红外波段激光防护镜

最近做的红外透过光谱，样品是沉积了一层薄膜（约800nm）的双抛的单晶硅片，结果一看样品的透过率比硅片的透过率还高（样品的谱线没有扣除衬底硅的影响），这种现象是不是说明薄膜有增透的作用，还有其他原因会产生这种现象吗？还有，样品35~8um波段的谱线波动的这么厉害是什么原因造成的？[img]http://ng1.17img.cn/bbsfiles/images/2009/09/200909061311_169972_1855701_3.jpg[/img]

[align=center][b]基于“吸光度-浓度变化率”波段选择方法提高[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模能力[/b][/align][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]定量分析是一种二级分析方法，利用校正模型对未知含量或性质参考值的样品基于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]数据进行预测，以测定未知待测样品的浓度或性质参考值，根据预测结果评价模型的预测能力和有效性。由于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]吸收峰严重重叠，信号吸收较弱，背景干扰严重。因此需要运用波段选择方法提取有效波段，常用的波段选择方法包括前向间隔偏最小二乘法（forwardintervalpartialleastsquares, FiPLS）、反向间隔偏最小二乘法（backwardintervalpartialleastsquares, BiPLS），相关系数法（correlationcoefficient, CC）和无信息变量消除算法（uninformativevariableelimination, UVE）等。本实验对近红外建模物质的浓度与吸光度的变化率进行研究，提出了新的波段选择方法：“吸光度-浓度变化率”方法（Ratioof absorbance to concentration，RATC），弥补了常用波段选择的缺陷，构建了血浆蛋白含量检测模型。1材料1.1试剂血浆样品（山东泰邦生物制品有限公司，中国）；去离子水。1.2仪器和软件AntarisⅡ傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]，液体采样附件；液体玻璃小管（4×50mm，KimbleChase 德国）；Matlab2015a（美国Mathworks公司）；PLS_Toolbox工具箱（美国EigenvectorResearch）。2方法2.1光谱采集采用傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]（Antaris II FT-NIR）液体温控透射采样模块，控制温度为37℃下，采集原料人血浆样品光谱。光谱扫描范围和分辨率为10000-4000cm[sup]-1[/sup]和8cm[sup]-1[/sup]，扫描次数为32次，参比为空气，每隔1小时校正背景。实验室环境为温度26℃，湿度30%。2.2 校正集验证集划分方法需要划分校正集和验证集的样品：原料人血浆样品20份，[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模属性为总蛋白含量值；2.3 数据处理及模型建立研究采用MATLAB2015a数学软件以及PLS_Toolbox 1.95工具箱对光谱数据进行处理，对建模物质的吸光度和浓度进行变化率分析，选出用于建模的波数点，针对[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的建模分析，以验证均方根误差（RMSEP）值作为其建模预测能力的主要指标。通过讨论不同物质的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析模型建模结果，验证所提波段选择方法的可行性和应用性。3 “吸光度-浓度变化率”波段选择原理及方法本文提出了一种[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型的波段选择方法，基于“吸光度浓度变化率”对校正样品集中所有样品进行波段选择，其具体过程为：步骤1：预先设定校正样品集中共有n个样品，每个样品光谱中共有N个变量，对于校正样品集所有样品来说，每个变量则有n个吸光值和n个浓度值；其中，N和n均为大于1的正整数；步骤2：依次计算每个变量下相邻样品的吸光值差值和浓度差值的比值V，最终在每个变量下得到（n-1）个比值V，再计算所有比值V的平均值V[sub]mean[/sub]；V[sub]i[/sub]=|(A[sub]i[/sub]-A[sub]i[/sub][sub]+[/sub][sub]1[/sub])|/(C[sub]i[/sub]-C[sub]i[/sub][sub]+[/sub][sub]1[/sub]) （1）V[sub]mean[/sub]=[img=,50,50]https://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img] （2）A[sub]i[/sub]表示第i个样品的吸光值，A[sub]i[/sub][sub]+[/sub][sub]1[/sub]表示第i+1样品的吸光值；C[sub]i[/sub]表示第i个样品的浓度值，C[sub]i[/sub][sub]+[/sub][sub]1[/sub]表示第i+1个样品的浓度值；V[sub]1[/sub]表示第1个样品与其相邻的第2个样品的吸光值差值和浓度差值的比值；V[sub]2[/sub]表示第2个样品与其相邻的第3个样品的吸光值差值和浓度差值的比值；V[sub]3[/sub]表示第3个样品与其相邻的第4个样品的吸光值差值和浓度差值的比值；V[sub]4[/sub]表示第4个样品与其相邻的第5个样品的吸光值差值和浓度差值的比值；V[sub]n[/sub][sub]-[/sub][sub]1[/sub]表示第n-1个样品与其相邻的第n个样品的吸光值差值和浓度差值的比值。步骤3：对于校正样品集中样品光谱的N个变量来说，得到N个V[sub]mean[/sub]值，将N个变量按照其V[sub]mean[/sub]值进行排序；步骤4：按照V[sub]mean[/sub]值由大变小的顺序依次选择出相应变量，直至所有变量全部选完，停止建模，记录所有情况的建模结果。其中，V[sub]mean[/sub]值越大，则代表吸光值因浓度变化所产生的响应越大，同时V[sub]mean[/sub]即为所提出的波段选择方法的关键值，命名为“吸光度-浓度变化率”值。从V[sub]mean[/sub]值最大的变量开始建模，随后按照V[sub]mean[/sub]值由大变小的顺序，采取依次增加一个变量的方法，开始建立[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型，简化流程图如图4-1所示。[align=center][img=,580,560]https://ng1.17img.cn/bbsfiles/images/2019/08/201908161623164821_3386_3237657_3.png!w580x560.jpg[/img][/align][align=center]图4-1“吸光度-浓度变化率”波段选择方法简化流程图[/align]具体应用例证如图4-2所示：校正样品集有20个样品，其浓度值分别为C[sub]1[/sub]，C[sub]2[/sub]，…，C[sub]20[/sub]。[align=center][img=,670,461]https://ng1.17img.cn/bbsfiles/images/2019/08/201908161623371131_5892_3237657_3.png!w670x461.jpg[/img][/align][align=center]图4-2“吸光度-浓度变化率”波段选择方法具体例证过程[/align]本文将所提出的波段选择方法用于血浆蛋白含量检测模型的构建中，讨论血浆蛋白含量变化同样品吸光度之间的变化率，进而选择合适的波段用于建模。[b]4 实验结果4.1 近红外建模样品集划分[/b]对三种样品进行校正集和验证集的划分结果如表4-1所示，其结果全部满足验证集的参数值范围在校正集之内，同时对于不同样品的不同属性的校正集和验证集来说，其平均值和标准偏差值也比较接近，满足[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模校正集和验证集的划分要求。