CN114878544A - 一种从混合物sers光谱中识别目标成分的方法 - Google Patents

一种从混合物sers光谱中识别目标成分的方法 Download PDF

Info

Publication number
CN114878544A
CN114878544A CN202210589616.1A CN202210589616A CN114878544A CN 114878544 A CN114878544 A CN 114878544A CN 202210589616 A CN202210589616 A CN 202210589616A CN 114878544 A CN114878544 A CN 114878544A
Authority
CN
China
Prior art keywords
spectrum
characteristic peak
function
peak
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210589616.1A
Other languages
English (en)
Other versions
CN114878544B (zh
Inventor
陈志斌
陈赵懿
王正军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
32181 Troops of PLA
Original Assignee
32181 Troops of PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 32181 Troops of PLA filed Critical 32181 Troops of PLA
Priority to CN202210589616.1A priority Critical patent/CN114878544B/zh
Publication of CN114878544A publication Critical patent/CN114878544A/zh
Application granted granted Critical
Publication of CN114878544B publication Critical patent/CN114878544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明一种从混合物SERS光谱中识别目标成分的方法。该方法先采集纯净目标物的SERS光谱进行预处理和反卷积操作，作为参考谱，利用连续小波变换寻找特征峰，再用洛伦兹函数拟合。而后采集待识别混合物的SERS光谱，同样进行光谱预处理、反卷积和寻峰，作为分析谱。最后在分析谱中匹配参考谱的所有特征峰，计算相似度，进而判断分析谱中是否存在目标物。本发明将光谱按照特征峰分段划分，洛伦兹拟合，可消除其他信号的影响，具有较高查准率和抗干扰能力，特别适合用于从复杂拉曼光谱中识别目标成分。

