時(shí)間：2023-08-01 16:55:48
序論：在您撰寫(xiě)光譜學(xué)與光譜學(xué)分析時(shí)，參考他人的優(yōu)秀作品可以開(kāi)闊視野，小編為您整理的7篇范文，希望這些建議能夠激發(fā)您的創(chuàng)作熱情，引導(dǎo)您走向新的創(chuàng)作高度。
英文名稱(chēng)：Spectroscopy and Spectral Analysis
主管單位：中國(guó)科學(xué)技術(shù)協(xié)會(huì)
主辦單位：中國(guó)光學(xué)學(xué)會(huì)
出版周期：月刊
出版地址：北京市
語(yǔ)
種：中文
開(kāi)
本：大16開(kāi)
國(guó)際刊號(hào)：1000-0593
國(guó)內(nèi)刊號(hào)：11-2200/O4
郵發(fā)代號(hào)：82-68
發(fā)行范圍：國(guó)內(nèi)外統(tǒng)一發(fā)行
創(chuàng)刊時(shí)間：1981
期刊收錄：
CA 化學(xué)文摘(美)(2009)
SA 科學(xué)文摘(英)(2009)
SCI 科學(xué)引文索引(美)(2009)
CBST 科學(xué)技術(shù)文獻(xiàn)速報(bào)(日)(2009)
Pж(AJ) 文摘雜志(俄)(2009)
EI 工程索引(美)(2009)
中國(guó)科學(xué)引文數(shù)據(jù)庫(kù)(CSCD―2008)
核心期刊：
中文核心期刊(2008)
中文核心期刊(2004)
中文核心期刊(2000)
中文核心期刊(1996)
中文核心期刊(1992)
期刊榮譽(yù)：
聯(lián)系方式
期刊簡(jiǎn)介
關(guān)鍵詞：關(guān)注度； 支持向量機(jī)； 期望最大化； 主動(dòng)學(xué)習(xí)； 高光譜遙感圖像
中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A
0引言
遙感圖像分類(lèi)在現(xiàn)實(shí)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(cè)、現(xiàn)代精細(xì)農(nóng)業(yè)、測(cè)繪以及考古等遙感圖像精準(zhǔn)分類(lèi)是諸多應(yīng)用的基礎(chǔ)問(wèn)題，同時(shí)也是熱點(diǎn)問(wèn)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(guò)這些成像系統(tǒng)獲取的遙感圖像所蘊(yùn)含的信息得到了極大豐富，這為高光譜圖像分類(lèi)和聚類(lèi)分析提供了新的契機(jī)，目前國(guó)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(jī)器學(xué)習(xí)方法都被應(yīng)用到圖像分類(lèi)和聚類(lèi)分析中分類(lèi)方面諸如基于最大似然和貝葉斯估計(jì)的方法[1]、基于核和決策樹(shù)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(jī)（Support Vector Machine，SVM）在分類(lèi)中的表現(xiàn)較為突出；聚類(lèi)方面的大多數(shù)方法都是通過(guò)像元之間的相似性，利用統(tǒng)計(jì)學(xué)方法對(duì)圖像進(jìn)行聚合[5]但是，單一使用分類(lèi)或者聚類(lèi)方法無(wú)法充分利用圖像中所包含的光譜和空間信息，所以在文獻(xiàn)[6]中使用監(jiān)督分類(lèi)方法初始化聚類(lèi)分割區(qū)域的標(biāo)簽，再通過(guò)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(duì)分類(lèi)圖像的結(jié)果標(biāo)簽進(jìn)行投票，分割區(qū)域?qū)?biāo)記為投票最高的類(lèi)別，其分類(lèi)的最終結(jié)果優(yōu)于單一的分類(lèi)或聚類(lèi)方法文獻(xiàn)[7]用投票的方式對(duì)聚類(lèi)結(jié)果和分類(lèi)結(jié)果進(jìn)行整合，最終使用分類(lèi)所得的標(biāo)簽投票決定分割區(qū)域的類(lèi)別，然后再對(duì)結(jié)果進(jìn)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(lái)構(gòu)造分類(lèi)器，分類(lèi)成本都比較高為了減少分類(lèi)器對(duì)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(wèn)題近幾年，主動(dòng)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(shí)表現(xiàn)突出[8]
本文提出一種基于主動(dòng)學(xué)習(xí)的高光譜圖像分類(lèi)（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(shí)提高分類(lèi)精確度，結(jié)合了分類(lèi)和聚類(lèi)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(jìn)而獲取信息價(jià)值較高的訓(xùn)練樣本，最終有效提高分類(lèi)器的分類(lèi)效果
1基于主動(dòng)學(xué)習(xí)的高光譜圖像分類(lèi)方法
1.1問(wèn)題描述
為了盡可能地降低高光譜圖像分類(lèi)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(yùn)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(lèi)和聚類(lèi)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(jì)算方法對(duì)結(jié)合后的區(qū)域進(jìn)行統(tǒng)計(jì)，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(lái)提高訓(xùn)練集的質(zhì)量
1.2HICAL方法
1.2.1聚類(lèi)分析
本文使用期望最大化（ExpectationMaximization，EM）算法對(duì)高光譜圖像進(jìn)行聚類(lèi)分析在統(tǒng)計(jì)計(jì)算中，EM是在概率模型中尋找參數(shù)最大似然估計(jì)的算法，其中概率模型依賴(lài)于無(wú)法觀測(cè)的隱藏變量在使用EM算法過(guò)程中，可以假設(shè)所有的樣本都是符合高斯分布
EM算法對(duì)圖像進(jìn)行聚類(lèi)過(guò)程中，為了使算法盡快收斂，將高光譜圖像的光譜波段進(jìn)行分組求均值，以此來(lái)減少參與計(jì)算的光譜波段數(shù)量聚類(lèi)所得到的分割圖像通過(guò)四聯(lián)通的方式進(jìn)行區(qū)域劃分，并且給這些區(qū)域唯一標(biāo)號(hào)得到的帶有標(biāo)號(hào)的區(qū)域分割圖將作為模板，在后續(xù)迭代過(guò)程中與分類(lèi)結(jié)果進(jìn)行整合
1.2.2監(jiān)督分類(lèi)
獲取聚類(lèi)結(jié)果之后，需要對(duì)圖像進(jìn)行監(jiān)督分類(lèi)本文在分類(lèi)過(guò)程中使用支持向量機(jī)（SVM）方法SVM是目前監(jiān)督分類(lèi)使用較多的分類(lèi)算法，是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)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(jī)最終目標(biāo)是找到一個(gè)（d-1） 維的決策面，將測(cè)試樣本分成兩類(lèi)在使用SVM進(jìn)行圖像分類(lèi)時(shí)，總是將像元的特征通過(guò)一個(gè)核函數(shù)映射到一個(gè)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(wèn)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(duì)應(yīng)的αi不等于0
使用SVM對(duì)多類(lèi)問(wèn)題進(jìn)行分類(lèi)時(shí)，通常采取兩種策略一種是一對(duì)一（OneAgainstOne，OAO）的方式，另一種是一對(duì)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(lèi)過(guò)程中，需要少許的訓(xùn)練樣本，通過(guò)SVM構(gòu)造分類(lèi)器，且監(jiān)督分類(lèi)的步驟在整個(gè)分類(lèi)過(guò)程中是迭代進(jìn)行的，每當(dāng)新的訓(xùn)練樣本被增加到訓(xùn)練集時(shí)，都會(huì)重新構(gòu)造分類(lèi)器，對(duì)圖像進(jìn)行新一輪分類(lèi)
1.2.3整合聚類(lèi)和分類(lèi)結(jié)果
在獲取聚類(lèi)和監(jiān)督分類(lèi)結(jié)果后，借鑒文獻(xiàn)[7]中方法對(duì)兩個(gè)結(jié)果進(jìn)行整合，以聚類(lèi)連通區(qū)域?yàn)槟Ｐ蛯?duì)監(jiān)督分類(lèi)結(jié)果進(jìn)行區(qū)域劃分，并給出標(biāo)號(hào)最終在整合結(jié)果中的每一個(gè)區(qū)域內(nèi)，都包含一個(gè)或一個(gè)以上的像元，這些像元分類(lèi)標(biāo)記的類(lèi)別可能比較集中，也可能比較分散，這些分類(lèi)標(biāo)記主要取決于監(jiān)督分類(lèi)器的預(yù)測(cè)
