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。     

三维荧光光谱法测定水中氯苯的研究

对三维荧光光谱法测定水中氯苯(简称CB)进行了研究.研究表明,CB的三维荧光谱图只有一个荧光峰,该峰位于激发波长(λex)210～240 nm、发射波长(λem)330～370 nm范围内.当CB溶液浓度为0.002～0.05 mg·L-1时,λex/λem为225/340 nm处荧光强度最大.在此波长处,荧光强度与浓度呈很好的线性相关,相关系数为0.999 67,表明三维荧光光谱法可用于定量分析水中的CB.该方法在置信水平为90%时的检出限为3.68×10-6mg·L-1,标准偏差为0.04%.     

三维荧光光谱结合GA-SVM对多环芳烃的分类鉴别

多环芳烃(PAHs)作为一种芳香族化合物,普遍存在于人们的生产生活中,它具有强烈的致癌性,威胁着人们的生命和健康。所以,对多环芳烃实施简洁、高效、精确的检测方法很有必要。根据常见的多环芳烃类型,选取多环芳烃萘(NAP)、芴(FLU)、苊(ANA)的固体粉末状物质作为实验样本。取NAP, FLU和ANA粉末各1 g溶于少量的甲醇(光谱级)溶液,然后转移到100 mL的去离子水溶液中,配置PAHs标准溶液。采用FS920荧光光谱仪,实验中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10 nm。以标准溶液为基准,获取ANA, NAP和FLU单质的水溶液的荧光光谱图。在标准溶液的基础上,配置0.1 mg·mL~(-1)的单质水溶液,然后将ANA与NAP, FLU分别取不同的体积相互混合形成两种混合溶液,各自形成16种不同浓度比例的混合溶液,再取不同体积的三种溶液相互混合,摇匀震荡,最后一共形成48种不同体积比例的混合溶液。最后将实验数据输入Matlab中得到苊萘、苊芴、苊芴萘混合溶液的荧光光谱,发现混合溶液的激发波长在260～320 nm、发射波长300～380 nm波长范围内,最佳发射波长的位置相似,荧光峰对应的激发波长有大部分重叠。针对荧光光谱不能直接辨别混合物的种类的不足,将基于遗传算法(GA)优化的支持向量机(SVM)应用于多环芳烃混合物种类的检测中,将数据随机打乱,并且将遗传算法的终止进化代数设为200、训练数据和预测数据分别为36个和12个,得到训练结果的准确率为95.42%。将实验结果对比分析普通支持向量机和BP神经网络,结果表明,基于遗传算法优化的支持向量机分类误差较小,能比较准确的分辨混合物的种类。     

同步荧光光谱法测定水中痕量萘和菲

同步荧光法具有选择性好、灵敏度高、干扰少等特点,可用于多组分多环芳烃混合物的同时测定,本文建立了恒定波长同步荧光光谱法同时测定水中萘和菲的新方法。研究了萘和菲在不同溶剂中的荧光光谱特性,确定了同步荧光的最优波长差。当Δλ=100 nm,萘和菲激发波长(λ_ex)分别为220.2和248.8 nm时,在0.5～25.0 μg·L-1浓度范围内,荧光强度与浓度呈现良好的线性关系,相关系数分别为0.999 5和0.999 7;萘和菲检出限均低于0.03 μg·L-1,回收率在98.0%～101.5%。该方法方便快捷,预处理简单,可用于水中萘、菲的快速测定。     

花生中黄酮的荧光分光光度法测定

研究了花生中黄酮的荧光分光光度法测定条件,用芦丁为标准样品,在荧光激发波长λex=265nm,发射波长λem=331nm处测定了花生中黄酮的含量,回归方程为y=5.0775x＋46.716,相关系数r=0.9994,精密度（RSD）为0.28%（n=5）,加标回收率为93.75%—115.00%,该方法用于测定花生中黄酮的含量结果准确。     

荧光光谱法测定大鼠组织中辣椒碱的浓度

在激发波长λex=283nm,发射波长λem=320nm下,采用荧光光谱法测定大鼠的几种组织中辣椒碱的浓度.辣椒碱的荧光值基本不受各组织的影响;线性范围为0.01-0.8μg/mL,检出限为5ng/mL;平均回收率均大于90%,RSD均小于7%.该方法快速、简便,适用于辣椒碱的体内研究.     