[align=center]表4-1不同样品不同属性的校正集验证集数据统计结果[/align] [table][tr][td] [align=center]样品[/align] [align=center](检测参数) [/align] [/td][td] [align=center]样品集[/align] [/td][td] [align=center]样本数[/align] [/td][td] [align=center]最大值[/align] [/td][td] [align=center]最小值[/align] [/td][td] [align=center]平均值[/align] [/td][td] [align=center]标准偏差[/align] [/td][/tr][tr][td=1,2] [align=center]原料人血浆[/align] [align=center](蛋白含量值)[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]15[/align] [/td][td] [align=center]76.80[/align] [/td][td] [align=center]40.56[/align] [/td][td] [align=center]59.34[/align] [/td][td] [align=center]12.31[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]5[/align] [/td][td] [align=center]73.16[/align] [/td][td] [align=center]41.89[/align] [/td][td] [align=center]57.56[/align] [/td][td] [align=center]11.65[/align] [/td][/tr][tr][td=1,2] [align=center]玉米[/align] [align=center](水分值)[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]60[/align] [/td][td] [align=center]10.99[/align] [/td][td] [align=center]9.38[/align] [/td][td] [align=center]10.22[/align] [/td][td] [align=center]0.39[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]20[/align] [/td][td] [align=center]10.94[/align] [/td][td] [align=center]9.64[/align] [/td][td] [align=center]10.27[/align] [/td][td] [align=center]0.36[/align] [/td][/tr][tr][td=1,2] [align=center]玉米[/align] [align=center](蛋白质含量值)[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]60[/align] [/td][td] [align=center]3.83[/align] [/td][td] [align=center]3.09[/align] [/td][td] [align=center]3.50[/align] [/td][td] [align=center]0.18[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]20[/align] [/td][td] [align=center]3.82[/align] [/td][td] [align=center]3.18[/align] [/td][td] [align=center]3.48[/align] [/td][td] [align=center]0.18[/align] [/td][/tr][tr][td=1,2] [align=center]玉米[/align] [align=center](油脂值)[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]60[/align] [/td][td] [align=center]9.71[/align] [/td][td] [align=center]7.66[/align] [/td][td] [align=center]8.73[/align] [/td][td] [align=center]0.53[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]20[/align] [/td][td] [align=center]9.60[/align] [/td][td] [align=center]8.11[/align] [/td][td] [align=center]8.49[/align] [/td][td] [align=center]0.32[/align] [/td][/tr][tr][td=1,2] [align=center]玉米[/align] [align=center](淀粉值)[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]60[/align] [/td][td] [align=center]66.47[/align] [/td][td] [align=center]62.83[/align] [/td][td] [align=center]64.62[/align] [/td][td] [align=center]0.90[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]20[/align] [/td][td] [align=center]65.60[/align] [/td][td] [align=center]63.63[/align] [/td][td] [align=center]64.91[/align] [/td][td] [align=center]0.48[/align] [/td][/tr][tr][td=1,2] [align=center]汽油[/align] [align=center]（辛烷值）[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]45[/align] [/td][td] [align=center]89.60[/align] [/td][td] [align=center]83.40[/align] [/td][td] [align=center]87.15[/align] [/td][td] [align=center]1.57[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]15[/align] [/td][td] [align=center]88.70[/align] [/td][td] [align=center]84.50[/align] [/td][td] [align=center]87.25[/align] [/td][td] [align=center]1.46[/align] [/td][/tr][/table][b]4.2 血浆样品[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模结果4.2.1“吸光度-浓度变化率”方法在血浆蛋白含量建模中的应用[/b]利用“吸光度-浓度变化率”方法对血浆样品进行数据分析，得到每个波数点下的V[sub]mean[/sub]值如图4-3所示，按照其V[sub]mean[/sub]值由大到小排列波数点，依次递增波数点个数进行建模，即得到不同[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型结果。[align=center][img=,653,353]https://ng1.17img.cn/bbsfiles/images/2019/08/201908161624210201_7336_3237657_3.png!w653x353.jpg[/img][/align][align=center]图4-3血浆样品不同波数点的V[sub]mean[/sub]值[/align][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]血浆蛋白含量建模结果如图4-4所示，最小的RMSEP值为0.495，模型的RPD值为23.535＞3，无模型过拟合现象，所涉及变量数为50个，具体波数点如表4-2所示。