三维荧光结合三阶校正算法快速检测水中酚类化合物

苯酚和麝香草酚等酚类化合物对人体和动植物有着严重危害,且这些酚类化合物往往同时存在于水体。由于苯酚和麝香草酚的激发和发射光谱重叠严重,常规荧光方法不能实现直接快速测定。基于三维荧光光谱结合四维平行因子（4-PARAFAC）算法,对存在未知干扰物的湖水中苯酚和麝香草酚进行定性和定量分析。利用三维平行因子和四维平行因子算法分解光谱数据,探索三阶校正算法的“三阶优势”。通过引入温度维来构建四维数据阵,将不同温度下扫描得到的激发发射矩阵沿样本维叠加得到四维数据阵,结合基于四维平行因子的三阶校正算法对目标分析物进行定性定量分析。为避免溶剂散射和仪器的影响,需要对扫描得到的激发发射矩阵信号进行预处理。通过空白扣除法和Delaunay三角内插值法去除激发发射矩阵中散射信号,再进一步进行激发发射校正,得到真实光谱。然后分别使用基于平行因子的二阶校正算法和基于四维平行因子的三阶校正算法对光谱数据进行分析,对比两种算法的分析结果。结果表明,四维数据阵并不是三维激发发射矩阵简单的叠加,得到的四维数据可能含有丰富的高维信息,有助于改善对分析物的测量结果。四维平行因子算法解析得到的湖水中苯酚和麝香草酚的平均回收率分别为97.7%±9.2%和96.5%±8.8%,预测均方根误差为0.047和0.057 μg·mL-1,预测相对误差低于10%,分析结果优于三维平行因子（平均回收率分别为105.7%±15.3%和111.0%±3.6%,预测均方根误差为0.090和0.056 μg·mL-1,预测相对误差高于10%）。实验表明,样本中存在复杂干扰背景和数据共线性严重时,三阶校正算法能够得到比二阶校正算法更满意的结果,为复杂体系中苯酚和麝香草酚的检测提供了可靠方法。     

三维荧光光谱结合交替加权残差约束四线性分解算法对石油类混合油液的检测

石油作为重要的能源和工业原料,在造福人类社会的同时,其引起的环境污染问题日益严重。因此针对混合油液的快速、准确检测成为鉴别溢油来源和保护生态环境的重要内容。石油类物质一般由具有较强荧光特性的芳香烃成分及其衍生物组成,荧光光谱分析技术以其灵敏度高、分析速度快和受风化影响程度小等优点成为了混合油液检测的重要手段之一,并与二阶校正和三阶校正的各类算法相结合取得了较好的成分鉴别和浓度预测效果。但二阶校正算法普遍存在对噪声的容忍能力弱和对组分数敏感、收敛速度慢等不足,限制了在实际混合油液检测中的应用。针对上述存在的问题,将三维荧光光谱技术和交替加权残差约束四线性分解(AWRCQLD)算法相结合,提出一种用于混合油液检测的新方法。首先以乙醇作为溶剂,将航空煤油和润滑油按不同浓度比配制7个校正样本、4个预测样本和3个空白样本;然后利用FLS920荧光光谱仪采集拟进行成分检测的混合油液在不同实验温度条件下共42个样本的荧光光谱数据,并通过空白扣除的方法消除散射的干扰;再利用核一致诊断法和残差分析法估计出最佳的组分数;最后分别利用AWRCQLD算法、4阶平行因子(4-PARAFAC)算法和二阶校正算法解析样本的荧光光谱数据,做出混合油液样本的定性鉴别和定量预测。研究结果表明,经AWRCQLD算法解析后得到的航空煤油预测样本的回收率为96.7%~102.7%、预测均方根误差为0.015 mg·mL-1;润滑油预测样本的回收率为96.9%~101.7%、预测均方根误差为0.009 mg·mL-1;在不同实验温度条件构建的四维响应数阵能够更为准确地测定出航空煤油和润滑油的组分浓度,其回收率更高和预测均方根误差更小,满足准确定量分析的要求;AWRCQLD算法在航空煤油和润滑油样本的荧光光谱严重重叠的情况下,较之二阶校正算法和4-PARAFAC算法,AWRCQLD算法更能够体现出三阶校正算法所具有的优势,综合预测能力更强,达到了对混合油液进行快速检测的目的。该研究提供了一种不依赖于“物理和化学分离”的快速、准确的对混合油液进行检测的“数学分离”方法,为石油类混合油液检测提供了必要的技术支持。     

