034 9 . 014 2 . 014 1 0 0 - 0 - 0 - 0 0 - 0 0 0 1 0 - 0 - 0 - 0 . 002 6 . 026 8 . 004 3 0 . 968 4 . 000 3 - 0 . 006 2 . 022 9 0 . 055 0 . 007 4 . 000 8 0 . 029 0 - 0 . 048 4

- 0 . 014 2 - 0 . 019 2 0 . 998 3 0 . 998 6 0 . 007 4 - 0 . 004 8 0 . 008 9 - 0 . 003 4 . 011 0 . 006 1 - 0 0 - 0 . 003 5 0 . 037 2

- 0 . 061 1 0 . 067 8 - 0 . 003 6 0 . 010 5 1 . 041 1 0 . 915 0 - 0 . 045 7 0 . 052 3 0 . 025 9 - 0 . 000 3 . 025 4 - 0 . 028 1 0

0 . 003 9 0 . 026 9 - 0 . 023 0 - 0 . 005 8 - 0 . 001 0 - 0 . 002 4 0 . 011 8 - 0 . 006 1 0 . 992 2 1 . 001 9 0 . 001 2 0 . 000 2 - 0 . 041 8 - 0 . 012 0 0 . 054 9 - 0 . 005 1 0 . 005 8 - 0 . 007 3 - 0 . 016 4 0 . 042 6 0 . 026 5 - 0 . 023 9 0 . 975 0 1 . 001 4 4 结论

( ) 1训练好的神经网络对未知样本只需很短时间即可识别.

( ) 2利用岩石偏振反射比 基于神经网络算法进行岩石识别是可行的 、有效的 ,.

( ) 3受训练样本种类的限制 岩石识别是有局限性的 但随着训练样本种类增加识别种类也将增加 ,,.

( ) 4将空间遥感技术与神经网络有机结合来 , 有利于空间物探技术的发展 , 丰富了空间技术的种类 , 因此它是进一步研究的主要课题 .

[ 参考文献 ]

( ) ( ) 1 金伦 ,张洪波 ,赵云升. 偏振反射数据的获取与数据的建立J . 东北师大学报 自然科学版,2000 ,32 4:98,102 .

赵云升 ,金伦 ,宋开山 ,等. 液体表面偏振反射特征研究J . 东北师大学报 ( 自然科学版) ,2000 ,32 ( 4) :103,106 . 2

宋开山 ,赵云升 ,金伦. 不同物候期的玉米单叶偏振反射特征分析J . 东北师大学报 ( 自然科学版) ,2000 ,32 ( 4) :112,115 . 3

袁增任. 人工神经网络及其应用M . 北京 :清华大学出版社 ,1999 . 59,102 . 4

黄睿. 岩石多角度偏振反射特征的研究D . 长春 :东北师范大学城市与环境科学学院 ,2004 . 5

The a ppl icat ion of neural net work in ident if ing

mult iangular polarized spectrum of rock

ZHAO Yun2sheng , HUAN G Rui , HU Xin2li , ZHAN G Ho ng2be

( )College of U rban and Enviro nmental Sciences ,No rt heast No r mal U niversit y ,Changchun 130024 ,China Abstract :By t he data of polarized light reflectance feat ure of rock ,wit h t he met ho d of neural net wo r k ,t he wo r k has been do ne to distinguish f ro m t he resemble polarizatio n of rock . During identif ying ,differentpolar2 ized reflectance of different incidence angle ,view angle ,azimut h angle were regarded as t he t raining sample , t hen t he mo del of neural net wo r k can be given by net wo r k st udying and net wo r k t raining of t raining sam2 ple ,and t he testing sample checko ut t he mo del of neural net wo r k . The examinatio n p rove it is a feasible met ho d to identif y rock using neural net wo r k o n mo der n ro mote sensing of polarized light reflectant feat ure of rock .