Description

一种从混合物SERS光谱中识别目标成分的方法
技术领域
本发明涉及一种拉曼光谱的识别，具体地说是一种从混合物SERS光谱中识别目标成分的方法。
背景技术
表面增强拉曼散射光谱(SERS)因具有丰富的分子“指纹”信息和便于现场定性分析等优点，广泛用于痕量物质识别、生物传感器和食品安全检测等领域。拉曼光谱作为一种分子振动信号，其特征峰本质上是洛伦兹峰，用洛伦兹函数拟合能更准确体现物质特征峰特点。
目前的SERS光谱识别方法多用于纯物质的识别，然而由于测量仪器和探测条件的变化，实际采集的SERS光谱极大可能混合了其他杂物的光谱。理论上，当某种物质加入其他成分时，其SERS光谱的特征峰参数(如谱峰位置、谱峰宽度、谱峰强度)会发生改变。且混合光谱存在其他成分的特征峰，以及谱峰重叠和光谱失真等现象，使得目标成分的识别变得困难，而依赖与人眼判别分析的方法费时费力。由于干扰物的不确定，导致采集的SERS光谱变化多样，基于深度学习的支持向量机(SVM)、随机森林等算法因无法获取所有样本的数据进行学习训练，而无法有效提取目标成分的特征，导致模型缺乏泛化能力，在测试环境变化时不再适用。
发明内容
本发明的目的就是提供一种从混合物SERS光谱中识别目标成分的方法，以解决现有复杂SERS光谱中目标物识别困难的问题。
本发明的目的是这样实现的：
一种从混合物SERS光谱中识别目标成分的方法，包括以下步骤：
S1，采集目标物的SERS光谱并进行预处理和反卷积操作，所得结果作为参考谱，再利用连续小波变换寻找参考谱的特征峰，按照特征峰的峰值大小进行排序，并利用洛伦兹函数对每个特征峰进行曲线拟合。
S2，采集待识别分析物的SERS光谱并进行预处理和反卷积操作，所得结果作为分析谱，再利用连续小波变换寻找分析谱的特征峰，形成包含n个特征峰位移的向量，表示为：[ω1,ω2,...,ωn]，其中的每个值对应一个特征峰的位移。
S3，根据参考谱中的每个特征峰i，在分析谱的特征峰位移向量中查找是否有峰位与之匹配，对匹配成功的分析谱特征峰j进行洛伦兹函数的曲线拟合，而后计算参考谱特征峰i的洛伦兹函数与分析谱特征峰j的洛伦兹函数之间的相似度。
S4，根据参考谱中特征峰i的拉曼光谱强度，计算该特征峰i匹配成功的权重p(Ii)为：
Figure BDA0003666947830000021
其中，m为参考谱特征峰的数量。
S5，根据参考谱中每一个特征峰的洛伦兹函数的匹配相似度，结合特征峰权重p(Ii)，计算参考谱与分析谱的综合相似度，进而判断待识别分析物中是否存在目标成分。
进一步地，步骤S1与步骤S2中的反卷积操作方式包括以下步骤：
a-1，SERS光谱的特征峰本质上是洛伦兹峰，可用洛伦兹函数(Lorentz)表示：
Figure BDA0003666947830000022
其中，ν为拉曼位移(波数)，ωl为洛伦兹函数的中心波数，γl为洛伦兹函数的半高宽。
a-2，以高斯函数G(ν)表示系统的展宽响应：
Figure BDA0003666947830000023
其中，ωg为高斯兹函数的中心波数，γg为高斯兹函数的半高宽。
a-3，将实际采集的拉曼光谱表示为洛伦兹函数L(ν)与高斯函数G(ν)卷积的结果：
Figure BDA0003666947830000024
其中，V(ν)为实际采集的拉曼光谱，ν为拉曼位移，*表示卷积运算。
a-4，获取系统展宽响应的高斯函数G(ν)，以该高斯函数G(ν)为核，对SERS光谱进行反卷积操作；反卷积后的SERS光谱可表示为：
Figure BDA0003666947830000025
其中，Deconv(ν)为反卷积处理后的SERS光谱，Li(ν)为第i个特征峰的洛伦兹函数，m为特征峰数量，r(ν)为残差。
进一步地，步骤S1和步骤S2中的连续小波变换寻找特征峰，采用墨西哥帽小波为母小波函数：
Figure BDA0003666947830000026
其中，ψ(ν)为小波函数，ν为拉曼位移，δ为尺度。
进一步地，步骤S3中的利用洛伦兹函数对分析谱的特征峰进行曲线拟合的方式包括以下步骤：
b-1，根据步骤S2得到的分析谱的特征峰位移，将分析谱分段切割，确定特征峰拟合范围：
Figure BDA0003666947830000031
Figure BDA0003666947830000032
其中，ωleft为第i个特征峰曲线的左边界位移，ωright为第i个特征峰曲线的右边界位移，ωi、ωi-1和ωi+1均为特征峰位移。
b-2，根据特征峰拟合范围，采用Levenberg-Marquardt算法对曲线进行拟合，得到洛伦兹拟合函数的参数；最终形成包括m个洛伦兹函数的向量组，表示为：
