荧光光谱结合校正算法测定混合色素溶液中各组分的浓度

应用英国Edinburgh公司生产的FLS920P荧光光谱仪实验测定了诱惑红、日落黄和亮蓝三种合成食品色素混合溶液的三维荧光光谱,将荧光光谱数据应用化学计量学中的平行因子分析(PARAFAC)和交替三线性分解(ATLD)二阶校正算法进行计算处理,对混合合成食品色素溶液中各组分进行了定性和定量检测。应用核一致诊断法,确定主成分数为3。PARAFAC算法解析后的回收率分别为98.75%±8.9%,97.22%±2.9%和99.00%±2.9%,ATLD算法解析后的回收率分别为99.78%±5.9%,92.52%±5.5%和97.23%±5.8%。结果表明,两种方法都可以用于三个组分的直接快速测定,PARAFAC算法更稳定,更具优势。     

三维荧光光谱结合平行因子算法测定两种食品色素的含量

应用英国Edinburgh FLS920P稳态和时间分辨荧光光谱仪测量了12个混合色素样本的三维荧光光谱,将得到的三维荧光光谱数据矩阵(EEMS)与平行因子算法相结合,来建立一种检测食品色素的方法。实验中,使用核一致诊断法(CORCONDIA)确定了混合溶液的组分数为3,然后利用平行因子分析法(PARAFAC),得到胭脂红、诱惑红的平均回收率分别为(99.3%±5.0%)和(102.2%±5.6%),且预测均方根误差(RESEP)分别为(0.054)和(0.205)。结果表明,该法可在干扰物质苋菜红存在的情况下,对混合溶液中胭脂红、诱惑红二种色素同时定量测定,具有简便、快速等优点,可为合成食品色素的检测提供借鉴。     

三维荧光光谱结合组合算法在环境污染监测中的应用:油种鉴别与定量分析

针对油类污染物成分复杂,光谱重叠难以识别的问题,提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响,提出了缺损数据修复-主成分分析（MDR-PCA）方法对矿物油三维荧光光谱的瑞利散射进行处理,原理是单个荧光光谱激发发射矩阵符合双线性,可用主成分分析（PCA）法来解析。MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除,之后利用主成分分析（PCA）迭代过程对扣除数据进行重构修复后补全数据。该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。样品数据来源于柴油、汽油和煤油三种溶质的四氯化碳溶液。常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析（PARAFAC）、交替三线性分解（ATLD）和自加权交替三线性分解算法（SWATLD）等。PARAFAC基于严格意义上的最小二乘原则,具有抗噪声强、模型稳定、微小预期误差等优点,可以实现三维数据阵列的最佳拟合,但该算法收敛速度较慢,对组分数敏感。ATLD算法通过提取对角主元和切尾奇异值求解广义逆,极大提高了收敛速度并降低了对组分数的敏感度,从而实现三线性分解。然而,取对角元时易使ATLD方法对噪声敏感。SWATLD算法既继承了对组分数不敏感、收敛速度快等优点,又降低了噪声水平的影响。但是在抗共线程度方面,SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。基于此,论文根据三线性分解算法迭代过程中损失函数的变化,对迭代过程进行划分,提出了三线性迭代方法的组合算法（algorithm combination methodology, ACM）—将ATLD, SWATLD与PARAFAC组合在一起,充分发挥各算法的优点,实现二阶校正算法的优势互补。采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析,并对三种矿物油的回收率进行了计算。柴油的回收率为97.08%,汽油的回收率为97.34%,煤油的回收率为97.25%。解析光谱和回收率表明,ACM算法能够实现油类污染物的种类识别及浓度测量。     