Key words :neural net wo r k ; rock ;polarized reflectance ;identify

()责任编辑 :陶 理

范文三：Wyatt多角度激光散射仪特点介绍

Wyatt 多角度激光光散射系统

货号 性能描述

性能特点说明

备注

DH-001

DAWN HELEOS HELEOS 18 角度激光光散射仪 (包括 ASTRA 激光光散射软件) 技术指标 技术指标： 指标： 激光波长：656nm 砷化镓线性偏振激光，保证寿命10000小时 激光功率：100毫瓦 功率输出可调 检测器类型：超静式混合光电二极管，场效应晶体管互阻抗放大器 检测角度：18个 角度范围：12 – 165度；35度角以下三个，135度角以上四个 分子量测定范围：10 到 10 g/mole (Daltons) （典型范围） ，详见附件实例。 ，视样品及使用方式可做到更宽范围） 分子尺寸测定范围：10 到 500 nm （典型范围） 性能特点： 性能特点： 1. 符合 ASTM D4001-93 标准方法 （附件 1） 2. 真正无需任何标准品校正仪器，直接测定重均分子量 （甲苯、氯化钠校正仪器常数） 3. Wyatt 仪器具有使用 20ml 光散射瓶独立测定功能---激光光散射仪 （附件 2） 4. 检测角度多、范围广，保证检测结果的可靠性 （附件 3）

+ 3 9

5. 高功率、低信噪；确保激光光散射检测器优秀的信噪比 （附件 4） 6. 样品实际检测数据： A：低分子量测定数据 B：不同流速下检测数据 C：超高分子量检测数据 D：rg 检测结果可靠性对比 （附件 5） （附件 6） （附件 7） （附件 8）

1

E：Mw、rg 作图，表征高分子在溶液中的构象 （附件 9） 7. 激光光强度时时监测装置（Wyatt 专利） ，保证激光光强度稳定 8. 荧光过滤功能：适合对木质素等有荧光的样品分析。 （附件 10） 9. 对在激光波长下有吸收的样品，可以通过样品池前后两个光监测器及软件处理将吸收扣除 10．在线测定第二维利系数，平衡常数Kd值的测定 软件性能 ASTRA V 软件性能： 软件性能： 1．具有激光光散射独立测定分析功能（Zimm 图，得到 Mw、Rg、A2） 2．具有激光光散射、粘度检测器与 GPC 联机测定分析功能 3．具有独立 Dn/Dc 测定功能 4．具有共聚组成分析功能（需要有 UV 检测器） （附件 12） 5．具有分析结果自动评价功能 （附件11）

OP-rEX

OPTILAB? rEX型 rEX型 示差折光检测器 （Dn/Dc仪） 技术指标 技术指标： 指标： 检测器：512 光电二极管阵列检测 高精度高稳定性 波长：658nm （与光散射仪相同） 噪音 RIU：+/- 2*10-9 温度范围：4 ~ 50 度 折光指数差范围 RIU：-0.0047 ~ +0.0047 绝对折光指数范围：1.2 ~ 1.8 RIU(+/- 0.002RIU 的灵敏度) 温度波动：+/- 0.005 度

?

性能特点 性能特点： 特点： 1：单机独立测定 Dn/Dc 值 ，保证分子量测定更加准确

(附件 13)

2：独特的二极管阵列技术，保证了宽量程检测的高灵敏度 （附件 14）

2

ViscoStar

ViscoStar 粘度检测器

技术指标 技术指标： 指标： 四毛细管桥式设计 （附件 15） 流速：1 ~ 3ml/min (取决于溶剂) 样品剪切速率：3000HZ 温度稳定性：0.01 度 毛细管尺寸：0.01”ID * 26”L， 温度范围：4 ~ 60 度， 适合单独与任何型号的凝胶色谱联用 性能特点 性能特点： 特点： 1． 电子阻尼器：有效消除桥式设计特有的脉冲，系统无需配在线脱气，同时保证系统稳定； 2． 空气冷却的 Peltier 温度控制系统，保证温度控制精度，无需冷却循环系统 3． 粘度检测器具有与任何 GPC 系统联用的功能，方便仪器的组合使用 测得特性黏度，建立 Mark-Houwink 方程，计算得到 k 值, α值；流体力学半径 Rh 及分布等高分子信息。