1.2.4獲取新樣本來(lái)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?yàn)中總是更為關(guān)注那些含有較多像元，且分類(lèi)標(biāo)簽比較分散的區(qū)域這樣的區(qū)域如果分類(lèi)準(zhǔn)確度較高，將會(huì)很大程度地提高總體分類(lèi)精確度因此，對(duì)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(gè)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(jìn)行，在較大區(qū)域已經(jīng)得到關(guān)注和抽樣之后，對(duì)于這些區(qū)域的關(guān)注度將會(huì)不斷下降，這樣在防止大區(qū)域過(guò)分取樣的同時(shí)，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(duì)小樣本區(qū)域分類(lèi)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(qǐng)求詢(xún)問(wèn)的訓(xùn)練樣本的質(zhì)量，將通過(guò)設(shè)定閾值來(lái)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(lái)源區(qū)域：
1.2.5新樣本選擇
獲取樣本來(lái)源區(qū)域后，可以定義迭代中所需新樣本的數(shù)量Ut對(duì)來(lái)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(lái)源區(qū)域取樣的方式有兩種：S0和S1，其中S0是按照隨機(jī)方式在來(lái)源區(qū)域中選擇，而S1是根據(jù)來(lái)源區(qū)域中找到上一次監(jiān)督分類(lèi)器標(biāo)記的最多標(biāo)簽類(lèi)和次多標(biāo)簽類(lèi)的子區(qū)域，按照兩個(gè)子區(qū)域的樣本比例進(jìn)行抽取
1.2.6主動(dòng)學(xué)習(xí)過(guò)程
本文的HICAL方法迭代過(guò)程通過(guò)主動(dòng)學(xué)習(xí)方式來(lái)實(shí)現(xiàn)整個(gè)過(guò)程分為兩個(gè)階段：1）初始化分類(lèi)器階段，即初始監(jiān)督分類(lèi)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(lèi)器；2）循環(huán)取樣階段，也是主動(dòng)學(xué)習(xí)的主要階段，這個(gè)階段在未標(biāo)記樣本中使用關(guān)注度進(jìn)行查詢(xún)，獲取信息量較大的整合區(qū)域，從而進(jìn)一步找到需要標(biāo)注的樣本，標(biāo)注之后追加到原有的訓(xùn)練集中，重新對(duì)分類(lèi)器進(jìn)行訓(xùn)練，這個(gè)過(guò)程不斷循環(huán)，直到達(dá)到停止條件這個(gè)停止條件可以有多種，比如新訓(xùn)練樣本數(shù)量達(dá)到上限，或者是已經(jīng)達(dá)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(lèi)結(jié)果和初始的聚類(lèi)結(jié)果，按照聚類(lèi)區(qū)域?yàn)槟０?，?duì)所有分類(lèi)產(chǎn)生的標(biāo)簽進(jìn)行投票，區(qū)域內(nèi)所有的像元將歸屬到得票最高的標(biāo)簽類(lèi)最后進(jìn)行降噪處理
2實(shí)驗(yàn)及分析
2.1實(shí)驗(yàn)環(huán)境
本文實(shí)驗(yàn)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(tái)為Matlab R2012a
2.2實(shí)驗(yàn)數(shù)據(jù)集
高光譜圖像分類(lèi)實(shí)驗(yàn)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(gè)波段，其中20個(gè)水吸收波段將在實(shí)驗(yàn)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(gè)高光譜數(shù)據(jù)的假彩色圖像；圖1（b）顯示了其真實(shí)的地物信息，不同的顏色代表不同的類(lèi)別本次實(shí)驗(yàn)針對(duì)的感興趣區(qū)域總共有10366個(gè)樣本，過(guò)去相關(guān)文獻(xiàn)中多數(shù)是在每一類(lèi)別中隨機(jī)抽取10%的樣本作為訓(xùn)練樣本，這樣的抽樣方式對(duì)樣本比較少的類(lèi)別來(lái)說(shuō)是非常不利的為了和傳統(tǒng)的分類(lèi)方式對(duì)比，在實(shí)驗(yàn)中也將采取這樣的抽樣方式，但抽樣的百分比會(huì)降低
2.3實(shí)驗(yàn)過(guò)程和結(jié)果分析
2.3.1HICAL方法與傳統(tǒng)隨機(jī)取樣方法比較
本實(shí)驗(yàn)將本文的HICAL方法與傳統(tǒng)隨機(jī)取樣方法進(jìn)行對(duì)比表1中顯示了各個(gè)算法的整體分類(lèi)精確度（Overall Accuracy，OA）、平均分類(lèi)精確度（Average Accuracy，AA）、Kappa系數(shù)以及每種地物的分類(lèi)精確度SVM和SVM+EM算法[7]是在每一個(gè)類(lèi)別中隨機(jī)抽取10%的樣本（1029個(gè)）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(lèi)方法作為對(duì)比，本文算法將在每類(lèi)隨機(jī)抽取4%的訓(xùn)練樣本（407個(gè)）上進(jìn)行
通過(guò)式（2）計(jì)算出每一個(gè)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(lái)源區(qū)域?qū)嶒?yàn)中取γt=0.15，每一次迭代對(duì)樣本的抽取數(shù)量做出限定，為了和傳統(tǒng)的方法比較，實(shí)驗(yàn)中只進(jìn)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(duì)新樣本來(lái)源區(qū)域進(jìn)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(huì)比較高，這樣在開(kāi)始的迭代過(guò)程中可以有部分提高分類(lèi)器的分類(lèi)準(zhǔn)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(yuǎn)小于隨機(jī)抽取10%的1029，但Alfalfa、Grass/pasturemowed和Oats三個(gè)小樣本區(qū)域的分類(lèi)精確度已經(jīng)得到了非常顯著的提高這說(shuō)明HICAL方法可以有效地解決這種小樣本區(qū)域的分類(lèi)難題，最終獲取的分類(lèi)結(jié)果無(wú)論是整體分類(lèi)精確度還是平均分類(lèi)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(dòng)學(xué)習(xí)方法比較
本實(shí)驗(yàn)將HICAL方法和目前較新的且表現(xiàn)優(yōu)秀的主動(dòng)學(xué)習(xí)方法進(jìn)行比較[9]實(shí)驗(yàn)中，初始化分類(lèi)器時(shí)需要80個(gè)訓(xùn)練樣本（每一類(lèi)別5個(gè)），每一次迭代都將獲取50個(gè)新樣本標(biāo)注為訓(xùn)練集，同時(shí)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(lèi)結(jié)果可以看出，本文提出的方法在總體分類(lèi)精度上更為出色
3結(jié)語(yǔ)
本文提出了一種基于主動(dòng)學(xué)習(xí)的高光譜圖像分類(lèi)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(shí)使用一種新的高效的區(qū)域關(guān)注度計(jì)算方法對(duì)結(jié)合區(qū)進(jìn)行統(tǒng)計(jì)，根據(jù)統(tǒng)計(jì)后的數(shù)值能夠非常精確地找到信息量?jī)r(jià)值較高的區(qū)域，進(jìn)而獲取質(zhì)量較高的未標(biāo)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(lèi)精確度和平均分類(lèi)精確度，從而降低分類(lèi)精確度和訓(xùn)練樣本數(shù)量的比值
本文方法在分類(lèi)過(guò)程中較之傳統(tǒng)的分類(lèi)方法更能解決樣本失衡的問(wèn)題，能夠有效地解決小樣本區(qū)域的分類(lèi)難題；同時(shí)文中所提出的分類(lèi)方法擴(kuò)展性較強(qiáng)，在分類(lèi)和聚類(lèi)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(jìn)行替代在HICAL方法迭代過(guò)程中，關(guān)注度閾值的選取和樣本數(shù)量的設(shè)置，以及對(duì)區(qū)域樣本的選擇方法將是我們進(jìn)一步研究的內(nèi)容；同時(shí)我們也將關(guān)注其他分類(lèi)和聚類(lèi)算法，以期減少算法的時(shí)間復(fù)雜度
參考文獻(xiàn)：
[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.