三维荧光光谱结合小波压缩与交替惩罚四线性分解算法测定多环芳烃

基于三维荧光光谱结合交替惩罚四线性分解(APQLD)对痕量多环芳烃(PAHs)进行检测,实验以苊(ANA)和萘(NAP)为研究对象。首先利用小波变换对得到的三维荧光光谱数据进行压缩,以消除数据的冗余信息。分别在乙醇溶剂、甲醇溶剂以及超纯水条件下测定不同浓度的PAHs的激发-发射荧光光谱,并将其组合构建四维数据,利用APQLD对构建的四维光谱数据进行分析,并对比了PAHs在三种溶剂条件下各自的回收率。实验结果表明,用不同溶剂构建的四维数据能更准确地测定PAHs的浓度,其回收率更高;对比二阶校正以及其他四维校正算法,APQLD更能体现四维算法所具有的优越性;当因子数N=3时,ANA的回收率为96.5%~103.3%,预测均方根误差为0.04 μg·L-1;NAP的回收率为93.3%~110.0%,预测均方根误差为0.08 μg·L-1。     

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。     

基于三维荧光光谱结合二维线性判别分析的油类识别方法的研究

油类污染严重威胁到自然环境及人类健康。因此,识别和处理油类污染非常重要。由于三维荧光光谱能够表征石油的荧光特征,故一般利用三维荧光光谱法检测溶液中存在的油类污染物。但油类的三维荧光光谱数据维度较高且直接分析的难度较大,因此可以利用数据降维方法提取原始油类样本的光谱特征,并利用所得到的光谱特征对样本进行识别。基于此,利用二维线性判别分析（2D-LDA）对油类样本进行特征提取,研究提取的不同样本光谱特征的差别,将得到的光谱特征作为K最近邻（KNN）分类的输入,得到相应的分类结果。首先,分别配制四种不同的油类（柴油、汽油、航空煤油、润滑油）样本各20个,共计得到80个油类样本;然后,利用FS920光谱仪采集所有油类样本的三维荧光光谱数据;其次,对采集到的光谱数据进行预处理,去除光谱中散射的干扰并标准化;最后,利用2D-LDA算法对样本进行特征提取,利用KNN算法进行分类,并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。研究结果表明,2D-LDA提取特征的分类效果优于PCA。利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%,而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。表明两类光谱相对于三维荧光光谱具有互补性,将发射和激发光谱特征相结合能够更好地对样本进行分类。而利用PCA对测试集识别的准确率仅为85%,表明2D-LDA对三维荧光光谱数据的特征提取效果更好。与PCA相比,2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征,使得同类样本尽可能接近,不同样本尽可能分离。因此,2D-LDA具有使降维后的数据更容易被区分的特点,故其鲁棒性好。该研究为油类的降维识别提供了一种参考。     