3

附 1 ASTM D4001-93 标准方法

WYATT TECHNOLOGY CORPORATION Polystyrene in toluene ? 200 kg/mol polystyrene in toluene ? Positive stretch factor

9.0x10 -6

附 2. 单机测定图示：

8.0x10 -6

7.0x10 -6 Kc/R 6.0x10 -6 5.0x10 -6 4.0x10 -6 0.0

MW : 204K g/mol

0.5

1.0 sin?theta/2) + 331 c

1.5

2.0

Molar Mass (Mw) RMS Radius (Rz) 2nd virial coefficient

: (2.036 ? 0.02)e+5 : 17.3 ? 1.2 : (4.737 ? 0.09)e-4

g/mol nm mol mL/g?

(0.9%) (6%) (1.9%)

? 2004 Wyatt Technology Corporation

Molar Mass (MM) : (7.714±0.01)e+4 g/mol (0.16%) RMS Radius (Rz) : 2.6±2.2 nm (84%) 2nd virial coefficient : (1.413±0.06)e-4 mol mL/g2(3%) Aqueous microbatch Zimm Plot of BSA monomer

同时可测定第二维利系数 A2，得出溶质与溶剂之间的相互作用

5

附 3. 多角度测定的可靠性

检测角度数目的平方根与检测精度成正比

6

附 4 HELEOS 优秀的信噪比

对比一： 对比一：

7

对比二： 对比二：

8

附 5 -1 ：低分子量样品的测试结果（温州华峰集团提供）

样品：邻苯二甲酸二正辛酯， 分子量 390.54 实测值 398.6 MALS detector: ELEOS 18 from Wyatt DRI detector: Optilab rEX from Wyatt

实验地点：北京石油化工大学

CONFIGURATION CONFIGURATION Light scattering instrument: DAWN HELEOS Cell type: K5 Laser wavelength: 658.0 nm Calibration constant: 1.3788e-4 1/(V cm) RI Instrument: Optilab rEX Solvent: thf RESULTS Molar mass moments (g/mol) Mn 3.898e+2(4%) Mw 3.986e+2(3%)

9

附 5-2 低分子量样品的测试结果

Baselines - DHDPMA

0.88

0.86 Detector: 2

M = 214 ± 2

0.84

0.82

0.80 18.0

20.0

22.0 Volume (mL)

24.0

26.0

MALS signal of 4,4’- dihydroxydiphenylmethane （4,4‘-二羟基二苯基甲烷 ） M = 200 g/mol

10

附6 不同流速下的实验数据

2KD PS标样测定： 0.3ml/min --- 2.151 e+3 0.5ml/min --- 2.112 e+3 1.0ml/min --- 2.188 e+3

MALS detector: HELEOS Ⅱ 18角 from Wyatt DRI detector: Optilab rEX from Wyatt

实验地点：北京理化分析中心

附7：超高分子量的检测

7-1：大庆石油勘探研究院提供样品（右图）

7-2．江南大学食品工程学院淀粉多糖样品 江南大学食品工程学院淀粉多糖样品

附8 Rg 的测定准确性的测定准确性比较准确性比较 （实际测定值与理论值对比 30万PS ）

DAWN 8 Zimm Plot for 300 kD PS in DAWN EOS Zimm Plot for 300 kD PS in

Toluene r g = 21.8 ± 0.3 nm

Toluene r g = 21.7 ± 0.2 nm

MM (g/mol) rg (nm) Theory 300,000

21.8 – 22.0

附9 Mw 、rg 作图，表征高分子在溶液中的构象

样品A 的 RMS 半径对摩尔质量图。斜率为0.34 ± 0.00,。表明这个分子是具有紧密结构的分枝聚合物

样品E 的 其U 型曲线表明为典型的高支化度结构 样品C 斜率为0.54 ± 0.01。表明这个分子是具有无规则线团线性聚合物

附10 荧光过滤功能 木质素分析为例

图２ 这是用干涉过滤器和不用两种情况的分子量分布图，两条曲线有很大区别。

图１ 用干涉过滤器把光散射中的荧光过滤掉，可以看出以上两图用干涉过滤器和不用的区别。

相关文献→

附11 在线测定 A2、Kd 的测定 ?

