基于红外漫反射谱和机器学习的粉末物质识别

摘要：

红外光谱可有效携带化合物结构以及化合物组成成分的信息,在化学研究、纯度检测和药物识别领域已得到广泛应用.但在实际应用场景中,由于缺乏标准样品制备的条件,红外光谱识别准确率较低,效率较差,使这项技术受到了极大限制.本文采用可调谐红外量子级联激光器作为激光源,建立记录粉末样品漫反射光谱的实验系统.以葡萄糖和聚乙烯混合粉末漫反射谱为例,通过Kubelka-Munk(K-M)方程和Kramers-Kronig(K-K)关系合成样品的透射谱,并验证漫反射谱还原透射谱的可能性.将光谱数据用于两种神经网络模型中,对混合粉末质量分数进行预测.结果表明,在K-K关系变换下,长短期记忆(LSTM)网络模型预测效果最佳,明显优于BP神经网络模型;在K-M方程变换下,两种神经网络对高质量分数葡萄糖样品的预测都比较准确,对低质量分数的预测较差.两种漫反射光谱校正方法都不同程度地提高了训练结果的准确性,LSTM模型整体优于BP神经网络模型.这些研究结果有助于发展基于频率可调谐或宽谱红外激光的未知混合粉末样品的识别技术.

关键词：量子级联激光器、漫反射、红外光谱法、Kramers-Kronig关系、人工神经网络

所属期刊栏目：21

分类号：TN21(光电子技术、激光技术)

在线出版日期：2023-11-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1247-1256