范文一:可见光的光谱及各种光的波长
各种光的波长
各种光的波长
可见光的光谱
c在这里是光速,x、y和z是空间的坐标,t是时间的坐标,u(x,y,z)是描写光的函数,下标表示取偏导数。在空间固定的一点(x、y、z固定),u就成为时间的一个函数了。通过傅里叶变换我们可以获得每个波长的振幅。由此我们可以得到这个光在每个波长的强度。这样一来我们就可以从波动方程获得一个光谱。
但实际上要描写一组光谱到底会产生什么颜色,我们还的理解视网膜的生理功能才行。
亚里士多德就已经讨论过光和颜色之间的关系,但真正阐明两者关系的是艾萨克·牛顿。约翰·沃尔夫冈·歌德也曾经研究过颜色的成因。托马斯·杨1801年第一次提出三元色的理论,后来赫尔曼·冯·亥姆霍兹将它完善了。1960年代人们发现了人眼内部感受颜色的色素,从而确定了这个理论的正确性。
人眼中的锥状细胞和棒状细胞都能感受颜色,一般人眼中有三种不同的锥状细胞:第一种主要感受红色,它的最敏感点在565纳米左右;第二种主要感受绿色,它的最敏感点在535纳米左右;第三种主要感受蓝色,其最敏感点在445纳米左右。杆状细胞只有一种,它的最敏感的颜色波长在蓝色和绿色之间。
每种锥状细胞的敏感曲线大致是钟形的。因此进入眼睛的光一般相应这三种锥状细胞和杆状细胞被分为4个不同强度的信号。
因为每种细胞也对其他的波长有反映,因此并非所有的光谱都能被区分。比如绿光不仅可以被绿锥状细胞接受,其他锥状细胞也可以产生一定强度的信号,所有这些信号的组合就是人眼能够区分的颜色的总和。
如我们的眼睛长时间看一种颜色的话,我们把目光转开就会在别的地方看到这种颜色的补色。这被称作颜色的互补原理,简单说来,当某个细胞受到某种颜色的光刺激时,它同时会释放出两种信号:刺激黄色,并同时拟制黄色的补色紫色。
事实上,某个场景的光在视网膜上细胞产生的信号并不是完全被百分之百等于人对这个场景的感受。人的大脑会对这些信号处理,并分析比较周围的信号。例如,一张用绿色滤镜拍的白宫照片——白宫的形象事实上是绿色的。但是因为人大脑对白宫的固有印象,加上周围环境的的绿色色调,人脑的会把绿色的障碍剔除——很多时候依然把白宫感受成白色。这被称作现象在英文中被称作“Retinex”——合成了视网膜(retina)和大脑皮层(cortex)两个单词。梵高就曾使用过这个现象作画。
人眼一共约能区分一千万种颜色,不过这只是一个估计,因为每个人眼的构造不同,每个人看到的颜色也少许不同,因此对颜色的区分是相当主观的。假如一个人的一种或多种锥状细胞不能正常对入射的光反映,那么这个人能够区别的颜色就比较少,这样的人被称为色弱。有 时这也被称为色盲,但实际上这个称呼并不正确,因为真正只能区分黑白的人是非常少的。
杆状细胞。杆状细胞虽然一般被认为只能分辨黑白,但它们对不同的颜色的灵敏度是略微不同的,因此当光暗下来的时候,杆状细胞的感光特性就越来越重要了,它可以改变我们对颜色的感觉。
进化论的角度来论证人对基本颜色的感受应该是一致的。
鸟,有些动物感受颜色的细胞的种类比人少,比如大多数其它哺乳动物。有些动物可以感受到人看不见的颜色,比如蜜蜂可以感受紫外线。
集合被称为色彩空间。在这里我们仅仅描写人的色彩模型。
人的色彩空间
假如我们用欧氏空间中的x、y和z轴相应表示人的三种锥状细胞最敏感的波长的强度的话,那么我们就可以获得一个三维的色彩空间。这个空间的原点代表的是黑色。离原点越远,光的强度就越强。白色在这个空间中没有固定的点,按照色温以及周围光的不同我们可能将这个图中不同的点看做白色。人可以感受到的颜色在这个图中是一个底部是马踢形的锥体。理论上来说这个锥体没有止点,但过于强烈的光会损坏人的眼睛。在光的强度低的情况下,人对颜色的感受会发生变化,但总的来说,人对右图中黑线所描绘的部分是敏感的。
精确地说,在这个图中不存在棕色或灰色这样的颜色,这些颜色实际上是比周围颜色暗的橙色和白色。这一点我们很容易证明:我们在看一个投到一块白布的投影机的图象时我们会看到白布上投的黑字,但实际上这些黑字的颜色与白布本来还没有被投影时的颜色是一样的。投影后这些黑字周围的白布被照亮了,因此我们感觉到它们比较黑了。
从右面的图中我们还可以看到,人无法看到纯的红色、绿色或蓝色,这是因为我们的锥状细胞对其他颜色也起反应。在我们看纯蓝色时,我们的红色和绿色的锥状细胞也产生信号,就好象在蓝色中还夹杂着红色和绿色一样。啊
CIE 1931 chromaticity diagram
不同的光谱可以在人眼中产生同样的颜色感,比如日光灯的白光是由几个相当窄的光谱线构成的,而太阳光则是由连续的光谱构成的。就其光而言,人眼无法区分两者。只有当它们反射在不同颜色的物体上时,我们才看得出来一个是日光灯的光,一个是太阳光。
在大多数情况下人能看得出的颜色可以由元色搭配而成。照片、印刷、电视等就使用这种方式来体现颜色的。
尽管如此搭配出来的颜色往往与纯的单色不完全相同,尤其在可见光谱的中部搭配的颜色只能非常地接近单色光,但无法完全达到它的效果。比如绿光(530纳米)和蓝光(460纳米)搭配在一起可以产生青光。但这个青光总使人有不十分纯的感觉。这是因为人的红色锥状细胞同时也可以感受到绿色和蓝色,它们对搭配的颜色的反映比对纯的青色(485纳米)的反映要强一些,因此我们会感到搭配的颜色有点“红”,有点不纯。
此外一般在技术上使用的元色本身也都不纯,因此一般来说它们无法完全地表现纯的单色光。不过自然界中很少有真正的纯的单色光,因此一般来说由元色组成的颜色可以很好地反映原来的颜色。一个技术系统能够产生的颜色的总和被称为色域。
在通过照相机或扫描仪录取颜色的时候也会产生误差。一般这些仪器中的感光元件的感光特性与人眼的感光特性相差甚远。因此在特别的光照下这些仪器所产生的颜色可能会与人眼所感受到的相差很大。
与人眼的颜色感受不同的动物(比如鸟可以感受四种不同的颜色)可以区分对人来说相同的颜色,因此对它们来说适合人看的图象有时会非常不可理解。
RGB色彩立方体
发光的媒体(比如电视机)使用红、绿和蓝加色的三元色,每种光尽可能只刺激针对它们的锥状细胞而不刺激其它的锥状细胞。这个系统的色域占人可以感受到的色彩空间的大部分,因此电视机和计算机荧光屏使用这个系统。
理论上我们也可以使用其他颜色作为元色,但使用红、绿和蓝我们可以最大地达到人的色彩空间。遗憾的是对于红、绿和蓝色没有固定的波长的定义,因此不同的技术仪器可能使用不同的波长从而在荧光屏上产生稍微不同的颜色。
CMYK色彩立方体
将青色、洋红色和黄色透明的色素涂在白色的底上我们可以获得更大的色域。这三种颜色是减色的三元色。有时我们还加入黑色来产生比较暗的颜色。
衍射,一定颜色的光会被向一定的角度反射。这个物体的表面就会产生特别的彩虹般的闪光。孔雀的羽毛、许多蝴蝶的翅膀、贝母等就会产生这样的结构颜色。最近一些汽车制造商也使用特别的漆来达到这样的荧光效果。
法国的红白蓝。不同的文化在这里可能有很大的差异,比如中国传统白色是丧色,而在西方国家白色往往代表纯洁
范文二:可见光的光谱及各种光的波长