Online A2: a proprietary technique for determining M w , r g and virial coefficients from a series of flowing peaks. – Measures MALS and concentration

– Requires 3-10x less sample than plateau method.

– Automated with standard HPLC pump and autosampler; or Calypso – In-line buffer exchange: desalting column or SEC column

Lysozyme 0.1 M NaCl

附12 共聚物结构分析功能

附13 DN/DC检测器 单机测定Dn/Dc

单机测定DN/DC, 保证了分子量检测数据的可靠性

The Optilab rEX measures Dn for each concentration, and the ASTRA software calculates the best fit to the Dn vs. concentration data.

The slope of Dn vs. c equals dn/dc.

附14 Wyatt OPTILABrEX 高灵敏度

信噪比对照

聚集态样品的检测：Wyatt高灵敏度的激光光散射和RI 的检测性能

附15 粘度检测器

设计原理：

相关文献

美国怀雅特技术公司北京代表处

北京西直门北大街58号金晖嘉园7-2302 邮编100082

电话：010-82292806 /82290337 传真：010-82290337

Email:info@wyatt.com.cn

21

范文四：多角度激光光散射联用仪

尺寸排阻色谱-多角度激光光散射联用仪（SEC-MALLS ）

基本操作步骤

一、尺寸排阻色谱（Agilient1100高压液相色谱，示差检测器RID ）

1、打开计算机, 进入 Windows NT （或 Windows 2000）画面, 并运行 Bootp Server 程序。

2、打开 1100 LC 各模块电源。

3、待各模块自检完成后，双击 Instrument 1 Online 图标，化学工作站自动与 1100LC 通讯，进入的工作站画面。添加进样、高压泵、色谱柱、示差检测器各模块。

4、从“View ”菜单中选择“Method and Run control ”画面, 调用已建立的方法“YJK ”（多糖体系），或从“Method ”菜单中选择“Edit entire method” 项新建方法。

5、把流动相（如0.1M 氯化钠）放入溶剂瓶中。设置泵的流速0.5 mL/min，“Solvent B”处为100，其他均为0。

6、排完气后扭紧排气阀。以0.2 mL/min的流速装预柱和色谱柱（Shodex 系列，根据分子量不同选择合适的柱子803、805、806）。

7、以0.1 mL/min递增的趋势增加泵的流速到0.5 mL/min，单击示差检测器图标，进入Control 选项，打开purge 阀，平衡示差检测器600-800 min。

8、选择单进样方式进样，进样体积100 μL，进样位置为2号。从“Run control ”菜单中选择“Sample info ”选项，输入操作者名称，在“Data file ”中选择“Manual ” 或“Prefix ”。

两者区别：Manual--每次做样之前必须给出新名字, 否则仪器会将上次的数据覆盖。Prefix —在 Prefix 框中输入前缀，在 Counter 框中输入计数器的起始位，仪器会自动命名，如 vwd0001，vwd0002??。

二、多角度激光光散射（DAWN HELEOS II，ASTRA V软件）

9、待示差检测器平衡好后，打开DAWN HELEOS II多角度激光光散射检测器，打开软件ASTRA V。

10、先在System 的ISI 和Istrument 中确认仪器已经计算机连接上。

11、具体试验步骤File-------New------Experiment from Template--------System Template 。

12、System Template ，根据不同的试验进入不同的Template ，如进入Laser Scattering-------Online (RI Consentration)。点开所有前面带“+”的选项，由上到下注意设置。右键单击DWAN HELEOS II-------Replace Configuration-------双击example configuration------双击Light scattering-------双击HELEOS II--------With Generic RI-------LS+RI ONLINE。