含萘荧光单体和聚合物的紫外和荧光分析

分别用紫外分光光度法和荧光光谱法对含萘荧光单体2-(甲基丙烯酰氧)-N,N-二甲基-N-(1-萘甲基)乙基氯化铵和相应的聚合物进行检测。在λmax=222nm下测定不同浓度的含萘荧光单体和聚合物的吸光度,线性相关系数均为0.9995。同时在λex=222nm和λem=332nm条件下研究两者的荧光光谱,样品浓度与荧光强度成良好线性关系,相关系数可达0.9998。对比两种分析方法表明,两者的荧光测定检出限相对较低,操作简单快捷,准确性和可行性高,可很好地监测水处理剂中聚合物的含量,从而实现水处理系统在线检测和自动控制。     

荧光分光光度法定量分析OP乳化剂

通过对OP(聚乙二醇辛基苯基醚)乳化剂的荧光光谱研究,发现其在304nm处产生较强的荧光.在pH 5.5的B-R缓冲溶液中,OP乳化剂的荧光强度与其浓度在一定范围内呈良好的线性关系,据此建立了一种新的高灵敏度的测定方法.在0.1-50.0μg/mL的浓度范围内,测定波长λex/λem=226nm/304nm的回归方程为:F=22.12C+9.825(C:μg/mL,r=0.9995),检出限为0.068μg/mL;测定波长λex/λem=276nm/304nm的回归方程为:F=90.08C-10.12 (C:μg/mL,r=0.9999),检出限为0.053μg/mL.采用此两组测定波长对同组样品进行测定,样品回收率均在96.5％以上,对测定结果进行F检验和t检验分析,得出两组数据之间无显著性差异.方法灵敏度高,抗干扰能力较强,可用于测定较复杂环境样品中微量OP乳化剂含量.     

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。     

荧光分光光度法测定红丝线提取物中的紫蓝素

建立了荧光分光光度法测定红丝线提取物中紫蓝素含量的方法.在pH值为8.0的条件下,荧光激发波长λex=590nm,发射波长λem=625nm处测定样品中紫蓝素的含量.回归方程为y=515.81x+59.496,相关性系数r=0.9996,精密度(RSD)为0.46％(n=7),加标回收率为95.0％-99.4％.该方法用于测定红丝线提取物中紫蓝素的含量结果准确.     

荧光光谱法和ABC-RBF神经网络在多环芳烃浓度检测中的应用

多环芳烃(polycyclic aromatic hydrocarbon,PAHs)具有强致癌性,极大威胁着人类身体健康。因此,寻找一种高效、精确的多环芳烃浓度检测方法十分必要。采用FS920荧光光谱仪分析了苯并(k)荧蒽(BkF)、苯并(b)荧蒽(BbF)、苯并(a)芘(BaP)混合溶液的荧光光谱特性。发现在激发波长260~400 nm、发射波长300~500 nm范围内,混合溶液的荧光光谱重叠严重。当混合物浓度配比不同时,荧光特性也存在很大差异。针对光谱图不能直接反映混合物各组分浓度的特点,将人工蜂群(ABC)算法优化的径向基函数(RBF)神经网络应用于浓度检测中,对比分析普通RBF和ABC-RBF神经网络模型。结果表明,ABC-RBF神经网络模型预测误差相对较小,训练到95次时,均方差精度达到10~(-3)。BkF、BbF和BaP的回收率平均值分别为99.20%、99.12%和99.23%,证明此网络适用于检测多环芳烃溶液,为检测多环芳烃浓度提供了一种快速、有效的新方法。     

