光譜學(xué)分析大全11篇

緒論：寫作既是個人情感的抒發(fā)，也是對學(xué)術(shù)真理的探索，歡迎閱讀由發(fā)表云整理的11篇光譜學(xué)分析范文，希望它們能為您的寫作提供參考和啟發(fā)。

篇（1）

我國中藥資源豐富，應(yīng)用歷史悠久。然而由于我國中藥生產(chǎn)工藝及質(zhì)量控制技術(shù)水平較低，嚴重制約我國中藥產(chǎn)業(yè)現(xiàn)代化的發(fā)展。隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，藥物分析方法己經(jīng)從傳統(tǒng)的化學(xué)分析發(fā)展到儀器分析階段，紫外可見分光光度法、薄層掃描色譜法、電泳法、氣相和高效液相色譜法及各種聯(lián)用分析技術(shù)等己經(jīng)應(yīng)用到中藥材分析中。但這些方法都需要經(jīng)過復(fù)雜的樣品準備和預(yù)處理，測定成本高且效率較低，因此難以用于中藥產(chǎn)品及其生產(chǎn)過程的快速分析。

近年來國際上提出了一種全新的藥物非破壞快速分析法，該法是將化學(xué)計量學(xué)同近紅外（NIR）光譜分析法相結(jié)合而形成的新技術(shù)。由于NIR光譜分析法操作簡便、快速、能非破壞的對各種樣品進行快速、精確的分析，加之分析儀器的數(shù)字化和化學(xué)計量學(xué)的發(fā)展，運用化學(xué)計量學(xué)方法已能很好的解決光譜信息的提取及背景干擾方面的影響。因此，NIR光譜在制藥工業(yè)中的應(yīng)用日趨廣泛。隨著中藥產(chǎn)業(yè)現(xiàn)代化進程的逐步加快，NIR光譜分析法被引入到中藥材分析領(lǐng)域，在中藥材鑒別和有效組分定量分析等方面取得了可喜的進展，顯示出NIR光譜分析技術(shù)在中藥材分析中具有廣闊的發(fā)展空間。

一、NIR技術(shù)簡介

近紅外光譜是人們發(fā)現(xiàn)最早的處于可見光和中紅外光之間的非可見光譜區(qū)域。許多有機物在該區(qū)域有著特征性吸收，且不同光譜波段的吸收強度與該物質(zhì)的分子結(jié)構(gòu)及濃度之間存在一定的對應(yīng)關(guān)系。它的發(fā)現(xiàn)已有近200年的歷史，而近紅外光譜分析方法卻僅在最近這二十年間才得到了迅速發(fā)展和廣泛應(yīng)用。特別是進入90年代后，現(xiàn)代近紅外光譜成為了發(fā)展最快、最為引人矚目的光譜分析技術(shù)，是化學(xué)計量學(xué)與光譜測量技術(shù)的有機結(jié)合，被譽為分析的巨人。而我國對近紅外光譜技術(shù)的研究及應(yīng)用起步相對較晚，但逐漸受到關(guān)注，并在光譜儀器研制、配套軟件開發(fā)、基礎(chǔ)研究和應(yīng)用等方面取得了豐碩的成果，并帶來了極好的經(jīng)濟效益與社會效益。

二、常見的化學(xué)計量學(xué)方法

目前，在NIR 光譜分析中最常用的化學(xué)計量學(xué)方法為多元校正方法，主要包括：多元線性回歸、主成分分析、主成分回歸和偏最小二乘等。最近十幾年，包括人工神經(jīng)網(wǎng)絡(luò)、遺傳算法和模糊邏輯系統(tǒng)等軟計算方法在化學(xué)中的應(yīng)用得到了越來越多的關(guān)注。由于中藥材化學(xué)物質(zhì)體系非常復(fù)雜，待分析的藥效成分多是混合體，如各種中藥制劑和天然藥物等。同時在中藥材質(zhì)量控制中，由于中藥生產(chǎn)方式：提取、炮制、煎煮等對待測成分的影響，又存在著動態(tài)化學(xué)變化和新成分的生成，致使其內(nèi)部有效成分復(fù)雜多變，難以闡明。所以，在實際的中藥材分析應(yīng)用中，使用常規(guī)的NIR光譜多元校正建模或模式分類等方法往往不能取得理想的定性或定量分析結(jié)果，導(dǎo)致其成為阻礙中藥NIR光譜分析技術(shù)應(yīng)用發(fā)展的瓶頸。為此，有必要進一步研究中藥材的NIR光譜計算分析方法學(xué)。

三、NIR技術(shù)在中藥材分析中的應(yīng)用

中藥材分析包括定性分析和定量分析兩個方面。定性分析多為對中藥材及中成藥的真假鑒別、產(chǎn)地鑒別和來源鑒別。湯彥豐等[1]將近紅外漫反射光譜分析技術(shù)與人工神經(jīng)網(wǎng)絡(luò)方法相結(jié)合, 對52種大黃樣品進行了測定和鑒別, 正確率可達96%。劉沭華等[2]采用近紅外光譜法結(jié)合近鄰法和多類支持向量機等模式識別技術(shù)對來自4個不同產(chǎn)地的269個白芷樣本和6個不同產(chǎn)地的350個野生和栽培丹參樣本進行了產(chǎn)地鑒別。劉荔荔等[3]采用傅立葉變換近紅外光譜結(jié)合聚類分析對7種紅曲霉屬真菌發(fā)酵制成的紅曲藥材進行了成功鑒別。

中藥材的定量分析主要指對中藥材有效成分含量的測定, 于曉輝等[4]將近紅外光譜技術(shù)與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)相結(jié)合,對42種大黃樣品中的主要有效成分: 蒽醌類化合物、水溶性蒽甙類化合物、芪甙類化合物和鞣質(zhì)類化合物進行了定量預(yù)測分析。朱向榮[5]應(yīng)用近紅外光譜分析技術(shù)結(jié)合化學(xué)計量學(xué)方法, 成功的測出中藥清開靈注射液中間體總氮和梔子苷的含量。趙玉清等[6]采用近紅外光譜建立了偏最小二乘模型，實現(xiàn)了對黃芪提取液中總皂苷含量的測定。

四、展望

為了更好發(fā)揮近紅外光譜法在中藥領(lǐng)域的快速分析作用，拓展各種化學(xué)計量學(xué)方法的應(yīng)用范圍，為其在中藥材分析中的應(yīng)用打下一定基礎(chǔ)，當(dāng)前必須進行中藥材近紅外光譜的化學(xué)計量學(xué)方法研究，特別是發(fā)展近紅外光譜非線性建模方法、特征光譜信息提取、化學(xué)信息模式識別以及模糊聚類分析等方法，發(fā)展形成中藥材快速分析新技術(shù)，實現(xiàn)中藥生產(chǎn)全過程質(zhì)量監(jiān)控，這對于推進我國中藥產(chǎn)業(yè)現(xiàn)代化進程具有重大理論意義和實際應(yīng)用價值。

參考文獻

[1]湯彥豐, 張卓勇, 范國強 光譜學(xué)與光譜分析 2004, 24 (11): 1348-1351

[2]劉沭華，張學(xué)工，周群，光譜學(xué)與光譜分析 2006，26（4）∶629-632.

[3]劉荔荔, 邢旺興, 賈暖, 林培英, 必鶴鳴, 吳玉田 第二軍醫(yī)大學(xué)學(xué)報2002，23（11）:1230-1232

篇（2）

中圖分類號：TP391.41 文獻標志碼：A

0引言

遙感圖像分類在現(xiàn)實生活中有著非常廣泛的應(yīng)用，如地質(zhì)勘探與地球資源調(diào)查、城市遙感與規(guī)劃管理、環(huán)境與災(zāi)害監(jiān)測、現(xiàn)代精細農(nóng)業(yè)、測繪以及考古等遙感圖像精準分類是諸多應(yīng)用的基礎(chǔ)問題，同時也是熱點問題近十幾年，衛(wèi)星傳感器技術(shù)得到了不斷發(fā)展，遙感圖像的光譜和空間分辨率不斷提高，目前較為流行的高光譜成像系統(tǒng)包括AVIRIS、HYDICE、ARCHER、HYMAP和HYPERION通過這些成像系統(tǒng)獲取的遙感圖像所蘊含的信息得到了極大豐富，這為高光譜圖像分類和聚類分析提供了新的契機，目前國內(nèi)外學(xué)者提出了很多相關(guān)算法和方法，幾乎所有經(jīng)典的機器學(xué)習(xí)方法都被應(yīng)用到圖像分類和聚類分析中分類方面諸如基于最大似然和貝葉斯估計的方法[1]、基于核和決策樹的方法[2]、基于圖的方法[3]，而在基于核的方法[4]中，支持向量機（Support Vector Machine，SVM）在分類中的表現(xiàn)較為突出；聚類方面的大多數(shù)方法都是通過像元之間的相似性，利用統(tǒng)計學(xué)方法對圖像進行聚合[5]但是，單一使用分類或者聚類方法無法充分利用圖像中所包含的光譜和空間信息，所以在文獻[6]中使用監(jiān)督分類方法初始化聚類分割區(qū)域的標簽，再通過流域變換獲取最優(yōu)的分割圖像，最終在分割區(qū)域內(nèi)對分類圖像的結(jié)果標簽進行投票，分割區(qū)域?qū)擞洖橥镀弊罡叩念悇e，其分類的最終結(jié)果優(yōu)于單一的分類或聚類方法文獻[7]用投票的方式對聚類結(jié)果和分類結(jié)果進行整合，最終使用分類所得的標簽投票決定分割區(qū)域的類別，然后再對結(jié)果進行降噪處理，其最終精確度也比傳統(tǒng)方法高但是，這兩種方法都需要使用大量的訓(xùn)練樣本來構(gòu)造分類器，分類成本都比較高為了減少分類器對訓(xùn)練樣本數(shù)量的需求，提高訓(xùn)練樣本質(zhì)量成為首要問題近幾年，主動學(xué)習(xí)方法在尋找包含信息量較大、質(zhì)量較高的訓(xùn)練樣本時表現(xiàn)突出[8]

本文提出一種基于主動學(xué)習(xí)的高光譜圖像分類（Hyperspectral Image Classification based on Active Learning， HICAL）方法，關(guān)注如何在減少訓(xùn)練集數(shù)量的同時提高分類精確度，結(jié)合了分類和聚類方法，充分利用高光譜圖像的光譜和原始空間特征，找到信息量較大的分割區(qū)域，進而獲取信息價值較高的訓(xùn)練樣本，最終有效提高分類器的分類效果

1基于主動學(xué)習(xí)的高光譜圖像分類方法

1.1問題描述

為了盡可能地降低高光譜圖像分類精確度和所需的訓(xùn)練樣本數(shù)量的比例，一方面需要充分利用高光譜圖像所蘊含的信息，另一方面需要提高訓(xùn)練樣本的質(zhì)量