[ω1,I1,γ1,bia1,left1,right1；ω2,I2,γ2,bia2,left2,right2；...；ωm,Im,γm,biam,leftm,rightm]
每个洛伦兹向量分别对应参考谱的一个特征峰，对应于第i个特征峰的洛伦兹函数包括第i个特征峰的拉曼位移、拉曼相对强度、半高宽、基线偏移、左边界和右边界，i为变量参数。
进一步地，步骤S5中的特征峰的位移匹配方式是：
c-1，根据两个特征峰的位移差来判断是否可能为同一物质的振动峰，峰位匹配规则为：
Figure BDA0003666947830000033
其中，||v||1是一范数，表示为两特征峰的位移差，Vω为根据测试环境设置的位移差阈值。
c-2，令||v||1＝0，查找分析谱中是否存在与特征峰i的位移差为||v||1的特征峰；若存在，则匹配成功；若不存，令||v||1＝||v||1+1，继续查找；直到||v||1＝Vω。
进一步地，步骤S5中的洛伦兹函数相似度判断方式是：
d-1，将洛伦兹函数中心位移对齐，再对分析谱的洛伦兹函数进行线型变换，以进一步消除拉曼强度不同的影响：
Lref(ν)＝a+b×Ltest(ν)+r(ν)
Ltest-＞ref(ν)＝a+b×Ltest(ν)
其中，Ltest(ν)为分析谱特征峰的洛伦兹拟合函数，Lref(ν)为参考谱特征峰的洛伦兹拟合函数，Ltest-＞ref(ν)为分析谱洛伦兹函数线性变换的结果。
d-2，用皮尔逊相关系数表示两个洛伦兹函数的相似度：
Figure BDA0003666947830000041
其中，CORR(Lref(ν),Ltest(ν))表示参考谱特征峰与分析谱特征峰的两个洛伦兹拟合函数的皮尔逊相关系数，Lref(ν)为参考谱特征峰的洛伦兹函数，
Figure BDA0003666947830000042
为参考谱特征峰的洛伦兹函数的平均值，Ltest-＞ref(ν)为分析谱特征峰洛伦兹函数线性变换结果，
Figure BDA0003666947830000043
为分析谱特征峰洛伦兹函数线性变换结果的平均值。
进一步地，步骤S5中的目标物的参考谱与待识别分析物的分析谱的综合相似度S的计算公式为：
Figure BDA0003666947830000044
其中，m为参考谱特征峰数量，
Figure BDA0003666947830000045
为参考谱中第i个特征峰匹配成功的权重。
本发明的有益技术效果是：
本发明提供了一种从混合物SERS光谱中识别目标成分的方法，该方法采集目标物和分析物的SERS光谱，利用连续小波变换寻找参考谱的特征峰，并用洛伦兹函数拟合，相比于高斯函数和Voigt函数更能体现分子振动的本质特征，在特征峰的匹配中更加准确。该方法根据特征峰将整个光谱切割划分谱段，进一步减少了荧光和其他不相干信号的影响。整个识别过程无需人工参与，能快速且有效地识别混合物SERS光谱中是否存在目标成分，具有快速且无损、实现过程简单和识别结果准确等特点。
本发明识别方法具有抗干扰能力强、判别准确等优点，特别适合用于从复杂拉曼光谱中识别目标成分。
附图说明
图1是本发明的从混合物SERS光谱中识别目标成分方法的流程图。
图2是特征峰的洛伦兹函数拟合流程图。
图3是吡咯的SERS光谱的小波系数图。
图4是吡咯的SERS光谱特征峰寻找结果图。
图5、图6、图7是吡咯的SERS光谱特征峰的洛伦兹函数拟合图。
图8是吡咯SERS光谱(参考谱)、吡咯和乙腈混合物SERS光谱(分析谱)的特征峰洛伦兹函数拟合图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示，本发明从混合物SERS光谱中识别目标成分的方法包括以下步骤：
S1，采集目标物吡咯的SERS光谱。
S1.1，对SERS光谱进行预处理，包括基线矫正、滤波去噪以及拉曼强度归一化等。
S1.2，将SERS光谱用洛伦兹函数(Lorentz)表示：
Figure BDA0003666947830000051
其中，ν为拉曼位移(波数)，ωl为洛伦兹函数的中心波数，γl为洛伦兹函数的半高宽。
S1.3，获取表示系统展宽响应的高斯函数G(ν)：
Figure BDA0003666947830000052
其中，ωg为高斯兹函数的中心波数，γg为高斯兹函数的半高宽。
S1.4，实际采集的拉曼光谱近似为洛伦兹函数与高斯函数卷积的结果：
Figure BDA0003666947830000053
其中，V(ν)为实际采集的拉曼光谱，ν为拉曼位移，*表示卷积运算。
