气溶胶单粒子化学成分在线聚类分析

《气溶胶单粒子化学成分在线聚类分析》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、气溶胶单粒子化学成分在线聚类分析作者：夏玮玮顾学军郑海洋方黎【摘要】　　为了在线快速、自动处理气溶胶激光飞行时间质谱仪在运行过程中产生的海量数据并提取有价值的信息，将基于神经网络的自适应共振算法运用于气溶胶单粒子化学成分在线聚类分析。利用该算法对NaCl粒子、NaCl和CaCl2的气溶胶混合物、三聚氰胺气溶胶单粒子以及大气气溶胶单粒子进行在线分类，被成功分类的粒子数占命中粒子总数的100%，当警戒阈值为0.1，学习速率为0.05时，获得的每类聚类中心都能很好地代表该类物质的特征;深入研究了警戒阈值对NaCl粒子在线聚类数的影响。结果表明:当警戒

2、阈值增大到0.8时，在线聚类数增多，分类更加精细。本算法的质谱分析软件基本满足大气气溶胶单粒子在线聚类分析的要求。【关键词】大气气溶胶;气溶胶单粒子;化学成分;气溶胶激光飞行时间质谱仪;自适应共振神经网络　　AbstractToquicklyprocessthelaserdesorption/ionizationmassspectrawhichweregeneratedbyaerosollasertimeofflightmassspectrometer(ALTOFMS)duringitsworkingandextractthevaluabl

3、einformation,anadaptiveresonancetheorybasedneuralnetwork,ART2a12algorithm,wassuccessfullyappliedtotherealtimeclassificationofsingleparticlesofNaCl,themixtureofNaClandCaCl2aerosol,melamineandtheatmosphericaerosol.Experimentalresultsshowedthatwhenvigilancefactorwas0.1andlea

4、rningratewas0.05,ART2aalgorithmcouldsuccessfullyrevealtheaerosolparticlescategories.Besidesthesuccessfulprobabilitywasnear100%,thecentroidmassspectraforthesingleparticleclasseswereobtained,whichcouldrepresentthecharacteristicofsingleparticleclassesremarkably.ThenumberofNaCl

5、singleparticleclassesasafunctionofvigilancefactorwasalsodiscussed.TheresultshowedthatthenumberofNaClparticleclasseswaslargerwhenvigilancefactorreached0.8;furthermoretheclassificationwasmuchmoreprecise.ThemassspectraacquisitionandcontrolsoftwareusingART2acanbasicallymeetther

6、equirementsofrealtimeclassificationofatmosphericaerosolsingleparticles.　　KeywordsAtmosphericaerosol;Aerosolsingleparticle;Chemistrycomposition;Aerosollasertimeofflightmassspectrometer;Adaptiveresonanceneuralnetwork　　1引言12　　大气气溶胶在全球气候变化、全球和区域污染过程、降低能见度等方面起到重要作用，甚至影响人类的生存环境

7、。获知气溶胶单粒子的粒径和化学成分将有助于解析气溶胶的来源、传输过程及其在大气中的化学反应[1～3]。气溶胶激光飞行时间质谱仪(Aerosollasertimeofflightmassspectrometer，ALTOFMS)能够对单个气溶胶粒子的粒径和化学成分进行实时测量[4,5]。该仪器在使用过程中会产生海量数据(每分钟达上百个质谱数据)，依靠人工处理数据不仅速度慢、劳动强度大，还易出现误差，极大地削弱了仪器实时测量的优势。因此，开发高效全面的在线质谱分析软件非常必要。　　目前已用于质谱数据分析的方法多为离线分析，如等级聚类分析(HCA

8、)、主成分分析(PCA)、模糊C均值(FCM)[5]、自组织特征映射神经网络(SOM)和自适应共振算法(ART2a)[6～8]。本课题组利用FCM和