HICAL方法是以分類和聚類結(jié)果結(jié)合后所構(gòu)建的框架為基礎(chǔ)，使用本文提出的關(guān)注度計算方法對結(jié)合后的區(qū)域進行統(tǒng)計，以找到信息量較高的區(qū)域新的訓(xùn)練樣本將在關(guān)注度較大的區(qū)域中產(chǎn)生，以此來提高訓(xùn)練集的質(zhì)量

1.2HICAL方法

1.2.1聚類分析

本文使用期望最大化（ExpectationMaximization，EM）算法對高光譜圖像進行聚類分析在統(tǒng)計計算中，EM是在概率模型中尋找參數(shù)最大似然估計的算法，其中概率模型依賴于無法觀測的隱藏變量在使用EM算法過程中，可以假設(shè)所有的樣本都是符合高斯分布

EM算法對圖像進行聚類過程中，為了使算法盡快收斂，將高光譜圖像的光譜波段進行分組求均值，以此來減少參與計算的光譜波段數(shù)量聚類所得到的分割圖像通過四聯(lián)通的方式進行區(qū)域劃分，并且給這些區(qū)域唯一標號得到的帶有標號的區(qū)域分割圖將作為模板，在后續(xù)迭代過程中與分類結(jié)果進行整合

1.2.2監(jiān)督分類

獲取聚類結(jié)果之后，需要對圖像進行監(jiān)督分類本文在分類過程中使用支持向量機（SVM）方法SVM是目前監(jiān)督分類使用較多的分類算法，是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，具有較好的泛化能力和學(xué)習(xí)能力

二分的支持向量機最終目標是找到一個（d-1） 維的決策面，將測試樣本分成兩類在使用SVM進行圖像分類時，總是將像元的特征通過一個核函數(shù)映射到一個較高維度的空間，這樣使樣本的區(qū)分度更大，通常使用高斯核函數(shù)（Radial Basis Function，RBF）

在二分問題中，通常將決策函數(shù)表示如下：

其中：SV表示得到的支持向量集合，對應(yīng)的αi不等于0

使用SVM對多類問題進行分類時，通常采取兩種策略一種是一對一（OneAgainstOne，OAO）的方式，另一種是一對多的方式（OneAgainstAll，OAA），本文采用OAO的方式

HICAL方法在第一次監(jiān)督分類過程中，需要少許的訓(xùn)練樣本，通過SVM構(gòu)造分類器，且監(jiān)督分類的步驟在整個分類過程中是迭代進行的，每當(dāng)新的訓(xùn)練樣本被增加到訓(xùn)練集時，都會重新構(gòu)造分類器，對圖像進行新一輪分類

1.2.3整合聚類和分類結(jié)果

在獲取聚類和監(jiān)督分類結(jié)果后，借鑒文獻[7]中方法對兩個結(jié)果進行整合，以聚類連通區(qū)域為模型對監(jiān)督分類結(jié)果進行區(qū)域劃分，并給出標號最終在整合結(jié)果中的每一個區(qū)域內(nèi)，都包含一個或一個以上的像元，這些像元分類標記的類別可能比較集中，也可能比較分散，這些分類標記主要取決于監(jiān)督分類器的預(yù)測

1.2.4獲取新樣本來源區(qū)域

獲取整合結(jié)果之后，需要在結(jié)果所包含的區(qū)域中找到包含信息量較大的區(qū)域?qū)嶒炛锌偸歉鼮殛P(guān)注那些含有較多像元，且分類標簽比較分散的區(qū)域這樣的區(qū)域如果分類準確度較高，將會很大程度地提高總體分類精確度因此，對區(qū)域的關(guān)注度給出如下公式定義：

其中：b為區(qū)域i包含像元個數(shù)ni的權(quán)重基數(shù)，用戶可根據(jù)情況自己選擇；t為迭代抽樣的次數(shù)，其意義是，隨著迭代的進行，在較大區(qū)域已經(jīng)得到關(guān)注和抽樣之后，對于這些區(qū)域的關(guān)注度將會不斷下降，這樣在防止大區(qū)域過分取樣的同時，可以很好地兼顧到小樣本區(qū)域，所以，可以很好地解決以往算法對小樣本區(qū)域分類精確度不高的難題

獲取不同區(qū)域的關(guān)注度值之后，為了更集中、更有效地提高請求詢問的訓(xùn)練樣本的質(zhì)量，將通過設(shè)定閾值來選取需要取樣的區(qū)域最終在t次迭代中將選取滿足如下條件的區(qū)域作為新訓(xùn)練樣本的來源區(qū)域：

1.2.5新樣本選擇

獲取樣本來源區(qū)域后，可以定義迭代中所需新樣本的數(shù)量Ut對來源區(qū)域j∈Γt的取樣數(shù)量可以表示為μj，且滿足μj≥0在來源區(qū)域取樣的方式有兩種：S0和S1，其中S0是按照隨機方式在來源區(qū)域中選擇，而S1是根據(jù)來源區(qū)域中找到上一次監(jiān)督分類器標記的最多標簽類和次多標簽類的子區(qū)域，按照兩個子區(qū)域的樣本比例進行抽取

1.2.6主動學(xué)習(xí)過程

本文的HICAL方法迭代過程通過主動學(xué)習(xí)方式來實現(xiàn)整個過程分為兩個階段：1）初始化分類器階段，即初始監(jiān)督分類階段，在此階段首先需要提供少量的訓(xùn)練集，訓(xùn)練初始分類器；2）循環(huán)取樣階段，也是主動學(xué)習(xí)的主要階段，這個階段在未標記樣本中使用關(guān)注度進行查詢，獲取信息量較大的整合區(qū)域，從而進一步找到需要標注的樣本，標注之后追加到原有的訓(xùn)練集中，重新對分類器進行訓(xùn)練，這個過程不斷循環(huán)，直到達到停止條件這個停止條件可以有多種，比如新訓(xùn)練樣本數(shù)量達到上限，或者是已經(jīng)達到迭代取樣的次數(shù)等

迭代結(jié)束后，將最后一次迭代所產(chǎn)生的分類結(jié)果和初始的聚類結(jié)果，按照聚類區(qū)域為模板，對所有分類產(chǎn)生的標簽進行投票，區(qū)域內(nèi)所有的像元將歸屬到得票最高的標簽類最后進行降噪處理

2實驗及分析

2.1實驗環(huán)境

本文實驗環(huán)境：中央處理器Intel Core Duo P7350 2.00GHz，內(nèi)存2GB，32位Windows 7操作系統(tǒng)；軟件平臺為Matlab R2012a

2.2實驗數(shù)據(jù)集

高光譜圖像分類實驗使用的是印第安納州農(nóng)林區(qū)域圖像數(shù)據(jù)集（Indian Pines）

印第安納州農(nóng)林區(qū)域圖像拍攝于1992年，使用紅外成像光譜儀（AVIRIS）獲取，其內(nèi)容是印第安納州西北區(qū)域的某一農(nóng)業(yè)森林區(qū)的地表信息整幅圖像包含145×145像元，空間分辨率為20m，有220個波段，其中20個水吸收波段將在實驗前被除去圖像反映了16種不同的地物信息圖1（a）顯示這個高光譜數(shù)據(jù)的假彩色圖像；圖1（b）顯示了其真實的地物信息，不同的顏色代表不同的類別本次實驗針對的感興趣區(qū)域總共有10366個樣本，過去相關(guān)文獻中多數(shù)是在每一類別中隨機抽取10%的樣本作為訓(xùn)練樣本，這樣的抽樣方式對樣本比較少的類別來說是非常不利的為了和傳統(tǒng)的分類方式對比，在實驗中也將采取這樣的抽樣方式，但抽樣的百分比會降低

2.3實驗過程和結(jié)果分析

2.3.1HICAL方法與傳統(tǒng)隨機取樣方法比較

本實驗將本文的HICAL方法與傳統(tǒng)隨機取樣方法進行對比表1中顯示了各個算法的整體分類精確度（Overall Accuracy，OA）、平均分類精確度（Average Accuracy，AA）、Kappa系數(shù)以及每種地物的分類精確度SVM和SVM+EM算法[7]是在每一個類別中隨機抽取10%的樣本（1029個）作為訓(xùn)練集，其中SVM+EM也是結(jié)合光譜和空間特征的分類方法作為對比，本文算法將在每類隨機抽取4%的訓(xùn)練樣本（407個）上進行

通過式（2）計算出每一個分割區(qū)域的關(guān)注度值，這樣就可以選出一些關(guān)注度較高的區(qū)域作為新訓(xùn)練樣本來源區(qū)域?qū)嶒炛腥ˇ胻=0.15，每一次迭代對樣本的抽取數(shù)量做出限定，為了和傳統(tǒng)的方法比較，實驗中只進行4次迭代，每次迭代取樣本數(shù)Ut=50分別使用S0和S1方法對新樣本來源區(qū)域進行取樣（如表1所示）

迭代起始階段，大樣本區(qū)域的關(guān)注度值會比較高，這樣在開始的迭代過程中可以有部分提高分類器的分類準確度，迭代后期，關(guān)注的重心轉(zhuǎn)向區(qū)域較小的分割區(qū)從表1中可以看到，在迭代4次后，訓(xùn)練樣本總數(shù)為607，遠小于隨機抽取10%的1029，但Alfalfa、Grass/pasturemowed和Oats三個小樣本區(qū)域的分類精確度已經(jīng)得到了非常顯著的提高這說明HICAL方法可以有效地解決這種小樣本區(qū)域的分類難題，最終獲取的分類結(jié)果無論是整體分類精確度還是平均分類精確度都得到了明顯提高（如表1）

2.3.2HICAL方法和相關(guān)主動學(xué)習(xí)方法比較

本實驗將HICAL方法和目前較新的且表現(xiàn)優(yōu)秀的主動學(xué)習(xí)方法進行比較[9]實驗中，初始化分類器時需要80個訓(xùn)練樣本（每一類別5個），每一次迭代都將獲取50個新樣本標注為訓(xùn)練集，同時設(shè)定每一次迭代的閾值都為γt=015在初始取樣方法和所獲得的訓(xùn)練樣本總數(shù)都相等的情況下，LORSALALMLL、MPMLBPAL兩種算法使用四種不同的方式迭代獲取訓(xùn)練樣本：RS（Random Selection）、MI（Mutual Information）、BT（Breaking Ties）、MBT（Modified Breaking Ties）表2中給出了這些不同方法獲取的分類結(jié)果可以看出，本文提出的方法在總體分類精度上更為出色

3結(jié)語

本文提出了一種基于主動學(xué)習(xí)的高光譜圖像分類方法HICAL，能夠充分利用圖像的光譜特征和原始空間特征，同時使用一種新的高效的區(qū)域關(guān)注度計算方法對結(jié)合區(qū)進行統(tǒng)計，根據(jù)統(tǒng)計后的數(shù)值能夠非常精確地找到信息量價值較高的區(qū)域，進而獲取質(zhì)量較高的未標記樣本以此提高整體訓(xùn)練集的質(zhì)量，在訓(xùn)練樣本較少的情況下能夠有效提高整體分類精確度和平均分類精確度，從而降低分類精確度和訓(xùn)練樣本數(shù)量的比值

本文方法在分類過程中較之傳統(tǒng)的分類方法更能解決樣本失衡的問題，能夠有效地解決小樣本區(qū)域的分類難題；同時文中所提出的分類方法擴展性較強，在分類和聚類算法的選擇上比較寬松，可以使用諸如K均值、自組織迭代技術(shù)等算法進行替代在HICAL方法迭代過程中，關(guān)注度閾值的選取和樣本數(shù)量的設(shè)置，以及對區(qū)域樣本的選擇方法將是我們進一步研究的內(nèi)容；同時我們也將關(guān)注其他分類和聚類算法，以期減少算法的時間復(fù)雜度

參考文獻：

[1]LANDGREBE D A. Signal theory methods in multispectral remote sensing [M] . New York： Wiley， 2003.