获得最佳模型的波数点大部分都分布在6200-6400cm[sup]-[/sup][sup]1[/sup]，分析此处的特征吸收峰信息，多为N-H的一级倍频信息。[align=center][img=,653,353]https://ng1.17img.cn/bbsfiles/images/2019/08/201908161625411205_2487_3237657_3.png!w653x353.jpg[/img][/align][align=center]图4-4 血浆蛋白样品[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的建模结果[/align][align=center]表4-2血浆蛋白样品进行[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的建模变量[/align] [table][tr][td] [align=center]波数(cm[sup]-[/sup][sup]1[/sup])[/align] [/td][td] [align=center]波数(cm[sup]-[/sup][sup]1[/sup])[/align] [/td][td] [align=center]波数(cm[sup]-[/sup][sup]1[/sup])[/align] [/td][td] [align=center]波数(cm[sup]-[/sup][sup]1[/sup])[/align] [/td][td] [align=center]波数(cm[sup]-[/sup][sup]1[/sup])[/align] [/td][/tr][tr][td] [align=center]6363.940[/align] [/td][td] [align=center]6360.083[/align] [/td][td] [align=center]6321.514[/align] [/td][td] [align=center]6294.515[/align] [/td][td] [align=center]6267.517[/align] [/td][/tr][tr][td] [align=center]6367.797[/align] [/td][td] [align=center]6387.082[/align] [/td][td] [align=center]6317.657[/align] [/td][td] [align=center]6414.080[/align] [/td][td] [align=center]6425.651[/align] [/td][/tr][tr][td] [align=center]6371.654[/align] [/td][td] [align=center]6390.938[/align] [/td][td] [align=center]6313.800[/align] [/td][td] [align=center]6417.937[/align] [/td][td] [align=center]6263.660[/align] [/td][/tr][tr][td] [align=center]6356.226[/align] [/td][td] [align=center]6340.798[/align] [/td][td] [align=center]6402.509[/align] [/td][td] [align=center]6290.658[/align] [/td][td] [align=center]6259.803[/align] [/td][/tr][tr][td] [align=center]6375.511[/align] [/td][td] [align=center]6336.941[/align] [/td][td] [align=center]6309.943[/align] [/td][td] [align=center]6286.801[/align] [/td][td] [align=center]7208.608[/align] [/td][/tr][tr][td] [align=center]6352.369[/align] [/td][td] [align=center]6329.228[/align] [/td][td] [align=center]6406.366[/align] [/td][td] [align=center]6282.944[/align] [/td][td] [align=center]6255.946[/align] [/td][/tr][tr][td] [align=center]6348.512[/align] [/td][td] [align=center]6333.084[/align] [/td][td] [align=center]6306.086[/align] [/td][td] [align=center]6421.794[/align] [/td][td] [align=center]6429.508[/align] [/td][/tr][tr][td] [align=center]6379.368[/align] [/td][td] [align=center]6398.652[/align] [/td][td] [align=center]6302.229[/align] [/td][td] [align=center]6279.087[/align] [/td][td] [align=center]6252.089[/align] [/td][/tr][tr][td] [align=center]6383.225[/align] [/td][td] [align=center]6394.795[/align] [/td][td] [align=center]6410.223[/align] [/td][td] [align=center]6275.230[/align] [/td][td] [align=center]7204.751[/align] [/td][/tr][tr][td] [align=center]6344.655[/align] [/td][td] [align=center]6325.371[/align] [/td][td] [align=center]6298.372[/align] [/td][td] [align=center]6271.374[/align] [/td][td] [align=center]6433.365[/align] [/td][/tr][/table][b]4.2.2 同常规波段选择方法的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模比较[/b]为考察“吸光度-浓度变化率”方法的预测能力高低，将其同其他常规变量选择方法 (FiPLS, BiPLS, CC, UVE) 对相同光谱数据进行处理，建立的近红外模型结果对比如图4-5所示。从图4-5中可明显看出，同其他变量选择方法相比，RATC得到了最小的RMSEP值（RMSEP=0.495g/L）。综上所述，对于原料人血浆样品的总蛋白定量来说，RATC方法减少了参与[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模的变量数，提高了血浆蛋白含量建模的预测能力，是一种有效的变量选择方法。[align=center][img=,622,370]https://ng1.17img.cn/bbsfiles/images/2019/08/201908161626000014_401_3237657_3.png!w622x370.jpg[/img][/align][align=center]图4-5 不同血浆蛋白含量的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模结果比较[/align][align=center][b] [/b][/align][b]5小结[/b]本文基于吸光度浓度变化率来对校正样品集中所有样品进行波段选择；其过程为：预先设定校正样品集中共有n个样品，每个样品光谱中共有N个变量，对于校正样品集所有样品来说，每个变量则有n个吸光值和n个浓度值；其中，N和n均为大于1的正整数；依次计算每个变量下相邻样品的吸光值差值和浓度差值的比值V，最终在每个变量下得到（n-1）个比值V，再计算所有比值V的平均值V[sub]mean[/sub]；对于校正样品集中样品光谱的N个变量，得到N个V[sub]mean[/sub]值，将N个变量按照其V[sub]mean[/sub]值进行排序；按照V[sub]mean[/sub]值由大变小的顺序依次选择出相应变量，直至所有变量全部选完，停止建模，记录所有情况的建模结果。同常规波段选择方法比较，该方法从三个方面进行了改进，不仅减少了参与[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模变量的数目，提高了[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型的预测能力。丰富了[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型的波段选择方法，给[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型使用者提供“吸光度-浓度变化”波段选择方法。同时由于是根据物质的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]吸光度和浓度的关系建立的波段选择方法，某种程度上，该方法更能够反应物质的化学信息，即吸光度随着浓度变化率，使得该波段选择方法具有广泛的可行性和通用性。