数字图像识别在混合油类三维荧光光谱分析中的应用

海上溢油已成为全球环境污染的重要问题之一,溢油严重破坏了海洋生态的平衡,并导致人类健康受到危害。因此,研究高效的溢油检测方法对保护海洋生态环境具有重要意义。三维荧光光谱技术因能获得溢油的“指纹”图谱而成为溢油鉴别领域的有效分析手段,其与平行因子分析算法相结合获得了良好的溢油鉴别效果。但平行因子算法在使用过程中需要确定不同石油产品本身所适用的浓度范围,且其对预估计组分数敏感,组分数选择是否准确直接影响最终定性定量结果,这些问题都会对油类检测造成使用上的限制。油类组分极为复杂,其中各组分间不存在统一的线性浓度范围,其相互之间还受到荧光猝灭效应的影响。直接对未经稀释的油类样本进行光谱数据采集,所获得的三维荧光光谱会因样本中组分的种类及其含量不同而存在较大差异,导致对三维荧光光谱数据进行解析的平行因子分析算法不再适用。但组分的种类及含量相近的油样其光谱特征相似度较高,并且随着特定组分及其含量的改变,其光谱形状的变化规律也较为明显。基于此,将三维荧光光谱和数字图像识别相结合,提出一种针对混合油类样本的辨识方法。首先,利用五种矿物油（汽油、柴油、航空煤油、机油和润滑油）配制三类混合油样本,其中每类混合油是用其中两种不同矿物油以不同体积比直接混合配制而成;然后利用FS920荧光光谱仪获取样本的三维荧光光谱数据,并对该数据进行求导及灰度化预处理,进而得到三维荧光导数光谱灰度图;其次提取样本三维荧光导数光谱灰度图的颜色、纹理和形状等数字图像特征;最后,通过Fisher判别分析建立样本的分类模型,采用逐步回归建立混合油样本各组分相对体积的定量模型。分类模型对三类混合油样本的分类及识别效果良好。所建立的定量模型的线性相关性R大于0.99,显著性检验p值小于0.05。研究结果表明,三维荧光光谱的数字图像特征可以被本文所述方法有效提取并用于对油类样本的定性定量分析。该研究为海面溢油检测提供了一种简单、可靠的识别方法。     

一种基于石墨化炭黑过滤吸附处理荧光抑制和改进系统聚类分析的轻质燃油种类拉曼光谱快速识别方法

提出了一种石墨化炭黑过滤吸附前处理抑制轻质燃油拉曼光谱荧光背景干扰的方法和一种改进的系统聚类分析算法,实现了39个样品的种类快速识别,即能自动将样品识别为0#车用柴油、0#普通柴油、97#车用汽油、93#车用汽油、90#车用汽油和3#喷气燃料等6种类型。过滤吸附处理方法是用定制的50 mg石墨化炭黑过滤吸附0.75 mL油样,然后对其进行拉曼光谱数据采集。试验结果证明：石墨化炭黑过滤吸附处理对无荧光背景干扰的3#喷气燃料和车用汽油样品拉曼光谱特征无明显影响,且能够有效抑制车用汽油和车用柴油样品的拉曼弱荧光背景干扰,以及车用汽油和普通柴油的强荧光背景干扰。改进的有监督系统聚类分析算法将普鲁克距离作为系统聚类分析中样本间相似度的评价方法;并将经典的系统聚类分析视为标准校正样品集的“建模”过程,通过计算未知样品与各类属中心向量之间的普鲁克距离,依据距离最小原则判断未知样品的类属。通过对39个具有不同拉曼荧光背景干扰特征油样的石墨化炭黑前处理和“留一法”交互验证分类识别,分析结果证明：石墨化炭黑过滤吸附前处理抑制拉曼光谱荧光背景的方法能够有效提取轻质燃油的拉曼光谱特征并应用于定性种类识别。     

基于三维荧光光谱技术结合交替加权残差约束四线性分解的不同盐度条件下混合油液检测

石油作为一种重要的化石能源,是人类社会生产活动中不可缺少的一部分。石油在被人们开采、使用的过程中不可避免地会发生泄漏,泄漏的石油会给生态环境带来严重的威胁。因此,在石油泄漏后需要及时对其进行处理,而其前提是能够准确识别石油种类。由于石油中多种物质具有荧光特性,因此应用荧光光谱法可对石油进行有效检测。但石油所含组分较多,使得其光谱信息重叠严重,识别困难。而三阶校正方法具有"三阶优势",可以分辨高共线性、高噪声水平下的数据。其中,三阶校正中的交替加权残差约束四线性分解(AWRCQLD)算法具有收敛速度快、对组分数不敏感等优点;因此,利用三维荧光光谱技术结合AWRCQLD算法,对混合油液进行检测。首先,配制3种盐度条件下的十二烷基硫酸钠(SDS)溶剂;并在每种盐度条件下分别将航空煤油和润滑油按照不同浓度比混合,最终得到24个校正样本和9个预测样本。然后,使用FLS920荧光光谱仪对实验样本进行光谱数据采集。其次,使用扣除空白法去除光谱中的散射,并通过核一致诊断法判断混合油中的组分数。最后,用AWRCQLD算法对四维光谱矩阵进行解析。研究结果表明,在0～20盐度范围内,随着盐度的增加,航空煤油的荧光强度先减小后增大,润滑油的荧光强度先增大后减小;混合油解析光谱曲线分别与航空煤油及润滑油的实际光谱曲线重合度良好;经AWRCQLD算法解析后得到的航空煤油的回收率范围为100.2%～109%,均方根误差为0.002 1 mg·mL~(-1);润滑油的回收率范围为91.8%～109.3%,均方根误差为0.004 8 mg·mL~(-1)。通过引入盐度作为新一维度的数据,从而将三维光谱数据阵扩展到相应的四维光谱数据阵。并利用AWRCQLD算法对四维光谱数据阵进行了解析,实现了在不同盐度条件下对混合油的定性和定量分析。同时,为不同盐度条件下的混合油液检测提供了参考。     