[2]MOUSTAKIDIS S， MALLINIS G， KOUTSIAS N， et al. SVMbased fuzzy decision trees for classification of high spatial resolution remote sensing images [J]. IEEE Transactions on Geoscience and Remote Sensing， 2012，50（1）：149-169.

[3]BAI J， XIANG S M， PAN C H. A graphbased classification method for hyperspectral images [J]. IEEE Transactions on Geoscience and Remote Sensing， 2013，51（2）：803-817.

[4]LI CH， KUO BC， LIN CT， et al. A spatial contextual support vector machine for remotely sensed image classification [J]. IEEE Transactions on Geoscience and Remote Sensing， 2012，50（3）：784-799.

[5]MAULIK U， SAHA I. Modified differential evolution based fuzzy clustering for pixel classification in remote sensing imagery [J]. Pattern Recognition， 2009，42（9）：2135-2149.

[6]TARABALKA Y， CHANUSSOT J， BENEDIKTSSON J A. Segmentation and classification of hyperspectral images using watershed transformation [J]. Pattern Recognition， 2010，43（7）：2367-2379.

篇（3）

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2013）16-0050-02

紅外光譜作為有機化合物、高聚物結(jié)構(gòu)研究、紡織助劑分析鑒定等強有力的工具，在日常分析和科學(xué)研究中已得到廣泛地應(yīng)用，特別是隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，紅外光譜儀器測試的先進性、快捷性、準確性得到了很大提升，因此，它已成為科學(xué)研究必不可少的工具[1]。紅外光譜課程是化學(xué)類相關(guān)專業(yè)的工具課，但是，以往的教學(xué)并沒有針對不同專業(yè)學(xué)生的知識背景，采用相應(yīng)的教學(xué)模式，這造成理論教學(xué)與實際應(yīng)用的銜接不連貫，致使學(xué)生在學(xué)習(xí)時比較困難，思路不清[2]。同時，不同班級以及班級內(nèi)學(xué)生之間差異較大，表現(xiàn)在知識水平、學(xué)習(xí)風(fēng)格、學(xué)習(xí)興趣等多方面，而在實際教學(xué)中如何根據(jù)學(xué)生的個體差異以及非智力因素，制定具有特色的教學(xué)內(nèi)容及方式，對于提升整體教學(xué)質(zhì)量具有重要意義。鑒于此，本文就紅外光譜的教學(xué)提出了特色化改革方案。

一、依據(jù)專業(yè)背景特色，調(diào)整教學(xué)內(nèi)容，激發(fā)學(xué)習(xí)興趣

紅外光譜分析課程是面向應(yīng)用化學(xué)、輕化工程、制藥工程、化學(xué)工程與工藝等專業(yè)本科生和研究生開設(shè)的專業(yè)必修課，旨在通過學(xué)習(xí)本課程，使學(xué)生了解紅外光譜測試儀器、方法和技術(shù)在相關(guān)學(xué)科領(lǐng)域中的基本應(yīng)用，了解并初步掌握儀器的基本原理、操作技術(shù)和實際應(yīng)用，培養(yǎng)學(xué)生在科研工作過程中綜合運用現(xiàn)代分析測試方法和技術(shù)解決實際問題的能力。由于各個專業(yè)的培養(yǎng)目標差異較大，學(xué)生的知識背景、智力水平以及學(xué)習(xí)興趣也各不相同，因此，在紅外光譜教學(xué)過程中，應(yīng)根據(jù)這些差異，適當(dāng)調(diào)整教學(xué)內(nèi)容，在基礎(chǔ)理論講解完成的前提下，設(shè)計具有專業(yè)特色的例題，讓學(xué)生通過較為熟悉的、具有本專業(yè)特色的化合物，學(xué)習(xí)各種化學(xué)鍵及官能團的特征吸收，如學(xué)生的有機化學(xué)基礎(chǔ)薄弱，應(yīng)適當(dāng)增加基礎(chǔ)知識的講解，將新知識與基礎(chǔ)知識融會貫通，便于學(xué)生理解新知識，并學(xué)會應(yīng)用基礎(chǔ)知識，達到學(xué)以致用的目的；同時，將所選擇的化合物與日常生活和工作相聯(lián)系，讓學(xué)生深切體會紅外光譜課程在今后學(xué)習(xí)和工作中的應(yīng)用價值，激發(fā)學(xué)習(xí)興趣。

二、改進教學(xué)手段和方法，提高教學(xué)效率

隨著計算機技術(shù)的發(fā)展，基于多媒體技術(shù)的課堂輔助教學(xué)日益加強。多媒體技術(shù)可以根據(jù)教學(xué)目標和教學(xué)對象的特點，通過教學(xué)設(shè)計、合理選擇和運用現(xiàn)代教學(xué)媒體，并與傳統(tǒng)教學(xué)手段相結(jié)合的方式，形成合理的教學(xué)過程，使學(xué)生在最佳的學(xué)習(xí)條件下進行學(xué)習(xí)[3]。例如：在講解紅外光譜儀器的基本原理中，一味的口述很難講解清楚，而板書講解速度較慢，此時將多媒體技術(shù)引入，很容易將儀器原理以及光路系統(tǒng)形象化，便于學(xué)生對知識點的理解與運用。再如：紅外光譜中化學(xué)鍵的特征頻率是個很重要的概念，而化學(xué)鍵的特征頻率是紅外光譜解析的基礎(chǔ)，學(xué)生在初學(xué)時，總覺得化學(xué)鍵的吸收頻率范圍難以記憶，因此在講解雙原子分子振動時，將諧振子模型形象化，通過公式推倒，讓學(xué)生深刻理解化學(xué)鍵的特征頻率是與化學(xué)鍵本身的性質(zhì)以及原子的折合質(zhì)量有關(guān)，在后續(xù)的教學(xué)中以相同的方式講解特征區(qū)、指紋區(qū)以及影響吸收峰位的幾個因素，從而讓學(xué)生將知識前后聯(lián)系，加深理解。

在紅外光譜教學(xué)過程中，引入多媒體技術(shù)可使教學(xué)化靜為動，更加形象，同時又寓教于樂，增加感染力，而且，有利于培養(yǎng)和激發(fā)學(xué)生的學(xué)習(xí)興趣，；有利于學(xué)生對知識點的理解和記憶；還能節(jié)省傳統(tǒng)的板書時間，拓寬知識面，增加信息量，提高學(xué)習(xí)效率。

三、結(jié)合實驗教學(xué)，提升實踐能力

紅外光譜是一門應(yīng)用型課程，實驗教學(xué)占有很重要的地位。掌握實驗操作，通常是化學(xué)及其相關(guān)學(xué)科的大學(xué)生和研究生必須的技能之一[4，5]。

在紅外光譜實驗教學(xué)中，首先應(yīng)讓學(xué)生了解紅外樣品以及紅外譜圖的基本要求，講解紅外光譜的適用范圍，氣體、固體、液體樣品的制樣方法，儀器的操作方法以及復(fù)習(xí)紅外譜圖解析的基本步驟，期間穿插生動的正反實例，如樣品濃度過大或過小時的處理方法，壓片過厚或過薄可能產(chǎn)生的后果及處置方法；然后，指導(dǎo)學(xué)生具體的實驗操作，包括鹽片的處理、瑪瑙研缽使用的注意事項、可拆卸液體池的組裝、各種樣品的制作方法、儀器軟硬件操作及注意事項等；最后由學(xué)生親自動手完成實驗，并對實驗數(shù)據(jù)進行處理，采取小組討論的形式，讓學(xué)生闡述各自譜圖的解析過程以及制樣過程中的心得和體會，諸如：實驗各步驟的操作要領(lǐng)和注意事項，譜圖解析式如何對所測得的化合物紅外吸收峰進行官能團的歸屬、推斷分子結(jié)構(gòu)等，同時，引導(dǎo)學(xué)生了解小分子譜圖與高聚物譜圖的差異，理解紅外光譜的優(yōu)缺點，通過實驗教學(xué)切實提高學(xué)生的實踐能力。

四、結(jié)合科研項目，提升創(chuàng)新能力

本課程是化學(xué)相關(guān)學(xué)科的工具課，在科學(xué)研究中具有很強的實際應(yīng)用價值，因此在教學(xué)中結(jié)合科研項目，有利于提高學(xué)生的創(chuàng)新能力。在教學(xué)過程中搜集相關(guān)教師承擔(dān)的科技服務(wù)課題，結(jié)合紅外光譜的優(yōu)缺點分析，不僅可以提高授課水平和學(xué)生的興趣，同時也要闡明對于特殊樣品，尤其是未知混合物分析，由于可能包括多種化合物，甚至是高分子材料，如簡單通過紅外光譜確定其分子結(jié)構(gòu)，較為草率。例如，紡織助劑是紡織品生產(chǎn)加工過程中必須的化學(xué)品。紡織助劑對提高紡織品的產(chǎn)品質(zhì)量和附加價值具有不可或缺的重要作用，對提升紡織工業(yè)的整體水平以及在紡織產(chǎn)業(yè)鏈中的作用是至關(guān)重要的。紡織助劑產(chǎn)品約80%是以表面活性劑為原料，約20%是功能性助劑。對于這樣一個混合物的剖析與制備，需要大量的分離、分析工作，其中紅外光譜的測試與譜圖解析起到了重要作用，但是對于混合物的解析不能只用單一的紅外光譜測試，而往往需要多種分析測試手段相互佐證，以精確化合物的結(jié)構(gòu)。將紅外光譜教學(xué)與類似的科研項目相結(jié)合，不僅可讓學(xué)生切實理解紅外光譜的優(yōu)缺點以及應(yīng)用范圍，而且可讓學(xué)生理解在實際科研與日常工作中，往往需要多種分析手段相結(jié)合，如Raman、XPS等分析技術(shù)，甚至是實踐經(jīng)驗，對樣品結(jié)構(gòu)進行深入分析。

五、結(jié)語

通過紅外光譜的特色化教學(xué)，我們?nèi)〉昧溯^好的教學(xué)效果，主要體現(xiàn)在：學(xué)生學(xué)習(xí)興趣明顯提高，課堂氛圍良好；學(xué)生對紅外光譜基礎(chǔ)知識以及解譜方法的了解和掌握較扎實；學(xué)生熟悉了紅外光譜制樣、測試方法；學(xué)生對紅外光譜在工作和科研中應(yīng)用的優(yōu)缺點有了進一步的理解，為后面的應(yīng)用打下了較好的基礎(chǔ)。在進一步的教學(xué)改革中，擬將紅外光譜教學(xué)與大型綜合實驗相結(jié)合，針對性地設(shè)置相關(guān)的合成與測試表征實驗，將多種分析技術(shù)相結(jié)合，切實提高學(xué)生對紅外光譜的理解和實際應(yīng)用能力。

參考文獻：

[1]李潤卿.有機結(jié)構(gòu)波譜分析[M].天津：天津大學(xué)出版社，2002.