[align=center][b][size=18px]疫情依然严峻，实验这些安全防护用品你都用对了吗？[/size][/b] [/align]源自：分析圈[size=16px] 国内疫情虽然有所缓和，然而还远远没有结束，个人安全防护依然不容小视。谈到实验室安全防护，我们会想到眼面部、呼吸、耳部防护、手部、身体、足部防护，甚至产品推荐都能娓娓道来，而现实是我们可能选型错了，甚至忽略了其他的安全防护因素，那么，实验室防护到底该如何选型与正确穿戴？还有哪些被忽略的安全问题呢？如何[font=&]科学、有效的使用，你都了解吗？[/font][/size][size=16px][font=&] 首先，我们要对安全防护装备有个大概的定义。安全防护装备是指用于防止工作人员受到物理、化学和生物等有害因子伤害的器材和用品。[/font][b]主要包括：眼睛防护（安全镜、护目镜）、头面部及呼吸道防护（口罩、面罩、个人呼吸器、防毒面具、帽子）、躯体防护（实验服、隔离衣、连体衣等）、手、足防护（手套、鞋套），以及耳部防护（听力保护器等）。[/b][/size][img=,421,416]https://ng1.17img.cn/bbsfiles/images/2022/05/202205171314289130_4693_1626275_3.png!w421x416.jpg[/img][font=&] 安全防护装备选择原则实验室工作人员应根据不同级别安全水平和工作性质来选择个人防护装置并掌握正确的使用方法。[/font][b]安全防护装备选择注意事项[/b][list][*][font=&]个人防护用品应符合国家规定的有关标准；[/font][*][font=&]在危害评估的基础上，按不同级别防护要求选择适当的个人防护装备；[/font][*][font=&]个人防护装备的选择、使用、维护应有明确的书面规定、程序和使用指导；[/font][*][font=&]使用前应仔细检查，不使用标志不清、破损或泄漏的防护用品。[/font][/list][b]安全防护装备主要包括[/b][color=#021eaa][b][font=&]1、眼睛防护（安全镜、护目镜）[/font][/b][/color][font=&]护目镜是一种起特殊作用的眼镜，使用的场合不同，需求的眼镜也不同。如医院用的手术眼镜，电焊的时候用的焊接眼镜，激光雕刻中的激光防护眼镜等。防护眼镜在工业生产中又称作劳保眼镜，分为安全眼镜和防护面罩两大类，作用主要是保护眼睛和面部免受紫外线、红外线和微波等电磁波的辐射，粉尘、烟尘、金属和砂石碎屑以及化学溶液溅射的损伤。[/font][img=,690,200]https://ng1.17img.cn/bbsfiles/images/2022/05/202205171317258488_723_1626275_3.png!w690x200.jpg[/img][color=#ff4c41][b][font=&]护目镜主要种类及用途如下：[/font][/b][/color][font=&]防固体碎屑护目镜：主要用于防御金属或砂石碎屑等对眼睛的机械损伤。眼镜片和眼镜架结构坚固，抗打击。框架周围装有遮边，其上应有通风孔。防护镜片可选用钢化玻璃、胶质粘合玻璃或铜丝网防护镜。[/font][font=&]防化学溶液的护目镜：主要用于防御有刺激或腐蚀性的溶液对眼睛的化学损伤。可选用普通平光镜片，镜框应有遮盖，以防溶液溅入。通常用于实验室、医院等场所，一般医用眼镜即可通用。[/font][font=&]防辐射的护目镜：用于防御过强的紫外线等辐射线对眼睛的危害。镜片由能反射或吸收辐射线，但能透过一定可见光的特殊玻璃制成。镜片镀有光亮的铬、镍、汞或银等金属薄膜，可以反射辐射线；蓝色镜片吸收红外线，黄绿镜片同时吸收紫外线和红外线，无色含铅镜片吸收X射线和γ射线。比如常见的电焊眼镜，对镜片的透光率要求相对很低，所以镜片颜色多以墨色为主；激光防护眼镜，顾名思义，就是能防止激光对眼镜的辐射，所以对镜片要求很高，比如对光源的选择、衰减率、光反应时间、光密度、透光效果等，不同纳米的激光就需要用不同波段的镜片。[/font][color=#021eaa][b][font=&]2、头面部及呼吸道防护（口罩、面罩、个人呼吸器、防毒面具、帽子）[/font][/b][/color][font=&]口罩。目前实验室常用口罩样式，大致种类主要有如下几种。[/font][img=,690,207]https://ng1.17img.cn/bbsfiles/images/2022/05/202205171319015480_6169_1626275_3.png!w690x207.jpg[/img][b][font=&]活性炭口罩：[/font][/b][font=&]利用活性炭较大的表面积（500～1000m2/g），强的吸附性能，将其作为吸附介质，制作而成的口罩。[/font][b][font=&]空气过滤式口罩：[/font][/b][font=&]主要工作原理是使含有害物的空气通过口罩的滤料过滤净化后再被人吸入，过滤式口罩是使用最广泛的一类。过滤式口罩的结构应分为两大部分，面罩的主体和滤材部分，包括用于防尘的过滤棉以及防毒用的化学过滤盒等。[/font][font=&]美国国家职业安全与健康研究院（NIOSH）粉尘类呼吸防护标准42CFR84，1995年6月8日公布（根据滤料分类），有如下几个系列。[/font][b][font=&]N系列：[/font][/b][font=&]防护非油性悬浮颗粒无时限。[/font][font=&]R系列：防护非油性悬浮颗粒及汗油性悬浮颗粒时限8h。[/font][b][font=&]P系列：[/font][/b][font=&]防护非油性悬浮颗粒及汗油性悬浮颗粒无时限。[/font][font=&]有些颗粒物的载体是有油性时，而这些物质附在静电无纺布上会降低电性，使细小粉尘穿透，因此对于防含油气溶胶的滤料要经过特殊的静电处理，以达到防细小粉尘的目的。所以每个系列又划分出了3个水平：95％，99％，99.97％（即简称为95，99，100），总计有9小类滤料。[/font][font=&]此外，欧盟、澳大利亚、日本等国家也制定了相应的滤材标准。我国出台国家标准GB 6223—86 UDC614.894，也对滤料进行了分类。[/font][font=&]防毒面具。实验室使用的主流防毒面具，主要包括以下几类。[/font][img=,690,296]https://ng1.17img.cn/bbsfiles/images/2022/05/202205171322009462_9144_1626275_3.png!w690x296.jpg[/img][font=&]过滤式防毒面具是一种能够有效地滤除吸入空气中的化学毒气或其他有害物质，并能保护眼睛和头部皮肤免受化学毒剂伤害的防护器材，是消防部队最常用的一种防毒面具。不同类型产品的基本结构和防毒原理相同，都是由滤毒罐、面罩和面具袋组成。在使用这种防毒面具时，由于面具的呼吸阻力、有害空间和面罩的局部作用，对人体的正常生理功能造成不同程度的影响。在平时，健康人员尚可忍受，在一些特殊情况下，就可能会带来一定的恶果。因此，对不适合戴面具的人员，应根据病情限制或禁止使用防毒面具。对患有心血管、呼吸系统疾病，贫血、高血压、肾脏病患者等，应尽量缩短配戴时间。[/font][font=&]隔绝式防毒面具是一种可使呼吸器官完全与外界空气隔绝，其中的储氧瓶或产氧装置产生的氧气供人呼吸的个人防护器材。隔绝式防毒面具与滤过式防毒面具相比的优点是能有效地防护各种浓度的毒剂、放射性物质和致病微生物的伤害，并能在缺氧或含有大量一氧化碳及其他有害气体的条件下使用。隔绝式防毒面具的缺点是较笨重，使用复杂，容易发生故障和价格较贵。根据隔绝式面具的供氧方式不同，可分为带氧面具和产氧面具两种。