✨ 长期致力于硅酸盐类矿物药、滑石、近红外光谱法、X射线衍射法、OPUS、支持向量机研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）XRD物相分析与特征衍射峰数据库构建：
采集了146批次8种硅酸盐类矿物药样品，包括滑石、阳起石、白石脂、赤石脂、青礞石、金精石、金礞石、白云母。利用粉末X射线衍射仪在5-70度2θ范围内扫描，步长0.02度。通过对比标准PDF卡片，确定了每种矿物药的主要物相组成和特征衍射峰。滑石的特征峰位于d=0.932nm（对应2θ=9.5度），阳起石为d=0.905nm（透闪石特征），白石脂同时存在高岭石d=0.714nm和多水高岭石d=1.00nm的弥散峰。青礞石的黑云母特征峰d=1.00nm和d=0.335nm。将鉴定后的138批正品样品作为后续近红外建模的标准集。XRD分析还发现部分市售样品中混有石英、方解石等杂质，杂质含量超过10%即判定为伪品。该方法已用于常规质量控制，检测时间约为每样品30分钟，与化学滴定法相比，无需破坏样品且能同时识别多种矿物相。
（2）基于欧氏距离判别法的近红外光谱定性模型：
使用布鲁克MPA近红外光谱仪采集所有样品的漫反射光谱，波数范围12000-4000cm-1，分辨率8cm-1，扫描次数64次。在OPUS软件INDENT模块中，首先对光谱进行一阶导数加矢量归一化预处理以消除基线漂移和光程差异。建立主库包含滑石、阳起石、云母三大类，采用因子法计算光谱间欧氏距离，阈值设为0.15。对于主库无法区分的白石脂、赤石脂、青礞石、金精石、金礞石，分别建立两个二级子库A和B。子库A针对白石脂、赤石脂、青礞石，预处理采用矢量归一化，特征谱段选10742-9724cm-1和7305-6842cm-1和5625-4000cm-1，分类准确率93%。子库B针对金精石和金礞石，预处理为一阶导数加矢量归一化，特征谱段7421-6879cm-1，分类准确率90%。联合应用主库和子库对138批样品进行留一法交叉验证，总准确率为97%。对独立测试集15批样品，仅有一批金精石被误判为金礞石，准确率93.3%。
（3）基于SVM的快速定性定量一体化分析模型：
利用Matlab平台的LIBSVM工具箱，建立SVM分类器和回归器。分类模型采用C-SVC类型，核函数选择径向基函数，通过网格搜索+交叉验证优化惩罚因子c和核宽度g，最优参数c=32，g=0.125。将138批样品的近红外光谱经主成分分析降维至前6个主成分（累计解释方差99.2%），作为SVM输入。五折交叉验证分类准确率达到100%，测试集15批样品也全部正确。对于滑石中氧化镁含量的定量分析，以EDTA滴定法测得的值作为参考值，建立SVM回归模型。比较了全谱PLS、特征谱PLS和PLS-SVM三种方法。PLS-SVM方法先提取前4个PLS成分作为SVR的输入，核函数为RBF，优化后C=56，γ=0.05。校正集的RMSEC为0.61%，交叉验证RMSECV为2.21%，预测集RMSEP为1.29%。在滑石样品中氧化镁含量范围17.42-33.22%内，模型预测值与滴定值的相关系数r=0.96。将该模型嵌入到手持式近红外仪中，单样品从扫描到输出含量结果仅需10秒，实现了现场快速筛查。
import numpy as np from sklearn.svm import SVC, SVR from sklearn.decomposition import PCA from sklearn.preprocessing import StandardScaler from sklearn.model_selection import GridSearchCV import opus # 模拟OPUS接口 def nir_classification_svm(spectra, labels, test_spectra): # spectra: (n_samples, n_wavenumbers) scaler = StandardScaler() spectra_scaled = scaler.fit_transform(spectra) pca = PCA(n_components=6) X_pca = pca.fit_transform(spectra_scaled) param_grid = {'C': [1,8,16,32,64], 'gamma': [0.5,0.125,0.03125,0.0078]} svc = SVC(kernel='rbf') clf = GridSearchCV(svc, param_grid, cv=5, scoring='accuracy') clf.fit(X_pca, labels) print('最佳SVM参数:', clf.best_params_) # 测试集 test_scaled = scaler.transform(test_spectra) test_pca = pca.transform(test_scaled) pred = clf.predict(test_pca) return pred def svr_mgo_content(spectra, mgo_values, test_spectra): # PLS-SVR组合 from sklearn.cross_decomposition import PLSRegression pls = PLSRegression(n_components=4) X_pls = pls.fit_transform(spectra, mgo_values)[0] svr = SVR(kernel='rbf', C=56, gamma=0.05) svr.fit(X_pls, mgo_values) test_pls = pls.transform(test_spectra) pred = svr.predict(test_pls) return pred if __name__ == '__main__': # 模拟数据：100个样品，500个波数点 np.random.seed(42) fake_spectra = np.random.rand(100, 500) * 0.1 + 0.5 fake_labels = np.random.randint(0, 8, 100) fake_test = np.random.rand(20, 500) * 0.1 + 0.5 pred_labels = nir_classification_svm(fake_spectra, fake_labels, fake_test) print('分类预测结果:', np.bincount(pred_labels)) # 定量模拟 mgo = np.random.rand(100) * 16 + 17 # 17-33% test_mgo = np.random.rand(20) * 16 + 17 pred_mgo = svr_mgo_content(fake_spectra, mgo, fake_test) print('氧化镁含量预测平均值:', np.mean(pred_mgo))