[2]劉祖華.從“消極差別化”到“積極差別化”——義務(wù)教育資源配置政策的創(chuàng)新邏輯[J].武漢理工大學(xué)學(xué)報（社會科學(xué)版），2008，2：268-273.

篇（4）

【關(guān)鍵詞】 余甘子葉 氣相色譜-質(zhì)譜聯(lián)用 成分分析

余甘子葉，來源于大戟科葉下珠屬植物余甘子Phyllanthus emblical L．的葉子，收載于1974年出版的《云南省藥品標準》、1978年版《藏藥標準》、1977～2005年版《中華人民共和國藥典》。別名橄欖、滇橄欖 、油甘子、山油甘、庵摩勒、牛甘子、喉甘子、楊甘等，為多個民族習(xí)用藥［1］，廣泛分布于世界上許多國家。我國對余甘子的栽培利用有1800年以上的悠久歷史，該植物主要分布于我國的云南、四川、福建、廣東、廣西等地，是一種具有較高的食用和藥用價值的植物果實，被聯(lián)合國衛(wèi)生組織指定為在全世界推廣種植的3種保健植物之一。主治血病、赤巴病、培根病、肝病、心臟病和高血壓病，以治療血熱血瘀引起的血病為長。近年研究表明余甘子具有抗菌［2］、抗腫瘤［3］、抗氧化［4］、抗動脈粥樣硬化［5，6］、抗乙肝病毒［7］、保肝［8］等作用。國內(nèi)學(xué)者對余甘子果實的化學(xué)成分進行了較多的報道，但余甘子葉的化學(xué)成分研究未見報道，而余甘子葉含有較濃的芳香氣，本實驗提取了揮發(fā)油，進行了定性定量分析。

1 儀器與材料

美國 HP 6890/5973N氣相色譜質(zhì)譜聯(lián)用儀（美國安捷倫)，HP-5MS彈性石英毛細管柱 (30 mm ×0. 25 mm，0. 25 μm)；G1701DA MSD化學(xué)工作站。相關(guān)試劑為分析純；余甘子葉采自廣西地區(qū)，經(jīng)廣西中醫(yī)學(xué)院劉壽養(yǎng)副教授鑒定為廣西產(chǎn)的大戟科葉下珠屬植物余甘子Phyllanthusemblica L.的全草。標本存于廣西中醫(yī)學(xué)院藥學(xué)中心實驗室。

2 方法

2.1 余甘子葉揮發(fā)油的提取取60 g新鮮余甘子葉，搗碎，放進1 000 ml圓底燒瓶中，用揮發(fā)油提取器按常規(guī)水蒸氣蒸餾法提取揮發(fā)油，經(jīng)無水Na2SO4 干燥后得淡黃綠色揮發(fā)油，收油率為0.2%。

2.2 氣相-質(zhì)譜分析條件氣相色譜條件：進樣口溫度250℃，載氣：氦氣，流速1 ml·min- 1。柱溫：程序升溫70～280℃，初始溫度 70℃，保留3min，升溫速率10℃/min，終止溫度 100 ℃，以5. 0℃/min升溫至120℃后，再以30℃/min，升溫至220℃后，以20 ℃/min升溫至280℃，溶劑延遲1. 0 min；進樣量1.0 μl，不分流。

質(zhì)譜條件：EI電離方式，離子源溫度 230℃；四極桿溫度：150℃；倍增電壓：1 247 V；發(fā)射電流：34.6μA；接口溫度：250 ℃；質(zhì)量范圍：35～500 amu；電子能量70 Ev。3 結(jié)果與討論

用GC-MS分析法從余甘子葉揮發(fā)油共分離出29個峰（見圖1）。用氣相色譜數(shù)據(jù)處理系統(tǒng)，以峰面積歸一法測得其中各組分的相對百分含量，對總離子流圖中的各峰經(jīng)質(zhì)譜掃描后得到質(zhì)譜圖，經(jīng)過NIST98質(zhì)譜計算機數(shù)據(jù)系統(tǒng)檢索，結(jié)合人工譜圖解析，按各色譜峰的質(zhì)譜裂片圖與文獻核對，對基峰、質(zhì)荷比和相對豐度等方面進行直觀比較，鑒定了其中26個峰，占總揮發(fā)油成分的90%以上，結(jié)果見表1。 表1 余甘子葉揮發(fā)油的化學(xué)成分由表1 可知，已鑒定的化合物占色譜流出組分峰面積的90%以上，主要為醇類、苯酚類及烷烴化合物。在已鑒定的組分中，相對含量較高的主要幾種組分有葉綠醇(19.00% ) 、2，4-二叔丁基苯酚 (18.79% )和異植物醇 (10.54% )。這些化合物形成了余甘子葉的特有氣味。另外還有3種組分的含量相對較少，未能鑒定，有待進一步研究。

有關(guān)余甘子葉揮發(fā)油的化學(xué)成分研究，目前國內(nèi)外尚未見報道，本文采用GC-MS方法，對余甘子葉揮發(fā)油的化學(xué)成分進行了研究，鑒定了其中的26種成分。該法簡便、快速、靈敏度高。本研究為余甘子葉揮發(fā)油的應(yīng)用拓開了廣闊的前景。

【參考文獻】

［1］ 張?zhí)m珍，趙文華，郭亞健，等.藏藥余甘子化學(xué)成分研究［J］.中國中藥雜志，2003，28（10）：940.

［2］ 鐘振國，曾春蘭.余甘子葉提取物體外抗菌實驗研究［J］.中藥材，2008，31（3）：428.

［3］ 曾春蘭，鐘振國.余甘子葉提取物體外抗腫瘤作用研究［J］.時珍國醫(yī)國藥，2008，19（3）：580.

［4］ 潘國慶，趙旭升，蔣炘治.余甘子抗氧化作用的研究［J］.青海科技，2007，12（6）：33.

［5］ 劉麗梅，高 政，李寶文. 余甘子對實驗性頸動脈粥樣硬化家兔的影響［J］. 中國臨床康復(fù)， 2003，7 (5) : 766.

篇（5）

1.研究對象及研究方法

綿陽市各中學(xué)共7所，其中縣城中學(xué)3所，市級中學(xué)2所，鄉(xiāng)鎮(zhèn)中學(xué)2所。查閱各種文獻資料，借助網(wǎng)絡(luò)搜集自編課間操推廣的相關(guān)資料，整理分析。通過專家對編寫的問卷進行信度效度檢驗后，對綿陽市7所中學(xué)進行自編課間操推廣狀況進行問卷調(diào)查，共發(fā)放問卷400份，收回300份，回收率為75%，有效問卷280份，有效率為70%。對問卷調(diào)查的結(jié)果進行數(shù)據(jù)的綜合分析處理。通過訪問體育老師、教練以及各學(xué)校校長，了解推廣自編課間操存在的原因以及推廣措施。

2.結(jié)果與分析

2.1綿陽市自編課間操的特點

2.1.1自編課間操的適應(yīng)性

自編課間操主要以健美操、啦啦操和太極拳為主，在近幾年隨著各式各樣的健美操，啦啦操比賽、健美操節(jié)目在中小學(xué)中的舉行，受到了中小學(xué)生的強烈歡迎，有些學(xué)校將其作為學(xué)校的特色項目。

2.1.2自編課間操的趣味性

自編課間操是在音樂的伴奏下跟著音樂的節(jié)奏而跳動的新型課間操，它區(qū)別于傳統(tǒng)廣播體操的口令，這樣的課間操能激發(fā)學(xué)生的興趣，在不知不覺中也培養(yǎng)了學(xué)生的音樂的節(jié)奏感和學(xué)生做事集中精神的穩(wěn)定性，同時動作的豐富多樣性彌補了傳統(tǒng)廣播體操的單一性，大大的鍛煉了學(xué)生的協(xié)調(diào)性，靈敏性。

2.2綿陽市中學(xué)自編課間操的普及現(xiàn)狀

通過上表我們可以看出在綿陽市7所中學(xué)里，對健美操進行了教學(xué)推廣的中學(xué)有2所，占了總數(shù)里的29%，對啦啦進行教學(xué)推廣的中學(xué)有0所，占總數(shù)的0%，對太極拳進行教學(xué)推廣的中學(xué)有0所，占總數(shù)的0%，對傳統(tǒng)廣播體操進行教學(xué)推廣的中學(xué)有5所，占總數(shù)的71%。由此可見綿陽市還沒有對啦啦操和太極拳在校園里進行普及，傳統(tǒng)廣播體操的普及率稍高于健美操。在調(diào)查中我們發(fā)現(xiàn)這7所中學(xué)中專業(yè)的健美操老師只有一名，啦啦操和太極拳的專業(yè)老師沒有，還有就是學(xué)校的領(lǐng)導(dǎo)和教育有關(guān)部門不重視課間操，教師師資配備不合理，因此自編課間操的推廣受到阻礙，更談不上普及，所以只能采用傳統(tǒng)的廣播體操。

2.3綿陽市中學(xué)自編課間操的開展現(xiàn)狀

在調(diào)查中看到，綿陽市中學(xué)普遍缺乏體育教師，農(nóng)村中學(xué)的情況更為嚴重。在7所中學(xué)中發(fā)現(xiàn)只有一所中學(xué)有一位專業(yè)的健美操教師，其他中學(xué)的體育教師基本上是以田徑和籃球老師為主，在有些農(nóng)村中學(xué)的體育課是由其他科任老師代替的。針對農(nóng)村地區(qū)和那些邊遠地區(qū)缺乏體育教師的現(xiàn)狀，多層次、多渠道、有針對性地實行定向培養(yǎng)，解決分配不合理的問題，從實質(zhì)上解決中學(xué)體育師資的問題。在很多普通中學(xué)里場地是一個比較嚴重的問題，很多學(xué)校場地都不符合規(guī)范，大多數(shù)的體育場地只有兩個籃球場地大小，廣播體操做起來連人都沒法散開，所以只能分幾批做，或是不做，其他體育活動也只能在這個狹小的場地上進行了。在一些農(nóng)村和邊遠地區(qū)連音響設(shè)備都沒有，更別說做廣播體操了。

2.4自編課間操在綿陽市普通中學(xué)推廣的建議

2.4.1學(xué)校要積極采取措施

要全面貫徹德智體全面發(fā)展的方針，結(jié)合中學(xué)的教育方針，減輕學(xué)生的學(xué)業(yè)負擔(dān)，重視體育教育，將課間操作為評估學(xué)校的教育工作的一個重要內(nèi)容，將班主任的工作成績和體育掛鉤，關(guān)新學(xué)生的身體健康，培養(yǎng)四有人才，提高全民素質(zhì)，推動全民健身熱潮。

