HTML
-
模拟光谱包含有15个高斯特征峰和信噪比为40 dB的噪声基线构成,包含2000个数据点。高斯特征峰计算公式[18]如:
式中:A为高斯函数峰值强度;μ为峰值位置的横坐标;λ为波长;σ是标准差表征控制峰的宽度。
综合考虑简便程度以及算法效果,较小点选取的窗口大小为32,每个窗口中选择较小的12个点,SG滤波初始窗口长度为20,每次迭代窗口加15,设定一个斜率变化率的阈值δ=0.2%,如果超过90%的数据点的斜率变化率不超过阈值0.2%,迭代终止输出最佳基线。
仿真光谱以及采用的非对称最小二乘[19](asymmetric least squares,ALS)、model-free方法[20]、minima方法[21]和本文中的方法得到的拟合基线如图 3所示。
由图 3可以看出,在拟合无峰处基线时,图中方法都对基线有较好的拟合效果,ALS方法出现了一定的基线高估情况;在拟合谱峰处基线时,model-free方法会在重叠峰处存在凸起,拟合准确度不高;在拟合小峰处基线时,minima方法偶尔会取到小峰处的点,导致基线稳定性降低。在3种不同类型的光谱中,本文中算法均获得了拟合准确的基线,具有较好的准确性、稳定性及平滑性。
为了更具体地比较不同方法对模拟光谱信号拟合的效果,采用不同方法预估出的基线,然后求取基线相对标准偏差(relative standard deviation, RSD)[22]。为了更详细地评估不同方法在拟合模拟光谱方面的性能,首先使用各方法拟合出的模拟光谱的基线,然后计算基线的相对标准偏差。较小的相对标准偏差表明经校正后的基线更加平稳,拟合效果更为优越,各方法拟合基线信号的相对标准偏差如表 1所示。由表中可以看出,与其它3种方法相比,本文中算法在模拟光谱数据中得到的RSD最小为8.25%,相对于minima拟合降低了25.14%,其在拟合基线时波动最小,拟合效果最好。
method RSD/% ALS 9.61 model-free 11.68 minima 33.39 our method 8.25 Table 1. RSD for spectral baseline signal fitting with various methods
根据表 1所示数据,本研究方法相对于其它3种基线拟合方法,在模拟光谱中获得了最小RSD。该结果表明,本文中所提出的算法有效地实现了光谱基线的平滑,降低了波动,同时获得了最佳的拟合效果。因此,该方法可有效拟合原子发射光谱的基线状况,从而提高后续定量分析的准确性。
-
实验中采用自搭的光电激发光谱平台(激发光源电压为24 V,光源放电频率为400 Hz)以及自搭的激光诱导击穿光谱(laser-induced breakdown spectroscopy, LIBS)平台(激光器为Nd ∶ YAG脉冲激光器,波长为1064 nm,能量为50 mJ,频率为1 Hz)选取圆柱型低碳钢、镁合金、锌合金的标准样品。预处理利用车床将样品表面氧化层去除,避免影响后续定量分析结果。完成样品测试,获得原始原子发射光谱数据R。
对3种方法与本文中的算法进行了比较。选择不同特征的原子发射光谱进行拟合基线对比验证算法,分别为光电激发的低碳钢标样光谱、光电激发的镁合金标样光谱、激光激发锌合金标样光谱,结果如图 4所示。
Figure 4. Application of various algorithms in fitting baselines for practical atomic emission spectroscopy
图 4a中minima方法对基线的拟合效果较好,但在谱峰附近拟合了周围的小峰;图 4b中信号区域基线曲率突变或者出现阶跃时,model-free方法基线拟合过低,拟合后的信号仍存在基线部分;图 4c中ALS方法得到的基线,在谱峰出存在凸起,基线拟合过高。当光谱区域基线曲率变化不大时,每种方法的的拟合结果很相近,当基线附近出现跃迁或小峰时,本文中算法较其它算法都更稳定、准确。综上所述,本文中算法在谱峰密度大的光谱中拟合基线,相比与其它方法不会存在基线高估的情况,同时也能保持较好的平滑性;在光谱信号区域曲率突变时,本文中算法较其它算法不会出现欠拟合的情况,能更准确、稳定得到拟合基线;在光谱较为稳定的区域,本文中算法表现出更小的波动性。
分别使用上述4种方法对3种原始光谱进行基线校正,校正后的光谱如图 5所示。通过比较本文中算法处理后的光谱底部较为平稳,保留各谱峰的强度较高;minima方法的整体光谱波动最大。
为了验证不同算法对元素定量分析的影响,将MgAlZn系镁合金标样中的锌元素作为定量分析对象,先用汞灯对光谱进行波长定标,再分别使用ALS、minima、model-free和本文中算法对镁合金标样光谱进行基线校正。图 6为对整体光谱数据进行基线校正后获取的有效光谱。选取255.794 nm特征谱线作为分析对象绘制的定量曲线,可以看出,4种去基线方法下的定量曲线模型都有良好的定量分析能力。
表 2为统计的各算法的锌元素定标曲线模型的相关系数R2和预测均方根误差(root mean square error prediction, RMSEP),可用来评价定量分析的准确度。相关系数越高证明定量分析模型越精准,本文中算法获得最大的相关性为99.85%,大于其它3种去基线方法,即本文中的算法基线校正方法处理后的样本数据的定标曲线更精准。预测均方根误差越小,说明定量分析的误差越小,由表 2可清晰看出,本文中算法的RMSEP仅为0.5912,相比minima方法预测均方根误差降低了80.96%。
approach R2/% RMSEP ALS 99.23 1.3563 minima 99.14 1.3924 model-free 99.78 0.7032 our method 99.85 0.5912 Table 2. Correlation coefficients and RMSEP of calibration curve model