时间序列三维荧光光谱的异常值检测

异常值的存在往往干扰着时间序列三维荧光光谱的定性和定量分析。充分利用时间维和光谱维的内在特性, 提出了一种有效的异常值检测方法。在时间维结合方差提取异常值可能性最大的波长点;通过对异常值存在方式的分析,在任意两个三维荧光光谱的相似度基础上给出了光谱维上的累积相似度;最后利用时间维的校正矩阵对所有三维荧光光谱的每个波长点荧光强度进行修正并计算对应的累积相似度,从而根据累积相似度对异常值进行判断。时间维校正矩阵的采用不仅提高了算法的有效性而且其特征区域的选择大大减少了光谱维相似度的计算量。相关的数值试验表明光谱维选取50%的波长点仍然能有效对异常值进行检测。     

基于激光诱导荧光的油类污染物检测系统研究

油类污染物具有破坏海洋生态系统和间接污染大气及土壤的危害,快速、准确地检测污染物的成分及其浓度具有重要意义。由于油类污染物光谱重叠严重,因此难以通过传统荧光分析准确加以区分。本文基于激光诱导荧光技术,以氙灯作为激发光设计荧光光谱检测系统,并对0#柴油、92#汽油和煤油进行扫描和检测,从而获得激发/发射光谱以及最佳激发/发射波长。并对该系统的软件算法部分进行改进,运用Savitzky-Golay卷积平滑直接获得更加精确的激发/发射光谱,更能全面、准确地反映油类物质的荧光特性信息。并与传统的荧光光谱仪得到的光谱图进行对比,经实验验证激光诱导荧光技术的荧光光谱检测系统的有效性,对油类污染物的荧光光谱信号的检测具有更高的灵敏度。     

三维荧光光谱结合EEMD与SWATLD测定水中多环芳烃

多环芳烃（PAHs）类物质具有致畸、致癌、致突变的性质,严重污染生态环境,进而对人类的健康及动植物生长造成威胁。PAHs通过排污、大气沉降、地表径流等各种循环途径进入水环境中,由于种类众多且化学性质相似,常规的检测方法如化学滴定法、电化学法等很难实现快速准确的测定。为实现复杂体系中PAHs的定性与定量,工作中基于三维荧光光谱分析法,结合集合经验模态分解（EEMD）去噪与自加权交替三线性分解（SWATLD）二阶校正,对超纯水以及池塘水环境中的苊（ANA）和萘（NAP）进行分析测定。首先选择合理的浓度配制样本,用FS920荧光光谱仪测得样品的三维荧光光谱,利用空白扣除法将光谱数据中的散射消除,得到真实的光谱数据。然后对去除散射的数据进行EEMD降噪处理,该方法具有自适应性强、参数设置简便的优点,能够去除嘈杂信息,提高数据信噪比,并将去噪参数与快速傅里叶变换、小波滤波和经验模态分解进行比较。最后用SWATLD算法以“数学分离”代替“化学分离”,对超纯水和池塘水环境中光谱重叠的ANA和NAP进行定性识别和定量预测,该算法对组分数的选择不敏感,能够在未知干扰物共存情况下实现多组分目标分析物的同时检测,即具有“二阶优势”,并将预测结果与平行因子分析进行比较。结果表明空白扣除法能够成功将拉曼散射消除。EEMD降噪方法使ANA和NAP的光谱更加规整平滑,有效信息更加突出,该方法去噪后数据信噪比为16.845 2,均方根误差为11.136 6,波形相似系数为0.990 9,三项指标均优于快速傅里叶变换和经验模态分解等其他去噪方法,能达到小波滤波的去噪效果并且不用设置先验参数。利用SWATLD二阶校正方法得到验证样本中ANA与NAP的分解光谱与实际光谱基本吻合,平均预测回收率分别为96.4%和104.2%,预测均方根误差分别为0.105和0.092 μg·L-1;在存在未知干扰物的池塘水样本中,分解出的光谱依然能与实际光谱吻合,ANA与NAP两者的平均预测回收率分别为94.8%和105.5%,预测均方根误差分别为0.067和0.169 μg·L-1;与平行因子分析相比,两项指标均具有优势。     