2.4.2學(xué)校配套設(shè)備的投入

要推廣自編課間操最重要的就是場地和音響設(shè)備，現(xiàn)在很多場地都被侵占，尤其在城市里的學(xué)校尤為嚴重，而在農(nóng)村一般場地的容納量都無法將學(xué)校所有的學(xué)生包含在其中，建議有計劃的對侵占學(xué)校場地的單位或個人進行查處，對農(nóng)村場地不夠的情況進行擴建，為學(xué)生提供一個良好的鍛煉環(huán)境。

2.4.3在學(xué)校開展自編課間操社團

為提高自編課間操的質(zhì)量，在學(xué)校組建社團，培養(yǎng)一批自編課間操的骨干，可以充分利用課余時間進行自編課間操的學(xué)習(xí)，不僅豐富了課余生活還學(xué)習(xí)了知識，有利于自編課間操的推廣，提高學(xué)校的體育水平。還可以開展一些以班級為單位自編課間操的比賽，比賽成績好的可以代表班級在學(xué)校進行匯報演出，這樣不斷的提高自編課間操的水平，同時也為班級的自編課間操的學(xué)習(xí)推廣起到了指導(dǎo)作用。

3.結(jié)論與建議

3.1結(jié)論

自編課間操反應(yīng)了中學(xué)生的積極要求，可以提高課間操的質(zhì)量，以便達到鍛煉的效果，同時可以有效的克服學(xué)生的消極心理，可以豐富課堂的體育教學(xué)內(nèi)容，使學(xué)生認識到體育的重要性，因此自編課間操的推廣迫在眉睫。自編課間操是各種體育運動和體育舞蹈融合而成的，其普及性很強，隨著社會的發(fā)展，學(xué)校領(lǐng)導(dǎo)逐漸認識到自編課間操對學(xué)生具有很大的鍛煉價值，因此在學(xué)校里將自編課間操代替?zhèn)鹘y(tǒng)廣播體操的普及和發(fā)展是很有必要的。3.1.3從調(diào)查結(jié)果來看，學(xué)生在自編課間操和傳統(tǒng)廣播體操中，更加喜歡自編課間操，這就很好的說明了自編課間操的鍛煉價值，在對比中發(fā)現(xiàn)，自編課間操的多樣性和時效性等都比傳統(tǒng)廣播體操更有價值些，要不然也不會有那么多學(xué)生選擇用自編課間操代替廣播體操，也說明自編課間操具有很高的推廣價值。

3.2建議

在各個學(xué)校適當(dāng)?shù)脑黾幼跃幷n間操學(xué)習(xí)的內(nèi)容，隨著在各中學(xué)的廣泛推廣，自編課間操代替?zhèn)鹘y(tǒng)廣播體操是一個很明智的舉動，在推廣形式和內(nèi)容是哪個還在不斷的充實和完善，為全民健身起到推進作用。運用自編課間操的多樣性，對廣播體操進行改進，將其注入新的元素，拋開陳舊古板的模式，讓自編課間操在推廣中帶著這種時代感走向全民健身的行業(yè)。（作者單位：綿陽師范學(xué)院體育與健康教育學(xué)院）

篇（6）

眾所周知，藥品對于國內(nèi)的廣大人民群眾來說是非常重要的，并且根據(jù)國內(nèi)相關(guān)的民生新聞來看，近幾年國內(nèi)的藥品質(zhì)量相關(guān)的事件發(fā)生概率仍然是比較高的，這一類事件的發(fā)生輕則使得人民群眾產(chǎn)生了一定程度上經(jīng)濟的損失，重則使得人民群眾的人身安全受到了嚴重的威脅，因此，現(xiàn)階段提升化學(xué)藥品生產(chǎn)質(zhì)量已經(jīng)是迫在眉睫的了。所以，在接下來的文章中就將對近紅外光譜分析技術(shù)在化學(xué)藥品生產(chǎn)過程控制應(yīng)用進行詳盡的闡述，并且試圖提出一定的具有建設(shè)性的意見或者對策，以使得化學(xué)藥品的質(zhì)量、生產(chǎn)效率都有一定程度的提升。

一、近紅外光譜分析技術(shù)的涵義以及其特點

（一）近紅外光譜分析技術(shù)的涵義所謂的近紅外光譜分析技術(shù)，其中使用的是一種比較特殊的電磁輻射波，這一輻射波介于可見光與中紅外之間，這也是其名稱的由來。根據(jù)相關(guān)的調(diào)查結(jié)果不難得知，美國的材料檢測協(xié)會這一組織將近紅外光譜分析技術(shù)的電磁輻射波定義在780nm-2526nm之間[1]，這也是人類在研究過程中發(fā)現(xiàn)的首個非可見的光區(qū)，對于后續(xù)的研究事業(yè)的發(fā)展也是非常重要的。在藥品的生產(chǎn)過程中采用這一技術(shù)能夠?qū)崿F(xiàn)在線分析，從而能夠非常快速的得到檢測的結(jié)果，以此實現(xiàn)藥品生產(chǎn)過程中的控制作用，進而使得藥物的生產(chǎn)質(zhì)量實現(xiàn)上升。

（二）近紅外光譜分析技術(shù)的特點一般來說，常規(guī)的藥物分析技術(shù)只能特定地分析某一種藥物成分的含量數(shù)據(jù)，但是近紅外光譜分析技術(shù)能夠?qū)崿F(xiàn)對藥物生產(chǎn)過程中的多種成分的檢測，這使得工作時間得到了節(jié)省，同時工作效率能夠得到非常巨大的提升，省出來的人力物力以及財力能夠購置相關(guān)的制藥設(shè)備，這對于國內(nèi)制藥廠的工作來說是非常巨大的一種提升，可以說這一技術(shù)的應(yīng)用使得制藥廠的工作得到了極大的改善[2]。其次，這一技術(shù)的應(yīng)用成本相對來說比較低，因為近紅外光譜分析技術(shù)能夠在光纖上進行使用，進而使得技術(shù)應(yīng)用成本得到了降低。并且在進行應(yīng)用之后，就能夠節(jié)省非常多的人力資源，因為這一技術(shù)可以實現(xiàn)多條生產(chǎn)線路的樣品質(zhì)量檢測工作。另外，近紅外光譜分析技術(shù)的污染也是比較低的，這一技術(shù)的應(yīng)用符合我國可持續(xù)發(fā)展的標準。傳統(tǒng)藥品生產(chǎn)過程的檢驗工作往往會使用到非常多的化學(xué)試劑，進而就會產(chǎn)生了非常多的化學(xué)廢水，這些廢水對于環(huán)境的污染情況是非常嚴重的。而這一技術(shù)主要利用的是近紅外光，不需要使用繁多的化學(xué)試劑，因此對于環(huán)境能夠形成保護的效果。

二、近紅外光譜分析技術(shù)在化學(xué)藥品生產(chǎn)過程中的控制應(yīng)用

篇（7）

DOIDOI：10.11907/rjdk.162600

中圖分類號：TP317.4文獻標識碼：A文章編號文章編號：16727800（2017）001016105

對于連續(xù)狹窄的光譜帶，高光譜成像傳感器能夠捕獲詳細和豐富的光譜信息。近年來，隨著圖像處理技術(shù)的發(fā)展，高光譜圖像得到廣泛應(yīng)用，在高光譜圖像應(yīng)用中最重要的任務(wù)是對圖像進行分類。然而，在高光譜遙感圖像分類問題中存在一些挑戰(zhàn)。例如有限訓(xùn)練樣本之間的不平衡和高維度，高光譜遙感圖像幾何形狀復(fù)雜，高光譜遙感圖像分類計算復(fù)雜度高。為使高光譜遙感圖像分類取得良好效果，近年來，機器學(xué)習(xí)方法在高光譜圖像分類中得到廣泛應(yīng)用，例如人工神經(jīng)網(wǎng)絡(luò)（Artificial neural networks，ANNs）[1]、支持向量機（Support vector machine，SVM）[2]、多項邏輯回歸（Multinomial logistic regression，MLR）[3]、主動學(xué)習(xí)（Active learning，AL）[4]等，其它方法如利用稀疏表示[5]以及譜聚類[6]對高光譜進行分離也得到廣泛應(yīng)用。然而，由于高光譜遙感圖像具有{維度以及復(fù)雜性，通過機器學(xué)習(xí)算法尋找最優(yōu)的參數(shù)來進行分類通常非常困難，并且耗時，實現(xiàn)高光譜遙感圖像高效快速分類已成為遙感圖像領(lǐng)域的重要問題。

近年來，Huang等[7]基于單隱層前饋神經(jīng)網(wǎng)絡(luò)（Single-hidden layer feedforward networks，SLFNs）結(jié)構(gòu)提出了極限學(xué)習(xí)機（Extreme learning machine，ELM）。ELM隨機產(chǎn)生隱層節(jié)點的輸入權(quán)值和偏置值，所有參數(shù)中僅有輸出權(quán)值經(jīng)過分析確定。ELM將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的求解過程轉(zhuǎn)化為一個線性模型，ELM隨機選擇輸入權(quán)值和分析確定SLFNs的輸出權(quán)值，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法收斂速度慢及陷入局部極小解的可能，具有更好的泛化能力和更快的學(xué)習(xí)速度。文獻[7]指出ELM通過隨機產(chǎn)生隱層節(jié)點的輸入權(quán)值和偏置值分析確定輸出權(quán)值，保持了SLFNs的通用逼近能力，同時能夠得到一個全局最優(yōu)解。由于ELM良好的泛化能力，使得ELM應(yīng)用在不同的領(lǐng)域中。在高光譜遙感圖像領(lǐng)域，Pal等[8]將ELM應(yīng)用到土地覆蓋分類中，與BP[9]神經(jīng)網(wǎng)絡(luò)和支持向量機相比，ELM取得了更好的分類效果，并且ELM算法的計算復(fù)雜度遠遠小于BP和支持向量機。Bazi等[10]利用差分進化方法優(yōu)化核ELM算法的參數(shù)，提高了高光譜遙感圖像的分類效果。為了提高ELM算法在高光譜遙感圖像分類中的穩(wěn)定性，Samat等[11]基于Bagging 和 AdaBoost算法提出了集成的極限學(xué)習(xí)機算法（Ensemble extreme learning machine，E2LM）。

雖然針對高光譜遙感圖像分類問題，研究人員在ELM算法的基礎(chǔ)上提出了改進，然而 ELM及其改進算法并未充分考慮數(shù)據(jù)樣本間的幾何特征和數(shù)據(jù)蘊含的判別信息。知道樣本之間具有某些相似的屬性和分布特征，樣本之間的相似屬性和分布特征能夠彌補ELM學(xué)習(xí)不夠充分的問題，進而可以提高ELM的泛化能力，因而數(shù)據(jù)樣本的幾何特征和數(shù)據(jù)蘊含的判別信息對ELM的分類性能具有重要作用。