[7]TARABALKA Y， BENEDIKTSSON J A， CHANUSSOT J. Spectralspatial classification of hyperspectral imagery based on partitional clustering techniques [J]. IEEE Transactions on Geoscience and Remote Sensing， 2009，47（8）：2973-2987.
1．1樣品收集及制備
收集不同種植區(qū)域、不同品種、不同部位的單料煙樣品共110個(gè)。將樣品放入烘箱內(nèi)，40℃排氣烘烤2h，然后磨碎過(guò)40目篩，控制含水率在6%～10%之間。
1．2試驗(yàn)儀器及軟件
儀器:Antaris傅里葉變換近紅外光譜儀(美國(guó)ThermoNicolet公司);Agilent7890－5975氣相色譜質(zhì)譜儀(美國(guó)Agi-lent公司);AG204型電子天平(感量0．1mg，瑞士梅特勒－托利多公司);GFL3020震蕩器(德國(guó)GFL公司);電熱恒溫水浴鍋(德國(guó)GFL公司);VELPDK20消化器(意大利VELP公司);連續(xù)流動(dòng)分析儀(美國(guó)Astoria－Pacific公司);旋轉(zhuǎn)粉碎機(jī)(北京高科公司);恒溫箱(日本ESPEC);SDE蒸餾器(鄭州玻璃儀器廠);可控溫度電熱套及恒溫水浴鍋。軟件:TQAnalyst8數(shù)據(jù)分析軟件(美國(guó)ThermoNicolet公司);SPSS13．0統(tǒng)計(jì)產(chǎn)品與服務(wù)解決方案(美國(guó)IBM公司)。
1．3近紅外光譜掃描
取適量煙末裝入石英杯中，用500g的壓樣器壓平杯中樣品后，放到光譜儀器臺(tái)上掃描。儀器的工作參數(shù):光譜范圍3800～10000cm－1，間隔4cm－1，分辨率8cm－1，掃描次數(shù)69次。
1．4常規(guī)化學(xué)成分的測(cè)定
參照煙草行業(yè)標(biāo)準(zhǔn)規(guī)定的方法應(yīng)用連續(xù)流動(dòng)分析儀測(cè)定樣品的總糖、還原糖、煙堿、總氮、氯、鉀含量，并計(jì)算出相應(yīng)的糖堿比和鉀氯比［11］。
1．5揮發(fā)性香味成分分析
采用同時(shí)蒸餾萃取的方式提取樣品中的揮發(fā)性香味成分，具體操作如下:樣品稱(chēng)質(zhì)量25g，加水300mL、二氯甲烷60mL，同時(shí)蒸餾萃取2．5h，濃縮后加內(nèi)標(biāo)乙酸苯乙酯(12．553g/L)10μL后待測(cè)。采用安捷倫7890－5975NGC－MS分析，色譜柱HP－5(30m×250μm×0．25μm)，進(jìn)樣口溫度250℃，流速1mL/min，分流比10∶1。起始溫度60℃，以5℃/min升溫到80℃，保持5min;以2℃/min升溫到150℃，保持10min;以2℃/min升溫到200℃，保持20min;以2℃/min升溫到280℃，保持10min，總運(yùn)行時(shí)間149min。共檢測(cè)到揮發(fā)性香味成分33種。
1．6逐步判別分析
逐步判別分析是一種多元統(tǒng)計(jì)方法。整個(gè)變量篩選過(guò)程實(shí)質(zhì)就是作假設(shè)檢驗(yàn)，通過(guò)檢驗(yàn)引入顯著性變量，剔除不顯著變量。反映在輸出結(jié)果上，通?？梢杂肍值的大小作為變量引入模型的標(biāo)準(zhǔn)，即一個(gè)變量是否能進(jìn)入模型主要取決于協(xié)方差分析的F檢驗(yàn)的顯著水平。逐步判別過(guò)程本身并不建立判別函數(shù)，篩選出重要變量后，采用Bayes判別方法建立判別函數(shù)和判別準(zhǔn)則，對(duì)新樣品進(jìn)行判別歸類(lèi)。
2結(jié)果與分析
2．1近紅外譜圖的處理
2．1．1譜圖的預(yù)處理
煙草樣品的近紅外譜圖會(huì)受到樣品顏色及儀器穩(wěn)定性的影響而出現(xiàn)噪音及基線漂移，所以必須對(duì)樣品的近紅外譜圖進(jìn)行前處理［6］。利用TQAnalyst8分析軟件包中的優(yōu)化功能，采用如下方法可獲得理想的結(jié)果:多元散射校正消除樣品不均勻帶來(lái)的差異;采用段長(zhǎng)為9、間隔為5的NorrisDerivative濾波平滑光譜，消除高頻噪音，保留有用的低頻信息;采用二介微分處理，消除基線漂移的影響，獲得比原光譜更高分辨率和更清晰的光譜輪廓變化。
2．1．2譜圖的主成分分析
選擇4000～8000cm－1波數(shù)為分析區(qū)域，由主成分分析獲得樣品的10個(gè)主成分，前5個(gè)主成分的貢獻(xiàn)率達(dá)到96．97%，即5個(gè)主成分就能夠代表96.97%的近紅外譜圖信息，所以以5個(gè)主成分得分為分析對(duì)象，采用逐步判別分析進(jìn)行模式識(shí)別。
2．2煙葉種植區(qū)域模式識(shí)別結(jié)果的比較
收集的樣品由福建、云南、安徽、江西、貴州4個(gè)地區(qū)的煙葉樣品組成，依據(jù)《中國(guó)煙草種植區(qū)劃》［13］110個(gè)樣品屬于5個(gè)產(chǎn)區(qū)，從每個(gè)產(chǎn)區(qū)隨機(jī)抽取5個(gè)作為外部驗(yàn)證樣品，其余作為建模樣品。通過(guò)逐步判別分析，篩選出對(duì)于種植區(qū)域判別有主要影響作用的6種化學(xué)成分，即糠醛、吲哚、香葉基丙酮、柏木醇、新植二烯和氯，并獲得其Bayes判別函數(shù)，同樣由逐步判別分析獲得近紅外光譜5個(gè)主成分得分煙葉種植區(qū)域的Bayes判別函數(shù)。將篩選出的變量代入Bayes判別函數(shù)計(jì)算得到判別值，比較各判別值大小，其中最大值所對(duì)應(yīng)的分組便是判別分組。表2表明，化學(xué)成分建模85個(gè)樣品種植區(qū)域交叉驗(yàn)證模式識(shí)別的準(zhǔn)確率為91．76%，外部驗(yàn)證25個(gè)樣品種植區(qū)域模式識(shí)別的準(zhǔn)確率為80．00%;近紅外光譜建模85個(gè)樣品種植區(qū)域交叉驗(yàn)證模式識(shí)別的準(zhǔn)確率為89．41%，外部驗(yàn)證25個(gè)樣品種植區(qū)域模式識(shí)別的準(zhǔn)確率為80．00%。種植區(qū)域化學(xué)成分模式識(shí)別的準(zhǔn)確率略高于近紅外譜圖模式識(shí)別的結(jié)果。滇南桂西山地丘陵烤煙區(qū)及滇西高原山地烤煙煙區(qū)都屬于云南地區(qū)，地理位置較近，且種植水平及習(xí)慣接近，因此2個(gè)地區(qū)的樣品發(fā)生部分誤判，閩西贛南粵東丘陵煙區(qū)、皖南贛北丘陵烤煙區(qū)、黔中高原山地烤煙區(qū)樣品識(shí)別正確率較高(表2)。
2．3煙葉品種模式識(shí)別結(jié)果的比較
