基于三维荧光光谱结合小波压缩与APTLD对水中多环芳烃测定

基于三维荧光光谱结合小波压缩与交替惩罚三线性分解(APTLD)对水中多环芳烃(PAHs)进行定性和定量分析,实验以萘(NAP)、芴(FLU)、苊(ANA)为测量样品。首先用FS920荧光光谱仪测量获得样品的三维荧光光谱数据,对数据进行激发和发射校正且去散射,得到真实光谱。为了解决三维荧光光谱数据的冗余信息,通过小波变换对实验光谱数据进行压缩,其压缩分数和数据恢复分数分别大于92%和95%。用APTLD对压缩后的光谱数据进行分析,体现了二阶优势,实验结果表明,在PAHs的荧光光谱严重重叠和有干扰物共存下,该方法仍能准确地测定,其回收率为94%~98%、预测均方根误差小于0.29 μg·L-1。     

基于温度变量的四维荧光光谱的石油类污染物测定

三维荧光光谱结合多元校正分析对石油类污染物复杂多组分体系测定方法多谱图混叠,且易受到空白荧光和干扰物荧光影响降低了测定准确性。提出在三维荧光光谱中增加一维温度信息构造激发波长-发射波长-温度-样品（EEM-temperature data array）的四维荧光光谱数据阵列,应用四线性成分模型建立高维荧光光谱定性定量分析的方法。实验证明在15～25 ℃温度范围内,矿物油荧光光谱轮廓形状不随温度变化,而其强度随温度线性变化,满足四线性要求,这为构建四维荧光光谱发展高维数据的三阶校正提取更丰富的有效信息提供了可能。三阶校正不仅可以在干扰物共存的情况下对感兴趣组份进行定量测定,即具有“二阶优势”,还具有更高的选择性和灵敏性,可以对高共线性和背景干扰的重叠光谱表现更好的解析能力,即“三阶优势”。对0#柴油、97#汽油和机油为混合油待测组分,腐殖酸为水体干扰组分组成的复杂体系污染油样品为进行实验,得到的三维荧光光谱利用平行因子（PARAFAC）算法和交替惩罚三线性分解（APTLD）算法进行二阶校正分析,将三维荧光光谱在温度方向上堆叠构成增加温度维度的四维荧光光谱数阵,并将其利用四维平行因子算法（4-PARAFAC）和交替惩罚四线性分解（APQLD）算法进行三阶校正分析,比较,0#柴油、97#汽油和机油的预测结果表明增加了影响荧光光谱的温度因素构造的四维荧光光谱提高了有效信息提取能力,四维荧光光谱结合高阶校正算法能提高油种光谱识别和浓度精确检测,较传统的三维荧光光谱分析提高了回收率（recovery rate）和预测均方根误差（root mean square error of prediction,RMSEP）,有利于石油类污染物的有效,准确,实时,绿色环保检测。同时指出了4-PARAFAC和APQLD算法各自的特点及其不同适用环境,为油类污染物检测具体情况提供算法选择依据。引入温度参量的四维荧光光谱结合三阶校正算法的检测技术较三维荧光光谱技术,在组分光谱定性分辨和浓度定量检测方面能对复杂体系油类污染物实现快速有效,绿色无污染地检测,实现“数学分离”更有效代替“化学分离”。     

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。     

结合小波压缩和APTLD的三维荧光光谱技术在掺伪麻油鉴别中的应用

将三维荧光光谱技术、小波压缩和交替惩罚三线性分解算法(APTLD)结合,提出了一种鉴别掺伪芝麻油的新方法。利用荧光光谱仪测量纯芝麻油及掺伪芝麻油样本的三维荧光光谱,通过激发校正和发射校正消除仪器带来的误差,得到样本的真实三维荧光光谱数据;利用小波压缩对处理后的真实数据进行压缩,以减少冗余信息,其中压缩分数和数据恢复分数分别大于94.00%和98.00%;利用APTLD算法对压缩后的数据进行定性及定量分析,得到的回收率为97.0%～99.8%,预测方均根误差不大于0.120。研究结果表明,所提方法能够准确鉴别纯芝麻油及掺伪芝麻油样本,并对其组分含量进行预测。     

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。     

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。     

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。     

改进的FastICA-SVR结合荧光光谱技术测定1-萘酚、2-萘酚

水作为生命之源与人类的生存息息相关，近年来关于水环境污染的报道越来越多，不容忽视。实验以萘酚的两种同分异构体1-萘酚、2-萘酚的混合物作为研究对象，提出了一种新的算法，通过对混合物的三维荧光光谱进行分析来实现水中萘酚的定性定量分析。利用FS920稳态荧光光谱仪对配制的混合溶液进行扫描得到荧光光谱数据，并对数据进行一系列的预处理去除拉曼散射和瑞利散射的影响。将解决盲源分离(BSS)问题的独立成分分析(ICA)算法应用到荧光光谱定性定量分析问题当中，盲源分离技术就是将测量得到的混合信号作为处理对象进行分解，实现未知系统中源信号的求解，并得到混合矩阵。对混合物中单一物质的识别与测量与盲源分离问题类似。采用基于负熵最大的快速独立成分分析(FastICA)算法对实验数据进行分解，将所有样本的三维荧光光谱数据沿发射波长方向展开成为向量，得到一个大小为(N×M)的矩阵(N为样本数，M为波长数)，将该矩阵作为快速独立成分分析的输入进行独立分量提取，输出分别为单组分物质的展开荧光光谱和混合矩阵。FastICA算法的关键是利用牛顿迭代算法得到解混矩阵，但迭代过程中复杂的求导问题会使计算量增大、迭代速度减慢，针对该算法存在的问题，提出用差分法(又称为双点弦截法)代替求导的解决方法。为了验证算法的可行性，用改进后的算法和原有算法分别对荧光光谱数据进行了五次独立分量提取实验，原有算法平均运行时间为17.78 s，而改进后的算法平均运行时间为3.22 s，比原有算法提高了14.56 s，有效地减少了计算量，改善了FastICA算法的迭代速度并且使其收敛性更加稳定。通过实验结果可以看出改进后的算法得到的光谱更接近真实的光谱。利用快速独立成分分析算法分解得到的混合矩阵与物质浓度相关，这是物质定量分析的依据，但它们之间的关系可能是非线性的，采用能实现非线性拟合的支持向量回归机(SVR)进行回归预测，将混合矩阵和实际浓度矩阵分别作为SVR的输入和输出，利用遗传算法(GA)对支持向量回归机的参数进行优化选择，并选择径向基核函数(RBF函数)作为SVR的核函数，建立回归模型，实现对荧光光谱的定量分析。1-萘酚的拟合相关系数(r)为0.998 6，样品回收率(Recovery rate)为96.75%～104.2%，预测均方根误差(RMSEP)为0.119 μg·L-1；2-萘酚的拟合相关系数为0.998 8，样品回收率为96.8%～105.5%，预测均方根误差为0.1 μg·L-1，预测结果比较令人满意，符合预测要求。实验证明改进的基于负熵最大的FastICA-SVR算法能实现对混合物中1-萘酚、2-萘酚准确有效的识别和测量，并且改进之后加快了算法的分解速度。     

多波长消荧光拉曼光谱仪的研制及应用研究

拉曼光谱技术作为探究分子、晶体及其结构特征的有力手段,具有快速、无损、样品用量小、无需前处理且适应性强等优点,已被广泛应用于食品安全、石油化工等领域。但在拉曼光谱应用中,常常受到荧光背景干扰,导致拉曼信号降低,严重的情况下拉曼信号甚至会淹没在荧光背景中。为解决拉曼技术在实际应用中荧光背景干扰的问题,从仪器角度出发,采用二色镜对多波长拉曼光谱进行光路耦合设计,研制了近红外拉曼光谱与移频差分拉曼复合一体的多波长消荧光拉曼光谱检测系统,其中近红外拉曼光谱采用1 064 nm激光光源设计,移频差分拉曼光谱选取784.5和785.5 nm两组激光光源进行时分复用,在移频差分拉曼光谱检测的同时,亦可获得两组单波长拉曼光谱数据。通过对比同步测试和分时逐次测试的强度及峰位稳定性,验证了多波长消荧光拉曼光谱仪的同步测试性能;选取了多种荧光背景强弱不同的样品,进行了单波长拉曼、近红外拉曼及移频差分拉曼光谱的对比分析。针对丙酮、乙腈等荧光背景较弱的样品,可采用单波长拉曼光谱对样品进行定量及定性分析;针对食用油、红色塑胶微粒等荧光背景与拉曼信号强度相当的样品,可采用近红外拉曼光谱对样品进行定量及定性分析;针对红酒、棕色塑胶微粒等荧光背景较强的样品,需结合近红外拉曼光谱和差分拉曼光谱对样品进行定性分析。研究表明：通过多波长消荧光拉曼光谱检测系统的研制,在常规单波长拉曼光谱技术的基础上,将两种抑制荧光干扰技术有机结合,有效扩充了应用领域及样品检测范围。