13、将Configuration 、Procedures 和Report 中前面带“+”的全部点开。Generic pump 中将Flow rate 根据前面设置的情况输入正确的数据；Solvent 根据实际流动相选择。点Name 中最右边的按键，出现对话框，在System Solvent中选择合适的流动相，双击调入即可。如没有给出这一溶剂，在Name 中直接输入溶剂即可，Refractive Index Model中将Polynomial 改为Fixed ，Model Parameters 1中输入此种溶剂的折射率。

14、Injector 中将Injector V olume 设为正确的数值。Sample 中将Name 输入样品名，dn/dc输入合适的数值，如0.1M 氯化钠的dn/dc为0.125 mL/mg。HELEOS II 的主要是Physical Instrument和仪器常数：Physical Instrument的后面的按键点开，单击合适的仪器，Select 。

15、在Calibration Constant 中输入测好的仪器校正常数（3.2041×10-5 1/V.cm ），RI 的校正常数4.9732×10-4（氯化钠中测得常数），Rayleigh Ratio 为

3.6443×10-6

（11-15步骤中或者左键单击左侧Experiment ，单击Open ，调用多糖测定模板“yjk-standard ”，修改个别参数后，另存为即可！！）

16、根据所选择的色谱柱设置Procedures 中Basic Collection 中的Duration 设采集时间（如Shodex SB-806色谱柱，Duration 为60 min），点击下面的Apply 。

17、Run ，等待采集样品。

18、从Aglient 液相色谱操作界面 Method 菜单中选择“Run method”，进样。

19、设定的采集时间到后，软件自动停止采集或按STOP 停止，然后保存数据。在Aglient 液相色谱操作界面中点STOP 。进入下一个样品的采集。

20、进样完毕后，按0.1 mL/min递减趋势调节泵的流速为0，换上0.2%的叠氮钠溶剂，以0.2 mL/min的流速运行3 h，拆掉色谱柱后，换上异丙醇作为流动相，以0.2 mL/min的流速运行3 h。完毕后，关闭多角度激光光散射检测器，关闭液相色谱各模块电源，关闭电脑。

三、数据处理与分析

21、再按RUN ，软件会出现对话框，大意为需要设定有关基线的参数。然后在LS 的11角的信号上设定基线，然后在下面的数据表的最后的Auto Baseline后点击Auto Baseline ，然后在图上检查各个角度和RI 的基线设的是否合适，对不合适的进行修改。然后点OK 。

22、在左侧Procedures 一栏的Peaks 选项中，进行设定有关峰的参数。在峰的起始位置一点，然后拖到峰的结束位置，这样峰就定好了。

23、Normalize 在Experiment-------Configuration 中Normalize 。在Peak number中输入做归一化的样品的合适的峰的峰号，然后在Action 中点击Normalize 。

注意：Normalize 归一化的校正一般使用分子量小于5万的样品来校正，此样品可以与要测的样品不是同一种类的物质，但必须要能溶于同一流动相中。THE 、Toluene 等有机体系一般用PS 标样，水相一般用BSA 、Dextran 、PEO 等水溶性标样。

24、Alignment 在Experiment-------Configuration 中的Alignment ，按住Ctrl 键用鼠标较所要Alignment 的峰框起、放大，可以看出RI 的信号在LS 信号的后面。用鼠标点中RI 峰的峰尖处，将其拖到LS 峰的峰尖处。点击Take Delay From Graph 中的Perform 在Delay 中就自动给出了延迟时间，并且峰尖也重合了。（或者直接修改下面表格中的Delay (min)的数值，修改到两峰重合为止。）

25、在Report 中看结果，然后在File 中Save as Template ，把其存为一个Template 。

四、注意事项

1、进行SEC-MALLS 之前，一定要保证所测试样品有足够的纯度（>90%），以免影响测试结果。（请特别注意）

1、仔细阅读仪器说明书或操作手册及其他随机文件，以期对仪器的性能、操作程序、维护保养等有充分的了解。

2、使用的纯水为屈臣氏蒸馏水（大润发、大统华均有售），配置好的流动相试剂必须要过滤膜（0.22μm ）过滤，避免杂质进入色谱柱和分析仪器内。尽量使用新配置的流动相，尤其是水作为流动相时。（请特别注意）