[/font][font=&]带氧面具的基本原理是人吸入钢瓶中经过减压的高压氧，呼出气中的二氧化碳和水蒸气被清洁罐中的氢氧化锂或钠石灰吸收，剩余的氧气又重新回到气囊中被再次利用。氧气用完以后更换氧气瓶，清洁罐失效时可换新的清洁罐。目前我们使用的带氧面具主要是氧气呼吸器，钢瓶中贮存可利用的压缩氧气，一次有效使用时间为40min到2小时。产氧面具的基本原理是利用人呼出的水汽和二氧化碳与面具内的生氧剂发生化学反应，放出氧气供人呼吸。这种面具产氧罐内的生氧剂主要有超氧化钠或超氧化钾，其反应如下：4NaO2+2H2O→4NaOH+3O2，4NaO2+2CO2→2Na2CO3+3O2。产氧面具的重量比带氧面具要轻些，使用也较简便。[/font][color=#021eaa][b][font=&]3、躯体防护（实验服、隔离衣、连体衣等）[/font][/b][/color][b][font=&]实验服：[/font][/b][font=&]是指在实验时用于保护身体和里面衣服的工作服。一般都是长袖、及膝，颜色一般为白色，故亦称白大褂。一般多以棉或麻作为制作材料，以便于用高温水洗涤。[/font][color=#021eaa][b][font=&]4、手、足防护（手套、鞋套）[/font][/b][/color][font=&]在实验过程中，会根据不同实验过程选择合适的手套，以达到有效保护实验人员手部的目的，根据手套作用（表1-3）和手套材质（表1-4）将其分类如下。[/font][img=,690,551]https://ng1.17img.cn/bbsfiles/images/2022/05/202205171324054939_9847_1626275_3.png!w690x551.jpg[/img][font=&]表1-4　根据手套材质分类[/font][img=,690,505]https://ng1.17img.cn/bbsfiles/images/2022/05/202205171325284559_4632_1626275_3.png!w690x505.jpg[/img][font=&]手套选择与使用中的注意事项。手套选择的合适与否，使用的正确与否，都直接关系到手的健康。在选择与使用过程中要注意以下几点：[/font][list][*][font=&]选用的手套要具有足够的防护作用；[/font][*][font=&]使用前，尤其是一次性手套，要检查手套有无小孔或破损、磨蚀的地方，尤其是指缝；[/font][*][font=&]使用中不要将污染的手套任意丢放；[/font][*][font=&]摘取手套一定要注意正确的方法，防止将手套上沾染的有害物质接触到皮肤和衣服上，造成二次污染；[/font][*][font=&]不要共用手套，共用手套容易造成交叉感染；[/font][*][font=&]戴手套前要洗净双手，摘掉手套后要洗净双手，并擦点护手霜以补充天然的保护油脂；[/font][*][font=&]戴手套前要治愈或罩住伤口，阻止细菌和化学物质进入血液；[/font][*][font=&]不要忽略任何皮肤红斑或痛痒、皮炎等皮肤病，如果手部出现干燥、刺痒、气泡等，要及时请医生诊治。[/font][/list][color=#021eaa][b][font=&]5、耳（听力保护器等）[/font][/b][/color][font=&]常见有耳塞和耳罩两大类。[/font][img=,690,372]https://ng1.17img.cn/bbsfiles/images/2022/05/202205171327015854_40_1626275_3.png!w690x372.jpg[/img][font=&] 耳塞是可以插入外耳道的有隔声作用的材料。按性能分为：泡棉类和预成型两类。[/font][font=&]泡棉耳塞使用发泡型材料，压扁后回弹速度比较慢，允许有足够的时间将揉搓细小的耳塞插入耳道，耳塞慢慢膨胀将外耳道封堵起隔声目的。[/font][font=&]预成型耳塞由合成类材料（如橡胶、硅胶、聚酯等）制成，预先模压成某些形状，可直接插入耳道。[/font][font=&]耳罩的形状像普通耳机，用隔声的罩子将外耳罩住，耳罩之间用有适当夹紧力的头带或颈带将耳罩固定在头上，也可以有插槽与安全帽配合使用。[/font]

激光雷达可以按照所用激光器、探测技术及雷达功能等来分类。目前激光雷达中使用的激光器有二氧化碳激光器，Er:YAG激光器，Nd：YAG激光器，喇曼频移Nd：YAG激光器、GaAiAs半导体激光器、氦-氖激光器和倍频Nd：YAG激光器等。其中掺铒YAG激光波长为2微米左右，而GaAiAs激光波长则在0.8-0.904微米之间。根据探测技术的不同，激光雷达可以分为直接探测型和相干探测型两种。其中直接探测型激光雷达采用脉冲振幅调制技术（AM），且不需要干涉仪。相干探测型激光雷达可用外差干涉，零拍干涉或失调零拍干涉，相应的调谐技术分别为脉冲振幅调制，脉冲频率调制（FM）或混合调制。按照不同功能，激光雷达可分为跟踪雷达，运动目标指示雷达，流速测量雷达，风剪切探测雷达，目标识别雷达，成像雷达及振动传感雷达。激光雷达最基本的工作原理与无线电雷达没有区别，即由雷达发射系统发送一个信号，经目标反射后被接收系统收集，通过测量反射光的运行时间而确定目标的距离。至于目标的径向速度，可以由反射光的多普勒频移来确定，也可以测量两个或多个距离，并计算其变化率而求得速度，这是、也是直接探测型雷达的基本工作原理。由此可以看出，直接探测型激光雷达的基本结构与激光测距机颇为相近。相干探测型激光雷达又有单稳与双稳之分，在所谓单稳系统中，发送与接收信号共同在所谓单稳态系统中，发送与接收信号共用一个光学孔径。并由发射/接收（T/R）开头隔离。T/R开关将发射信号送往输出望远镜和发射扫描系统进行发射，信号经目标反射后进入光学扫描系统和望远镜，这时，它们起光学接收的作用。T/R开关将接收到的辐射送入光学混频器，所得拍频信号由成像系统聚焦到光敏探测器，后者将光信号变成电信号，并由高通滤波器将来自背景源的低频成分及本机振荡器所诱导的直流信号统统滤除。最后高频成分中所包含的测量信息由信号和数据处理系统检出。双稳系统的区别在于包含两套望远镜和光学扫描部件，T/R开关自然不再需要，其余部分与单稳系统的相同。美国国防部最初对激光雷达的兴趣与对微波雷达的相似，即侧重于对目标的监视、捕获、跟踪、毁伤评（SATKA）和导航。然而，由于微波雷达足以完成大部分毁伤评估和导航任务，因而导致军用激光雷达计划集中于前者不能很好完成的少量任务上，例如高精度毁伤评估，极精确的导航修正及高分辨率成像。较早出现的一种激光雷达称为“火池”，它是由美国麻省理工学院的林肯实验室投资，于60年代末研制的。70年代初，林肯实验室演示了火池雷达精确跟踪卫星，获得多普勒影像的能力。80年代进行的实验证明，这种CO2激光雷达可以穿透某些烟雾，识破伪装，远距离捕获空中目标和探测化学战剂。发展到80年代末的火池激光雷达，采用一台高稳定CO2激光振荡器作为信号源，经一台窄带CO2激光放大器放大，其频率则由单边带调制器调制。另有工作于蓝-绿波段的中功率氩离子激光与上述雷达波束复合，用于对目标进行角度跟踪，而雷达波束的功能则是收集距离――多普勒影像，实时处理并加以显示。两束波均由一个孔径为1.2M的望远镜发射并接收。据报道，美国战略防御局和麻省理工学院的研究人员于1990年3月用上述装置对一枚从弗吉尼亚大西洋海岸发射的探空火箭进行了跟踪实验。在二级点火后6分钟，火箭进入亚轨道，即爬升阶段，并抛出其有效负载，即一个形状和大小均类似于弹道导弹再入飞行器的可充气气球。该气球有气体推进器以提供与再入飞行器和诱饵的物理结构相一致的动力学特性。目标最初由L波段跟踪雷达和X波段成像雷达进行跟踪。并将这些雷达传感器取得的数据交给火池激光雷达，后者成功地获得了距离约800千米处目标的像。[~116966~][~116967~][~116968~][img]http://ng1.17img.cn/bbsfiles/images/2017/01/201701191651_624049_1602049_3.jpg[/img]