三维荧光光谱结合组合算法在环境污染监测中的应用：油种鉴别与定量分析（英文）

针对油类污染物成分复杂,光谱重叠难以识别的问题,提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响,提出了缺损数据修复-主成分分析(MDR-PCA)方法对矿物油三维荧光光谱的瑞利散射进行处理,原理是单个荧光光谱激发发射矩阵符合双线性,可用主成分分析(PCA)法来解析。MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除,之后利用主成分分析(PCA)迭代过程对扣除数据进行重构修复后补全数据。该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。样品数据来源于柴油、汽油和煤油三种溶质的四氯化碳溶液。常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析(PARAFAC)、交替三线性分解(ATLD)和自加权交替三线性分解算法(SWATLD)等。PARAFAC基于严格意义上的最小二乘原则,具有抗噪声强、模型稳定、微小预期误差等优点,可以实现三维数据阵列的最佳拟合,但该算法收敛速度较慢,对组分数敏感。ATLD算法通过提取对角主元和切尾奇异值求解广义逆,极大提高了收敛速度并降低了对组分数的敏感度,从而实现三线性分解。然而,取对角元时易使ATLD方法对噪声敏感。SWATLD算法既继承了对组分数不敏感、收敛速度快等优点,又降低了噪声水平的影响。但是在抗共线程度方面, SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。基于此,论文根据三线性分解算法迭代过程中损失函数的变化,对迭代过程进行划分,提出了三线性迭代方法的组合算法(algorithm combination methodology, ACM)—将ATLD, SWATLD与PARAFAC组合在一起,充分发挥各算法的优点,实现二阶校正算法的优势互补。采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析,并对三种矿物油的回收率进行了计算。柴油的回收率为97.08%,汽油的回收率为97.34%,煤油的回收率为97.25%。解析光谱和回收率表明, ACM算法能够实现油类污染物的种类识别及浓度测量。     

三维荧光光谱结合二阶校正算法测定碳酸饮料中胭脂红的含量

利用三维荧光光谱结合交替归一加权残差算法(ANWE),对碳酸饮料中胭脂红含量的直接测定。首先通过使用英国爱丁堡公司生产的FLS920P荧光光谱仪测量所配制的胭脂红和日落黄混合溶液样品的三维荧光光谱,利用ANWE算法来进行解析,得到校正集中浓度与真实浓度的相关系数为0.9917,平均回收率为100.92%±2.71%,结果表明,ANWE算法可靠性比较好;然后把市售碳酸饮料稀释8,9,12,13倍,分别测量它们的三维荧光光谱,结合ANWE算法进行解析,计算得到校正集中浓度和实际浓度的相关系数分别为0.993 0,0.993 0,0.993 2,0.993 2,以及饮料中胭脂红含量分别为38.88,37.71,37.68和39.65 μg·mL-1,平均浓度为(38.48±0.96) μg·mL-1;最后,为了验证所得饮料中胭脂红浓度的准确性,使用标准添加法,解析得到,校正样品中胭脂红的校正浓度和真实浓度相关系数为0.993 5,且平均回收率为102.99%±2.15%。检测结果可为饮料中食品色素的快速定量提供一种新的思路。     

基于四组分同时测定的PARAFAC和SWATLD算法及比较

邻苯二酚和对苯二酚是有毒物质,酪氨酸和色氨酸是天然氨基酸中仅有的会发光的组分,由于四组分光谱重叠,很难用常规方法直接定量检测。实验中采用三维荧光光谱结合平行因子和自加权交替三线性分解算法,邻苯二酚、对苯二酚、酪氨酸和色氨酸进行直接定量测定;同时,比较两种算法在定性测定和定量测定上的差别。当测量体系的成分数预估计值为4时,两种方法分辨后的回收率分别为(101.2±2.7)%,(99.3±3.0)%,(98.7±4.5)%,(101.6±4.7)%和(109.0±8.0)%,(91.3±11)%,(99.7±13)%,(98.1±11)%。试验结果表明,两种方法可用于四组分直接快速定量测定;通过对两种算法的比较,PARAFAC算法更具优势。     

基于荧光光谱和径向基函数神经网络的合成食品色素测定和鉴别

以合成食品色素胭脂红、苋菜红溶液为例,提出了应用荧光光谱结合径向基函数神经网络对合成食品色素溶液进行浓度测定和种类鉴别的方法。应用SP-2558多功能光谱测量系统,测得胭脂红和苋菜红溶液分别在波长为300和400 nm的光激发下产生的荧光光谱。对每个胭脂红溶液样本选取15个发射波长值所对应的荧光强度作为网络特征参数,训练、建立用于浓度预测的径向基函数神经网络。据此,对3种胭脂红溶液样本的浓度进行预测,预测结果相对误差分别为1.42%,1.44%和3.93%。另外,以胭脂红和苋菜红溶液荧光波长值所对应的荧光强度作为特征参数,训练、建立了用于种类鉴别的径向基函数神经网络,进行合成食品色素溶液种类识别,准确率达100%。这些结果表明,该方法方便、快捷、准确度较高,可应用于合成食品色素检测及食品安全监管。     

基于三维荧光光谱和PSO-SVM对胭脂红含量的测定

胭脂红是一种应用广泛的食品色素，在各种食品、饮料的添加剂里都有它的身影，过量食用人工合成色素会严重危害健康。食物中色素一般都是多种联用，各种色素之间会相互产生干扰，这加大了对食品中色素检测的难度，模拟食品中多种色素共存的环境，采用荧光光谱技术，结合PSO-SVM算法，建立一种测定混合溶液中胭脂红含量的方法。从试剂公司购买胭脂红和苋菜红固体粉末，选择胭脂红为待检测色素，苋菜红为干扰色素，配成不同浓度的胭脂红单色溶液以及加入苋菜红后的混合溶液样本，其中胭脂红的浓度在0.1~30 μg·mL-1之间，干扰色素苋菜红的浓度在0.1~10 μg·mL-1之间随意添加。运用Edinburgh Instruments 公司生产的FS920稳态荧光光谱仪, 测得胭脂红单色溶液与加入苋菜红后混合溶液的荧光光谱图，分析得到胭脂红的最佳激发波长为λ_ex＝326 nm，最佳发射波长为λ_em＝430 nm。各选取6组不同浓度的单色样本以及混合色素样本，其中，胭脂红的物质浓度同为3，4，5，6，7和8 μg·mL-1，苋菜红的物质浓度都定在2 μg·mL-1。观察6组样本在激发波长λ_ex=326 nm时的发射光谱和荧光强度的关系。单色样本中，胭脂红浓度与荧光强度线性关系良好；而在混合溶液中，随着胭脂红浓度的增加，荧光强度呈现出先降后增再降的过程，光谱线型、强度与各组分浓度间存在复杂的非线性关系，得以证明混合溶液的荧光光谱并不是由各组分光谱简单的叠加，而是在吸收光谱的过程中，胭脂红溶液与苋菜红溶液存在竞争和相互影响。配取25组胭脂红、苋菜红混合溶液，从中选择7个作为预测样本，其余18组作为训练样本。7 个预测样本中胭脂红的浓度分别为 1.0，2.0，4.0，6.0，9.0，12和15 μg·mL-1，干扰物质苋菜红的物质浓度在0.1~10 μg·mL-1之间。选择各组样本在最佳激发波长λ_ex＝326 nm 下对应的荧光强度，作为检测模型的输入，以胭脂红的预测浓度作为输出。对PSO参数初始化设置后，训练输出SVM的最佳参数c和g，将所得的最佳参数输入PSO-SVM模型, 得到7组预测样本的浓度预测结果分别为：1.146 9，1.860 6，3.854 4，6.146 9，9.133 8，11.857 6和14.859 8 μg·mL-1。分析PSO-SVM的预测结果，得到胭脂红平均回收率为100.84%，预测均方根误差(RMSEP)为1.03×10-4，模型输出与真实值之间的相关系数是0.999。在同等条件下，采用误差逆向传播算法(BP)预测得到的7组样本浓度分别为：1.140 1，2.139 8，3.188 2，6.436 2，8.882 7，11.860 1和12.664 3 μg·mL-1，其平均回收率为98.56%，均方根误差为4.65×10-3，输出值与真实值之间的相关系数为0.972。与误差逆向传播算法(BP)的预测结果相比较，PSO-SVM 相关系数高出2.7%，平均回收率高出0.6%，均方根误差降低了将近一个数量级。分析结果表明，通过荧光光谱技术与PSO-SVM相结合的方法，能够有效的避开干扰色素的影响，准确的测定混合溶液中胭脂红的含量，并且效果相比较于BP更加理想。     

三维荧光光谱结合自加权交替三线性分解算法检测农药类混合物

三维荧光光谱技术与自加权交替三线性分解(SWATLD)算法相结合,对三类农药混合溶液进行检测。在乙腈溶剂中配制西维因、速灭威和三唑磷不同浓度比的混合溶液为测量样品(西维因、速灭威及三唑磷的最佳激发波长/发射波长分别为285/325,305/345和265/305 nm),利用荧光光谱仪获取样品的三维荧光光谱,经过空白扣除以及激发与发射校正,有效地去除仪器误差以及散射产生的影响,得到样品的真实光谱。采用基于自加权交替三线性分解算法对测得的光谱数据进行分析,得到的三种农药的平均回收率为96.9%±1.9%,99.8%±1.0%和100.8%±3.2%。根据SWATLD算法预测结果,计算三类农药的预测均方根误差(RMSEP)值为0.616×10-2,0.539×10-2和0.374×10-2 μg·mL-1,低于平行因子(PARAFAC)分析法预测结果的RMSEP值,且最低检测限均在0.005~0.022 μg·mL-1范围内。和PARAFAC算法相比较,突出了SWATLD算法的优势,表明该算法对光谱重叠严重的三类农药混合物有较好的分解能力。     

基于三维荧光光谱法和PARAFAC对多环芳烃定性定量分析

三维荧光光谱法在研究多环芳烃(PAHs)类物质的荧光信息时起到了重要作用。多环芳烃类物质具有致癌性,难降解性,多由尾气排放,垃圾焚烧产生,危害着人类健康及环境,因此人们不断探索对多环芳烃检测的方法。实验选取多环芳烃中的苊和萘作为检测物质,利用FLS920荧光光谱仪,为避免荧光光谱仪本身产生的瑞利散射影响,设置起始的发射波长滞后激发波长40 nm,设置扫描的激发波长(λex)范围为:200~370 nm,发射波长(λem)范围为:240~390 nm,对多环芳烃进行荧光扫描获取荧光数据,采用三维荧光光谱技术结合平行因子算法对混合溶液中的苊和萘进行定性定量分析。实验选用的苊和萘均购于阿拉丁试剂官网,配制浓度为10 mg·L-1的一级储备液,再将一级储备液稀释,得到苊和萘浓度为0.5,1,1.5,2,2.5,3,3.5,4和4.5 mg·L-1的二级储备液,并将苊和萘进行混合。在进行光谱分析前需要对苊和萘的光谱进行预处理,采用空白扣除法扣除拉曼散射的影响,并采用集合经验模态分解(EEMD)消除干扰噪声。实验测得苊存在两个波峰,位于λex=298 nm,λem=324/338 nm处,萘存在一个波峰,位于λex=280 nm,λem=322 nm处。选用的PARAFAC算法对组分数的的选择很敏感,因此采用核一致诊断法预估组分数,估计值2和3的核一致值都在60%以上,分别对混合样品进行了2因子和3因子的PARAFAC分解,将分解后得到的激发发射光谱数据和各组分浓度数据进行归一化处理,并绘制光谱图,与归一化处理后的真实的激发发射光谱图和各组分浓度图进行对比。同时将PARAFAC得到的混合样本的预测浓度,通过计算回收率(R)和均方根误差(RMSEP)来判定定量分析的准确度。选择2因子时,各混合样品中苊和萘拟合度为95.7%和96.7%,平均回收率分别为101.8%和98.9%,均方根误差分别为0.0187和0.0316;选择3因子时,各混合样品中苊和萘拟合度为95.3%和95.8%,平均回收率分别为97%和102.5%,均方根误差分别为0.033和0.116,由三项指标可得选用2因子进行定性定量分析的效果明显好于选用3因子。分析实验结果表明,基于三维荧光光谱法和PARAFAC算法对混合样品进行定性定量分析,能够有效的判定混合样品的类别,同时能够成功的预测出混合样品的浓度。     

三维荧光偏导数光谱结合平行因子算法对石油类混合油液的检测

石油类混合油液的组分检测是三维荧光光谱领域重要的研究内容,由于实际获得的混合油液三维荧光光谱数据存在不同组分光谱重叠严重、数据三线性较差等问题,通过平行因子算法解析时,会出现解析谱与标准谱差异过大或者不能正确判断油种的情况。在验证三维荧光偏导数光谱应用平行因子算法具有可行性的基础上,将三维荧光偏导数光谱与平行因子算法结合,能够提高平行因子算法得到的混合油解析谱与标准谱的拟合程度,实现石油类混合油液组分的准确检测。首先,以十二烷基硫酸钠（SDS）溶液作为溶剂,配制航空煤油、润滑油不同浓度的纯油溶液各15份,将航空煤油、润滑油按照不同浓度比配制9份混合油溶液;并利用FS920荧光光谱仪得到39份三维荧光光谱数据。然后,对三维荧光光谱数据进行预处理：通过扣除空白法去除拉曼散射,并将瑞利散射区域扣除,再利用分段三次hermite插值方法对扣除区域进行插值;利用小波变换阈值去噪法去除光谱数据中的高频噪声,得到预处理完成后的三维荧光光谱数据。最后,利用Savitzky-Golay拟合求导方法求三维荧光光谱的一阶偏导数光谱,并利用平行因子算法对三维荧光光谱和三维荧光偏导数光谱进行解析。将解析谱与纯油标准谱进行比较,实验结果表明：利用平行因子算法对混合油液的三维荧光光谱进行解析时,得到的润滑油解析结果较好,但航空煤油的解析结果存在较大问题。而三维荧光偏导数光谱经平行因子算法解析后,在保证润滑油解析结果的同时,显著提高了航空煤油的解析结果：航空煤油解析谱与标准谱之间的相关系数提升了12.0%（发射光谱）、6.7%（激发光谱）,均方根误差减少了70.4%（发射光谱）、20.6%（激发光谱）。在三维荧光光谱数据三线性较差的情况下,三维荧光偏导数光谱结合平行因子分析方法优于三维荧光光谱结合平行因子分析方法,实现了对混合油液组分准确检测的目的。     

三维荧光光谱结合交替惩罚三线性分解同时对水中三种酚类测定

酚类化合物对动植物机理有着严重危害,利用三维荧光光谱结合交替惩罚三线性分解（APTLD）算法,完成了不含干扰物和干扰物共存时激发-发射荧光光谱重叠严重的麝香草酚、对苯二酚和苯酚的直接快速准确定性、定量分析。研究了温度对三种酚类化合物荧光强度的影响。对扫描所得激发-发射矩阵信号（EEM）进行二次去散射和光谱校正预处理,最大程度保留了原光谱信息,避免光谱严重失真。将APTLD算法与平行因子（PARAFAC）和交替三线性分解（ATLD）算法进行对比,突显该算法的优势。实验得出,APTLD算法能够较好的解析荧光光谱数据的重叠峰,分别得到三种目标分析物的荧光光谱,实现快速定性分析;定量分析时平均回收率为（97.4±4.5）%~（103.1±3.0）%;预测均方根误差（RMSEP）低于1.664×10-2 μg·mL-1,且检测限低于国家标准;处理过程简洁快速,为水环境中酚类化合物实现现场检测和在线实时监测提供了有力依据。     

PARAFAC法解析太湖水体DOM三维荧光光谱

采用平行因子法(PARAFAC法)对太湖水样溶解性有机质(DOM)三维荧光光谱进行解析。通过比较因子数分别为3,4和5时,PARAFAC模型的核一致函数、 激发和发射光谱误差平方和、 各水样模拟的三维荧光光谱和残差谱图等情况,选择因子数为3作为太湖水样DOM三维荧光光谱PARAFAC模型的最佳因子数。太湖水样DOM的3类主要荧光组分分别是类腐殖质荧光物质、 类色氨酸荧光物质、 类酪氨酸荧光物质。     

三维荧光光谱结合二阶校正方法同时测定水中两种酚类

水是生命之源,人们日常生产生活离不开水。近年来水体污染日趋严重,已经危害到人类的健康。酚类化合物(Phenolic Compound)是一种广泛存在且很难降解的有机污染物,指的是芳香烃中苯环上的氢原子被羟基取代所生成的含羟基衍生物,毒性很强,对动植物及人类的生命活动有严重危害。实验研究对象选取间苯二酚(resorcinol,RES)和对苯二酚(hydroquinone,HYD)来配制待测样本,并且在其中3组预测样本中加入苯酚(phenol,PHE)作为干扰物,待测样本和空白溶剂分别用FS920稳态荧光光谱仪(edinburgh instruments,EI)扫描得到荧光光谱数据。对所得到的数据通过扣除空白溶剂法来消除拉曼散射的影响,得到的数据在消除干扰的同时最大程度保留下来原光谱所包含的重要信息。校正后光谱变得更加圆滑,荧光强度显著增强,因此,校正处理后的光谱信息更为准确。利用三维荧光光谱(EEM)结合平行因子分析(PARAFAC)和交替惩罚三线性分解(APTLD)两种二阶校正方法,分别完成在不含干扰物和含有干扰物、同时激发-发射光谱严重重叠时对间苯二酚、对苯二酚的快速、直接、准确测量,并给出定性、定量分析结果。PARAFAC算法对混合体系的组分数(即化学秩)较敏感,组分数选取过大易使其陷入计算"沼泽",迭代次数增多,计算耗时变长。故本文利用核一致诊断法(CORCONDIA)预估计出准确的组分数,保证PARAFAC算法更加快速准确。从定性分析结果知,当不含有干扰物时,PARAFAC能够准确分辨出间苯二酚和对苯二酚,二者荧光峰位置极为接近,很难用传统方法分辨,体现出将三维荧光光谱技术与化学计量学二阶校正方法相结合所具有的"二阶优势";定量分析结果给出,在有干扰物共存时,分别应用两种二阶校正法解析光谱数据结果显示:PARAFAC的浓度预测回收率为93.4%±0.5%~97.1%±1.0%,预测均方根误差小于0.190 mg·L^-1;APTLD的浓度预测回收率为95.9%±1.6%~97.2%±0.8%,预测均方根误差小于0.116 mg·L^-1,通过比较两种方法性能得:PARAFAC对待测物组分数敏感,对待分解的光谱数据严格线性要求高;而APTLD对混合物组分数不敏感,计算速度快,抗噪声能力较强,结果稳定,具有较明显的优势。     

基于荧光分析法和APTLD相结合的多环芳烃的检测

为准确进行浓度检测,用Savitzky-Golay(SG)多项式曲面平滑法去除三维荧光光谱数据的冗余信息,分别采用平行因子法(PARAFAC)算法和交替惩罚三线性分解(APTLD)算法对光谱数据进行分解。设计多环芳烃类污染物的检测实验,分析了芴(FLU)、苊(ANA)及两者混合溶液的荧光光谱特性。FLU溶液在λ_(ex)/λ_(em)=302/322 nm处存在一个明显的荧光峰,并且存在连续侧峰。ANA溶液存在两个荧光峰,分别为λ_(ex)/λ_(em)=290/322 nm和λ_(ex)/λ_(em)=290/336 nm。在激发波长200～370 nm扫描范围和发射波长240～390 nm扫描范围内,FLU和ANA荧光光谱重叠严重。结果表明,两种算法均能分辨出FLU和ANA,并取得了很高的回收率,但APTLD算法的检测效果更好。     

微含量石油类污染物三维荧光光谱及平行因子解析

为解决微含量石油类污染物识别问题,采用三维荧光光谱(EEMs)与平行因子(PARAFAC)相结合的技术,研究了石油类样品荧光组分特征及平行因子组分识别方法。依据水体中石油类含量的标准规定,配制出与Ⅰ—Ⅴ类水体对应的CCL₄含油样品,用来模拟油类污染物成分。首先对97#汽油、0#柴油、普通煤油及CCL₄溶剂进行三维荧光光谱扫描,得到纯组分样品的三维荧光光谱图,其次对97#汽油、0#柴油及普通煤油的标准样品进行三维荧光光谱图测定,最后对97#汽油、0#柴油、普通煤油在CCL₄溶剂中的混合样品进行三维荧光光谱图测定。在掌握上述不同组分样品的三维荧光光谱特性的基础上,重点分析微含量下97#汽油、0#柴油及煤油混合液的三维荧光光谱,应用平行因子方法解析出样品中三种组分的激发与发射特征光谱以及组分间的浓度比。解决了混合样品荧光光谱出现叠加,用化学分离或单纯荧光分析方法较难识别荧光组分的问题,实现了对微含量含油混合样品的主要组分的识别,并得到混合样品溶液中不同组分间浓度比。     