BP神经网络结合ATLD与三维荧光光谱法测量水中多环芳烃

多环芳烃(PAHs)是煤,石油,木材,烟草等燃料和有机高分子化合物等有机物不完全燃烧时产生的一种持久性有机污染物。迄今已发现有200多种PAHs,其中有多种PAHs具有致癌性。PAHs广泛分布于我们生活的环境中,水中的PAHs主要来源于生活污水,工业排水和大气沉降。使用三维荧光光谱法,结合BP神经网络与交替三线性分解(ATLD)算法对水中的PAHs进行定性和定量分析。以苊（ANA）和芴（FLU）2种PAHs为目标分析物,用甲醇（光谱级）制备样本。使用FS920稳态荧光光谱仪对样本进行检测,设置激发波长为200～370 nm,间隔10 nm记录一个数据;发射波长为240～390 nm,间隔2 nm记录一个数据。设置初始发射波长总是滞后激发波长40 nm,以消除一级瑞利散射的干扰。随后使用BP神经网络法对待测样本数据进行预处理。利用BP神经网络基于误差反向传播算法(error back propagation training,BP)原理,对测得的三维荧光数据进行数据压缩处理,该方法具有柔性的网络结构与很强的非线性映射能力,网络的输入层、隐含层和输出层的神经元个数可根据实际情况设定,并且网络的结构不同时,性能也有所差异。随后,用ATLD算法分解预处理后的三维荧光光谱数据。采用核一致诊断法确定待测样本的组分数为2。结果表明,ATLD算法分解得到两种PAHs(ANA和FLU)的激发、发射光谱图与目标光谱非常相似,能实现光谱重叠严重的PAHs(ANA和FLU)的快速定性和定量分析,实现了以“数学分离”代替“化学分离”。将预测样本导入训练好的BP神经网络中,得到处理后待测样本数据的网络均方差（MSE）均小于0.003,网络的峰值信噪比（PSNR）均大于120dB（数据压缩中典型的峰值信噪比值在30～40 dB之间,越高越好）,可见BP神经网络对样本数据的压缩效果较好。BP神经网络训练后,得到输出值与目标值之间的拟合度高,拟合系数达0.998,具有较好的数据压缩效果。使用ATLD算法对待测样本进行分解后得到平均回收率为97.1％和98.9％,预测均方根误差为0.081 8和0.098 5 μg·L-1。三维荧光光谱结合BP神经网络和ATLD能够实现痕量PAHs的快速检测。     