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。     

菲的三维荧光光谱特性研究

多环芳烃(简称PAHs)具有高荧光量子产率,利用三维荧光光谱研究了PAHs中菲的荧光光谱特性.菲具有两个荧光峰.通过对菲的三维荧光光谱的分析,选择在激发波长255 nm、发射波长370 nm对菲进行定量分析.菲溶液在5.0～250.0 ng·mL-1的范围内工作曲线呈线性关系,检出限为3.88 ng·mL-1,相对标准偏差为4.23%(n=5),实验还尝试了对自来水样品的测定,测试效果良好,回收率为90.0%～105.4%.该研究为快速检测水源水中痕量PAHs提供了方法基础.     

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。     

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。     

基于3D荧光光谱分析和多维偏最小二乘的PAHs浓度优化检测

多环芳烃(PAHs)具有强致癌性,威胁人类身体健康。在复杂水质检测环境中,利用荧光光谱检测PAHs浓度时,由于测量光谱中存在瑞利散射影响,使得PAHs光谱信号包含明显的非平稳噪声,常用的多次采样求均值法容易使PAHs光谱存在明显的测量误差,导致PAHs检测精度下降。为此,提出了一种基于3D荧光光谱分析和多维偏最小二乘(N-PLS)的PAHs浓度优化检测方法,首先分析了菲、芴、苊与荧蒽4种PAHs溶液的光谱特性,通过拟合散射带数据点值消除光谱中的瑞利散射噪声,同时尽可能地保留原光谱信息。提取4种PAHs光谱的均值、方差和一维边际分布等特征参数,利用聚类分析方法对其光谱数据做样本分类,将相似光谱数据样本进行合并;然后根据校正集的光谱信号与不同PAHs浓度之间的关系,建立N-PLS模型,对各类PAHs的浓度进行预测分析,并且验证PAHs浓度与光谱数据荧光强度的关系;最后利用双线性分解对浓度残差进行修正,对含有各类PAHs的水溶液与实际水样进行浓度残差验证,分析了不同参数下PAHs的预测误差。实验结果表明,溶剂菲有2个明显的荧光峰值,激发与发射波长分别为285/245和315/345 nm;芴与荧蒽均存在6个明显的荧光特征峰值,分别为265/255,325/345,335/325,365/355,385/395和405/415 nm,且与其他PAHs的荧光峰值相距较远; 溶液苊在发射波长300~485 nm的范围内存在连续波峰,且对应激发波长在255~360 nm范围内;N-PLS方法对不同水质环境下的PAHs预测误差较小,其中菲与芴均方根误差均小于0.4 μg·L-1,相对误差小于6%,苊与荧蒽均方根误差均小于1.0 μg·L-1,相对误差均小于9%。对4种不同的PAHs在河流中的扩散趋势进行了仿真分析,确定出了其扩散程度,其中芴与菲扩散速率约为51 mg·L-1,苊与荧蒽扩散速率为21 mg·L-1,且扩散速率在一定范围内呈线性增长趋势,PAHs与其浓度之间符合朗伯比尔定律的线性关系; 通过不同迭代次数下N-PLS方法的均方根误差分析,得到了均方根误差精度最高时的迭代次数;对比了不同主因子数时N-PLS方法对PAHs预测的适应度与相关系数,结果表明当主因子数为3时,适应度可达96.5%,此时N-PLS预测模型效果最佳。相比其他检测方法,本文方法检测精度较高,回收率较好,具有较强的鲁棒性。     