三维荧光结合二阶校正快速测定水中酚类

酚类化合物在冶金、炼油、机械制造、医药、农药和油漆等工业有广泛的应用,但酚类化合物具有毒性,若不加以处理将会对环境造成污染。水是生命之源,水环境中酚类化合物检测显得尤为重要。三维荧光光谱分析法具有灵敏度高、检测速度快、预处理方便和痕量检测等特点,二阶校正分析法可以在混合物中分辨出感兴趣的成分。采用三维荧光光谱结合二阶校正方法对水环境中酚类化合物进行测定。实验选用间甲酚和间苯二酚作为被测物质,配置添加干扰物和不添加干扰物两类样本,通过FLS920稳态荧光光谱仪测得8个校正样本和8个预测样本的三维荧光光谱数据,并对其进行数据预处理,扣除原始光谱中所包含的散射干扰,并对原始光谱数据进行激发/发射校正,然后采用db3小波函数生成的小波包对光谱数据进行数据压缩,去除光谱数据中的冗余信息,其中压缩分数达到91.67%,恢复分数达到96.62%。然后分别采用平行因子分析(PARAFAC)和自加权交替三线性分解(SWATLD)两种二阶校正方法对预处理后的光谱数据进行定性和定量分析。根据核一致分析法结合残差判别分析法的分析结果,设定未添加干扰物样品组分数为2,添加干扰物样品组分数为3。定性分析结果显示,无论有无添加干扰物,两种二阶校正法都能准确的分辨出样本中的间甲酚和间苯二酚,其中间甲酚的荧光峰位置为λem=298 nm/λex=274 nm;间苯二酚的荧光峰位置为λem=304 nm/λex=275 nm。定量分析结果显示,用PARAFAC算法测定不添加干扰物的样本时,对间甲酚和间苯二酚浓度的平均回收率分别达到了93.37%±4.92%和95.19%±5.25%;测定添加干扰物样本时,对间甲酚和间苯二酚浓度的平均回收率达到92.09%±2.64%和97.08%±5.26%。用SWATLD算法测定不添加干扰物样本时,对间甲酚和间苯二酚浓度的平均回收率分别达到了93.11%±4.73%和96.80%±5.04%;测定添加干扰物样本时,对间甲酚和间苯二酚浓度的平均回收率达到97.30%±4.52%和96.92%±5.61%,且两种二阶校正方法得出的预测样本均方差(RMSEP)均小于0.03 mg·L-1。实验结果表明,在荧光光谱峰位置相近、光谱严重重叠且有干扰物的情况下, PARAFAC和SWATLD两种二阶校正算法都能对水溶液中的酚类化合物进行快速、准确地测定。     

应用导数荧光光谱和概率神经网络鉴别合成色素

实验测量了食品色素胭脂红、苋菜红、诱惑红和工业色素苏丹红Ⅳ溶液分别在波长为300,400,440和380 nm的光激发下产生的荧光光谱.对这4种红色素的各8个溶液样本选取60个发射波长值所对应的荧光强度作为网络特征参数,训练、建立概率神经网络.据此,对32个色素溶液样本进行种类识别.为解决原始荧光光谱重叠造成识别准确率不高的问题,应用导数荧光光谱,将二阶导数光谱数据作为网络特征参数,建立网络,进行识别,识别准确率达100%.由此,提出了应用二阶导数荧光光谱结合概率神经网络对合成色素方便、快捷、准确地进行种     

基于BP神经网络的荧光光谱法农药残留检测

针对目前农药残留难以实现快速准确检测的问题,利用人工神经网络方法对啶虫脒农药残留测量中的荧光混合光谱进行分离,设计了能够快速检测固体表面啶虫脒农药残留量的荧光光谱测量系统。根据反向传播算法,应用三层人工神经网络原理,对荧光光谱严重重叠的啶虫脒和滤纸混合体系进行啶虫脒残留量检测。在340nm～400nm范围内,以20个特征波长处荧光强度值作为网络特征参数,经网络训练和测试,啶虫脒浓度为40mg/kg和90mg/kg的回收率分别为102%和97%,测定结果相对标准偏差分别为1.4%和1.9%。实验结果表明,BP神经网络辅助荧光光谱法测定滤纸上啶虫脒农药残留,具有网络训练速度快、检测周期短、测量精度高等特点。     

人工神经网络-荧光光谱法同时测定维生素B1,B2,B6

应用人工神经网络原理 ,以Levenberg MarquardtBP算法对荧光光谱严重重叠的维生素B1 ,B2 ,B6三组份混合体系同时进行了含量测定。在 390～ 5 2 0nm的范围内 ,以 15个特征波长处的荧光强度值作为网络特征参数 ,并通过均匀设计安排样本 ,经网络训练和计算得出维生素B1 ,B2 ,B6 三者的平均回收率分别为 99 86 % ,99 6 0 % ,99 4 9% ,测定结果的相对标准偏差各为 1 7% ,1 6 % ,1 7%。