基于迭代逼近算法的土壤中机油和柴油混合物荧光信号重叠特性研究（英文）

随着我国经济的迅速发展,石油制品需求量与日俱增,伴随着工农业生产活动,大量石油制品进入土壤,造成严重的土壤石油污染。土壤中的石油污染物会对植物生长产生危害,并通过食物链威胁人类健康,因此需对土壤中的石油污染物进行现场、快速检测。激光诱导荧光技术(Laser-Induced fluorescence, LIF)具有检测速度快、灵敏度高、可现场检测等优点,但在检测土壤中有机污染物时,面临着荧光光谱重叠严重等问题。为了研究土壤中机油和柴油混合物荧光信号的重叠特性,制备了10种含有不同浓度机油、柴油混合物的土壤样品。通过搭建LIF实验系统,获取不同混合浓度的机油和柴油的荧光光谱,对油类荧光光谱进行了最大值归一化处理,建立土壤中机油、柴油混合光谱的反演关系,以最小残差平方和为指标,使用迭代逼近算法计算出土壤荧光光谱中柴油和机油样品的荧光贡献率。分别使用了全谱法和截取特征光谱两种方法计算机油和柴油的荧光贡献率。全谱法是在混合油样的全波段光谱(200~600 nm)范围进行迭代逼近,截取特征光谱方法是在截取油样光谱(330~460 nm)段进行迭代逼近。(330~460 nm)范围内包含了混合油样的所有光谱特征。用计算出的机油的荧光贡献率与机油样品浓度做线性拟合时发现,截取特征光谱法的拟合系数R为0.989,优于全谱法的0.923。分别用全谱法、截取特征光谱法计算出的荧光贡献率以及归一化机油、柴油光谱合成混合油归一化光谱,与实际归一化混合光谱比较,截取特征光谱法计算的平均相对误差为3.38%,优于全谱的8.79%,其原因是全谱法比截取特征光谱法引入了更多的噪声信号,所以在计算油类荧光贡献率时产生了较大的误差。选取机油和柴油归一化光谱上300, 350, 400, 450和500 nm等5个位置的荧光强度与归一化混合油光谱做多元线性回归拟合,计算出平均相对误差为10.31%。结果表明截取特征光谱方法优于多元线性回归方法;土壤中机油和柴油的荧光贡献率与自身的浓度之间成良好的线性关系,说明在土壤中机油和柴油混合后各自的化学性质保持稳定,在土壤中的荧光信号重叠特性是线性叠加的。这种这种方法同样可以用于其他石油类混合物的解离。通过该研究提高了LIF技术在土壤中石油烃类污染物定性与定量检测的准确性。为土壤中石油烃现场快速检测提供了方法支撑。     

基于自加权交替三线性分解的荧光检测油类污染物

设计水中油类污染物检测仪,采用脉冲氙灯作为光源,选择阶跃型多模纯石英光纤对激发光和发射光进行传输。采用非对称Czemy-Turner光路的高精度光栅单色器。应用该装置测定柴油、汽油和煤油的荧光光谱,0#柴油、97#汽油和煤油的最佳激发波长/发射波长分别为：290/330,270/300和280/330 nm。检出限：柴油(0.025 mg·L-1)、汽油(0.042 mg·L-1)和煤油(0.054 mg·L-1)。相对误差：柴油(2.55%),汽油(2.06%)和煤油(1.71%),实验表明所设计的检测仪具有较高的测量精度。配置不同浓度的柴油、汽油和煤油的混合溶液,测量其三维荧光光谱,采用自加权交替三线性分解算法对光谱数据进行分解,预测浓度及回收率均表明自加权交替三线性分解算法对混合油类物质有较高的分辨能力。     

基于APTLD的猪肉中莱克多巴胺残留含量的三维同步荧光光谱快速测定

应用三维同步荧光光谱法结合交替惩罚三线性分解(APTLD)来建立猪肉中莱克多巴胺残留含量的定量测定模型,以实现猪肉中莱克多巴胺残留含量的快速测定。首先分析了莱克多巴胺的荧光光谱产生机理和样本的三维同步荧光光谱;其次对猪肉提取液中的莱克多巴胺荧光的浓度猝灭现象进行了分析;然后应用核一致诊断法确定了APTLD的三线性分解组分数为2,并建立了猪肉提取液中莱克多巴胺的相对荧光峰值强度与训练样本中莱克多巴胺的相对荧光峰值强度之间的标定曲线,用于待测样本中的相对荧光峰值强度的校正;最后,建立了基于APTLD的猪肉中莱克多巴胺残留含量的三维同步荧光光谱预测模型。试验结果表明,该方法可以较好的解决猪肉样本中莱克多巴胺与背景之间的同步荧光光谱严重重叠的问题,省去了一些烦琐的“化学分离”过程,模型预测集的决定系数(R2)和均方根误差(RMSEP)分别为0.986 3和0.496 6 mg·L-1,达到了猪肉中莱克多巴胺残留含量快速定量测定目的。     

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。