[font='times new roman'][size=16px][b]几种[/b][/size][/font][font='times new roman'][size=16px][b]波段选择[/b][/size][/font][font='times new roman'][size=16px][b]方法原理及应用[/b][/size][/font][size=14px][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]数据的波段数有[/size][size=14px]多[/size][size=14px]个，特征维度较多，数据量较大，不同波段之间的信息冗余度高，具有一定的重叠性。本实验所用的试验样品是由多个成分组成的混合物，这样采集的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]就会由于没有混合均匀等原因常常掺杂着一些对非目标组分的吸收，导致光谱数据中的某些波段与样品的性质之间是比较差的关联关系，甚至是有一些关联关系是错误的，这就容易出现部分波段信息冗余的现象。同时，也会有其他一些因素对[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的准确性产生不利影响。[/size][size=14px]因此，为了得到更加有利于建立模型的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]数据，需要对一些无用的噪声波段进行剔除，找出那些含有较高信息量、容易分离、彼此相关度较低的波段，这就需要对[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]进行波段选择。通过波段选择从原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]中选择包含大量有效信息的波段子集，这些波段在建模中起主要作用，这样不但可以大大降低[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的维度，提高模型建立的速度，而且可以将光谱中存在的噪声信息剔除掉，只保留对提升模型准确性有利的信息。本文使用的波段选择方法使皮尔森相关系数法和随机森林法。[/size][font='times new roman'][size=16px][b]皮尔森相关系数法[/b][/size][/font][size=14px]相关系数法[/size][font='times new roman'][size=14px][54][/size][/font][size=14px]是将采集光谱的所有波段与颗粒的实际水分含量进行相关性计算，得到光谱每个波段与水分含量的相关系数。确定一定的阈值，将波段按照相关系数绝对值的大小进行排序，相关系数的绝对值超过阈值大小的波段保留下来，用这部分波段进行建模。[/size][size=14px]两个变量之间相关系数的大小在[/size][size=14px]-1~1[/size][size=14px]之间变化，当其中一个变量增大而另一个变量减小时，说明两个变量是负相关的，其相关系数为负数，并且相关系数越小，说明两个变量的负相关性越大；当其中一个变量增大，另一个变量也随之增大时，说明两个变量是正相关的，相关系数为正数，并且相关系数越大，说明两个变量间的正相关性越大。为了了解两个变量间的相关程度，以相关系数的绝对值[/size][size=14px]|R|[/size][size=14px]为标准判断两个变量的线性相关性大小，如下表所示。[/size][align=center][font='times new roman'][size=16px]表两个变量的相关性大小[/size][/font][/align][table][tr][td][align=center][font='times new roman'][size=16px]相关系数绝对值[/size][/font][font='times new roman'][size=16px]|R|[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]相关性程度[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]≥[/size][/font][font='times new roman'][size=16px]0.95[/size][/font][/align][/td][td][align=center][size=13px]显著性相关[/size][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]≥[/size][/font][font='times new roman'][size=16px]0.8[/size][/font][/align][/td][td][align=center][size=13px]高度相关[/size][/align][/td][/tr][tr][td][align=center][size=13px]0.5[/size][font='宋体'][size=13px]≤|[/size][/font][font='宋体'][size=13px]R[/size][/font][size=13px]|0.35[/size][/font][font='times new roman'][size=16px]光谱波段[/size][/font][/align][size=14px] [/size][size=14px] [/size][size=14px]图中，绿色方格线覆盖的波段为相关系数绝对值[/size][size=14px]|R|[/size][size=14px]0.35[/size][size=14px]的波段。图中可以看出，与水分相关系数比较高的地方都在波段[/size][size=14px]908.1nm~1400nm[/size][size=14px]之间，将全光谱的[/size][size=14px]125[/size][size=14px]个波段降低到了[/size][size=14px]80[/size][size=14px]个。[/size][font='times new roman'][size=16px][b] [/b][/size][/font][font='times new roman'][size=16px][b]随机森林法[/b][/size][/font][size=14px]随机森林[/size][font='times new roman'][size=14px][55][/size][/font][size=14px]是一种并行的[/size][size=14px]bagging[/size][font='times new roman'][size=14px][56][/size][/font][size=14px]集成学习算法。随机森林使用的数据采集方法为“自助采样法”，自主采样法在数据集较小的情况下会有较好的训练结果。从一个包含[/size][size=14px][i]n[/i][/size][size=14px]个[/size][size=14px]样本的数据集[/size][size=14px][i]M[/i][/size][size=14px]中每次随机取出一个样本，对样本进行记录后把该样本重新放回[/size][size=14px][i]M[/i][/size][size=14px]中再进行随机取样，即有放回的随机取样，这样取出来的所有样本组成数据集[/size][size=14px][i]D[/i][/size][size=14px]。重复采样[/size][size=14px][i]n[/i][/size][size=14px]次，[/size][size=14px][i]M[/i][/size][size=14px]中有一部分数据在[/size][size=14px][i]D[/i][/size][size=14px]中重复出现多次，有一部分数据从来没有在[/size][size=14px][i]D[/i][/size][size=14px]中出现过，一个样本被取到的概率为[/size][size=14px]1/[/size][size=14px][i]n[/i][/size][size=14px]，那么在[/size][size=14px][i]n[/i][/size][size=14px]次采样过程中样本一直不被取到的概率为（[/size][size=14px]1-1/[/size][size=14px][i]n[/i][/size][size=14px]）[/size][font='times new roman'][size=14px]1/[/size][/font][font='times new roman'][size=14px][i]n[/i][/size][/font][size=14px]，通过求极限可以得到[/size][align=right][size=14px] [/size][size=14px] [/size][/align][size=14px]以采集的样本[/size][size=14px][i]D[/i][/size][size=14px]作为训练集，以未采集的样本数据集[/size][size=14px][i]P[/i][/size][size=14px]作为测试集。