S1.5，以S1.3的高斯函数G(ν)为核，对SERS光谱进行反卷积，得到的信号理论上可用洛伦兹函数近似表示：
Figure BDA0003666947830000054
其中，Deconv(ν)为反卷积处理后的SERS光谱，Li(ν)为第i个特征峰的洛伦兹函数，m为特征峰数量，r(ν)为残差；且：
Figure BDA0003666947830000055
本发明后续使用的参考谱即为反卷积后的光谱。
S1.6，以墨西哥帽小波作为母函数，利用连续小波变换寻找参考谱的特征峰，按照特征峰峰值大小排序，如图3和图4所示。墨西哥帽小波形式为：
Figure BDA0003666947830000056
S1.7，用S1.2洛伦兹函数对S1.6的每个特征峰进行曲线拟合，拟合过程如图2所示，最终形成包括m个洛伦兹函数的向量组，表示为：
[ω1,I1,γ1,bia1,left1,right1；ω2,I2,γ2,bia2,left2,right2；...；ωm,Im,γm,biam,leftm,rightm]，
每个洛伦兹向量分别对应参考谱的一个特征峰，对应于第i个特征峰的洛伦兹函数，包括第i个特征峰的拉曼频移、拉曼强度、半高宽、基线偏置、左边界和右边界，i为变量参数。
特征峰的洛伦兹函数拟合结果如图5、图6和图7所示，洛伦兹函数参数如表1所示。
表1：吡咯特征峰曲线的洛伦兹函数拟合结果
特征峰 图5 图6 图7
中心位移ω(cm<sup>-1</sup>) 1142 1379 1466
基线偏移 -0.00928 -0.01778 -0.00975
强度系数I 1.046677 0.221997 0.170103
半高宽γ(cm<sup>-1</sup>) 9.277012 16.73977 12.53363
左边界(cm<sup>-1</sup>) 1021 1334 1422
右边界(cm<sup>-1</sup>) 1259 1422 1510
S2，以吡咯和乙腈的混合溶液作为待测分析物，采集混合物的SERS光谱，进行预处理和寻峰，作为分析谱，形成包含n个特征峰位移的向量，表示为：[ω1,ω2,...,ωn]，每个值对应一个特征峰的位移。
S3，进行特征峰位移匹配，峰位匹配规则为：
Figure BDA0003666947830000061
其中：||v||1为一范数，表示为两个特征峰位移差，Vω为根据测试环境设置的位移差阈值，若两特征峰位移差小于位移差阈值，则可能为同一物质的振动峰。
对参考谱中每个特征峰i，在分析谱的特征峰位移向量中查找是否有峰位与之匹配。令||v||1＝0，查找分析谱中是否存在与特征峰i的位移差为||v||1的特征峰；若存在，则匹配成功；若不存，令||v||1＝||v||1+1，继续查找；直到||v||1＝Vω。
S4，洛伦兹函数相似度的计算，若分析谱中特征峰j与参考谱特征峰i的峰位匹配，则进一步对两个特征峰洛伦兹函数相似度进行计算，如图8所示。
S4.1，先将两个洛伦兹函数中心位移对齐，再对分析谱的洛伦兹函数线型变换：
Lref(ν)＝a+b×Ltest(ν)+r(ν)
Ltest-＞ref(ν)＝a+b×Ltest(ν)
其中，Ltest(ν)和Lref(ν)分别为分析谱与参考谱的特征峰洛伦兹拟合函数，Ltest-＞ref(ν)为分析谱洛伦兹函数线性变换的结果。
S4.2，用皮尔逊相关系数计算两个洛伦兹函数相似度：
Figure BDA0003666947830000071
其中，CORR(Lref(ν),Ltest(ν))表示参考谱特征峰与分析谱特征峰的两个洛伦兹拟合函数的皮尔逊相关系数，Lref(ν)为参考谱特征峰的洛伦兹函数，
Figure BDA0003666947830000072
为参考谱特征峰的洛伦兹函数的平均值，Ltest-＞ref(ν)为分析谱特征峰洛伦兹函数线性变换结果，
Figure BDA0003666947830000073
为分析谱特征峰洛伦兹函数线性变换结果的平均值。
S5，计算参考谱与待分析分析谱的综合相似度S，并判断待测物中是否存在目标成分：
Figure BDA0003666947830000074
其中，m为参考谱特征峰的数量，
Figure BDA0003666947830000075
为参考谱中第i个特征峰匹配成功的权重，CORR(Lref(νi),Ltest(νj))为参考谱中第i个特征峰与分析谱第j个特征峰的洛伦兹函数的皮尔逊相关系数。
本实例中，综合相似度计算结果为0.986，若相似度阈值为0.9，大于0.9则认为待分析物中存在目标成分吡咯。

