title: “基于小波变换神经网络模型的辣椒辣度检测分离重叠峰研究” source: “赤峰学院学报（自然科学版）2013年第29卷第7期” author: “宋曼, 吕翠改, 李海萍” size: “1.15 MB” pages: 2 date: 2026-09-20 method: “PDF文本提取（pdftotext兜底）” status: done original_path: “/工作相关/Personnal/2017工作/质谱仪软件架构资料调研/相关论文/基于小波变换神经网络模型的辣椒辣度检测分离重叠峰研究_宋曼.pdf” processed_date: “2026-09-20” doi: “10.13398/j.cnki.issn1673-260x.2013.14.088”
基于小波变换神经网络模型的辣椒辣度检测分离重叠峰研究
文献信息
- 作者：宋曼（河北省信息资源管理中心）、吕翠改、李海萍（河北科技大学）
- 期刊：赤峰学院学报（自然科学版），2013年7月，第29卷第7期
- DOI：10.13398/j.cnki.issn1673-260x.2013.14.088
- 关键词：色谱；重叠峰；小波变换；RBF网络
研究问题
辣椒辣度检测中，辣椒素和二氢辣椒素等组分的色谱峰经常重叠，难以完全分离。传统几何法（垂线法）、代数法（函数拟合法）在处理严重重叠峰时误差较大。
方法原理
1. 重叠峰建模
采用双高斯函数描述色谱峰：
h(t) = H × exp[-(t-T)² / (2σ²)]
其中：
t：时间（横坐标）T：峰位H：峰高σ：峰宽参数（峰左侧σa，右侧σb，反映不对称性）
两个相邻叠加的双高斯峰构成重叠峰，可用8个参数唯一确定。
2. 小波特征提取
小波变换优势：
- 对噪声具有屏蔽能力
- 产生空间局部化效果
- 能有效检测色谱峰的起始/终止位置、峰值及拐点
步骤：
- 用小波变换从原始色谱中提取特征点
- 确定隐节点数目
- 以预估峰高值为隐节点的初始宽度
3. RBF神经网络解析模型
径向基（RBF）神经网络结构：
- 输入层：N个节点，接收时间信号
- 隐含层：L个节点，使用高斯基函数
- 输出层：M个节点，线性函数输出
基函数：
r_i = exp(-||X - C_i||² / (2σ_i²))
其中 C_i 是中心矢量，σ_i 是宽度参数。
映射关系：
- 色谱峰峰高 → RBF网络连接权值
- 色谱峰半峰宽 → 基函数宽度
- 峰位 → 基函数中心
4. 算法流程
- 初始化连接权和 Learning rate
- 求解 X_k 和 S_k
- 测量隐含层和输出层节点输出 {r_ki}, {y_ki}
- 梯度下降法优化参数
- 收敛后得到重叠峰解析结果
实验验证
实验装置
- 气相色谱仪：型号102G（上海分析仪器厂）
- 担体：型号103G（天津）
- 检测器：热导检测器
- 载气：氢气
三种方法对比
| 方法 | 原理 | 缺点 |
|---|---|---|
| 垂线法 | 重叠峰谷点引垂线分割 | 重叠严重时误差大；无法分割极大值峰 |
| 函数拟合法 | 双高斯函数拟合 | 需要初始参数，收敛困难 |
| 小波+RBF神经网络法 | 小波提取特征→RBF拟合 | 快速、准确、自动化 |
实验数据（部分）
| 进样量比 | 神经网络法误差% | 垂线法误差% | 拟合法误差% |
|---|---|---|---|
| 10.00 | 3.87 | 76.67 | 2.87 |
| 9.00 | 4.12 | 39.23 | 5.42 |
结论：神经网络分峰法显著优于垂线法，在严重重叠情况下仍保持高精度。
核心贡献
- 提出小波变换+RBF神经网络的融合方法，实现重叠色谱峰自动解析
- 利用小波变换的抗噪特性提取特征点，解决拐点检测难题
- 建立色谱峰参数与RBF网络参数的对应关系
- 实验验证该方法快速、可靠、精确
应用价值
- 适用于辣椒辣度检测的色谱数据分析
- 可扩展到其他食品成分分析、环境样品检测等领域
- 为质谱峰重叠分离提供方法论参考