收集的110個(gè)煙葉樣品共有云煙87、翠碧1號(hào)、K326、紅花大金元等4個(gè)品種，從每個(gè)品種中隨機(jī)抽取5個(gè)作為外部驗(yàn)證樣品，其余的樣品作為建模樣品。通過(guò)判別分析，篩選出對(duì)于品種模式識(shí)別有主要影響的4種化學(xué)成分，即4－環(huán)戊烯－1，3－二酮、茶香酮、香葉基丙酮、氯，并獲得了其Bayes判別函數(shù)，同樣由逐步判別分析獲得近紅外光譜5個(gè)主成分得分煙葉品種的Bayes判別函數(shù)。目前我國(guó)主栽烤煙品種均直接或間接來(lái)自于相同的親本，甚至有些品種間親緣關(guān)系極近，致使品種鑒別時(shí)容易發(fā)生錯(cuò)判。表4結(jié)果表明，化學(xué)成分建模90個(gè)樣品品種交叉驗(yàn)證模式識(shí)別的準(zhǔn)確率為77．78%，外部驗(yàn)證20個(gè)樣品品種模式識(shí)別的準(zhǔn)確率為70．00%;近紅外光譜建模90個(gè)樣品品種交叉驗(yàn)證模式識(shí)別的準(zhǔn)確率為82．22%，外部驗(yàn)證20個(gè)樣品品種模式識(shí)別的準(zhǔn)確率為75．00%。煙草品種的近紅外譜圖模式識(shí)別結(jié)果優(yōu)于化學(xué)成分模式識(shí)別的結(jié)果。
2．4煙葉部位模式識(shí)別結(jié)果的比較
收集的110個(gè)煙葉樣品中上部煙36個(gè)、中部煙38個(gè)、下部煙36個(gè)，從不同部位的煙葉樣品中隨機(jī)抽取8個(gè)樣品外部驗(yàn)證樣品，其余的樣品作為建模樣品。通過(guò)判別分析，篩選出對(duì)于煙葉部位模式識(shí)別有主要影響的化學(xué)成分為三環(huán)萜、柏木醇、總煙堿，并獲得了其Bayes判別函數(shù)，同樣由逐步判別分析獲得近紅外光譜5個(gè)主成分得分煙葉部位的Bayes判別函數(shù)。表6結(jié)果表明，化學(xué)成分建模86個(gè)煙葉樣品部位交叉驗(yàn)證模式識(shí)別的準(zhǔn)確率為86．05%，外部驗(yàn)證24個(gè)煙葉樣品的準(zhǔn)確率為75．00%，近紅外光譜建模86個(gè)煙葉樣品部位交叉驗(yàn)證模式識(shí)別的準(zhǔn)確率為94．19%，外部驗(yàn)證24個(gè)煙葉樣品的準(zhǔn)確率為91．67%。煙葉部位的近紅外譜圖模式識(shí)別結(jié)果優(yōu)于化學(xué)成分模式識(shí)別的結(jié)果。
2．5模式識(shí)別結(jié)果比較
以化學(xué)成分、近紅外光譜建模樣品及外部驗(yàn)證樣品模式識(shí)別正確識(shí)別的個(gè)數(shù)為變量進(jìn)行相關(guān)性分析及配對(duì)t檢驗(yàn)。相關(guān)性分析結(jié)果表明，2種方式獲得的結(jié)果都存在顯著的相關(guān)性(P＜0．05);配對(duì)t檢驗(yàn)結(jié)果表明所獲得的結(jié)果差異不顯著(P＞0．05)(表7)。
3結(jié)論
【摘要】 目的采用氣相色譜-質(zhì)譜聯(lián)用（GC-MS）分析廣西余甘子葉揮發(fā)油的成分。方法采用維普（HP-5MS）彈性石英毛細(xì)管柱，程序升溫，以EI離子源和四極桿質(zhì)量分析器進(jìn)行分析，質(zhì)譜圖用NIST98譜庫(kù)檢索，結(jié)合人工譜圖解析，鑒定各種成分，并用色譜峰面積歸一法測(cè)定其相對(duì)百分含量。結(jié)果分離出29個(gè)色譜峰，鑒定出26種成分，占已分離組分總含量的90%以上。其中葉綠醇(19.00% ) 、2，4-二叔丁基苯酚 (18.79% )和異植物醇 (10.54% ) 為所含的相對(duì)含量較高的成分。結(jié)論該法簡(jiǎn)便、快速、靈敏度高。
【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(lái)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(biāo)準(zhǔn)》、1978年版《藏藥標(biāo)準(zhǔn)》、1977～2005年版《中華人民共和國(guó)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(gè)民族習(xí)用藥［1］，廣泛分布于世界上許多國(guó)家。我國(guó)對(duì)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(guó)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(jià)值的植物果實(shí)，被聯(lián)合國(guó)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(zhǎng)。近年研究表明余甘子具有抗菌［2］、抗腫瘤［3］、抗氧化［4］、抗動(dòng)脈粥樣硬化［5，6］、抗乙肝病毒［7］、保肝［8］等作用。國(guó)內(nèi)學(xué)者對(duì)余甘子果實(shí)的化學(xué)成分進(jìn)行了較多的報(bào)道，但余甘子葉的化學(xué)成分研究未見(jiàn)報(bào)道，而余甘子葉含有較濃的芳香氣，本實(shí)驗(yàn)提取了揮發(fā)油，進(jìn)行了定性定量分析。
1 儀器與材料
美國(guó) HP 6890/5973N氣相色譜質(zhì)譜聯(lián)用儀（美國(guó)安捷倫)，HP-5MS彈性石英毛細(xì)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(biāo)本存于廣西中醫(yī)學(xué)院藥學(xué)中心實(shí)驗(yàn)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(jìn)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(wú)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(jìn)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(jìn)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(gè)峰（見(jiàn)圖1）。用氣相色譜數(shù)據(jù)處理系統(tǒng)，以峰面積歸一法測(cè)得其中各組分的相對(duì)百分含量，對(duì)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(guò)NIST98質(zhì)譜計(jì)算機(jī)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(xiàn)核對(duì)，對(duì)基峰、質(zhì)荷比和相對(duì)豐度等方面進(jìn)行直觀比較，鑒定了其中26個(gè)峰，占總揮發(fā)油成分的90%以上，結(jié)果見(jiàn)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(lèi)、苯酚類(lèi)及烷烴化合物。在已鑒定的組分中，相對(duì)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(duì)較少，未能鑒定，有待進(jìn)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(guó)內(nèi)外尚未見(jiàn)報(bào)道，本文采用GC-MS方法，對(duì)余甘子葉揮發(fā)油的化學(xué)成分進(jìn)行了研究，鑒定了其中的26種成分。該法簡(jiǎn)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(kāi)了廣闊的前景。
【參考文獻(xiàn)】
［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(guó)中藥雜志，2003，28（10）：940.