基于以上分析，本文提出一種基于判別信息極端學(xué)習(xí)機（Discriminative information regularized extreme learning machine，IELM），對于分類問題，IELM同時考慮到數(shù)據(jù)樣本的幾何特征和數(shù)據(jù)蘊含的判別信息，通過最大化異類離散度和最小化同類離散度，優(yōu)化極端學(xué)習(xí)機的輸出權(quán)值，從而在一定程度上提高ELM的分類性能和泛化能力。IELM方法的優(yōu)勢在于：①繼承了ELM的優(yōu)點，在一定程度上避免了ELM學(xué)習(xí)不充分的問題；②將異類離散度和同類離散度引入到ELM中，充分利用數(shù)據(jù)樣本的判別信息；③利用MMC[12]方法有效解決最大化異類離散度和最小化同類離散度矩陣奇異問題。

為評價和驗證本文提出的基于判別信息極端學(xué)習(xí)機的高光譜遙感圖像分類方法，實驗使用Indian Pines，Salinas scene兩個高光譜遙感圖像數(shù)據(jù)，將本文所提出的方法與ELM、支持向量機（Support vector machine，SVM）、最近鄰分類器協(xié)作表示（Collaborative representation nearest neighbor classifier，CRNN）[13]進行對比，實驗結(jié)果表明本文提出的算法能夠取得較好的分類效果。

實驗環(huán)境為惠普工作站處理器：Intel（R）Xeon（R） CPU E5-1603 0 @2.80 GHz，安裝內(nèi)存：8.00GB ，系統(tǒng)類型：64位操作系統(tǒng)，版本：win7，語言開發(fā)環(huán)境采用 Matlab 2010b。

第一組實驗數(shù)據(jù)為Indian Pines遙感圖像數(shù)據(jù)，Indian Pines數(shù)據(jù)是AVIRIS傳感器在薩利納斯山谷收集的數(shù)據(jù)，該圖像包含200個波段，圖像大小為145×145，地表真實分類如圖1所示，Indian Pines數(shù)據(jù)集屬性設(shè)置如表1所示。

第二組實驗數(shù)據(jù)為Salinas scene遙感圖像數(shù)據(jù)，Salinas scene數(shù)據(jù)是AVIRIS傳感器在薩利納斯山谷收集的數(shù)據(jù)，該圖像包含204個波段，圖像大小為512×217，地表真實分類如圖2所示， Salinas scene數(shù)據(jù)集屬性設(shè)置如表2所示。

實驗中，對于Indian Pines和Salinas scene圖像數(shù)據(jù)，隨機選取1%的數(shù)據(jù)樣本作為訓(xùn)練集，剩下部分為測試集，使用總體精度（OA），Kappa系數(shù)，平均準確率（AA）衡量不同算法的性能。

（1）體精度。總體精度（overall accuracy，OA）是對分類結(jié)果質(zhì)量的總體評價，等于被正確分類的像素總和除 以總的像素個數(shù)。被正確分類的像素沿著混淆矩陣的對角線分布，它顯示了被正確分類到真實分類中的像元數(shù)。根據(jù)混淆矩陣可得OA的計算式為：p=∑ci=1miiN（21）其中，c表示類別數(shù)目，mii表示混淆矩陣對角線上的元素，N=∑ci=1∑cj=1mij表示測試樣本的總數(shù)。

（2）Kappa系數(shù)。Kappa系數(shù)采用一種多元離散分析技術(shù)，反映分類結(jié)果與參考數(shù)據(jù)之間的吻合程度，它考慮了混淆矩陣的所有因子，是一種更為客觀的評價指標，其定義為：k=N∑ci=1mii-∑ci=1（mi+m+i）N2-∑ci=1（mi+m+i）（22）其中，mi+，m+i分別表示混淆矩陣第i行的總和、第i列的總和，c表示類別數(shù)目，N為測試樣本總數(shù)，mii表示混淆矩陣對角線上的元素，Kappa系數(shù)越大分類精度越高。

（3）平均精度。平均精度（average accuracy，AA）定義為每類分類準確率相加除以類別總數(shù)。AA=∑ci=1accic（23）其中，c表示類別數(shù)目，acci表示每類的分類準確率。

4.2實驗結(jié)果及分析

將IELM與ELM，SVM，CRNN進行對比，SVM采用libsvm工具箱，核函數(shù)采用徑向基核函數(shù)（Radial basis function，RBF），懲罰參數(shù)c=0.02，核函數(shù)參數(shù)g=0.02，IELM與ELM均采用Sigmoid函數(shù)作為激活函數(shù)，隱層節(jié)點個數(shù)設(shè)置為500，懲罰參數(shù)c=20。

5結(jié)語

本文提出了一種基于判別信息極端學(xué)習(xí)機的高光譜遙感圖像分類方法，創(chuàng)新之外在于考慮到光譜遙感圖像數(shù)據(jù)的聯(lián)系和差異信息。IELM引入同類離散度和異類離散度的概念，體現(xiàn)了輸入空間數(shù)據(jù)的判別信息，通過最大化異類離散度和最小化同類離散度，優(yōu)化極端學(xué)習(xí)機的輸出權(quán)值。與NN，SVM， ELM算法的對比實驗表明，本文所提出方法的分類效果優(yōu)于NN，SVM，ELM算法。

參考文獻：

[1]Q SAMI UL HAQ，L TAO.Neural network based adaboosting approach for hyperspectral data classication[J].International Conference on Computer Science and Network Technology（ICCSNT），2011：241245.

[2]J A GUALTI，R F CROMP.Support vector machines for hyperspectral remote sensing classification[J].in Proc.SPIE 27th AIPR Workshop：put.Assisted Recognit.Int.Soc.Opt.Photonics，Washington，DC，USA，1999：221232.

[3]J Li，J BIOUCASDIAS，A.PLAZA.Semisupervised hyperspectral image classification using soft sparse multinomial logistic regression[J].IEEE Geosci.Remote Sens.Lett，2013，10（2）：318322.

[4]W DI，MM CRAWFORD.Active learning via multiview and local proximity coregularization for hyperspectral image classification[J].IEEE Journal of Selected Topics in Signal Processing，2011，5（3）：618628.

[5]J BIOUCASDIAS，M A T.FIGUEIREDO.Alternating direction algorithms for constrained sparse regression：application to hyperspectral unmixing[J].Hyperspectral Image and Signal Processing：Evolution in Remote Sensing （WHISPERS），2010：14.

[6]Y TARABALKA，J A BENEDIKTSSON，J CHANUSSOT.Spectralspatial classification of hyperspectral imagery based on partitional clustering techniques[J].IEEE Transactions on Geoscience and Remote Sensing，2009，47（8）：29732987.

[7]GB HUANG，H ZHOU，X DING，et al.Extreme learning machine for regression and multiclass classification[J].IEEE Trans.Syst Man Cybern B，2012，42（2）：51329.

[8]M PAL，A E MAXWELL，T A WARNER.Kernelbased extreme learning machine for remotesensing image classification[J].Remote Sens.Lett，2013，4（9）：853862.

[9]D RUMELHART，G HINTON，R WILLIAMS.Learning by backpropagating errors[J].Nature，1986，323（6088）：533536.

[10]Y BAZI.Differential evolution extreme learning machine for the classification of hyperspectral images[J].IEEE Geosci.Remote Sens.Lett，2014，11（6）：10661070.

[11]A SAMAT，P DU，S LIU，et al.E2LMs：ensemble extreme learning machines for hyperspectral image classification[J].IEEE J.Sel.Topics Appl.Earth Observ.Remote Sens，2014，7（4）：10601069.

篇（8）

實踐教學(xué)管理是高校為了培養(yǎng)學(xué)生實踐能力所采用的新的管理模式，是根據(jù)高校的教學(xué)目的來開展的有規(guī)律的、有計劃的實踐教學(xué)活動。[1]而實踐網(wǎng)站是高校實踐教學(xué)管理信息化的重要組成部分，能有效提高實踐教學(xué)管理的效率。該網(wǎng)站不僅是一個實踐教學(xué)信息和通知的窗口，它更是一個分享平臺，讓校外人員清楚了解學(xué)校開展實踐教學(xué)的情況，為其他學(xué)校提供可借鑒的經(jīng)驗，同樣接受別人的合理提議和意見;讓師生能快速、方便的找到學(xué)校實踐教學(xué)發(fā)展的方向和各種活動資料;讓管理者能清楚自己的工作是否給廣大師生帶來便利。在前幾年網(wǎng)站建設(shè)熱潮中，多數(shù)高校都建設(shè)有完整的實踐教學(xué)網(wǎng)站。

但隨著高校數(shù)字化校園的發(fā)展，近年來各高校紛紛引入包括實踐教學(xué)管理系統(tǒng)等各種教學(xué)信息管理系統(tǒng)，這些信息管理系統(tǒng)大大提高了教學(xué)管理的效率，已經(jīng)成為高校信息化發(fā)展的核心。而實踐網(wǎng)站的建設(shè)開始不那么受重視了。

2 廣東省普通高校實踐網(wǎng)站建設(shè)現(xiàn)狀調(diào)研

為了解廣東省本科學(xué)校實踐網(wǎng)站的建設(shè)情況，我們選取了廣東省26所二A類本科高校進行了調(diào)研。因為這類高校屬于應(yīng)用型高校，主要培養(yǎng)高級技術(shù)技能型人才，更注重學(xué)生實踐能力的培養(yǎng)。調(diào)查的方法：瀏覽各高校的網(wǎng)站。我們通過查看各校網(wǎng)站及教務(wù)處網(wǎng)頁，看其是否有完整的實踐網(wǎng)站、還是只有部分實踐教學(xué)模塊、或者完全沒有實踐教學(xué)內(nèi)容并進行統(tǒng)計，調(diào)查情況如下圖：

■

通過調(diào)查可看出，所調(diào)查的高校中，只有仲愷農(nóng)業(yè)工程學(xué)院、嘉應(yīng)學(xué)院、廣東藥學(xué)院等3所高校設(shè)有專門的實踐網(wǎng)站，占調(diào)研高校的11.57%。有8所高校學(xué)校網(wǎng)站的教務(wù)處網(wǎng)頁下有部分關(guān)于實踐教學(xué)的模塊，占30.77%，并且這些模塊中，有些模塊內(nèi)容是空白的。另外15所高校沒有實踐教學(xué)的相關(guān)內(nèi)容，所占比例為57.69%。

從調(diào)查結(jié)果發(fā)現(xiàn)，多數(shù)高校沒有專門的實踐教學(xué)網(wǎng)站，有些高校網(wǎng)站甚至沒有任何關(guān)于實踐教學(xué)的介紹。為什么會出現(xiàn)這種情況，是高校不再重視實踐教學(xué)嗎？還是實踐網(wǎng)站確實訪問量低，對實踐教學(xué)管理幫助不大，高校只是不重視網(wǎng)站建設(shè)而非不重視實踐教學(xué)。