Claims (7)

1.一种从混合物SERS光谱中识别目标成分的方法，其特征在于，包括以下步骤：
S1，采集目标物的SERS光谱并进行预处理和反卷积操作，所得结果作为参考谱，再利用连续小波变换寻找参考谱的特征峰，按照特征峰的峰值大小进行排序，并利用洛伦兹函数对每个特征峰进行曲线拟合；
S2，采集待识别分析物的SERS光谱并进行预处理和反卷积操作，所得结果作为分析谱，再利用连续小波变换寻找分析谱的特征峰，形成包含n个特征峰位移的向量，表示为：[ω1,ω2,...,ωn]，其中的每个值对应一个特征峰的位移；
S3，根据参考谱中的每个特征峰i，在分析谱的特征峰位移向量中查找是否有峰位与之匹配，对匹配成功的分析谱特征峰j进行洛伦兹函数的曲线拟合，而后计算参考谱特征峰i的洛伦兹函数与分析谱特征峰j的洛伦兹函数之间的相似度；
S4，根据参考谱中特征峰i的拉曼光谱强度，计算该特征峰i匹配成功的权重p(Ii)为：
Figure FDA0003666947820000011
其中，m为参考谱特征峰的数量；
S5，根据参考谱中每一个特征峰的洛伦兹函数的匹配相似度，结合特征峰权重p(Ii)，计算参考谱与分析谱的综合相似度，进而判断待识别分析物中是否存在目标成分。
2.根据权利要求1所述的从混合物SERS光谱中识别目标成分的方法，其特征在于，步骤S1与步骤S2中的反卷积操作方式包括以下步骤：
a-1，将SERS光谱用洛伦兹函数表示：
Figure FDA0003666947820000012
其中，ν为拉曼位移，ωl为洛伦兹函数的中心波数，γl为洛伦兹函数的半高宽；
a-2，以高斯函数G(ν)表示系统的展宽响应：
Figure FDA0003666947820000013
其中，ωg为高斯兹函数的中心波数，γg为高斯兹函数的半高宽；
a-3，将实际采集的拉曼光谱表示为洛伦兹函数L(ν)与高斯函数G(ν)卷积的结果：
Figure FDA0003666947820000014
其中，V(ν)为实际采集的拉曼光谱，ν为拉曼位移，*表示卷积运算；
a-4，获取系统展宽响应的高斯函数G(ν)，以该高斯函数G(ν)为核，对SERS光谱进行反卷积操作；反卷积后的SERS光谱表示为：
Figure FDA0003666947820000021
其中，Deconv(ν)为反卷积处理后的SERS光谱，Li(ν)为第i个特征峰的洛伦兹函数，m为特征峰数量，r(ν)为残差。
3.根据权利要求1所述的从混合物SERS光谱中识别目标成分的方法，其特征在于，步骤S1和步骤S2中的连续小波变换寻找特征峰，采用墨西哥帽小波为母小波函数：
Figure FDA0003666947820000022
其中，ψ(ν)为小波函数，ν为拉曼位移，δ为尺度。
4.根据权利要求1所述的从混合物SERS光谱中识别目标成分的方法，其特征在于，步骤S3中的利用洛伦兹函数对分析谱的特征峰进行曲线拟合的方式包括以下步骤：
b-1，根据步骤S2得到的分析谱的特征峰位移，将分析谱分段切割，确定特征峰拟合范围：
Figure FDA0003666947820000023
Figure FDA0003666947820000024
其中，ωleft为第i个特征峰曲线的左边界位移，ωright为第i个特征峰曲线的右边界位移，ωi、ωi-1和ωi+1均为特征峰位移；
b-2，根据特征峰拟合范围，采用Levenberg-Marquardt算法对曲线进行拟合，得到洛伦兹拟合函数的参数；最终形成包括m个洛伦兹函数的向量组，表示为：