荧光光谱及平行因子分析法在植物油鉴别中的应用

利用FS920荧光光谱仪测量市售的八种植物油(大豆油、玉米油、橄榄油、稻米油、花生油、核桃油、葵花籽油和芝麻油)共22个样品的荧光光谱,并对其数据矩阵(EEMs)进行平行因子分析,结合荧光谱分析的直观物质表征和平行因子法对灰色体系的组分识别优势,实现了植物油的种类区分与鉴别。综合分析植物油在特定范围内(激发波长为250～550 nm,发射波长为260～750 nm)的三维荧光光谱和等高线光谱图,给出了各植物油峰位、峰数和峰强等特征信息,确定了植物油各荧光谱峰相应的荧光物质(不饱和脂肪酸类、维生素E及其衍生物、叶绿素及类胡萝卜素);将平行因子模型应用于植物油光谱数据矩阵的分析,确定了平行因子分析模型的因子数及各因子的物质基础(维生素E及其衍生物、亚油酸和亚麻酸、脂肪酸氧化产物、植物油氧化产物)。建立了植物油的4因子激发-发射光谱轮廓图和样品因子投影得分图。通过对植物油荧光光谱的图谱特征和其数据阵平行因子模型的分析,证实荧光光谱技术和平行因子分析法对植物油进行分析和种类鉴别的有效性。     

水体多环芳烃组分识别小样本分析方法研究

多环芳烃(PAHs)是一类在自然环境中常见且广泛存在的有毒有害有机物。其主要来源有自然界的各种微生物以及植物的生物合成，富含植被区域的天然火灾，火山的喷发物，化石燃料以及人为工业碳氢化合物的不完全燃烧和运输过程中的石油泄漏等。多环芳烃的毒性较为强烈，具有生物致癌性，遗产毒性和致突变性。它对于人体呼吸系统，循环系统，神经系统有着多方面的危害，是一种重要的有机污染物，因此有必要对多环芳烃的现场监测和分析方法进行研究。目前对于多环芳烃的分析方法主要有化学分析法和光谱分析法。化学分析法包含有前处理的化学滴定法，液相色谱法(LC)，高效液相色谱法(HPLC)，气相色谱质谱法（GC-MS）；光谱学分析法涉及紫外吸收光谱，荧光光谱和三维荧光光谱等。三维荧光光谱同时获得激发波长和发射波长的信息，因而包含的光学信息十分丰富，灵敏度高，光谱特征显著，在实际水体的现场检测和水体样本混合组分的快速研究有明显的优势。常见的三维荧光光谱解析方法有平行因子分析法(PARAFAC)，多维偏最小二乘法(N-PLS)等。平行因子分析是分析多环芳烃重叠三维荧光光谱的一种有效方法。但有时由于多种组分的荧光较弱，它对三维荧光光谱的欠定分析并不能得到令人满意的结果。为了从两个样品中提取更多的成分，提出一种基于奇异值分解(SVD)和PARAFAC的方法。首先对每个观测样本进行奇异值分解，根据累积贡献率选取合适的奇异值，构造新的伪样本来突出微弱的荧光信号。然后，将两个观测样品及其对应的伪样品输入PARAFAC，恢复组分光谱。为验证所提方法的有效性，对三组不同荧光强度的多环芳烃重叠三维荧光光谱进行了分析。结果表明，从两个混合样品中提取并识别出6个多环芳烃的纯组分光谱，其分辨发射和激发光谱与标准光谱的相似性均在0.80以上。     

乙醚溶液荧光光谱特性及其机理研究

研究了低浓度乙醚水溶液在紫外光激励下的荧光光谱,以及其荧光特性随激发光波长和乙醚溶液浓度改变的变化规律,并对其产生机理和谱线特性进行了分析和探讨。结果显示,乙醚溶液在306 nm附近出现明显的荧光峰,其最佳激励波长为245 nm,且在292 nm处还有次峰出现。激发光波长改变时,相应的荧光峰值位置基本不变,且荧光峰的强度随激发光波长的变化呈高斯分布。荧光次峰和主峰的强度产生竞争。随浓度增加,306 nm处的荧光强度线性增强,当增至7%后,发生浓度猝灭,强度线性减弱。研究结果将为检测有毒、麻醉物质——乙醚的浓度及纯度等提供参考。