3、在改变实验条件时，一定注意流动相之间的互溶性。（请特别注意）

4、测试完毕，必须对仪器进行充分清洗，特别是盐水作为流动相时。（请特别注意）

5、开机后，不论是单机实验还是联机实验，都要对仪器进行充分清洗平衡，建议平衡过夜。

五、清洁卫生

实验完毕后，打扫仪器室桌面与地面清洁，保持桌面整洁。 记录当天的仪器使用情况于指定记录本上，包括仪器使用起止时间与出现问题的解决方案，并签上操作者的名字。

范文五：多角度激光散射仪的原理及应用

科技创新与应用

2013年第13期

科技创新

简析多角度激光散射仪的原理及应用

耿艳

（内蒙古红峡化工厂，内蒙古呼和浩特010000）

摘

要：激光光散射仪是当前的Wyatt 仪器安装及使用中除示差检测器等工具之外的关键部分，可用于多分散系数、高分子量、

聚合物分子量等的测定与分析工作。当前的激光光散射仪有多种规格型号区分，其中的八角度散射仪在高分子化合物及相关材

料研究工作中应用十分广泛，文章就八角度激光光散射仪本身特点及实际应用进行了介绍。关键词：激光光散射仪；八角度；特点；应用八角度激光光散射仪是常见的激光光散射仪，常与粘度检测

第器、紫外检测器以及示差检测器等设备联合应用于多分散系数、

二维利系数、分子量分布等的检测分析工作，是现代化的光散射技术在高分子材料分析研究中的开发与利用的重要成果。近年来，随着高分子物质研究与检测工作的发展与光散射技术本身的细化与革新，八角度散射仪等激光光散射研究设备得到了很大的发展。

1激光光散射仪应用特点

激光光散射仪等设备的开发应用及高分子溶液研究检测工作均得到了很好的发展，但上述技术及应用在我国尚未得到广泛应用

简要介绍激光光散及推广。此处主要以八角度激光光散射仪为例，

射仪的基本特点及原理。

1.1静态光散射检测特点在静态光散射研究之中，高分子溶液中的所有聚合物分子均被视为同性粒子，当利用散射设备对溶液进行适当频率的照射处理时，溶液粒子就会将照射的光波进行二次反射而产生照射时同等频率的球面散射光现象，此种照射与散射的作用一般不存在能量变化，而存在一定的弹性特点，因而称作静态光散射作用。

此种状态的研究常常将检测体系的角度依赖特点与散射性能表示为瑞利比：

2

R （α）=I s r

0s

上述原理定义中的R （α）就是在散射角为α时的瑞利比计算结果，而I s 为散射光强度，r 为光能量发生散射的半径，V s 为检验中的散射体积，I o 为适当频率照射之时的光强度值。只要所有的八角度

I o 、I s 、V s 的大小就固定不变，散射仪规格相同，那么瑞利比之中的r 、

则相应的瑞利比也是固定不变的。若检测溶液的瑞利比已知，使用同等规格的散射设备对溶液进行90°的照射研究之时，照射角度及反射方面均无误之后，尝试不同角度散射试验，检测不同角度的粒子散射强度结果，最终得出溶液瑞利比值，溶液粒子直径为R ，且2R λ/20之时，散射测出光强度为：

2

H =11+16π+R2sin a ……）+2A2c g R(α) M 3λ22

上式中出现的R g 是溶液聚合物均方根旋转半径，从式中可以看出，大分子聚合物的散射角、自身浓度及分子半径的因素均直接与散射强度相关。

1.2动态光散射检测研究特点当散射粒子存在运动现象之时，照射检验可见不同程度的多普勒频率位移现象，一般情况下的位移保持在1~106Hz，变化范围相对较小，此种散射情况称为动态光散射，此种情况下多以入射光频

洛伦兹情况表示检测中的频率增宽：率ω0、S （ω）＝22d 2

0上式中，d 表示检测物的频率普函数半高半宽（即线宽），体现频率谱衰减速率及内部结构；S （ω）则为检测频率谱的密度大小。

2激光光散射仪测定操作

八角度激光散射仪是国内市场上较为常见的多角度激光光散射仪设备的一种，此种散射仪设备又相对固定的检测器设备及样品池，其中的检测器主要是各种光电二极管以不同的位置固定处理而成，其中包含了常见的半导体激光器，以相对适宜的功率及波长的

激光器作为激光检验

的光源，激光器可与设备中的动态光散射仪连接进行聚合物及其

静态的他物质的动态、

光散射情况，根据实际研究及检测物质特点、检测目标选择单独应

八角度用操作。另外，

激光光散射仪可与凝胶渗透色谱系统、折光

图1八角度激光光散射仪的应用流程仪等设备共同使用，检

验得出物质分布情况、内部结构及分子量信息，并可通过联合多种

支化比等等。一般八角度设备共同检测分析得出物质的形状特点、

激光光散射仪的应用流程见图1。

在单独检测物质分子量之时，通常首先采用适宜的溶剂将样品

每份溶液之间的浓度有一定溶液混合后划分为5~8份的溶液样本，

的梯度。用散射仪直接测定溶液分子量之时，一次性地从溶液不同角度测得相应的散射光强度结果。在计息溶液的检验分析中，可利用Debye 图像辅助分析特定浓度下的各角度检测结果，最终更加确切地得到样品溶液的分子量及其他特性结果。

一些情况需要八角度激光光散射仪辅助多种设备共同完成样品分子量的测定及分析工作。多数情况下，采用凝胶渗透色谱仪等

多种设备设备联合八角度激光光散射仪共同完成测定及分析工作。

共同测定得出的色谱图中可以观察出色谱峰，并进一步得出样品溶液的光信号强度情况及浓度、分子量等结果。另外，在辅助检测得出的三维谱图之中，可见高分子聚合物测定的散射信号强度与测定角度的高低成反比，而低分子聚合物不同角度的散射信号强度相对稳定不变。可见，当进行高分子聚合物光散射强度测定分析之时，散射光强度与实际的检测角度直接相关。

激光光散射仪与示差检测器联用：激光光散射仪联合示差检测器共同使用时，常加用相应的数据处理软件。准备好特定的色谱条件的同时，配置好浓度适宜的样品溶液，使用激光光散射仪从多个角度获取信号信息，并将各角度检测结果通过数据处理软件分析处理，得出相应的重均分子量、数均分子量。将测定的重均分子量及数均分子量及流出体积图绘出，进一步分析累计重量分数对分子量情况，得出分子量百分含量，此种检测方式简单易行、准确度高。

3结束语

八角度的激光散射仪在多角度激光散射测定技术中有重要地位与显著的应用效果。利用此种设备能够相对准确、便捷地得出样品物质的分散系数、第二维利系数、分子量分布等结果，并能有效应对批量计数、分析需要，以后很长一段时期内必定会得到更为广泛的应用与推广。

参考文献

[1]丁厚强, 王海英, 郭学平等. 多角度激光光散射仪与尺寸排阻色谱法联用测定透明质酸相对分子质量及其分布[J].食品与药品,2009,11(2):24-26.

[2]黄志萍. 激光光散射仪及应用[J].现代仪器,2009,12(6):49-53,44.[3]丁厚强, 王海英, 郭学平等. 多角度激光光散射仪与体积排阻色谱联用(MALLS-SEC)测定透明质酸分子量及其分布[C].//中国药学会2008年全国多糖类药物研究与应用研讨会论文集.2008:204-207.[4]谭利敏, 黄志萍. 激光光散射法测定三元乙丙橡胶相对分子质量及其分布[J].橡胶工业,2012,59(10):631-634.

[5]赵明媛, 徐学林, 任玲玲等. 凝胶渗透色谱-激光光散射法测量葡聚糖重均分子量的影响条件[C].//2010年北京标准物质国际研讨会论文集.2010:184-187.

-52-

转载请注明出处范文大全网 » 多角度偏振光散射技术