各种光的波长 各种光的波长可见光的光谱颜色 波长 频率红色 约 625—740 纳米 约 480—405 兆赫橙色 约 590—625 纳米 约 510—480 兆赫黄色 约 565—570 纳米 约 530—510 兆赫绿色 约 500—565 纳米 约 600—530 兆赫青色 约 485—500 纳米 约 620—600 兆赫蓝色 约 440—485 纳米 约 680—620 兆赫紫色 约 380—440 纳米 约 790—680 兆赫电磁波的波长和强度可以有很大的区别,在人可以感受的波长范围内(约 380 纳米至 740纳米),它被称为可见光,有时也被简称为光。假如我们将一个光源各个波长的强度列在一起,我们就可以获得这个光源的光谱。一个物体的光谱决定这个物体的光学特性,包括它的颜色。不同的光谱可以被人接收为同一个颜色。虽然我们可以将一个颜色定义为所有这些光谱的总和,但是不同的动物所看到的颜色是不同的,不同的人所感受到的颜色也是不同的,因此这个定义是相当主观的。一个弥散地反射所有波长的光的表面是白色的,而一个吸收所有波长的光的表面是黑色的。一个虹所表现的每个颜色只包含一个波长的光。我们称这样的颜色为单色的。虹的光谱实际上是连续的,但一般人们将它分为七种颜色:红、橙、黄、绿、青、蓝、紫,但每个人的分法总是稍稍不同的。单色光的强度也会影响人对一个波长的光的颜色的感受,比如暗的橙黄被感受为褐色,而暗的黄绿被感受为橄榄绿,等等。显示器无法产生单色的橙色)。出于眼睛的生理原理,我们无法区分这两种光的颜色。也有许多颜色是不可能是单色的,因为没有这样的单色的颜色。黑色、灰色和白色比如就是这样的颜色,粉红色或绛紫色也是这样的颜色。波动方程是用来描写光的方程,因此通过解波动方程我们应该可以得到颜色的信息。在真空中光的波动方程如下:utt c2uxx uyy uzzc 在这里是光速,x、y 和 z 是空间的坐标,t 是时间的坐标,uxyz是描写光的函数,下标表示取偏导数。在空间固定的一点(x、y、z 固定),u 就成为时间的一个函数了。通过傅里叶变换我们可以获得每个波长的振幅。由此我们可以得到这个光在每个波长的强度。这样一来我们就可以从波动方程获得一个光谱。但实际上要描写一组光谱到底会产生什么颜色,我们还的理解视网膜的生理功能才行。亚里士多德就已经讨论过光和颜色之间的关系,但真正阐明两者关系的是艾萨克牛顿。约翰沃尔夫冈歌德也曾经研究过颜色的成因。托马斯杨 1801 年第一次提出三元色的理论,后来赫尔曼冯亥姆霍兹将它完善了。1960 年代人们发现了人眼内部感受颜色的色素,从而确定了这个理论的正确性。人眼中的锥状细胞和棒状细胞都能感受颜色, 一般人眼中有三种不同的锥状细胞:第一种主要感受红色,它的最敏感点在 565 纳米左右;第二种主要感受绿色,它的最敏感点在 535纳米左右;第三种主要感受蓝色,其最敏感点在 445 纳米左右。杆状细胞只有一种,它的最敏感的颜色波长在蓝色和绿色之间。每种锥状细胞的敏感曲线大致是钟形的。因此进入眼睛的光一般相应这三种锥状细胞和杆状细胞被分为 4 个不同强度的信号。因为每种细胞也对其他的波长有反映,因此并非所有的光谱都能被区分。比如绿光不仅可以被绿锥状细胞接受,其他锥状细胞也可以产生一定强度的信号,所有这些信号的组合就是人眼能够区分的颜色的总和。如我们的眼睛长时间看一种颜色的话,我们把目光转开就会在别的地方看到这种颜色的补色。这被称作颜色的互补原理,简单说来,当某个细胞受到某种颜色的光刺激时,它同时会释放出两种信号:刺激黄色,并同时拟制黄色的补色紫色。事实上,某个场景的光在视网膜上细胞产生的信号并不是完全被百分之百等于人对这个场景的感受。人的大脑会对这些信号处理,并分析比较周围的信号。例如,一
张用绿色滤镜拍的白宫照片——白宫的形象事实上是绿色的。但是因为人大脑对白宫的固有印象,加上周围环境的的绿色色调,人脑的会把绿色的障碍剔除——很多时候依然把白宫感受成白色。这被称作现象在英文中被称作“Retinex”——合成了视网膜(retina)和大脑皮层(cortex)两个单词。梵高就曾使用过这个现象作画。人眼一共约能区分一千万种颜色,不过这只是一个估计,因为每个人眼的构造不同,每个人看到的颜色也少许不同,因此对颜色的区分是相当主观的。假如一个人的一种或多种锥状细胞不能正常对入射的光反映,那么这个人能够区别的颜色就比较少,这样的人被称为色弱。有 时这也被称为色盲,但实际上这个称呼并不正确,因为真正只能区分黑白的人是非常少的。杆状细胞。杆状细胞虽然一般被认为只能分辨黑白,但它们对不同的颜色的灵敏度是略微不同的,因此当光暗下来的时候,杆状细胞的感光特性就越来越重要了,它可以改变我们对颜色的感觉。进化论的角度来论证人对基本颜色的感受应该是一致的。鸟,有些动物感受颜色的细胞的种类比人少,比如大多数其它哺乳动物。有些动物可以感受到人看不见的颜色,比如蜜蜂可以感受紫外线。集合被称为色彩空间。在这里我们仅仅描写人的色彩模型。人的色彩空间 y假如我们用欧氏空间中的 x、 和 z 轴相应表示人的三种锥状细胞最敏感的波长的强度的话,那么我们就可以获得一个三维的色彩空间。这个空间的原点代表的是黑色。离原点越远,光的强度就越强。白色在这个空间中没有固定的点, 按照色温以及周围光的不同我们可能将这个图中不同的点看做白色。人可以感受到的颜色在这个图中是一个底部是马踢形的锥体。 理论上来说这个锥体没有止点,但过于强烈的光会损坏人的眼睛。在光的强度低的情况下,人对颜色的感受会发生变化,但总的来说,人对右图中黑线所描绘的部分是敏感的。精确地说,在这个图中不存在棕色或灰色这样的颜色,这些颜色实际上是比周围颜色暗的橙色和白色。这一点我们很容易证明:我们在看一个投到一块白布的投影机的图象时我们会看到白布上投的黑字,但实际上这些黑字的颜色与白布本来还没有被投影时的颜色是一样的。投影后这些黑字周围的白布被照亮了,因此我们感觉到它们比较黑了。从右面的图中我们还可以看到,人无法看到纯的红色、绿色或蓝色,这是因为我们的锥状细胞对其他颜色也起反应。在我们看纯蓝色时,我们的红色和绿色的锥状细胞也产生信号,就好象在蓝色中还夹杂着红色和绿色一样。啊CIE 1931 chromaticity diagram不同的光谱可以在人眼中产生同样的颜色感,比如日光灯的白光是由几个相当窄的光谱线构成的,而太阳光则是由连续的光谱构成的。就其光而言,人眼无法区分两者。只有当它们反射在不同颜色的物体上时,我们才看得出来一个是日光灯的光,一个是太阳光。在大多数情况下人能看得出的颜色可以由元色搭配而成。照片、印刷、电视等就使用这种方式来体现颜色的。尽管如此搭配出来的颜色往往与纯的单色不完全相同, 尤其在可见光谱的中部搭配的颜色只能非常地接近单色光,但无法完全达到它的效果。比如绿光(530 纳米)和蓝光(460 纳米)搭配在一起可以产生青光。但这个青光总使人有不十分纯的感觉。 这是因为人的红色锥状细胞同时也可以感受到绿色和蓝色,它们对搭配的颜色的反映比对纯的青色(485 纳米)的反映要强一些,因此我们会感到搭配的颜色有点“红”,有点不纯。此外一般在技术上使用的元色本身也都不纯,因此一般来说它们无法完全地表现纯的单色光。不过自然界中很少有真正的纯的单色光,因此一般来说由元色组成的颜色可以很好地反映原来的颜色。一个技术系统能够产生的颜色的总和被称为色域。在通过照相机或扫描仪录取
颜色的时候也会产生误差。一般这些仪器中的感光元件的感光特性与人眼的感光特性相差甚远。因此在特别的光照下这些仪器所产生的颜色可能会与人眼所感受到的相差很大。与人眼的颜色感受不同的动物(比如鸟可以感受四种不同的颜色)可以区分对人来说相同的颜色,因此对它们来说适合人看的图象有时会非常不可理解。RGB 色彩立方体发光的媒体(比如电视机)使用红、绿和蓝加色的三元色,每种光尽可能只刺激针对它们的锥状细胞而不刺激其它的锥状细胞。这个系统的色域占人可以感受到的色彩空间的大部分,因此电视机和计算机荧光屏使用这个系统。理论上我们也可以使用其他颜色作为元色,但使用红、绿和蓝我们可以最大地达到人的色彩空间。遗憾的是对于红、绿和蓝色没有固定的波长的定义,因此不同的技术仪器可能使用不同的波长从而在荧光屏上产生稍微不同的颜色。CMYK 色彩立方体将青色、洋红色和黄色透明的色素涂在白色的底上我们可以获得更大的色域。这三种颜色是减色的三元色。有时我们还加入黑色来产生比较暗的颜色。衍射,一定颜色的光会被向一定的角度反射。这个物体的表面就会产生特别的彩虹般的闪光。孔雀的羽毛、许多蝴蝶的翅膀、贝母等就会产生这样的结构颜色。最近一些汽车制造商也使用特别的漆来达到这样的荧光效果。法国的红白蓝。不同的文化在这里可能有很大的差异,比如中国传统白色是丧色,而在西方国家白色往往代表纯洁
范文三:小型棱镜摄谱仪拍摄氢原子光谱及其可见光谱波长的计算
小型棱镜摄谱仪拍摄氢原子光谱及其可见光谱波长的计算
化学与化工学院2006级 20061101025 高砚秀
一、实验目的
1.掌握小型棱镜摄谱仪的使用方法
2.利用小型棱镜摄谱仪拍摄氢原子光谱并分析其光谱特点
3.根据拍摄的铁及氢光谱计算出氢可见光谱(巴耳末线系)波长
二、实验原理
1.氢原子光谱
光谱线波长是由产生这种光谱的原子能级结构所决定的,每一种元素都有自己特定的光谱,即原子的标识光谱。J.J.Balmer(巴尔末,1825-1898)发现,在可见光区,氢原子谱线可以由下面公式确定:
111 ,(,)RH22,2n
R式中,n是大于2的整数,是实验常数,称为里德伯(Rydberg)常数。由上式确定的氢H
HHHHn谱线为巴尔末线系,当,3,4,5,6时,所得的谱线分别标记为、、、。 ,,,,
根据玻尔理论,当原子从高能级跃迁到低能级时,以光子的形式释放能量。氢原子n
4me,E能级上的能量为(n是正整数),所以光子的波数 n228,hn0
4111111me,,,,,(,),(,)EER nH0222222,hc8,hcnnnn000
nnnnn式中,=1,2,3??,= +1,+2,+3??。根据玻尔模型得到里德伯常数的0000
理论值为
4me R,H238,hc0
7,1代入各常数值计算,R,1.097 373 153 4×10m H
2.横偏向棱镜
三棱镜的光谱实验一般在最小偏向角附近进行。由于不同波长的光和不同材料棱镜折射的最小偏向角不同,测量时要先寻找各种波
长的光的最小偏向角,为此本实验所用的摄A’
谱仪中采用的是恒偏向角棱镜,其结构如图
示。A’BD’是三棱镜,光线以i角入射,
C’ 在三棱镜中作一正方形AC’EC,同时形成了A 一个包含在原三棱镜内的四边形AC’D’E。I’ 'H G i 0 i以AE为对称轴,得到与AC’D’E对称的四J’ F B D’ C E I i0 D
J
边形ACDE。ABCDE是一五边棱镜。入射光在AE面上发生全发射,这样原经HI’J’出射的光线现经HIJ出射,。当满足三棱镜的最小偏向角条件时,i,i,所以入射光和折i,i'000
射光偏转角度恒为90?。
3. 小型棱镜摄谱仪
本实验选用小型棱镜摄谱仪,小型棱镜摄谱仪的光路见下图:
SLS1L1 *L2
鼓轮 L2S2
F测微目镜
从照相底版上无法直接读出各谱线的波长,为了测量某谱线的波长,我们必须在待测谱线的上方或下方并排拍摄一已知波长的光谱,叫做比较光谱,如图所示,比较光谱一般为铁光谱,铁谱通过纯铁电极的电弧放电得到。
拍摄上、下两排比较光谱时,应该选择不同的曝光时间,以得到所有波段都较为清晰的谱线。 4. 哈特曼光栏
拍摄待测谱线与比较谱线时,要注意不要将照相底版盒移动。因为任何微小的移动都会引
,起两个光谱的相对移动,此时用内插法计算时便失去实际意义。为了保证不移动底版盒x
就可以并排拍摄两个或两个以上的光谱,在摄谱仪的平行光管的狭缝前面装有一个光栏,叫哈特曼光栏。如图所示,在哈特曼光栏上并排有三个小孔,保持底版盒的位置不动,移动哈特曼光栏让光分别通过不同高度的孔,就可以拍摄底片上不同高度的光谱。通常用中间孔用
来拍摄待
图4,4 摄谱仪狭缝前的哈特曼光栏
测光谱,而用上、下两孔拍摄比较光谱。
三、实验步骤
1.调整光路
摄谱仪的内部光路一般已按前面所述的方法调整好,因此只需调节外光路,即调节光源(铁电弧)与透镜L,使光均匀照亮入射狭缝。
2.拍摄氢光谱
将氢灯放于狭缝前,通过毛玻璃观察谱线,调整氢灯的位置,使观察屏上显示出四条谱
线,装好干板,拍摄氢光谱,曝光时间数十秒。
3.拍摄比较光谱
打开电弧,待其稳定后,打开狭缝前的光门,曝光1—2秒钟。
4.用“线性内插法”测量和计算氢光谱线的波长
a( 为每一条氢光谱线选定一组合适的比较光谱和两条合适的铁光谱线。
b( 把在照相底片上位于这些氢光谱线附近的铁光谱与实验室提供的铁光谱图做对比,
根据铁光谱线的相对强度和相对间距等特点,在铁光谱图上找出被选定的铁光谱线并读出其波长值。
HHHHxc( 对每根氢光谱线,用阿贝比长仪测出与的值,算出氢光谱、、、d,,,,的波长。
RR5.求里德堡常数的值,并与的公认值进行比较。 HH
四、数据处理
nn1.确定对应于每根氢光谱线的值和值: 0
11~,n,,首先算出每根氢光谱线的波数的值,然后根据公式,先假设的值,0,n,真空空气
1~~nn定出对应于各个的的可能值,做,~曲线,得到截距,由此确定的正确值和,02n
n各个的值。
2. 求里德堡常数的平均值。
ERnHTR,,,3. 用测得的值,计算各能级的光谱项。 Hn2hcn
nT4. 以水平线表示相应于这些光谱项的能级,在能级旁应标出它的值与值,再用箭头n
表示相应于巴尔末系的四条谱线的跃迁,并在箭头旁写出相应的波长。
范文四:光谱波长
荧光
异硫氰酸荧光素FITC 黄色或橙黄色粉末溶于水或乙醇,分子量389.4,吸收波长490-495nm,发射波长520-530nm,黄绿色荧光
四乙基罗丹明RB200 橘红色粉末,不溶于水,溶于乙醇、丙酮,吸收波长570nm,发射波长595-600 nm,橘红色荧光
四甲基异硫氰酸荧光素TRITC 吸收波长550 nm,发射波长620 nm,橙黄色荧光,荧光效率较低
藻红蛋白 R-RE 褐色粉末,不溶于水,溶于乙醇、丙酮,吸收波长565 nm,发射波长578 nm橙色荧光
4-甲基伞酮 激发波长360 nm,发射波长450 nm 是β-半乳糖苷酶(β-Gal)作用4-甲基伞酮基-R-D半乳糖苷(4-MUU)的产物,β-Gal主要用于均相酶免
镧系元素 激发波长300-350 nm,发射波长613±10 nm ,一般利用615±5 nm滤光片
铕Eu3+ 激发波长340 nm(300-350),发射波长613 nm(613±10)
荧光偏振 激发光,蓝光485 nm,发射波长525-550 nm的绿光(用在均相酶免)
对羟基苯丙酸HPA 经HRP作用后,激发波长317 nm,发射波长414 nm
酶免标记
辣根过氧化物酶HRP 由无色糖蛋白(主酶)和亚铁血红素(辅基)组成,辅基是酶的活性基团,吸收峰403 nm,而主酶与酶活性无关,吸收峰275 nm,HRP纯度用RZ表示,其RZ值要大于3.0。RZ值仅说明血红素基团在HRP中的含量,并非表示制剂真正的纯度,而且RZ值高不代表酶活性也高(酶也可能失活),RZ与酶活性无关
HRP底物
邻苯二胺OPD OPD在HRP作用下显橙黄色,加强酸终止反应后呈棕黄色,吸收峰492nm,性质不稳定,需临时配置。避光显色,致癌
四甲基联苯胺TMB TMB优于OPD,TMB经HRP作用显蓝色,加酸终止反应后显黄色,吸收峰450nm,稳定,无致癌,无须避光,目前应用最广,水溶性差 其他:5-氨基水杨酸(5-ASA),2,2-联氮-二胺盐(ABTS)
二氨基联苯胺DAB 呈棕色,主要用在斑点酶免吸附试验(敏感性比ELISA高6-8倍,试剂节约10倍)和免疫组化技术
免疫印迹法中3,3-二氨基联苯胺(棕色) 4-氯-1-萘酚(蓝紫色)
碱性磷酸酶AP底物
对-硝基苯磷酸酯 p-NPP p-NPP经AP作用后为显黄色的对硝基酚,吸收峰405nm
β-Gal的底物为4-甲基伞酮基-R-D半乳糖苷(4-MUU)
化学发光
一:直接化学发光剂,不需酶催化,直接参与发光反应
吖啶酯 在碱性条件下被H2O2 氧化,发出470nm光,发光体为N-甲基吖啶酮,吖啶酯可以直接标记半抗原和蛋白质,为瞬间发光,发光时间短
三联吡啶钌 电化学发光剂,和电子供体三丙胺(TPA),在阳极发生氧化反应,可重复发光,时间长,稳定
二:酶促反应发光剂(发光稳定,时间长)
HRP 底物为鲁米诺,异鲁米诺,及其衍生物
AP 底物为AMPPD
固相酶免
金溶胶 535nm
免疫组化技术
HRP底物
二氨基联苯胺DAB 呈棕色
AEC 氨基乙基卡巴唑 呈橘红色
4-氯-1-萘酚 灰蓝色
胶体金 颗粒在5-20nm 吸收波长520nm时呈葡萄酒红色
颗粒在20-40nm 吸收波长530nm时呈深红色
颗粒在60nm 吸收波长600nm时呈蓝紫色
主要用于细胞表面成分标记(扫描电镜),利用不同大小的胶体金可以进行双重或多重标记
胶体铁 普鲁士蓝反应,电镜定位研究
透射比浊 340nm
范文五:一种用于可见_近红外光谱特征波长选择的新方法
第 28 卷 第 11 期Vol . 28 , No . 11 光 学学报 N ove m be r , 2008 2008 年 11 月AC TA O P TI CA S IN I CA
() 文章编号 : 025322239 20081122153206
一种用于可见2近红外光谱特征波长选择的新方法
1 2 221陈孝敬吴虞佳佳何迪勇刘守 1 2 ( )厦门大学物理系 , 福建 厦门 361005 ; 浙江大学生物系统工程与食品科学学院 , 浙江 杭州 310029
( ) () 摘要 提出了一种基于模拟退火 SA算法和最小二乘法支持向量机 L S2SV M选择可见2近红外光谱特征波长的
( ) 新方法 SA2L S2SV M。该方法用 L S2SV M 作为识别器 ,用识别率作为 SA 的目标函数 ,提取合适的特征波长数以 及对应的特征波长 。3 种不同品牌的润滑油可 见2近红外光谱的特 征波长分别用 SA2L S2SV M , 主成分回 归分析 ( ) ( ) () PCA和偏最小二乘法 PL S进行处理 ,提取特征波长或主成分 ,然后结合反向传播人工神经网络 B P2A N N对各
种处理方法进行识别预测 。结果发现 , SA2L S2SV M 只需从 751 个数据光谱中提取 4 个特征波长 ,就可以使三种品牌润滑油的识别率达到了 100 % ,而其他所有的方法发现预测率都达不到 100 % ,由此验证了 SA2L S2SV M 的优越 性 。实验结果表明 , SA2L S2SV M 不仅能有效地减少建模的变量数 ,而且可以提高预测精度 。
关键词 可见2近红外光谱分析 ; 识别模型 ; 模拟退火算法 ; 最小二乘法支持向量机
d oi : 10 . 3788/ AOS20082811 . 2153 中图分类号 O433 文献标识码 A
A N e w C h oi c e M e t h o d of C h a r a c t e r i s t i c W a ve l e n g t h of V i s i bl e / N e a r
I n f r a r e d S p e c t r os c op y
12221Che n Xia oji n g Wu Di Yu J iajia He Yon g L i u S h ou
1 Dep a r t me n t of P h ys i cs , Xi a me n U n i ve r s i t y , Xi a m e n , F u j i a n 361005 , Ch i n a 2 Col lege of Bi os ys t e m s En gi n ee r i n g a n d Food Scie n ce , Zhej i a n g U n i ve r s i t y , Ha n gz ho u , Zhej i a n g 310029 , Ch i n a
( ) A bs t r a c t A ne w me t hod bas e d on si m ulat e d a n neali ng al gori t h m SAa nd le as t2s qua r es s upp or t ve c t or mac hi ne () () ( ) L S2SVMSA2L S2SVMwas p r op os e d t o s ele c t t he c ha r ac t e ris t ic wa vele ngt h f or visi ble2ne a r i nf r a r e d Vis / N I Rsp e c t r os cop y dis c ri mi na tion . I n or de r t o f i nd s ui t a ble numbe rs of c ha r ac t e ris t ic wa vele n gt h a nd cor r esp ondi ng c ha r ac t e ris tic wa vele n gt h , dis c ri mi na ti n g r a t e was us e d as obje c t f u nct ion f or SA , a nd L S2SVM was a dop t e d as dis c ri mi na tion model . The Vis / N I R sp e c t r os cop y c ha r act e ris tic wa vel e n gt hs of t h r e e ca t e gories of l ubrica nt w e r e
( ) ( ) p r ocess e d by SA2L S2SVM , p ri ncip al comp one nt a nal ysis PCAa nd p a r t ial le as t s qua r es PL Sr esp e cti vel y , a nd t he n
( ) p r e dict e d by bac k2p r op a ga tion a r tif icial ne ur al ne t w or k B P2ANN . The r es ul ts of e xp e ri me nt s how e d t ha t dis c ri mi na ti n g r a t e by usi n g combi na tion of SA2L S2SVM wi t h B P2ANN r e ac hes 100 % onl y usi n g 4 c ha r ac t e ris tic w a vele ngt hs f r om t ot al of 751 wa vele ngt hs , w hile dis c ri mi na ti n g r at e di d not r eac h 100 % by ot he r me t hods . The p r op os e d al gori t h m not onl y r e duce d t he n umbe r of sp e c t r al va riables , but als o i mp r ove d t he dis c ri mi na ti n g r a t e .