对数据集[/size][size=14px][i]D[/i][/size][size=14px]进行训练，并在训练过程中加入随机属性选择，这样就得到了一个决策树算法的[/size][size=14px]基学习器[/size][size=14px]，然后把所有的[/size][size=14px]基学习器[/size][size=14px]组合起来，得到输出结果。在分类任务中，对每个[/size][size=14px]基学习器[/size][size=14px]对预测结果进行投票得到输出结果；在回归任务中，将每个[/size][size=14px]基学习器[/size][size=14px]的预测结果进行简单平均，求得的平均数作为最终的结果。[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]水分预测是一个回归任务，因此选择随机森林回归法，[/size][size=14px]基学习器[/size][size=14px]的决策树为回归树，训练样本过将多个[/size][size=14px]基学习器回归[/size][size=14px]树进行训练，使用简单平均法获得预测结果，获得比单一回归树模型具有更高的预测准确率[/size][font='times new roman'][size=14px][57][/size][/font][size=14px]。随机森林回归的示意图如下图所示。[/size][align=center][font='times new roman'][size=16px]图[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]随机森林回归示意图[/size][/font][/align][size=14px]随机森林回归算法中使用的基模型为[/size][size=14px]CART[/size][size=14px]回归树[/size][font='times new roman'][size=14px][58][/size][/font][size=14px]，特征空间的划分和每个单元的输出值由这些回归树来决定。在回归树中，选择最佳的划分点需要对每个特征的所有值进行遍历，直到取得某个特征的某个值，使得损失函数最小，这就是最佳的划分点。假设有[/size][size=14px][i]n[/i][/size][size=14px]个[/size][size=14px]特征，每个特征有[/size][size=14px]个[/size][size=14px]取值，将特征空间划分为[/size][size=14px][i]M[/i][/size][size=14px]个[/size][size=14px]单元[/size][size=14px]，[/size][size=14px]为[/size][size=14px]上输入[/size][size=14px]对应[/size][size=14px]的平均值，[/size][size=14px]则该过程的公式如下：[/size][align=right][size=14px] [/size][size=14px] [/size][/align][size=14px]选择最佳的划分点后，回归树的方程为：[/size][align=right][size=14px] [/size][size=14px] [/size][/align][size=14px]式中，[/size][size=14px][i]I([/i][/size][size=14px][i]x)[/i][/size][size=14px]为指示函数。[/size][size=14px]通过随机森林计算特征集中某一特征重要程度的过程如下：[/size][size=14px]（[/size][size=14px]1[/size][size=14px]）从数据集[/size][size=14px][i]M[/i][/size][size=14px]中通过随机自采样的方法获得数据集[/size][size=14px][i]D[/i][/size][size=14px]，用数据集[/size][size=14px][i]D[/i][/size][size=14px]作为训练集进行建模，用没采集到的数据集[/size][size=14px][i]P[/i][/size][size=14px]进行验证，得到数据集[/size][size=14px][i]P[/i][/size][size=14px]的误差，记作[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]1[/i][/size][/font][size=14px]。[/size][size=14px]（[/size][size=14px]2[/size][size=14px]）生成一组随机噪声数据，将随机噪声干扰数据加入到数据集[/size][size=14px][i]P[/i][/size][size=14px]的某一特征中，使得该特征对预测结果产生干扰，然后再次对数据集[/size][size=14px][i]P[/i][/size][size=14px]的误差进行计算，记作[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]2[/i][/size][/font][size=14px]。[/size][size=14px]（[/size][size=14px]3[/size][size=14px]）计算[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]2[/i][/size][/font][size=14px]与[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]1[/i][/size][/font][size=14px]的差值。如果该特征是对预测结果起正向作用，则加入噪声数据后[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]2[/i][/size][/font][size=14px]与[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]1[/i][/size][/font][size=14px]的差值一定大于[/size][size=14px]0[/size][size=14px]，反之则小于零。差值与这个特征对该模型预测精度的影响程度成正比。[/size][size=14px]（[/size][size=14px]4[/size][size=14px]）如果随机森林中有[/size][size=14px][i]N[/i][/size][size=14px]棵树，计算[/size][size=14px][i]N[/i][/size][size=14px]棵树对该特征[/size][size=14px][i]error2[/i][/size][size=14px]与[/size][size=14px][i]error1[/i][/size][size=14px]的差值的平均值，即[/size][align=right][size=14px] [/size][size=14px] [/size][/align][size=14px]（[/size][size=14px]5[/size][size=14px]）遍历数据集[/size][size=14px][i]P[/i][/size][size=14px]中的所有特征，求出每个特征的重要性。[/size][size=14px]用随机森林回归法对光谱数据与水分含量进行建模，得到数据[/size][size=14px]中特征[/size][size=14px]重要性排名，其中排名前十的特征如图[/size][size=14px]3-9[/size][size=14px]所示。[/size][align=center][img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009031753099412_7932_3890113_3.png[/img][/align][align=center][font='times new roman'][size=16px]图[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]随机森林特征选择排名前十的特征[/size][/font][/align][size=14px]特征重要性值的数据分布如下表所示。