［2］ 鐘振國(guó)，曾春蘭.余甘子葉提取物體外抗菌實(shí)驗(yàn)研究［J］.中藥材，2008，31（3）：428.
［3］ 曾春蘭，鐘振國(guó).余甘子葉提取物體外抗腫瘤作用研究［J］.時(shí)珍國(guó)醫(yī)國(guó)藥，2008，19（3）：580.
［4］ 潘國(guó)慶，趙旭升，蔣炘治.余甘子抗氧化作用的研究［J］.青?？萍迹?007，12（6）：33.
［5］ 劉麗梅，高 政，李寶文. 余甘子對(duì)實(shí)驗(yàn)性頸動(dòng)脈粥樣硬化家兔的影響［J］. 中國(guó)臨床康復(fù)， 2003，7 (5) : 766.
［6］ 王綠婭，王大全，秦彥文，等. 余甘子抗脂質(zhì)過(guò)氧化和保護(hù)血管內(nèi)皮的實(shí)驗(yàn)研究［J］. 中國(guó)藥學(xué)雜志， 2003， 38 (10) : 505.
[關(guān)鍵詞] 拉曼光譜；定量分析；實(shí)驗(yàn)教學(xué)
[中圖分類(lèi)號(hào)] G642
[文獻(xiàn)標(biāo)識(shí)碼] A
[文章編號(hào)] 2095-3712（2014）22-0058-03[ZW（N]
[作者簡(jiǎn)介]張煥君（1982―），女，河南許昌人，碩士，鄭州輕工業(yè)學(xué)院教師；程學(xué)瑞（1982―），男，河南安陽(yáng)人，博士，鄭州輕工業(yè)學(xué)院副教授，研究方向：材料物理。
拉曼光譜的強(qiáng)度、頻移、線寬、特征峰數(shù)目以及退偏度與分子的振動(dòng)能態(tài)、轉(zhuǎn)動(dòng)能態(tài)、對(duì)稱(chēng)性等特性有緊密的聯(lián)系，即與分子的結(jié)構(gòu)緊密相關(guān)。而且拉曼光譜具有制樣簡(jiǎn)單，分析快速、無(wú)損，所檢測(cè)的樣品僅需微量即可滿足測(cè)量要求等諸多優(yōu)點(diǎn)，因而成為研究分子結(jié)構(gòu)的強(qiáng)有力工具，廣泛地應(yīng)用于分子的鑒別、分子結(jié)構(gòu)的研究、分析化學(xué)、石油化工催化和環(huán)境科學(xué)等各個(gè)領(lǐng)域[1-2]。然而，相對(duì)于氣相、液相色譜法的較高精度而言，較大的分析誤差率限制了拉曼光譜定量分析的應(yīng)用。在實(shí)際應(yīng)用中，拉曼光譜分析技術(shù)多用于樣品的定性分析，尤其是在實(shí)驗(yàn)教學(xué)當(dāng)中，更多的是強(qiáng)調(diào)其定性分析的作用，而忽略其定量分析的功能[3-4]。尤其是對(duì)具有強(qiáng)熒光背景物質(zhì)，如乙醇及其混合溶液的定量分析，更是拉曼光譜定量分析中的難點(diǎn)問(wèn)題。
為幫助學(xué)生克服這樣單一的認(rèn)識(shí)，我們?cè)诮虒W(xué)實(shí)驗(yàn)環(huán)節(jié)增加了相關(guān)實(shí)驗(yàn)內(nèi)容，采用拉曼光譜對(duì)乙醇溶液的濃度進(jìn)行定量分析。在教學(xué)過(guò)程中，我們向?qū)W生介紹了拉曼光譜定量分析的理論依據(jù)、分析過(guò)程，并著重分析了誤差來(lái)源，以加深學(xué)生對(duì)拉曼光譜的認(rèn)識(shí)，尤其是讓學(xué)生對(duì)其定量分析功能有了進(jìn)一步的了解。
一、理論依據(jù)
拉曼光譜定量分析的理論依據(jù)為：
I=KΦC∫b[]0e（[WTBZ]ln[WTBX]10）（k+k）zh（z）dz
在上式中，I為光學(xué)系統(tǒng)所收集到的樣品表面拉曼信號(hào)強(qiáng)度；K為分子的拉曼散射截面積；Φ為樣品表面的激光入射功率；k、k′分別是入射光和散射光的吸收系數(shù)；Z為入射光和散射光通過(guò)的距離；h（z）為光學(xué)系統(tǒng)的傳輸函數(shù)；b為樣品池的厚度。由上式可以看出，在一定條件下，拉曼信號(hào)強(qiáng)度與產(chǎn)生拉曼散射的待測(cè)物濃度成正比，即I∝C。
二、實(shí)驗(yàn)過(guò)程
實(shí)驗(yàn)樣品材料為國(guó)藥集團(tuán)化學(xué)試劑有限公司生產(chǎn)的濃度不低于99.7%的分析純乙醇、四氯化碳和去離子水。把不同體積的去離子水加入乙醇樣品中，配制成不同濃度的乙醇-水二元體系溶液；用激光功率為50mW（100%）的拉曼光譜儀采集純乙醇溶液、水、四氯化碳溶液的拉曼光譜圖；用拉曼光譜儀采集不同濃度的乙醇溶液的拉曼光譜圖，對(duì)每種濃度的樣品重復(fù)掃描3次，試驗(yàn)結(jié)果取三次掃描的平均值。
三、結(jié)果討論
把配制好的不同濃度的乙醇溶液加入未受污染的樣品池，把不同濃度的樣品分別放在拉曼光譜儀上測(cè)出其拉曼光譜。熒光背底扣除后不同濃度的乙醇-水溶液的拉曼光譜圖如圖1所示。
圖1熒光背底扣除后不同濃度的乙醇-水溶液的拉曼光譜圖
表1中的數(shù)據(jù)進(jìn)一步顯示出，隨著乙醇濃度的增加，特征峰強(qiáng)度的比值在不斷增加。純水的3200cm-1峰的強(qiáng)度I2與不同濃度乙醇的884cm-1峰的強(qiáng)度I1之比R1和面積比R2與乙醇濃度的關(guān)系見(jiàn)表1。擬合圖如圖2所示，R1和R2與乙醇濃度有較好的線性關(guān)系，其線性相關(guān)系數(shù)分別為0.98554和0.97558。
四、誤差分析
激光功率、樣品池、聚焦位置等因素會(huì)對(duì)定量分析結(jié)構(gòu)有重要影響。
（一）激光功率的影響
不改變聚焦樣品的位置，激光功率分別選取100%、50%、10%、5%、1%和0.5%（100%為50mW），對(duì)50%的乙醇-四氯化碳溶液進(jìn)行測(cè)試，結(jié)果如表2所示。