[ω1,I1,γ1,bia1,left1,right1；ω2,I2,γ2,bia2,left2,right2；...；ωm,Im,γm,biam,leftm,rightm]
每个洛伦兹向量分别对应参考谱的一个特征峰，对应于第i个特征峰的洛伦兹函数包括第i个特征峰的拉曼位移、拉曼相对强度、半高宽、基线偏移、左边界和右边界。
5.根据权利要求1所述的从混合物SERS光谱中识别目标成分的方法，其特征在于，步骤S5中的特征峰的位移匹配方式是：
c-1，根据两个特征峰的位移差来判断是否可能为同一物质的振动峰，峰位匹配规则为：
Figure FDA0003666947820000031
其中，||v||1是一范数，表示为两特征峰的位移差，Vω为根据测试环境设置的位移差阈值；
c-2，令||v||1＝0，查找分析谱中是否存在与特征峰i的位移差为||v||1的特征峰；若存在，则匹配成功；若不存，令||v||1＝||v||1+1，继续查找；直到||v||1＝Vω。
6.根据权利要求1所述的从混合物SERS光谱中识别目标成分的方法，其特征在于，步骤S5中的洛伦兹函数相似度判断方式是：
d-1，将洛伦兹函数中心位移对齐，再对分析谱的洛伦兹函数进行线型变换：
Lref(ν)＝a+b×Ltest(ν)+r(ν)
Ltest-＞ref(ν)＝a+b×Ltest(ν)
其中，Ltest(ν)为分析谱特征峰的洛伦兹拟合函数，Lref(ν)为参考谱特征峰的洛伦兹拟合函数，Ltest-＞ref(ν)为分析谱洛伦兹函数线性变换的结果；
d-2，用皮尔逊相关系数表示两个洛伦兹函数的相似度：
Figure FDA0003666947820000032
其中，CORR(Lref(ν),Ltest(ν))表示参考谱特征峰与分析谱特征峰的两个洛伦兹拟合函数的皮尔逊相关系数，Lref(ν)为参考谱特征峰的洛伦兹函数，
Figure FDA0003666947820000033
为参考谱特征峰的洛伦兹函数的平均值，Ltest-＞ref(ν)为分析谱特征峰洛伦兹函数线性变换结果，
Figure FDA0003666947820000034
为分析谱特征峰洛伦兹函数线性变换结果的平均值。
7.根据权利要求1所述的从混合物SERS光谱中识别目标成分的方法，其特征在于，步骤S5中的目标物的参考谱与待识别分析物的分析谱的综合相似度S的计算公式为：
Figure FDA0003666947820000035
其中，m为参考谱特征峰的数量，
Figure FDA0003666947820000036
为参考谱中第i个特征峰匹配成功的权重，CORR(Lref(νi),Ltest(νj))为参考谱中第i个特征峰与分析谱中第j个特征峰的洛伦兹函数的皮尔逊相关系数。
CN202210589616.1A 2022-05-27 2022-05-27 一种从混合物sers光谱中识别目标成分的方法 Active CN114878544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210589616.1A CN114878544B (zh) 2022-05-27 2022-05-27 一种从混合物sers光谱中识别目标成分的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210589616.1A CN114878544B (zh) 2022-05-27 2022-05-27 一种从混合物sers光谱中识别目标成分的方法