( ) Ke y w o r ds visi ble / ne a r i nf r a r e d sp ec t r os cop y ; dis c ri mi nati on model ; si m ula t e d a n ne ali n g al gori t hm SA ; le as t
()s qua r es2s upp or t ve c t or mac hi ne L S2SVM
( ) 基团 C - H ,N - H的特征振动信息 , 其光谱特性 1 引言
与有机物质的类型和含量密切相关 ,与传统的化学 可见2近红外光谱技术是近几年迅速发展起来
分析方法相比 ,近红外光谱分析技术具有速度快 、效 的分析技术 ,近红外光谱能够反映有机分子中含氢
收稿日期 : 2008202218 ; 收到修改稿日期 : 2008205214
() () 基金项目 : 国家自然科学基金项目 30671213和教育部高等学校优秀青年教师教学科研奖励计划 02411资助课题 。
() 作者简介 : 陈孝敬 1978 - ,男 ,博士研究生 , 主要从事光信息和信号处理等方面的研究 。E2mail : chenxj9 @163 . co m
() 导师简介 : 刘 守 1948 - ,男 ,教授 ,博士生导师 ,主要从事光信息与全息处理等方面的研究 。
E2mail : liusho u @xmu. edu. cn
率高 、成本低 、测试重现性好 、测量方便等特点 ,已经 2 处理方法和参数设臵 [ 1 ] 被越来越多地应用于食品工业 、制药工业等领域。 模拟退火算法2 . 1
国内外很多学者已经利用近红外光谱技术对物质品 SA 是 20 世纪 80 年代初发展起来的一种随机[ 2 ] [ 3 ] [ 4 ] 种和真 伪进 行 鉴别 如茶 叶、香 烟和 酸 奶等 。 组合优化方法 。该算法来源于固体退火原理 ,将固 虽然光谱技术用于品种识别上有很多的优点 ,但可 体加温至充分高 ,再让其徐徐冷却 ,在每个温度都达见2近红 外技 术 也有 其局 限 性 : 近红 外区 的谱 带 复 到平衡态 ,最后在常温时达到基态 ,内能减为最小 。 杂 、重叠多 、数据量大 ,这样难以用光谱仪所采集的 根据 Met ropoli s 准则 ,粒子在温度 T 时趋于平衡的 [ 5 ] 所有数据来建立预测模型。当前 ,对光谱数据进 Δ ) ( 概率为 e xp [ - E/ k T] , 其中 E 为温度 T 时的内 行建模提取光谱主要成分的方法 ,比较常用的的有 Δ 能 ,E 为其改变量 , k 为 Boltzma nn 常数 。用固体
( ) 主成分分析 Pri ncip al co mpo ne nt a nal ysi s , PCA和 退火模拟组合优化问题 ,先确定初始温度 ,随机选择 [ 6 ,7 ] ( ) 偏最小二乘法 Pa rtial lea st squa re s , PL S,然而 一个初始状态并考察该状态的目标函数值 ; 然后在 使用 PCA 和 PL S 对 光 谱 数 据 建 立 光 谱 预 测 模 型 当前解的领域中 ,以一定概率选择一个非局部最优 时 ,需要确定组成组分的特征波长谱区 ,减小建模和 解 ,并令这个解再重 复 下去 , 从 而不 会陷 入 局部 最 [ 5 ] 预测时间 ,这些都带有主观性。近几年 ,由于遗传 优 ,算法有一个控制参数 T 决定 , 经过大量解变换
( ) 算法 GA的普遍使用 ,也有一些研究者采用这种方 后 , 可求得给定控制参数 T 时优化问题的相对最优 [ 5 ,8,10 ] 法对特征波长进行了选择, 然而谱区的 选 择 解 。然后缓慢减小控制参数 T 的值 , 重复上诉迭代 依然带有主观性 ,而且遗传算法往往会早收敛的缺 过程 。当 T 逐渐减少并趋于 0 时 , 最终得到问题的 [ 11 ] [ 14 ] 陷 ,往往寻不到全局最优的点 ,算法就停止。 全局最优解。
相比传统的建模方法 , 如 PL S , 人工 神经 网 络 ( ) 2 . 2 最小二乘向量机 L S2S V M ( ) A N N等 , L S2SV M 是 一 种 新 型 的 非 线 性 建 模 方 L S2SV M 是 SV M 在二次损失函数下的一种改 法 ,它是建立在 V C 维理论和结构化风险最小原则 进形式 ,它把实际问题转化为求解一组线性方程组 基础上 ,具有学习速度快 ,泛化性好的特点 ,能够较 的问题 ,简化了计算 ,提高了收敛速度 。L S2SV M 可
N 好地解决小样本 、非线性 、高维数和局部极小点等问 K 以这样描述 :假定有这样的一组输入集{ x , y } , k k = 1 [ 12 ] d 题 ,已被广泛地运用于识别和分类等实际问题。 x ?R代表输入空间的数据 , y 代表输出空间的数 k k SA 是一种基于蒙特卡罗迭代求解法的一种启发式 据 。如果输入数据是非线性可分的情况下 , 可以用
d h 随机搜索算法 ,该算法有很强的全局优化搜索能力 , φ( ) 一个非线性变换〃: R ?R , 将输入的空间数据
[ 12 ] 不要求具备连续性 、可导性等假设 ,算法不仅能够接 映射高维的特征空间。最后在此空间构成最优 受优解 ,也能够接受劣解 ,这使得 SA 比 GA 较容易 线性决策函数 :[ 13 ] T跳出局部最优解 ,从而收敛到全局最优解。为了 ( ) φ( ) ( ) 1 y x= sgn [ w x+ b] ,
d 尽量防止过拟合现象 ,使得模型更具有稳健性和更 式中 w ? R为超平面权重向量 , b 为偏臵项 。 根
( ) 精确的识别率 , 本文提出一种新方 SA2L S2SV M , 据结构风险最小化原则 , L S2SV M 最优化模 该方法采用 L S2SV M 作为识别器 ,直接采用识别率 型可描述为
l 作为目标函数来寻找特征波数以及所对应的特征波 1 1 T 2 ξ( ξ)( ),mi n J w , 2 = w 〃w + c i 长 。为 了 验 证 算 法 的 正 确 性 和 优 越 性 , 分 别 用 ? 2 2i = 1 PCA 、PL S 以及 SA2L S2SV M 对三种不同品牌的润 约束条件为 T 滑油的可见近红外光谱数据进行处理 ,用处理完的 ( ) ξφ y = w 〃x + b +,( )i i i i = 1 , , l 3 数据建立模型 ,然后结合 B P2A N N 对其预测识别 , () 根据 3式 ,将模型转换到对偶空间加以解决 , 结果发现本文提出的算法的识别率达到 100 % , 而 引入 L a gra nge 函数 :
其他方法都未能达到这个识别率 。
l l 1 12TT ξξγ) ( ) ξ( φ( )L w , b ,, a ,= w 〃w + c i 4 - ai [ w 〃x i + b +i - y i ] ,?? 2 2 i = 1 i = 1
() 其中 ai ?R 是 L a gra nge 乘子 , T 表示转臵 ,对 4式各个变量求偏导 ,得到以下条件等式 :
2155 11 期陈孝敬等 : 一种用于可见2近红外光谱特征波长选择的新方法
l
( ) φx ,5L / 5 w = 0 ? w = ai i? i = 1
ξξ5L / 5= 0 ? a= c ,i = 1 , , l ii i ( )5 l
1 , i = 5L / 5 b = 0 ? a= 0 ,, l i ? i = 1
T ξ+ b +. ( )i i = 1 , φ, l 5L / 5 a = 0 ? y = w 〃x i i
() ξ从 5式中消去 w 和, 可得以下线性方程 : 温度 ,退火规律 , 算 法停 止 条件 以及 产生 新 点的 方
T 0 0 法 。本实验中 ,设臵最初的温度 T 为 100 , 退火系数 I b ()= , 6 k - 1 Ω γ为为 0 . 95 , 其中 k 为算法的迭代次数 , 用 t 分布产 a y I + I
式中 I 为单位矩阵 ;生一个扰动点 ,对应于固定搜寻特征波长个数算法
I = [ 1 , ,1 ] ; 的停止条件 :在迭代 50 次 ,目标函数值变化不超过
, y ] ;l y = [ y, 1 0. 0001 。算法的最终停止条件 :识别率达到 100 % ,或 ( )7 ( ) , a] ;者 N + 1 个特征波长数目的最优识别率 P N + 1小 l a = [ a1 , Ω Ω( ) 于 N 个波长数目的最优识别率 PN。 = {kjk , j = 1 , , l} .
() 而使 用 L S2SV M 过 程 , 需 要 解 决 以 下 两 个 问 利用最小二乘法从 6式解出 a 和 b ,可以得到
l 题 :选择合适的核函数和最优核参数 。现在比较常 T ( ) φ ( )φ( )( )y x= axx 8 kk + b , ? ( k = 1 用的几 个 核 函 数 有 : 径 向 基 核 函 数 Ra dial ba si s并且 , 定义核函数 ( ) K x , x :k j ) ( f unctio n , RB F 和 多 层 感 知 器 核 函 数 M ulti2la ye r Tφ( ) φ( ) )( = x x , k , j = 1 , ( )k j K x k , x j , l 9 ) p e rcep tio n ,ML P。在 本 实 验 中 , 选 择 的 核 函 数 为
最后 ,就可以得到 L S2SV M 的预测模型 : RB F 核函数 :l 2 ) σ ( ( )K x , x = e xp { - x - x /} , 11 k k ( ))( ) ( 10 y x= aK x , x + b. i i ? i = 1 选择合适的核函数参数可以提高模型的稳定性和预 2 . 3 基于 S A2L S2S V M 识别的特征波长寻优方法 ( ) 测率 。本 实 验采 用网 格 搜索 法 Gri d2Sea rc h 和 留 因为 SA 比 GA 更容易找出全局最优点 ,而 L S() 一交互验证 L eave O ut Cro ss2Vali datio n技术寻找 - SV M 支持向量机是一种新型的非线性建模方法 , γ) (最优参量 : 正则化参量 ga m 和 RB F 核函数参量 si 结合这两种算法的优点 ,提出新的一种寻找特征波 2 (σ) g 2 ,这两个参量在很大程度上决定了最小二 长的方法 ,该方法的主要实现步骤如下 : [ 15 ] 乘法支持向量机的学习能力和预测能力。其中 ) 1设臵初值 :设臵所要搜寻的特征波长个数值γ) (ga m 对保持 L S2SV M 全局执行能力有重要影响 , ( ) (N 一般最初设臵为 1, 以及识别率初值 P最初设 0 它 主 要 保 持 结 构 风 险 与 最 小 经 验 风 险 平 衡 ; 而 ) 臵为 0; 2 σ) (si g 2 主要控制 L S - SV M 模型的误差值 , 直接 ) 2SA 搜寻特征波长 ,利用 L S2SV M 对搜寻到 的特征波长所对应的光谱数据进行建模 ,并对此进
行交叉验证得出识别率 P;1
) 3对于 N 个数特征波长 , 如果算法满足当前 循环的停止条件 , 则 N = N + 1 , 并记下当前特征波
( ) 长数目下的最优识别率 P N 以及所对应的特征波
长 Sp ec ;
) ( ) 4如果识别率达到 100 % ,或者 P N + 1小于( ) P N , 则转到第 5 步 ,否则转到第 2 步 ;
) 5停 止 算 法 , 输 出 最 优 的 特 征 波 长 个 数 值
op ti mN u m 和对应的特征波长 op ti mSp ec 。 图 1 数据处理的流程图 2 . 4 算法的参数设置
Fig. 1 Flo w cha rt of dat a p roce ssing 在 SA 中有几个重要参数需要预先设臵 : 最初
[ 12 ] 影响最 初 输 入 特 征 值 数 目。在 本 实 验 中 , 设 臵 4 结果与讨论 - 1 10 2 γ) σ) (( ga m 的 范 围 为 2 - 2, 而 si g 2 设 臵 为 4 . 1 光谱处理与结果15 [ 16 ] 。SA 2 - 2和 L S2SV M 模 型 的 运 行 环 境 为 同时对 180 个样本进行 PCA 、PL S 预处理分析 ,( ) Mat la b 7 . 5 The Mat h Wo r k s ,Nati k ,U SA。 PCA 和 PL S 提取的前 20 个主成份的特征值分别用
2 . 5 数据处理 及累计可信度如表 1 所示 。从表中可以看出 ,用 PCA
本实验的数据处理流程如图 1 所示 。 和 PL S 方法得到前 15 个主成分的累计可信度分别为
98. 52 %和 98. 17 % ,而后 5 个的成分的累计可信度加
起来不超过 1 % ,因此可以认为前 15 个主成分可以表 3 实验部分
示原始可见2近红外光谱的主要信息 。 3 . 1 样品采集与仪器
表 1 PCA 和 PL S 提取的 20 个主成分的累计可信度 ( 实验选用长城 、华夏阳光和加德士 下文用种类Table 1 Fir st 20 p rincip al co mpo nent s and accumulative ) 1 、种类 2 和种类 3 表示三种品牌的润滑油 ,采集 180 relia bilities fo r PCA and PL S 个样本 。盛样容器采用直径为 75 mm ,高为 10 mm Princip al Relia blit y Principal Relia bilit y 的玻璃皿 ,样品的采集过程中玻璃皿内润滑油液面 ( )( )co mpo nent PCA co mpo nent PL S 高度保持一致 ,以减少实验误差 。光谱仪臵于玻璃 PC_01 81 . 96 % PC_01 83 . 59 %
皿的上方 , 探头视场角为 20?, 对每一份润滑油样 PC_02 85 . 98 % PC_02 86 . 74 %
PC_03 89 . 53 % PC_03 86 . 91 % 本扫描 30 次 。
PC_04 91 . 67 % PC_04 89 . 94 % 实验装臵由微机 、光谱仪 、卤素灯 、直径 75 mm PC_05 93 . 14 % PC_05 92 . 14 % ( 的玻璃皿等组成 。光谱仪使用美国 A SD Analytical PC_06 94 . 30 % PC_06 92 . 96 % ) Spect ral Device公司的 Handheld Field Spec 光谱仪 , PC_07 95 . 39 % PC_07 94 . 53 %
光谱采样间隔为 1. 5 nm , 采样范围为 325,1075 nm PC_08 96 . 28 % PC_08 95 . 19 %
, 扫描次数 30 次 , 分辨率3. 5 nm ,探头视场角为 20?, PC_09 96 . 88 % PC_09 96 . 12 %
PC_10 97 . 27 % PC_10 96 . 95 % 采用漫反射方式进行样品光谱采样 ; 光源采用与光
PC_11 97 . 62 % PC_11 97 . 35 % ) ( 谱仪配套的 14 . 5 V 光源电压卤素灯 。光谱数据 PC_12 97 . 92 % PC_12 97 . 59 % 以 A SC II 码 形 式 导 出 并 用 A SD View Sp ec Pro , PC_13 98 . 17 % PC_13 97 . 75 % ( U n scra mble V9 . 6 CA MO P RO C ESS A SO SL O , PC_14 98 . 36 % PC_14 98 . 05 % ) ( No rwa y 和 D PS dat a p roce ssio n syst e m fo r PC_15 98 . 52 % PC_15 98 . 17 %
) p ractical st ati stic s软件处理 。 PC_16 98 . 66 % PC_16 98 . 24 %
PC_17 98 . 78 % PC_17 98 . 26 % 3 . 2 原始光谱数据
PC_18 98 . 89 % PC_18 98 . 19 % 三种品牌的润滑油的可见2近红外原始光谱谱 PC_19 98 . 99 % PC_19 98 . 21 % 线如图 2 所示 。图中可以看到 ,三种润滑油的原始 PC_20 99 . 06 % PC_20 98 . 12 % 光谱曲线比较相近 ,不容易区分 。图中横坐标为波 在 SA2L S2SV M 中 ,首先从 180 个样本随机选 长 ,范围为 325,1075 nm ,纵坐标为光谱的吸收度 。 择 90 个 ,然后用 SA 对其进行特征波长的搜寻 。选
用识别率作为目标函数 ,如果识别率达到 100 % ,认
为是最佳预测值 ,特征波长寻优结果如图 3 所示 ,图
() 3 a为寻找的最优光谱数据点的序号 ,纵坐标 0 对
应于真实光谱的起始波长 325 nm ,寻优范围为 0,
() ( ) 751 对应于真实波长范围 325,1075 nm。图 3 b
是迭代次数 ,以及 每 次 迭 代 所 得 到 的 目 标 函 数 值 。
() 图 3 c为当前寻到的波长 ,纵坐标的函数值为识别
率值 ,由于此设计的退火算法程序是寻最小值 ,而要
( )寻的识别率为最大值 ,所以纵坐标值 目标函数值 2 图 2 润滑油的可见/ 近红外光谱原始图谱 σ( ) γ取负值 。图 3 d为 L S2SV M 建模时 ,和的最优 值
Fig. 2 O riginal Vi s/ N IR spect ro scop y fo r l ubrica nt 搜寻图 。从图 3 中可以看见 ,基于 SA2L S2SV M ,
2157 11 期陈孝敬等 : 一种用于可见2近红外光谱特征波长选择的新方法
( ) 4 个波长就可以把这三种品牌的润滑油完全区找到 分成建模集和预测集各 90 个 每种品牌 30 个,然
分开 。所找的波长分别为 80 nm 、159 nm 、569 nmB P2A N N 进行 建模 和 预测 , 识 别结 果见 表 2 。 后用
( 和 675 nm 真实波长为 405 n m 、484 n m 、894 nm 和B P2A N N 在 D PS V3 . 11 专业版数据处理系统环境
) 1000 n m。下运行 ,基本参数设臵采用原系统的默认值 ,隐含网
对于 PCA 和 PL S 预处理后的光谱数据 , 用得 络层数 3 ,输入层节点数 10 ,最小建模速率 0 . 1 ,动 到 15 个主要成分代替原始光谱的全部信息 ,而对于 态参数 0 . 6 ,参数 Si gmoi d 0 . 9 ,允许误差 0 . 0001 ,最
SA2L S2SV M ,用提取 4 个最优波长对于的光谱数据 大迭代次数 1000 ,数据转换方法为标准化变换 。代替原始光谱信息 。预处理后的 180 个样本 ,随机
图 3 用 SA 寻找特征波长结果图
Fig. 3 Re sult s of characteri stic wavelengt hs by SA2L S2SV M
表 2 不同方法结合 B P2A N N 的识别结果
Table 2 Di scriminatio n re sult s wit h co mbinatio n of diff erent met ho ds wit h B P2A N N
Di scriminating rate To tal di scriminating Va riet y Variet y N umber 1 2 3 of each va riet y rat e
1 30 27 1 2 90 . 00 %
72 . 22 % 2 30 0 11 19 36 . 67 % PCA & B P2A N N
3 30 1 2 27 90 . 00 %
1 30 30 0 0 100 . 00 %
2 30 0 21 9 70 . 00 % PL S & B P2A N N 90 . 00 %
3 30 0 0 30 100 . 00 %
1 30 30 0 0 100 . 00 % SA A2L S2SV M & 2 30 0 30 0 100 . 00 % 100 . 00 % B P2A N N 3 30 0 0 30 100 . 00 % 4 . 2 结果讨论 ,而第一种和第三种品牌的润滑油的预测率是最低
本实验运用不同的处理方法对预测集进行识 都比较高 。在 PCA & B P2A N N 模型中 ,把第一种 别 ,取得不同的结果 ,结果可以从表 2 中可以得到 。 品牌的润滑油误预测成第二种品牌有 1 个 ,误预测 从表 2 中可以看出 , SA2L S2SV M & B P2A N N 预测 成第三种品牌有 2 个 ,把第二种品牌的润滑油误预 率达到 100 % , PL S & B P2A N N 的预 测 率也 不错 , 测成第三种品牌有 19 个 ,把第三种品牌的润滑油识 达到 90 % 。预测率最差的是 PCA & B P2A N N ,预 误别成第二种品牌的润滑油有 2 个 ,误预测成第一 测率仅仅为 72 . 22 % 。进一步 , 也可以从表 2 中看 种品牌有 1 个 。在 PL S & B P2A N N 模型中 , 只有
( ) 出 ,不管用哪种算法 除了 SA2L S2SV M 外对三种 在第二种的预测出现了错误 ,把第二种品牌的润滑 润滑油进行预测 ,第二种品牌的润滑油的预测率都 油误预测成第三种有 9 个 。总之 ,从表中可以得出
al go rit h m[J ] . ( ) Trans act i ons o f CS A M , 2004 , 35 5: 152,156 这样 的 结 果 , 在 本 次 实 验 中 , SA2L S2SV M & B P2 祝诗平 ,王一鸣 ,张小超 等. 基于遗传算法的近红外光谱谱区选 A N N 预 测 效 果 最 好 , 其 次 是 PL S & B P2A N N 模 ( ) 择方法[ J ] . 农业机械学报 , 2004 , 35 5: 152,156
6 Li Xiaoli , He Yo ng , Fang Hui . No n2de st r uctive di scri mi natio n of 型 ,效果最差 的是 PCA & B P2A N N 模型 , 在 PCA Chi ne se bayber r y va rieties u si ng Vi s/ N IR spect ro scop y [ J ] . J . ( ) Foo d En g n g . , 2007 , 81 2: 357,363 & B P2A N N 和 PL S & B P2A N N , 第一种和第三种 7 Cen Hai yan , Bao Yida n , He Yo ng . Fa st di scri mi natio n of 品牌的润滑油的预测效果比较理想 ,而第二种品牌 varietie s of bayber r y j uice ba sed o n spect ro scop y t echnolo gy [ J ] . 的润滑的预测效果比较差 。 ( ) S pect rosc . S pect r . A nal . , 2007 , 27 3: 503,506
岑海燕 ,鲍一丹 , 何 勇. 基于光谱技术的杨梅汁品种快速鉴别
( ) 方法的研究[J ] . 光谱学与光谱分析 , 2007 , 27 3: 503,506
8 Zo u Xiao bo , Zhao J iewen . Met ho ds of cha ract eri stic wavelengt h 5 结论 regio n a nd wavelengt h selectio n ba sed o n genetic al go rit h m [ J ] . L S2SV M 是一种新型的非线性建模方法 ,具有 ( ) 2007 , 27 7: 1316,1321Act a O p t i ca S i nica ,
邹小波 ,赵杰文. 用遗传算法快速提取近红外光谱特征区和特征 学习速度快 、泛化性好的特点 ,用它作为 SA 寻找最 ( ) 波长[J ] . 光学学报 , 2007 , 27 7: 1316,1321 优波长的预测器 ,得到的识别率作为目标函数 ,不仅 9 D. J o ua n2Ri mba ud , D. L . Ma ssat , O . E. de Noo r d . Ra ndo m