由表2可以看出，隨著激光功率的改變，兩個(gè)特征峰（峰459cm-1和884cm-1）的強(qiáng)度比值基本上在2.3左右，面積比值基本上在3.0左右。然而可以看出，當(dāng)激光功率很小時(shí)（1%或0.5%），由于激發(fā)光源本身很弱，導(dǎo)致散射的拉曼信號(hào)強(qiáng)度本身也非常弱，而且信噪比很大，所以相對(duì)誤差比較大。而且當(dāng)激光功率很強(qiáng)（100%功率）時(shí)，兩個(gè)特征峰的強(qiáng)度比值和面積比值都稍微偏離2.3和3.0，其原因可能是，激光功率很強(qiáng)時(shí)，其信號(hào)強(qiáng)度和熒光信號(hào)也比較強(qiáng)，而熒光對(duì)拉曼散射的干擾非常大，導(dǎo)致在扣除熒光背底過(guò)程中出現(xiàn)較大的偏差。
（二）樣品池的影響
如圖4是毛細(xì)管樣品池的拉曼光譜圖，實(shí)驗(yàn)過(guò)程中用毛細(xì)管吸取待測(cè)溶液。毛細(xì)管作為樣品容器，在激光激發(fā)下也存在拉曼光譜和熒光背底，在基線處理和背底扣除過(guò)程中難以完全消除其影響，進(jìn)而產(chǎn)生誤差。
圖4毛細(xì)管樣品池的拉曼光譜圖
（三）聚焦位置的影響
在同一樣品不同點(diǎn)進(jìn)行多次測(cè)量，分析結(jié)果發(fā)現(xiàn)，混合溶液的特征峰強(qiáng)度的比值存在較大的偏差，主要原因可能是本次試驗(yàn)使用的是顯微共聚焦激光拉曼光譜儀，3次測(cè)量的聚焦位置不同，以及數(shù)據(jù)處理過(guò)程當(dāng)中熒光背底的扣除都會(huì)引起較大的誤差。對(duì)同一濃度的溶液測(cè)量3次，所得強(qiáng)度之比的不確定度為0.117，相對(duì)強(qiáng)度之比與乙醇濃度擬合直線的不確定度為0.024，相對(duì)面積比與乙醇濃度擬合直線的不確定度為0.858。
綜上所述，激光功率、樣品池、聚焦位置等因素會(huì)對(duì)拉曼光譜定量分析結(jié)構(gòu)產(chǎn)生一定的影響。另外，乙醇的揮發(fā)、激光功率的穩(wěn)定性、實(shí)驗(yàn)儀器的固有誤差等因素也會(huì)對(duì)測(cè)試結(jié)果帶來(lái)影響。然而，拉曼光譜定量分析的結(jié)果仍然有較大的可信度，可以作為一種有效的定量分析方法。
參考文獻(xiàn)：
[1]譚紅琳，李智東，張鵬翔，等.乙醇、甲醇、食用酒及工業(yè)酒精的拉曼光譜測(cè)定[J].云南工業(yè)大學(xué)學(xué)報(bào)，1999（2）.
[2]楊丹，徐文藝.CuCl2-H2O體系和FeCl3-H2O體系絡(luò)合物拉曼光譜研究與溶液拉曼定量分析探索[J].光譜學(xué)與光譜分析，2011（10）.
關(guān)鍵詞：吉首市 陽(yáng)光體育 現(xiàn)狀 建議
1.1 研究對(duì)象
以吉首市普通中學(xué)陽(yáng)光體育運(yùn)動(dòng)開(kāi)展現(xiàn)狀為研究對(duì)象，結(jié)合隨機(jī)與整群抽樣的方法抽取吉首市一中，四中,雅思中學(xué)三所學(xué)校中的學(xué)生共600人為調(diào)查對(duì)象，其中男生315人，女生285人，體育教師共28人。
1.2 研究方法
文獻(xiàn)資料法;訪談法;問(wèn)卷調(diào)查法;數(shù)理統(tǒng)計(jì)法;邏輯分析法
2.研究結(jié)果與分析
2.1吉首市普通中學(xué)開(kāi)展陽(yáng)光體育運(yùn)動(dòng)現(xiàn)狀調(diào)查
2.1.1吉首市普通中學(xué)師資力量現(xiàn)狀調(diào)查
體育教師是學(xué)校體育活動(dòng)的主導(dǎo)者，是“陽(yáng)光體育”運(yùn)動(dòng)運(yùn)行好壞的“指揮棒”，因此學(xué)校體育的師資情況直接關(guān)系到學(xué)生“陽(yáng)光體育”的落實(shí)情況，教師學(xué)歷的高低、體育教師的數(shù)量從一定程度上影響著教學(xué)質(zhì)量的提高，從調(diào)查來(lái)看吉首市普通中學(xué)教師學(xué)歷有待提高， 96%的體育教師均為大學(xué)本科，而碩士研究生僅占一小部分，其中大部分學(xué)校體育老師兼雙職。此外由于體育教師的結(jié)構(gòu)性缺編，體育教師和在校學(xué)生比例嚴(yán)重失調(diào)。這給陽(yáng)光體育的開(kāi)展造成一定影響。
2.1.2吉首市普通中學(xué)師生對(duì)陽(yáng)光體育運(yùn)動(dòng)的了解程度調(diào)查
從調(diào)查得知，大部分體育教師對(duì)陽(yáng)光體育這一概念還是比較了解，但學(xué)生對(duì)陽(yáng)光體育的了解卻不容樂(lè)觀。在調(diào)查中有36% 的學(xué)生完全不了解這個(gè)概念;46% 的中學(xué)生只是基本了解;真正比較了解“陽(yáng)光體育運(yùn)動(dòng)”的僅有18%。由此可知學(xué)生對(duì)陽(yáng)光體育這一概念不清晰，學(xué)校和體育教師應(yīng)加大宣傳力度，使學(xué)生理解陽(yáng)光體育的真正含義，自愿參與陽(yáng)光體育運(yùn)動(dòng)，把身體鍛煉得更好。
2.1.3吉首市普通中學(xué)學(xué)生參加體育鍛煉時(shí)間的情況
從表1可以知，大部分學(xué)生不同程度地參加了體育活動(dòng)，只是每周運(yùn)動(dòng)的次數(shù)偏低，每次活動(dòng)的時(shí)間大部分都在三十分鐘以下。其中每周活動(dòng)五次以上的僅占一小部分。離我們“每天活動(dòng)1 h”的要求還有一定的差距。
2.1.4 吉首市普通中學(xué)有無(wú)陽(yáng)光體育運(yùn)動(dòng)專(zhuān)項(xiàng)撥款的調(diào)查
據(jù)調(diào)查得知，沒(méi)有專(zhuān)項(xiàng)撥款的學(xué)校達(dá)到64%，而有專(zhuān)項(xiàng)撥款的為35%。在資金方面，大部分學(xué)校還不到位，這直接影響到學(xué)校陽(yáng)光運(yùn)動(dòng)的開(kāi)展。通過(guò)訪談得知，小部分學(xué)校有一定的體育活動(dòng)經(jīng)費(fèi)，可資金很少。這是導(dǎo)致陽(yáng)光體育未能很好實(shí)施的一個(gè)重要原因，原因主要是學(xué)校領(lǐng)導(dǎo)對(duì)陽(yáng)光體育運(yùn)動(dòng)的不重視，把大量的人力，物力和財(cái)力用在其他科目上。
2.1.5吉首市普通中學(xué)場(chǎng)地器材現(xiàn)狀情況調(diào)查
據(jù)調(diào)查可知，學(xué)生進(jìn)行體育活動(dòng)的主要場(chǎng)所與器材的配備明顯不足，這與教育部規(guī)定的每生活動(dòng)場(chǎng)地面積為3平方米相比，明顯不成比例，通過(guò)我們對(duì)老師和學(xué)生的交談得知學(xué)校的體育器材比較缺乏，并且有些體育器材已經(jīng)比較陳舊，學(xué)校沒(méi)有進(jìn)行及時(shí)的更新體育設(shè)備。學(xué)校應(yīng)在體育的硬件和軟件上進(jìn)行改善。使學(xué)校體育能更好的發(fā)展。讓學(xué)生能有更加寬敞的活動(dòng)環(huán)境和更加標(biāo)準(zhǔn)的體育場(chǎng)地。
2.2 影響吉首市普通中學(xué)陽(yáng)光體育運(yùn)動(dòng)開(kāi)展的原因分析
2.2.1 吉首市普通中學(xué)學(xué)校領(lǐng)導(dǎo)對(duì)開(kāi)展“陽(yáng)光體育”運(yùn)動(dòng)的態(tài)度
學(xué)校領(lǐng)導(dǎo)對(duì)“陽(yáng)光體育”運(yùn)動(dòng)的重視程度，直接影響到學(xué)校體育活動(dòng)的組織和開(kāi)展，因此學(xué)校領(lǐng)導(dǎo)對(duì)開(kāi)展“陽(yáng)光體育”運(yùn)動(dòng)的態(tài)度是影響吉首市普通中學(xué)陽(yáng)光體育運(yùn)動(dòng)開(kāi)展的一個(gè)直接原因。
2.2.2 吉首市普通中學(xué)體育教師師資力量狀況
目前吉首市普通中學(xué)體育教師存在結(jié)構(gòu)性失調(diào)，體育教師的數(shù)量無(wú)法滿足學(xué)生的需要；因此，吉首市政府要加大教師人事改革，增大體育教師數(shù)量，注入年輕新力量，改革管理機(jī)制，以便更好的開(kāi)展陽(yáng)光體育運(yùn)動(dòng)。
2.2.3 吉首市普通中學(xué)學(xué)校場(chǎng)地器材配備及資金情況
陽(yáng)光體育運(yùn)動(dòng)的開(kāi)展必須依賴(lài)于體育場(chǎng)地和器材，而體育器材的使用頻率高，需要投入大量的資金作為購(gòu)買(mǎi)器材和維修,通過(guò)訪談與調(diào)查發(fā)現(xiàn)吉首市普通中學(xué)缺乏資金保障,體育器材得不到更新.因而使陽(yáng)光體育運(yùn)動(dòng)沒(méi)有收到預(yù)期的效果.
3.結(jié)果與建議
3.1 結(jié)果
3.1.1吉首市普通中學(xué)的體育師資力量不足，體育教師和學(xué)生對(duì)陽(yáng)光體育運(yùn)動(dòng)了解不透徹。每天的體育活動(dòng)時(shí)間達(dá)不到一小時(shí)。
3.1.2學(xué)校領(lǐng)導(dǎo)對(duì)陽(yáng)光體育運(yùn)動(dòng)在校園的開(kāi)展，還沒(méi)有形成足夠的重視，學(xué)校的場(chǎng)地器材條件有限。
3.1.3學(xué)校對(duì)開(kāi)展陽(yáng)光體育運(yùn)動(dòng)的經(jīng)費(fèi)缺乏；沒(méi)有充足的資金保障，另外，體育教師工作量大,新生力量補(bǔ)充不足。
3.2 建議
3.2.1學(xué)校領(lǐng)導(dǎo)重視關(guān)心陽(yáng)光體育運(yùn)動(dòng)，各級(jí)部門(mén)加強(qiáng)宣傳，制定詳細(xì)和長(zhǎng)遠(yuǎn)的實(shí)施方案，設(shè)立專(zhuān)項(xiàng)資金，為陽(yáng)光體育運(yùn)動(dòng)進(jìn)一步開(kāi)展提供條件保障。
3.2.2教育部門(mén)重視，建立和完善學(xué)校體育的管理制度，將學(xué)生每天一小時(shí)體育活動(dòng)納入學(xué)校督導(dǎo)內(nèi)容及評(píng)估體系，把學(xué)生體質(zhì)健康狀況作為評(píng)價(jià)教育工作的重要指標(biāo)。
3.2.3繼續(xù)升化學(xué)校體育改革，加大課程資源開(kāi)發(fā)與利用，把課外體育活動(dòng)開(kāi)展得豐富多彩，使之成為全體學(xué)生參與實(shí)踐陽(yáng)光體育運(yùn)動(dòng)的主要形式。（作者單位：1.上海體育學(xué)院，體育教育訓(xùn)練學(xué)院；2.上海體育學(xué)院，中國(guó)乒乓球?qū)W院）
參考文獻(xiàn)
［1］ 教育部、國(guó)家體育總局、.關(guān)于全面啟動(dòng)全國(guó)億萬(wàn)學(xué)生陽(yáng)光體育運(yùn)動(dòng)的通知［Z］.教體藝［2006］6 號(hào)，2006-12-20.
［2］ 苗秀麗.開(kāi)展億萬(wàn)學(xué)生陽(yáng)光體育運(yùn)動(dòng)的認(rèn)識(shí)與思考［J］.哈爾濱體育學(xué)院學(xué)報(bào)，2002(2)：43-44．
［3］ 朱志軍.陽(yáng)光體育”伴新世紀(jì)青少年健康成長(zhǎng)［J］.管理論壇,2007(8):47-48.