3 分析

為此我們對建設(shè)有完整實踐教學(xué)網(wǎng)站的仲愷農(nóng)學(xué)院師生進行關(guān)于實踐教學(xué)網(wǎng)站了解情況的調(diào)查，其中學(xué)生采取網(wǎng)絡(luò)問卷的方式調(diào)查，共回收有效問卷947份;教師采用紙質(zhì)問卷的方式調(diào)查，共回收有效問卷30份。具體調(diào)查結(jié)果如下：

3.1 參與調(diào)查的絕大部分是校內(nèi)的本科學(xué)生。接近7成的學(xué)生稱沒有了解過本校的實踐網(wǎng)站。而有8成的教師稱沒有了解過本校的實踐網(wǎng)站。超過7成的老師從來不知道學(xué)校有實踐網(wǎng)站。

3.2 關(guān)于什么情況會訪問網(wǎng)站，有超過6成的學(xué)生認為他們工作、學(xué)習(xí)需要的時候，才會查閱網(wǎng)站。有3成的教師認為他們工作、學(xué)習(xí)需要的時候，才會查閱網(wǎng)站。而對于是否清楚實踐網(wǎng)站的意義，超過一半的學(xué)生認為自己基本不了解網(wǎng)站建設(shè)的目的性和意義;有4成多的老師完選擇全不清楚。

通過調(diào)查我們發(fā)現(xiàn)，即使像仲愷農(nóng)業(yè)工程學(xué)院這樣建設(shè)有專門實踐教學(xué)網(wǎng)站的學(xué)習(xí)，學(xué)校師生也極少需要訪問到該網(wǎng)站。這一方面與技術(shù)進步和師生的閱讀習(xí)慣改變有關(guān);近些年各高校教學(xué)管理系統(tǒng)、OA系統(tǒng)甚至數(shù)字化校區(qū)系統(tǒng)，qq群、好友圈、微博等通訊手段也在校園內(nèi)廣泛應(yīng)用，廣大師生已經(jīng)不再依賴網(wǎng)站來了解學(xué)校的教學(xué)情況。最近《第一財經(jīng)周刊》有報道，隨著消費者閱讀習(xí)慣的改變，國內(nèi)四大門戶網(wǎng)站流量和市值已經(jīng)大不如前，各公司已經(jīng)把投入大多都轉(zhuǎn)向了社交、視頻、垂直網(wǎng)站上面。[2]可見，閱讀習(xí)慣的改變不僅僅發(fā)生在校園內(nèi)，而是整個社會的發(fā)展。

另一方面高校網(wǎng)站信息量太多、重復(fù)率高也是造成實踐網(wǎng)站訪問量少的原因。經(jīng)過前些年網(wǎng)站建設(shè)熱潮中，許多高校各個部門、各院（系）甚至許多管理崗位都建設(shè)了網(wǎng)站。這樣的信息量太大了，別說4年就畢業(yè)的學(xué)生，連工作幾十年的老師也不可能清楚學(xué)校網(wǎng)站的所有內(nèi)容。因此遇到較重要的通知，校園網(wǎng)主頁和部門主要都會同時，這又造成的信息的重復(fù)，學(xué)生既然在主頁就能找到信息了，就沒必要進入部門主頁了，更何況掛在部門主頁下面的實踐網(wǎng)站。

4 建議

4.1 定位明確。實踐教學(xué)網(wǎng)站應(yīng)該起著輔助管理的作用，這就需要根據(jù)各高校的情況來定位網(wǎng)站的功能。如果學(xué)校已經(jīng)引入了實踐教學(xué)管理系統(tǒng)、大學(xué)生創(chuàng)新創(chuàng)業(yè)項目管理系統(tǒng)、實踐競賽管理系統(tǒng)、學(xué)生管理系統(tǒng)等信息化系統(tǒng)，那么大可不必設(shè)置專門的實踐教學(xué)網(wǎng)站。而類似仲愷農(nóng)業(yè)工程學(xué)院這樣雖然引入了實踐教學(xué)管理系統(tǒng)，但畢業(yè)論文、大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項目、實踐基地建設(shè)和實踐技能競賽等仍用傳統(tǒng)方式管理的學(xué)校，則可以設(shè)有相關(guān)的實踐教學(xué)網(wǎng)站來作為實踐教學(xué)管理信息的平臺。

篇（9）

隨著企業(yè)生產(chǎn)與社會需求的不斷改變，對檢驗和化驗的精度和速度要求也隨之提高，尤其是滿足連續(xù)化高速度生產(chǎn)的需要，檢測儀器的效率也不斷的得以提高。配置必要的檢測設(shè)備和分析設(shè)備是十分必要的，但是一些設(shè)備受到程序的限制，一旦超出范圍就不能保證檢測的準確。如直讀原子發(fā)射光譜儀在10s鎳完成對鋁基中鐵元素的測定，但是其工作原理使得其測量的結(jié)果容易超過測量的曲線范圍，從而不能得出準確結(jié)果。所以在檢驗中配合硫氰酸銨比對法則可以很準確的測量高鐵含量，但是耗時長不適合用于生產(chǎn)，所以如能將二者結(jié)合起來，利用化學(xué)法與光譜法的各自優(yōu)勢來實現(xiàn)準確和快速的測量，利用試驗獲得一個平衡點，提高效率的同時保證精度。

1 試驗設(shè)備與制劑

（1）直讀光譜儀：入射縫：25μm；出射縫：89μm；光源：HR400激發(fā)光源；氬氣：高純度99%以上；工作條件：沖洗2s；預(yù)燃：7s；曝光4s。另準備：比色計；比色皿。

（2）制劑：氫氧化鈉20%（水溶）；鹽酸（1：1水溶）；過硫酸銨2%（水溶、當(dāng)天配置）；高錳酸鉀，0.1mol.L1。

2 測試方法

2.1 試驗步驟

樣本確定：試驗中擬定用光譜儀繪制工作曲線，所以選擇樣本應(yīng)保證均勻穩(wěn)定含鐵量合適的樣本。篩選時取多個試樣，利用硫氰酸銨比色方法篩選，利用統(tǒng)一的測試方式選擇相對有代表性且誤差較低的數(shù)據(jù)，并作為管理樣（其標準直徑40mm，高30mm）。按照實際的情況管理樣的鐵含量為2-3.5%。預(yù)定管理樣兩個，與純鋁系的樣本3個，利用光譜儀繪制曲線然后進行對比。

硫氰酸銨測量：樣品處理，鉆床上鉆得若干位置含量的樣本試樣，并注意對樣本采集的位置保證均勻，每個試樣均安排相同的處理步驟，稱量0.10000g試樣，置于30mL容量的坩堝中，然后加入氫氧化鈉溶液2.5mL，并利用電熱板進行加熱溶解，待反應(yīng)完全后取下，隨后利用鹽酸（1∶1）溶液10ML進行酸化，在100ML容量瓶中完成，利用70-80℃的熱水清洗坩堝，并加入0.05mol.L1高錳酸鉀直至溶液出現(xiàn)微紅，然后置于電爐上進行加熱，稍微沸騰即可，并進行冷卻，沖洗至刻度線，搖勻作為制劑備用，同時利用這個方法進行去白。

利用上述過程制備的母液，取10ml置于25ml容量瓶中，按照帶標樣本繼續(xù)稀釋至數(shù)倍，直至到達比色計適用范圍，以空白母液加入基本酸度，加入2%的過硫酸銨溶液1ml，用2%的硫氰酸銨溶液沖洗值刻度，搖勻后進行比色，并作出空白和標樣試驗，隨后利用比色計的濾光片，以水為參照，讀取參數(shù)，扣除空白，得到消光值。完成后利用公式對鋁基試樣中的鐵含量進行計算，并獲得最終數(shù)據(jù)。

2.2 直讀光譜儀繪制曲線

樣本處理：選擇在上面試驗中獲得的管理樣本和純鋁系樣本，都進行銑平保證光潔，并處理邊緣毛刺。利用控制樣本檢查光譜儀的穩(wěn)定性與準確性，如果光譜儀在檢查中出現(xiàn)不穩(wěn)定或者外部溫度差異較大，或者其他實驗條件改變，則應(yīng)進行校正。

圖1？鋁基鐵含量直讀儀工作曲線圖

繪制曲線：在直讀儀器穩(wěn)定后，將硫氰酸銨測定鐵法的選擇的管理樣和原有純鋁系的樣本統(tǒng)一進行工作曲線的數(shù)據(jù)，進行輸入與繪制，包括分析參數(shù)、標準含量、驗證數(shù)據(jù)、曲線計算、標準化數(shù)據(jù)構(gòu)建等等，最后選定鐵元素數(shù)據(jù)項，即可繪制出高鐵曲線，選擇適當(dāng)?shù)那€擬合次數(shù)就可投入到生產(chǎn)應(yīng)用中。

3 對試驗結(jié)果的分析

曲線繪制：利用硫氰酸銨比色法測定鋁基中的高鐵含量的試驗結(jié)果很好的反應(yīng)了測樣的穩(wěn)定性情況，利用這一測試的結(jié)果，可以從諸多的試樣中選擇兩個作為管理樣，并利用篩選后的樣本進行工作曲線的繪制，即利用直讀光譜儀對管理樣與純鋁系樣本進行檢測，由此獲得了工作曲線如下圖1：

結(jié)果分析：利用直讀光譜儀可以檢測到工作曲線最低標準的值是80%直至最高標準點120%之間的數(shù)據(jù)，所以測定可以滿足3.755%以下的鐵含量的測定。

4 結(jié)束語

光電直讀發(fā)射光譜的技術(shù)已經(jīng)是當(dāng)前有色金屬、黑金屬等加工中所必須的分析措施，在相同類型的分析措施中有真空通道和非真空通道的差異，都需要以標準樣作為基礎(chǔ)。標準試樣的生產(chǎn)較為復(fù)雜，全國范圍內(nèi)僅有幾個大型企業(yè)可以生產(chǎn)。所以在檢測試驗中如果要并不苛刻的情況下，利用管理樣本作為繪制工作曲線的基礎(chǔ)也是可以的。因為利用硫氰酸銨比色法進行分析，盡管準確性很高，但是耗時長且認為干擾多，同時成本高不適應(yīng)工業(yè)生產(chǎn)的過程。利用該方法的缺陷主要在于管理樣的均勻情況與標準樣還是有差異的，可能會造成工作曲線的制作與日常應(yīng)用之間的誤差，但是即使存在偏差也可進行調(diào)整，并利用最終的產(chǎn)品的準確分析加以控制，但是這個方法不能應(yīng)用在最終的產(chǎn)品檢驗上，因為出廠品必須與國家的標準試樣進行比較，并使用國家承認的方法進行測定，這是產(chǎn)品檢驗的必要條件。

在該方法的應(yīng)用中，必須要用未知的高鐵含量的鋁錠，配合已知含量在99%以上的鋁錠配制鐵0.8%的合金，應(yīng)用此方法分析高鐵鋁錠中的鐵含量通常在一定的范圍內(nèi)，并進行合理的分析計算，最后利用國家的標準方法進行分析，然后才能確認為最終的結(jié)果，試驗證明其可以能滿足相關(guān)測定需要，并可應(yīng)用與生產(chǎn)。

