红外光谱预处理去噪研究.docx

红外光谱预处理去噪研究采用小波包变换软阈值去噪方法对润滑油的红外光谱进行去噪预处理，结合偏最小二乘法进行定量预测，并与常用的平滑去噪方法进行比照。结果表明，小波包变换能有效地去除红外光谱的噪声，以此为基础建立的润滑油酸值模型的预测精度高于常用的平均平滑法和Savitzky-Golay卷积平滑法这2种平滑去噪方法的预测精度。关键词：小波包变换；红外光谱；平滑；偏最小二乘法红外光谱分析技术由被测样品的红外光谱主导，由红外光谱仪得到的光谱信号中不仅含有样品的信息，还包含了噪声和各种外界干扰因素1。为了使定量分析模型愈加稳健和准确，需对光谱进行去噪预处理2-3。苗福生4、吴海云5等对常用的平均平滑方法和Savitzky-Golay卷积平滑法这2种平滑方法做出了比拟研究。本文以某特种车的润滑油为研究对象，研究了小波包变换6对红外光谱数据的去噪预处理，比照了两种平滑方法下利用偏最小二乘法PLS7对酸值进行建模的预测准确度。1实验与方法1.1样品的光谱测定采用BRUKERRT-DLaTGS红外光谱仪8。收集润滑油样本21个，采用固定光程为100mm的ZnSe样品池，以空气为参比进行光谱扫描，扫描10次取平均值，减少光谱采集经过中随机因素干扰，保证光谱精度。润滑油样品的原始红外光谱图如图1所示。1.2样品的酸值测定润滑油的酸值是指中和1g油液中全部酸性组分所需要的碱量，以mgKOH/g表示。润滑油的酸值测定选择颜色指示剂法9，采用GB/T264-83石油产品酸值测定法对所选的润滑油样品进行酸值的测定。实验时，对同一样品进行2次实验取平均值。实验样品的酸值分布见图2。其中最大值为0.060mgKOH/g，最小值为0.034mgKOH/g。均符合要求的范围，它们的平均值为0.042mgKOH/g，标准差为0.0074。2平滑预处理2.1平均平滑法根据红外光谱图中的吸收峰能否消失或采用偏最小二乘法PLS建模后得出的均方根误差RMSE确定出预处理方法的最佳参数10。平均平滑的数据点数通常从20以内的奇数中选择，平滑的点数越高，光谱越平滑，去噪效果越好，但所得光谱的分辨率越低，光谱的有些肩峰会消失11。考察范围为从5点开场。间隔为2点，分别进行平滑，结果如图37所示。当平滑点数为11点时，波数为967处的肩峰开场消失，当平滑点数为13点时，波数为967处的肩峰完全消失，因此样品的平均平滑点数选择9点。2.2Savitzky-Golay平滑法Savitzky-Golay卷积平滑法是1964年Savitzky和Golay提出并广泛运用于信号滤波处理的平滑方法12，该方法与移动平均平滑法的基本思想是类似的，只是没有进行简单的平均，而是通太多项式来对移动窗口内的数据进行多项式最小二乘拟合，其本质是一种加权平均法，强调中心点的中心作用13。采用Savitzky-Golay平滑，平滑的窗宽值是一个重要参数。假如窗宽值选择较小，平滑去噪效果不好；假如窗宽值选择较大，则会造成光谱信号失真。因而，要选择适宜的窗宽值，考察范围为723，间隔为2，在选择不同的窗宽值后发现红外光谱图的特征峰均还存在，因此需要用偏最小二乘法对不同的窗宽值的平滑结果建立模型后比拟均方根误差RMSE的值来确定出最佳的窗宽值，结果如图8所示。当窗宽值为11时，均方根误差RMSE最小，所以样品的Savitzky-Golay平滑窗宽值选择11。3小波包变换预处理小波包变换是基于小波变换的进一步发展，能够提供比小波变换更高的分辨率。小波包分解与小波分解相比，是一种更精细的分解方法14。在多分辨分析中，L2(R)=jZWj，表明多分辨分析是根据不同的尺度因子j把Hilbert空间L2(R)分解为所有子空间WjjZ的正交和，其中，Wj为小波函数(t)的闭包小波子空间。小波包分析就是进一步对小波子空间Wj根据二进制分式进行频率的细分，以到达提高频率分辨率的目的。3.1小波包降噪的步骤小波包分析的一般步骤15如下。1信号的小波包分解。选择一个小波并确定小波分解的层次N，然后对信号进行小波包分解。2确定最优小波包基。对于一个给定的熵标准，计算最优树。3小波包分解系数的阈值量化。对于每一个小波包分解系数，选择一个恰当的阈值并对系数进行阈值量化。4信号的小波包重构。根据最底层的小波包分解系数和经过量化处理的系数进行小波包重构。3.2小波包变换参数选择本文运用小波包变换对红外光谱图进行去噪处理，采用了软阈值和“db3小波包基16。但信号尺度的分解层数是影响去噪效果的一个重要因素，一般情况下分解层数较少，去噪效果不理想；但分解层数较多，导致运算量增大，且会造成信息的丢失。通常分解层数在3层或3层以上，所以选择从考察3层开场考察，分别进行小波包变换去噪，结果如图911所示。在分解层数为4层时，波数为1422处的吸收峰已经基本消失，在分解层数为5层时，波数为1422处的吸收峰已经完全消失，所以信号尺度的分解层数选择3层。4预处理方法的比照分析4.1建模及预测通过上述3种方法分别对获得的红外光谱进行预处理，再采用偏最小二乘法PLS对这3种预处理后的红外光谱进行总酸值建模预测，并以相对误差值RE作为评价标准，结果如图12和表1所示。图12中，“线、“线、“+线分别是是平均平滑法9点、Savitzky-Golay平滑法窗宽值11和小波包变换预处理后建模的预测相对误差。4.2比照分析样本的预测相对误差分布在1.1%5.5%之间，大部分样本在利用小波包变换进行红外光谱去噪预处理后建模的相对误差较其余两种平滑去噪方法小，样本的相对误差超过4.0%的有2个，大部分建样子容貌本的相对误差在3.0%以内，符合模型预测要求。5结论由于红外光谱分析中测量得到的光谱信息可能遭到来自各方面因素的影响，在建立定量分析模型时，对光谱进行去噪预处理是必要的。本文运用小波包变换去噪方法对红外光谱进行了去噪预处理，比照了常用的平均平滑法和Savitzky-Golay平滑法2种平滑去噪方法。结果表明，在对润滑油样品的红外光谱进行去噪预处理时，小波包变换不仅能够有效地去除红外光谱的噪声，而且结合偏最小二乘法所建立的酸值模型预测精度高，相对误差在1.1%5.2%之间。因而，针对润滑油的酸值定量预测，小波包变换去噪预处理方法的优势明显。