關(guān)鍵詞關(guān)鍵詞：極限學(xué)習(xí)機(jī)；模式識(shí)別；高光譜遙感圖像；判別信息
DOIDOI：10.11907/rjdk.162600
中圖分類(lèi)號(hào)：TP317.4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2017）001016105
對(duì)于連續(xù)狹窄的光譜帶，高光譜成像傳感器能夠捕獲詳細(xì)和豐富的光譜信息。近年來(lái)，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(duì)圖像進(jìn)行分類(lèi)。然而，在高光譜遙感圖像分類(lèi)問(wèn)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(lèi)計(jì)算復(fù)雜度高。為使高光譜遙感圖像分類(lèi)取得良好效果，近年來(lái)，機(jī)器學(xué)習(xí)方法在高光譜圖像分類(lèi)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(jī)（Support vector machine，SVM）[2]、多項(xiàng)邏輯回歸（Multinomial logistic regression，MLR）[3]、主動(dòng)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(lèi)[6]對(duì)高光譜進(jìn)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(guò)機(jī)器學(xué)習(xí)算法尋找最優(yōu)的參數(shù)來(lái)進(jìn)行分類(lèi)通常非常困難，并且耗時(shí)，實(shí)現(xiàn)高光譜遙感圖像高效快速分類(lèi)已成為遙感圖像領(lǐng)域的重要問(wèn)題。
近年來(lái)，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(jī)（Extreme learning machine，ELM）。ELM隨機(jī)產(chǎn)生隱層節(jié)點(diǎn)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(guò)分析確定。ELM將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的求解過(guò)程轉(zhuǎn)化為一個(gè)線性模型，ELM隨機(jī)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(xiàn)[7]指出ELM通過(guò)隨機(jī)產(chǎn)生隱層節(jié)點(diǎn)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(shí)能夠得到一個(gè)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(lèi)中，與BP[9]神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)相比，ELM取得了更好的分類(lèi)效果，并且ELM算法的計(jì)算復(fù)雜度遠(yuǎn)遠(yuǎn)小于BP和支持向量機(jī)。Bazi等[10]利用差分進(jìn)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(lèi)效果。為了提高ELM算法在高光譜遙感圖像分類(lèi)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(jī)算法（Ensemble extreme learning machine，E2LM）。
雖然針對(duì)高光譜遙感圖像分類(lèi)問(wèn)題，研究人員在ELM算法的基礎(chǔ)上提出了改進(jìn)，然而 ELM及其改進(jìn)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(yùn)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(bǔ)ELM學(xué)習(xí)不夠充分的問(wèn)題，進(jìn)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(yùn)含的判別信息對(duì)ELM的分類(lèi)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(jī)（Discriminative information regularized extreme learning machine，IELM），對(duì)于分類(lèi)問(wèn)題，IELM同時(shí)考慮到數(shù)據(jù)樣本的幾何特征和數(shù)據(jù)蘊(yùn)含的判別信息，通過(guò)最大化異類(lèi)離散度和最小化同類(lèi)離散度，優(yōu)化極端學(xué)習(xí)機(jī)的輸出權(quán)值，從而在一定程度上提高ELM的分類(lèi)性能和泛化能力。IELM方法的優(yōu)勢(shì)在于：①繼承了ELM的優(yōu)點(diǎn)，在一定程度上避免了ELM學(xué)習(xí)不充分的問(wèn)題；②將異類(lèi)離散度和同類(lèi)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(lèi)離散度和最小化同類(lèi)離散度矩陣奇異問(wèn)題。
為評(píng)價(jià)和驗(yàn)證本文提出的基于判別信息極端學(xué)習(xí)機(jī)的高光譜遙感圖像分類(lèi)方法，實(shí)驗(yàn)使用Indian Pines，Salinas scene兩個(gè)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(jī)（Support vector machine，SVM）、最近鄰分類(lèi)器協(xié)作表示（Collaborative representation nearest neighbor classifier，CRNN）[13]進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明本文提出的算法能夠取得較好的分類(lèi)效果。
實(shí)驗(yàn)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(lèi)型：64位操作系統(tǒng)，版本：win7，語(yǔ)言開(kāi)發(fā)環(huán)境采用 Matlab 2010b。
第一組實(shí)驗(yàn)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(gè)波段，圖像大小為145×145，地表真實(shí)分類(lèi)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(shí)驗(yàn)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(gè)波段，圖像大小為512×217，地表真實(shí)分類(lèi)如圖2所示， Salinas scene數(shù)據(jù)集屬性設(shè)置如表2所示。
實(shí)驗(yàn)中，對(duì)于Indian Pines和Salinas scene圖像數(shù)據(jù)，隨機(jī)選取1%的數(shù)據(jù)樣本作為訓(xùn)練集，剩下部分為測(cè)試集，使用總體精度（OA），Kappa系數(shù)，平均準(zhǔn)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(duì)分類(lèi)結(jié)果質(zhì)量的總體評(píng)價(jià)，等于被正確分類(lèi)的像素總和除 以總的像素個(gè)數(shù)。被正確分類(lèi)的像素沿著混淆矩陣的對(duì)角線分布，它顯示了被正確分類(lèi)到真實(shí)分類(lèi)中的像元數(shù)。根據(jù)混淆矩陣可得OA的計(jì)算式為：p=∑ci=1miiN（21）其中，c表示類(lèi)別數(shù)目，mii表示混淆矩陣對(duì)角線上的元素，N=∑ci=1∑cj=1mij表示測(cè)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(lèi)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(píng)價(jià)指標(biāo)，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(lèi)別數(shù)目，N為測(cè)試樣本總數(shù)，mii表示混淆矩陣對(duì)角線上的元素，Kappa系數(shù)越大分類(lèi)精度越高。
（3）平均精度。平均精度（average accuracy，AA）定義為每類(lèi)分類(lèi)準(zhǔn)確率相加除以類(lèi)別總數(shù)。AA=∑ci=1accic（23）其中，c表示類(lèi)別數(shù)目，acci表示每類(lèi)的分類(lèi)準(zhǔn)確率。
4.2實(shí)驗(yàn)結(jié)果及分析
將IELM與ELM，SVM，CRNN進(jìn)行對(duì)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(diǎn)個(gè)數(shù)設(shè)置為500，懲罰參數(shù)c=20。
5結(jié)語(yǔ)
本文提出了一種基于判別信息極端學(xué)習(xí)機(jī)的高光譜遙感圖像分類(lèi)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(lèi)離散度和異類(lèi)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(guò)最大化異類(lèi)離散度和最小化同類(lèi)離散度，優(yōu)化極端學(xué)習(xí)機(jī)的輸出權(quán)值。與NN，SVM， ELM算法的對(duì)比實(shí)驗(yàn)表明，本文所提出方法的分類(lèi)效果優(yōu)于NN，SVM，ELM算法。
參考文獻(xiàn)：
[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.
[12]H LI，T JIANG，K ZHANG.Efficient robust feature extraction by maximum margin criterion[J].IEEE Transactions on Neural Networks ，2006，17（1）：157165.