參考文獻

篇（10）

Vol.2,4th Edition

2009

Hardcover

ISBN 9783540749523

W 德姆特勒德著

自1960年第一臺激光器問世以來的近50年中,激光光譜學(xué)一直是研究領(lǐng)域的重點,并且在科學(xué)、醫(yī)藥以及技術(shù)的許多方面取得顯著進展,得到越來越多的應(yīng)用。激光光譜學(xué)的發(fā)展部份地得力于新的實驗技術(shù)。這些新技術(shù)的出現(xiàn),激發(fā)了激光在化學(xué)、生物、醫(yī)藥、大氣研究、材料科學(xué)、計量學(xué)、光通訊網(wǎng)絡(luò)以及許多其它工業(yè)領(lǐng)域的應(yīng)用。

為了讓讀者了解這些新發(fā)展,新版書中增加了很多新內(nèi)容,譬如:外腔倍頻,穩(wěn)定的連續(xù)參量振蕩器,可調(diào)的窄帶紫外光源,更靈敏的檢測技術(shù),可調(diào)的飛秒或次飛秒激光器,原子或分子激發(fā)的控制,能與飛秒激光器同步的頻率梳,相干的物質(zhì)波,以及在化學(xué)分析、醫(yī)藥診斷、工程中更多的應(yīng)用實例。此外,對一些章節(jié)的內(nèi)容如非線性光譜學(xué)、離子阱、超短激光脈沖、以及激光光譜的新發(fā)展等作了較大改進和擴充。新增的50張插圖展示了最新的開發(fā)和研究結(jié)果。這些新內(nèi)容需要在第三版《激光光譜學(xué)》中增加很多頁面,因此著者決定將第四版的《激光光譜學(xué)》分為兩卷。第一卷主要論述激光光譜學(xué)的基礎(chǔ)。第二卷介紹了激光光譜學(xué)的各種實驗技術(shù)及應(yīng)用。新技術(shù)及新實驗裝置包括:用光梳直接測量光波的絕對頻率和脈沖;可見飛秒激光高次諧波的阿秒時間分辨率;飛秒非共線光參放大器,以及用它來高速測量激發(fā)分子的快速動態(tài)過程,它也是詳細研究一些重要過程如眼視網(wǎng)膜的視覺過程,或葉綠素分子中的光合成過程的基本工具。

本書共10章:1.激光的多普勒極限吸收光譜和熒光光譜;2.非線性光譜;3.激光喇曼光譜;4.分子束的激光光譜;5.光泵和雙共振技術(shù);6.時間分辨激光光譜;7.相干光譜;8.碰撞過程的激光光譜;9.激光光譜的新發(fā)展;10.激光光譜學(xué)的應(yīng)用。每一章的末尾有練習(xí)題。書的末尾有習(xí)題答案、參考文獻及主題索引。

著者任職于德國凱澤斯勞滕大學(xué)(Universitt Kaiserslautern)物理系。目前他的教學(xué)及研究的興趣包括:實驗物理學(xué),激光光譜,原子、分子和光子,分子物理學(xué)。他曾撰寫數(shù)十部著作。

本書填補了前沿研究論文與基本原理和基本實驗技術(shù)之間的空白。適合于想深入了解激光光譜學(xué)的物理學(xué)家及化學(xué)家閱讀;也可作為研究生的教科書。凡是學(xué)過原子物理、分子物理、電動力學(xué)和光學(xué)的學(xué)生都能閱讀本書。

劉克玲,退休研究員

篇（11）

關(guān)鍵詞： 重疊峰；分解；數(shù)學(xué)方法

Key words： overlapping peaks；decomposition；mathematical method

中圖分類號：O17文獻標識碼：A文章編號：1006-4311（2011）04-0197-01

1重疊峰分解的實際意義

在光譜研究領(lǐng)域，重疊的光譜信號是比較常見的。例如，①在紫外-可見光譜分析中：在苯和甲苯的混合體系及苯、甲苯和二甲苯等混合體系中，各組分紫外光譜嚴重重疊；復(fù)合維生素B片劑的吸收光譜中，維生素B1，B2，B6和煙酰胺4組分嚴重重疊；二甲酚橙（XO）-CTMAB-Cu、Cd、Ni顯色體系各組分吸收光譜相互重疊。鈰組稀土元素的性質(zhì)極其相似，因此其5種元素的吸收光譜嚴重重疊。②在熒光光譜分析中：利用偏振X射線熒光技術(shù)分析鐵磁性永磁材料粉末時，Si和Sr譜線完全重疊；醫(yī)院營養(yǎng)輸液常用的復(fù)合氨基酸注射液中包含色氨酸和酪氨酸，而此二組分的熒光光譜嚴重重疊等等。此外，重疊現(xiàn)象在化學(xué)領(lǐng)域的電化學(xué)分析、色譜分析中也同樣存在。重疊現(xiàn)象給進一步的定性和定量分析都帶來了困難。對于這樣的問題，通過硬件手段如改進儀器來提高信號的分辨率通常受到資金或工作條件等現(xiàn)實問題的制約。因此，往往通過數(shù)學(xué)手段把儀器未能完全分離的多個譜峰給以分解，得到重疊峰信號中的各子峰或組分的相關(guān)信息（如峰形狀、峰位置、半峰寬和峰高度）的估計值。而隨著計算機的發(fā)展，計算技術(shù)的提高，與計算機相結(jié)合的信息理論、多元統(tǒng)計分析法、數(shù)學(xué)最優(yōu)化等數(shù)學(xué)方法被利用于重疊峰的分解，并逐漸成為了現(xiàn)代光譜分析的熱點。

2國內(nèi)外研究現(xiàn)狀

對于采用各種計算方法分解光譜重疊峰的研究已有不少報道，其中分光光度法、熒光光譜、ICP-AES等重疊峰的解析已發(fā)展比較成熟。目前常見的數(shù)學(xué)方法有四類：

2.1 雙波長、三波長法、導(dǎo)數(shù)光譜法其中導(dǎo)數(shù)光譜法是分辨重疊峰的一種常用的較為成熟的方法。1953年Hammond等人首先提出。其基本原理是對原吸收曲線進行一階、二階至四階求導(dǎo)，然后對得到的各階導(dǎo)數(shù)光譜進行分析。從而來確定重疊峰的個數(shù)、重疊峰位及改善譜線分辨率等。關(guān)于導(dǎo)數(shù)法定研究及報道有很多，如王超群利用導(dǎo)數(shù)法探討了其在X射線衍射分析中的應(yīng)用；Windig討論了二階導(dǎo)數(shù)光譜在自模式分析技術(shù)中的應(yīng)用，以及相應(yīng)的平滑方法。但導(dǎo)數(shù)法存在一個顯著缺點：隨著求導(dǎo)次數(shù)的增加，噪聲也隨之增加，在高階導(dǎo)數(shù)中，信號可能被噪聲完全淹沒，因而，通常，每求一階導(dǎo)數(shù)之后都需要濾除噪聲來提高信噪比。

2.2 最優(yōu)化方法最小二乘法作為一種判斷擬合效果優(yōu)劣的評價標準而經(jīng)常被使用，從而將問題轉(zhuǎn)化為尋優(yōu)問題。而解決此最優(yōu)化問題的方法有很多相關(guān)研究和報道：如：何錫文等周興風(fēng)等分別討論了線性規(guī)劃方法的使用；孫桂玲等使用Newton-Raphson逐步逼近法和最速下降法對高斯峰進行分離；此外還有Cauchy法、直接搜索法、單純形法、DFP法及共軛梯度法等。

最小二乘法的缺點是當(dāng)各組分光譜嚴重重疊時（數(shù)學(xué)上叫共線性），如正規(guī)矩陣的秩接近零，此時的方程組近乎病態(tài)方程組，實驗中的微小誤差或是計算中間過程數(shù)據(jù)位數(shù)的取舍都會引起計算結(jié)果的大幅波動，此時最小二乘法不適用。

2.3 多元統(tǒng)計法由于傳統(tǒng)最小二乘法的缺點，出現(xiàn)了許多改進方法。如：Wold在1966年提出的偏最小二乘法；王鎮(zhèn)浦等討論了CPA矩陣法；因子分析法更是被廣泛研究，白潔玲通過迭代目標轉(zhuǎn)換因子分析應(yīng)用于4種混合色素溶液吸附伏安法波譜的解析來對其進行同時測定；進化因子分析與消秩方法被用于重疊光譜分析。這些方法各自在不同程度上克服了最小二乘法的缺點。

2.4 利用信息處理的理論1979年，Poulisse首次將卡爾曼濾波原理用于多組分體系分光光度分析中，使多組分體系的含量測定歸結(jié)為對重疊光譜曲線進行快速濾波的過程。這個思想不僅帶來了一種新的重疊峰分解的方法同時還啟發(fā)了分析工作者，使人們認識到，譜數(shù)據(jù)處理與通訊技術(shù)中的信息處理過程很相似，完全可以借鑒其數(shù)學(xué)工具。上世紀90年代，能解決非線形擬合的人工神經(jīng)網(wǎng)絡(luò)技術(shù)也被廣泛應(yīng)用求解多組分濃度，不足之處是需要大量樣本學(xué)習(xí)，很復(fù)雜且耗時。遺傳算法作為一種全局的尋優(yōu)方法，也逐漸被應(yīng)用于譜圖分析及重疊峰分解等方向的研究。使用數(shù)學(xué)方法對重疊峰分解的優(yōu)點在于它對硬件要求不高，只需在一定的實驗條件下，獲取足夠的實驗數(shù)據(jù)，借助計算機強大的運算能力，運用數(shù)學(xué)方法進行計算，能夠獲取準確度較高的對重疊峰解析的結(jié)果，基本上可以滿足一般檢測和分析的要求，因此其發(fā)展前景相當(dāng)廣闊，見諸于專業(yè)刊物的研究。報告顯示，使用軟件后處理的研究和應(yīng)用正廣泛開展。

參考文獻：

[1]吳軍，楊梅，陳堅.人工神經(jīng)網(wǎng)絡(luò)輔助紫外光譜測定苯和甲苯的含量.新疆醫(yī)科大學(xué)學(xué)報，2005，28（6）：519-520.

[2]吳軍，楊梅.人工神經(jīng)網(wǎng)絡(luò)用于紫外光譜同時測定苯和甲苯及二甲苯的含量.理化檢驗-化學(xué)分冊，2006，42（7），511-513.

[3]何池洋，孫益民，陳友存等.人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于維生素B族4組分同時測定.浙江大學(xué)學(xué)報（理學(xué)版），2002，29（2）：160-165.

[4]方艷紅，王瓊，徐金瑞.分光光度法結(jié)合人工神經(jīng)網(wǎng)絡(luò)同時測定銅、鎘和鎳.光譜實驗室，2005，22（4）：782-784.

[5]鄭靜，林開利，周偉良等.人工神經(jīng)網(wǎng)絡(luò)-分光光度法同時測定合金鋼樣中的鈰組稀土元素.分析試驗室，2004，23（11）：14-17.