[/size][align=center][font='times new roman'][size=16px]表[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]随机森林特征重要性分布[/size][/font][/align][table][tr][td][align=center][font='times new roman'][size=16px]数值分布[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]特征重要性[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]最小值[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0022[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]1/4[/size][/font][font='times new roman'][size=16px]分位数[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0041[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]中位数[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0060[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]3/4[/size][/font][font='times new roman'][size=16px]分位数[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0081[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]最大值[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0692[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]平均值[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0080[/size][/font][/align][/td][/tr][/table][size=14px]分别以随机森林特征重要性数值分布的[/size][size=14px]1/4[/size][size=14px]分位数、中位数、[/size][size=14px]3/4[/size][size=14px]分位数和平均值为选择标准，以大于这个标准的特征重要性组合成的特征波段进行[/size][size=14px]PLS[/size][size=14px]建模，选择最佳的波段组合。建模的结果如下表所示。[/size][align=center][font='times new roman'][size=16px]表[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]不同特征重要性的波段模型评价[/size][/font][/align][table][tr][td][align=center][size=13px] [/size][size=13px] [/size][size=13px]评价参数[/size][/align][size=13px]特征重要性[/size][/td][td][align=center][size=13px]R[/size][size=13px]MSECV[/size][/align][/td][td][align=center][size=13px]R[/size][size=13px]MSEP[/size][/align][/td][td][align=center][size=14px]R[/size][font='times new roman'][size=14px]p[/size][/font][/align][/td][/tr][tr][td][align=center][size=13px]全波段[/size][/align][/td][td][align=center][size=13px]0.242[/size][/align][/td][td][align=center][size=13px]0.221[/size][/align][/td][td][align=center][size=13px]0[/size][size=13px].9[/size][size=13px]60[/size][/align][/td][/tr][tr][td][align=center][size=13px]0.0041[/size][/align][/td][td][align=center][size=13px]0.222[/size][/align][/td][td][align=center][size=13px]0.214[/size][/align][/td][td][align=center][size=13px]0[/size][size=13px].9[/size][size=13px]80[/size][/align][/td][/tr][tr][td][align=center][size=13px]0.0060[/size][/align][/td][td][align=center][size=13px]0.216[/size][/align][/td][td][align=center][size=13px]0.209[/size][/align][/td][td][align=center][size=13px]0[/size][size=13px].[/size][size=13px]983[/size][/align][/td][/tr][tr][td][align=center][size=13px]0.0080[/size][/align][/td][td][align=center][size=13px]0.228[/size][/align][/td][td][align=center][size=13px]0.225[/size][/align][/td][td][align=center][size=13px]0[/size][size=13px].9[/size][size=13px]75[/size][/align][/td][/tr][tr][td][align=center][size=13px]0.0081[/size][/align][/td][td][align=center][size=13px]0.2[/size][size=13px]3[/size][size=13px]2[/size][/align][/td][td][align=center][size=13px]0.230[/size][/align][/td][td][align=center][size=13px]0[/size][size=13px].9[/size][size=13px]6[/size][/align][/td][/tr][/table][size=14px]很明显，通过随机森林方法计算出各个特征的重要性，以[/size][size=14px]0.0060[/size][size=14px]作为最低标准选择的波段用来建立[/size][size=14px]PLS[/size][size=14px]模型的效果最好。选择的波段如下图所示。[/size][align=center][font='times new roman'][size=16px]图[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]随机森林波段选择[/size][/font][/align][size=14px] [/size][size=14px] [/size][size=14px]图中绿色背景的是通过随机森林选择的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]波段，其波段主要分布在[/size][size=14px]908.1nm~1150nm[/size][size=14px]和[/size][size=14px]1350nm~1500nm[/size][size=14px]之间，将[/size][size=14px]125[/size][size=14px]个光谱波段降低到了[/size][size=14px]60[/size][size=14px]个，[/size][size=14px]降维效果[/size][size=14px]和模型评价效果均优于相关系数法。因此在流化床制粒过程[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的建模中应用随机森林法进行波段选择。[/size]