co r relatio n i n va riable selectio n fo r mul tiva riat e cali bratio n wit h a 能有效的减少建模的变量数 ,而且可以提高预测精 ( ) genetic al go rit h m[J ] . 1996 , 35 2 : 213 ,Intel l . L ab. S y st . , 度 。这两种方法的结合使用 ,突破了以往选择特征 220
10 U . Depczynski , K. J et t er , K. Molt et al . . Q ua ntit ati ve anal ysi s 谱区的主观性 ,使特征谱区的选择更科学化 。为了 of nea r i nf ra red sp ect ra by wavelet coefficient regre ssio n u si ng a 验证本文提出的算法优越性 ,把 SA2L S2SV M 、PCA ( ) genetic al go rit h m[J ] . 1999 , 47 2 : 179 ,Intel l . L ab. S y st . ,
187 和 PL S 提取的特征波长或主成分结合 B P2A N N ,对 11 L a n Hai , Wa ng Xio ng , Wa ng Li ng . Imp ro ved genetic2a nneali ng 3 种品牌的润滑油进行了预测 。从实验结果来看 ,al go rit h m fo r glo bal op ti mizatio n of co mplex f unctio n s [ J ] . J .
( ) ( ) 2002 , 42 9: 1237,1240 只有 SA2L S2SV M & B P2A N N 的 预 测 率 达 到 了Tsi n g h u a U ni ve rsi t r y Sci & T ech,
蓝 海 ,王 雄 , 王 凌. 复杂函数全局最优化的改进遗传退火 100 % ,而其他任何一种模型都没有达到 100 % 。说 ( ) ( ) 算法[J ] . 清华 大学学 报 自然科 学版, 2002 , 42 9 : 1237 , 明针对于光谱技术品种识别问题 ,本文提出的 SA2 1240
12 Wu Di , He Yo ng , Feng Shuij uan et al . . St udy o n i nf ra red L S2SV M 比其他 几 个传 统 方 法 提 高 了 识 别 率 。所sp ect ro scop y t echnique fo r f a st mea sure ment of p rot ei n co nt ent i n 以 ,该结果可为近红外快速检测仪提供一种客观选 mil d po wder ba sed o n L S2SV M [ J ] . J . Foo d En g n g . , 2008 ,
( ) 84 1: 124,131 择特征波长的方法 。 13 Z. G. Wa ng , Y. S. Wo ng , M . Ra hma n . Develop ment of a
p arallel op ti mizatio n met ho d ba sed o n genetic si mulat ed a nneali ng
al go rit h m[J ] . ( ) Pa ral lel Com p ut . , 2005 , 31 8,9: 839,857 参 考 文 献 14 Richa r d O . Duda , Pet er E. Ha rt , Davi d G. Sto r k . Pat te rn 1 Shao Yo ngni , He Yo ng , Feng Shuij ua n . Mea sure ment of yo gurt Cl assi f i cat i on [ M ] . Citic Publi shi ng Ho use , seco nd editio n , i nt er nal qualit y t hro ugh usi ng Vi s/ N IR sp ect ro scop y [ J ] . Foo d Beiji ng : Chi na Machi ne Pre ss , 2003 . 284,291 ( ) Res . Int . , 2007 , 40 7: 835,841 理查德 ,皮特 ,大卫. 模式预测[ M ] . 第二版 , 李宏东 ,姚天翔 等 2 Chen Q ua n sheng , Zhao J iewen , Zhang Haido ng et 译 , 北京 : 机械工业出版社 , 中信出版社 , 2003 . 286,291 al . .
Identificatio n of a ut henticit y of t ea wit h nea r i nf ra red 15 Li u Fei , He Yo ng , Wa ng Li . Met ho ds fo r t he p redictio n of suga r spect ro scop y ba sed o n suppo rt vecto r machi ne [ J ] . Act a O p t i ca co nt ent of rice wi ne usi ng vi si ble/ nea r i nf ra red spect ro scop y [ J ] . ( ) S i ni ca , 2006 , 26 6: 933,937 ( ) 2007 , 27 10: 2054,2058Act a O p t i ca S i nica , 陈全胜 ,赵杰文 ,张海东 等. 基于支持向量机的近红外光谱鉴别 刘 飞 , 何 勇 , 王 莉. 黄酒糖度预测的可见2近红外光谱方法 ( ) 茶叶的真伪[ J ] . 光学学报 , 2006 , 26 6: 933,937 ( ) 研究[J ] . 光学学报 , 2007 , 27 10: 2054,2058 3 Shao Yo ngni , He Yo ng , Wa ng Ya nyan . A new app roach to 16 Zhu J iayua n , Ya ng Yun , Zhang Hengxi et al . . Dat a p redictio n di scri mi nat e va rietie s of to bacco u si ng vi s/ nea r i nf ra red spect ra wit h f ew o b ser vatio n s ba sed o n op ti mized lea st squares suppo rt ( ) [J ] . 2007 , 224 5: 591,596Eu r . Foo d Res . Tec h nol . , vecto r machi ne s [ J ] . Act a A e rona ut ica et A st ronaut ica S i nica , 4 He Yo ng , Feng Shuij ua n , Deng Xunf ei et al . . St udy o n lo ssless ( ) 2004 , 25 6: 565,568 di scri mi natio n of va rietie s of yo gur t u si ng t he Vi si ble/ N IR2 朱家元 ,杨 云 ,张恒喜 等. 基于优化最小二乘支持向量机的小 ( ) spect ro scop y [J ] . 2006 , 39 6: 645,650Foo d Res . Int . , ( ) 样本预测研究[J ] . 航空学报 , 2004 , 25 6: 565,568 5 Zhu Shipi ng , Wa ng Yi mi ng , Zha ng Regio n Xiaochao et al . .
selectio n met ho d of nea r i nf rared spect r u m ba sed o n genetic
转载请注明出处范文大全网 » 可见光的光谱及各种光的波长