Publications (2)

Publication Number Publication Date
CN114878544A true CN114878544A (zh) 2022-08-09
CN114878544B CN114878544B (zh) 2024-08-27

Family

ID=82676839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210589616.1A Active CN114878544B (zh) 2022-05-27 2022-05-27 一种从混合物sers光谱中识别目标成分的方法

Country Status (1)

Country Link
CN (1) CN114878544B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150387A (zh) * 2023-11-01 2023-12-01 奥谱天成（厦门）光电有限公司 拉曼光谱峰拟合方法、介质、设备及装置
CN118130672A (zh) * 2024-05-08 2024-06-04 兰州理工大学 一种凝胶渗透色谱评价再生沥青性能恢复效果的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110243806A (zh) * 2019-07-30 2019-09-17 江南大学 拉曼光谱下基于相似度的混合物组分识别方法
US20210364441A1 (en) * 2020-05-19 2021-11-25 Jiangnan University Method for improving identification accuracy of mixture components by using known mixture raman spectrum
CN114324294A (zh) * 2021-12-31 2022-04-12 中国海洋大学 多探头气体拉曼光谱系统及混合气体定量分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110243806A (zh) * 2019-07-30 2019-09-17 江南大学 拉曼光谱下基于相似度的混合物组分识别方法
US20210364441A1 (en) * 2020-05-19 2021-11-25 Jiangnan University Method for improving identification accuracy of mixture components by using known mixture raman spectrum
CN114324294A (zh) * 2021-12-31 2022-04-12 中国海洋大学 多探头气体拉曼光谱系统及混合气体定量分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘财政;朱启兵;黄敏;李敏;: "基于拉曼光谱的混合物组分识别方法", 激光与光电子学进展, no. 08, 13 December 2018 (2018-12-13) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150387A (zh) * 2023-11-01 2023-12-01 奥谱天成（厦门）光电有限公司 拉曼光谱峰拟合方法、介质、设备及装置
CN118130672A (zh) * 2024-05-08 2024-06-04 兰州理工大学 一种凝胶渗透色谱评价再生沥青性能恢复效果的方法

Also Published As

Publication number Publication date
CN114878544B (zh) 2024-08-27

Similar Documents

Publication Publication Date Title
CN114878544B (zh) 一种从混合物sers光谱中识别目标成分的方法
CN110243806B (zh) 拉曼光谱下基于相似度的混合物组分识别方法
US11614408B2 (en) Method for improving identification accuracy of mixture components by using known mixture Raman spectrum
CN107818298B (zh) 用于机器学习物质识别算法的通用拉曼光谱特征提取方法
CN111504979B (zh) 利用已知混合物拉曼光谱改善混合物成分识别精度的方法
CN113160084B (zh) 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置
CN115420726B (zh) 一种利用重构sers光谱快速识别目标物的方法
Griffiths et al. Self-weighted correlation coefficients and their application to measure spectral similarity
CN111487213A (zh) 多光谱融合的化学需氧量测试方法及装置
CN109738413A (zh) 基于稀疏非负最小二乘的混合物拉曼光谱定性分析方法
CN113514446B (zh) 一种用于快速匹配识别sers谱图的方法
Vinista et al. A novel modified sobel algorithm for better edge detection of various images
CN105758843A (zh) 一种基于激光诱导击穿光谱的油料作物种子含油量检测方法
Antoniadis et al. Peaks detection and alignment for mass spectrometry data
CN110987856B (zh) 基于配方体系和指纹图谱的化妆品质量快速鉴定方法
CN115015131A (zh) 红外光谱训练集样本筛选方法
US6947848B2 (en) System and method for identifying unknown compounds using spectra pattern recognition
CN114354571A (zh) 一种基于半峰宽与峰高的易制毒化学品拉曼特征峰识别方法
CN111693484A (zh) 一种基于太赫兹时域光谱的芝麻油品种识别方法
CN112801173A (zh) 一种qr模糊鉴别分析的生菜近红外光谱分类方法
CN111504908A (zh) 一种基于光声光谱的岩石类型识别方法及系统
Khalaf et al. Detecting levels amino acids for proteins of different for patients with myeloma and comparing them using a portable Raman spectrometer.
CN111595802A (zh) 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用
CN118190835B (zh) 基于光谱成像的茶叶质量检测装置及方法
CN107941745A (zh) 基于近红外光谱鉴别染色橙的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant