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。     

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”。     

三维荧光光谱结合四线性分解算法测定化妆品中的酚酸类物质

化妆品中的酚酸类物质,有的作为有效成分而添加,如:具有修复皮肤功效的咖啡酸、能够抗炎抗过敏的没食子酸等;有的作为防腐剂而添加,如:对羟基苯甲酸、山梨酸等;有的则属于禁用物质,被不良商家违法添加,如:对苯二酚、间苯二酚等。为监控化妆品质量,对化妆品中酚酸类物质的检测显得尤为重要。许多研究人员也为此做了相关工作,以色谱法为主的先分离后分析的方法取得了一定的成功,但是费时、费料、操作复杂等缺点也十分明显;三维荧光光谱技术具有较高的灵敏度,但是荧光干扰和光谱重叠对检测有较大的影响,针对复杂的化妆品样本往往无法得到理想的效果。为实现化妆品中酚酸类物质的同时定性定量检测,文章将三维荧光光谱技术与化学计量学的四维校正(也称三阶校正)相结合,在保证高灵敏度的情况下,克服未知干扰和数据共线性的影响。首先,在咖啡酸(caffeic acid, CA)、对羟基苯甲酸(p-hydroxybenzoic acid, p-HA)、对苯二酚(hydroquinone, HQ)的线性范围内选取合适的浓度,分别在7.00, 7.30, 7.50和7.80四种pH值下配制校正样、验证样和化妆品样,这样就得到了激发-发射-pH-样本(EX-EM-pH-Sample)四维数据阵。其次,为验证pH值对荧光强度的影响,选取320 nm作为激发波长,得到咖啡酸在四种pH值下的发射波长,发现咖啡酸的荧光强度随着pH值的增加而升高,表明引入pH值作为第四维的合理性。最后,选择合适的组分数将四维数据阵用交替惩罚四线性分解算法(alternating penalty quadrilinear decomposition, APQLD)进行分解和预测,将分解的光谱与实际光谱比较,将预测的浓度与实际浓度比较。实验结果显示无论是验证样还是化妆品样,分解光谱均能与实际光谱相吻合,验证样的平均回收率(AR)为100.4%～103.5%,预测均方根误差(RMSEP)低于0.06;化妆品样平均回收率(AR)为100.0%～102.2%,预测均方根误差(RMSEP)低于0.08。与色谱法研究相比回收率高出大约4%,且操作简便省时省力,灵敏度高;与二阶校正方法相比,都可以实现在未知干扰下对复杂化妆水体系中多个组分的同时分析,以"数学分离"代替"物理化学分离",快速、高效、经济、环保;且三阶校正可以克服一定的数据共线性问题,在一定程度上提高了灵敏度。     

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。     

基于tri-PLS模型的油类混合物三维荧光光谱及其成分的研究

提出了一种光谱重叠的多种矿物油混合物组分含量测定的新方法。将偏最小二乘方法(PLS)推广至三维扩展(tri-PLS),不需要解决特征值问题。利用该方法对柴油、汽油和煤油混合物的三维荧光光谱进行研究,根据样本序列、激发波长、发射波长构造出三维数据矩阵,结合浓度矩阵应用tri-PLS法建立校正模型,对实验样本进行预测,实验结果表明tri-PLS方法的建模精度比常用的平行因子法优越。     

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。     

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。     

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。     

桂花酒中山梨酸钾拉曼表面增强预测模型在其他果酒中的传递

自行搭建的拉曼光谱点扫描系统,以柠檬酸钠还原法配制的SC银溶胶为表面增强剂,建立了桂花酒中山梨酸钾的定量预测模型,模型校正集决定系数(R2_C)和均方根误差(RMSEC)分别为0.978 9和0.070 3 g·kg-1,验证集决定系数(R2_P)和均方根误差(RMSEP)分别为0.934和0.165 7 g·kg-1。桂花酒中山梨酸钾的定量预测模型为主光谱模型,结合K/S算法,探讨了基于DS算法和PDS算法将桂花酒主光谱模型向杨梅酒的修正传递方法。结果显示,用K/S算法选取4个杨梅酒样品,基于DS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.906 1和0.215 0 g·kg-1。K/S算法选取3个杨梅酒样品(窗口宽度为5),基于PDS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.905 5和0.225 0 g·kg-1。DS算法和PDS算法均可以用少量样品将桂花酒中山梨酸钾的主光谱预测模型有效传递给杨梅酒,实现了一种被测物预测模型在同类物种间的传递,具有重要实用意义。     

应用荧光相关光谱测定L-色氨酸的浓度

应用FLS920P型荧光光谱仪对L-色氨酸溶液进行三维荧光光谱检测,从中发现：L-色氨酸的特征荧光峰位于270/350 nm。设定发射波长为350 nm,测量激发谱。由测量结果发现在250~260 nm区间,谱线斜率较大、线性度好。因此选取250,255和260 nm三个激发波长,在每个激发波长下分别测量相应的荧光发射谱。基于三条不同的荧光发射谱,构建以激发波长为外扰变量的自相关光谱;而以浓度为外扰变量的自相关光谱,是以超纯水在不同激发波长的平均谱作为参考光谱,通过参考光谱与样本平均谱的相关计算得到。在此基础上,将相关光谱数据分别与偏最小二乘回归(PLSR)和径向基神经网络(RBFNN)相结合,建立溶液中L-色氨酸含量的预测模型,研究结果表明：采用浓度为外扰变量构造的荧光相关光谱信噪比较高,建模的预测效果要好;而在外扰变量相同时,基于径向基神经网络建立的预测模型比基于偏最小二乘回归建立的预测模型对溶液中L-色氨酸浓度的预测结果更为准确。其中,以浓度为外扰变量时的径向基神经网络预测模型准确度最高,该模型的预测相关系数为99.91%,预测均方根误差为0.033 μg·mL-1。研究结果表明,使用该方法能够对溶液中的物质含量进行准确测定,可为食品安全监管提供帮助。     

基于二维相关荧光谱土壤中PAHs检测方法研究

传统荧光光谱技术已被用于土壤中多环芳烃(PAHs)的检测,但由于土壤体系的复杂性、PAHs污染物的多样化和微量化,传统的荧光光谱技术无法有效提取土壤中PAHs的特征信息。为了解决上述问题,提出并建立一种基于二维相关荧光谱土壤中多环芳烃的检测方法。以土壤中典型的多环芳烃蒽和菲为研究对象,配置38个蒽菲混合标准土壤样品(蒽和菲的浓度范围均为0.000 5～0.01 g·g-1),在激发波长265～340 nm,发射波长350～500 nm范围内采集了所有样品的三维荧光谱。以激发波长为外扰,对外扰变化的动态一维荧光谱进行相关计算,得到每一样品的同步二维相关荧光谱。研究了浓度均为0.005 g·g-1蒽菲混合土壤样品的三维荧光谱和同步二维相关荧光谱特性,在同步谱主对角线398,419,444和484 nm处存在自相关峰,其中,398和484 nm荧光峰来自土壤中的菲,419和444 nm荧光峰来自土壤中的蒽;在主对角线外侧,蒽和菲两组荧光峰之间存在负的交叉峰,进一步验证了其来源不同;同时,在(408,434) nm和(434,467) nm处出现交叉峰,其中408和434 nm荧光峰来自土壤中的菲,467 nm荧光峰来自土壤中的蒽。指出与三维荧光谱表征的信息相比,二维相关荧光谱不仅能提取更多的特征信息(408和467 nm的特征峰在三维荧光谱中未被表征),而且还能提供荧光峰之间的相互关系,对其来源进行有效解析。在上述研究二维相关荧光谱特性的基础上,基于同步相关谱矩阵(38×151×151)建立了定量分析土壤中蒽和菲污染物浓度的多维偏最小二乘(N-PLS)模型,对蒽的校正和预测相关系数分别为0.986和0.985,校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为4.33×10-4和5.55×10-4 g·g-1;对菲的校正和预测相关系数分别为0.981和0.984,RMSEC和RMSEP分别为5.20×10-4和4.80×10-4 g·g-1。为了比较,基于三维荧光光谱矩阵(38×16×151)建立了定量了分析土壤中蒽和菲的N-PLS模型,对蒽的校正和预测相关系数分别为0.981和0.972,RMSEC和RMSEP分别为5.09×10-4和6.74×10-4 g·g-1;对菲的校正和预测相关系数分别为0.957和0.956,RMSEC和RMSEP分别为7.36×10-4和7.77×10-4 g·g-1。指出,对于土壤中的蒽和菲检测,基于二维相关荧光谱的N-PLS模型的相关系数r,RMSEC和RMSEP都要优于基于三维荧光谱的N-PLS模型。研究结果表明：所提出和建立的方法-二维相关荧光谱直接检测土壤中PAHs污染物不仅可行,而且能提供更好的分析结果。该研究为激光诱导荧光结合相关谱技术现场直接检测土壤中多环芳烃污染物提供了理论和实验基础,具有较好的应用前景。     

基于荧光多光谱融合的水质化学需氧量的检测

为了对水中的有机污染物进行绿色、快速、准确的检测,提出了一种基于荧光多光谱融合的水质化学需氧量(Chemical Oxygen Demand, COD)的检测方法。实验样本为包含近岸海水和地表水在内的实际水样53份,采用标准化学方法获取样本的化学需氧量的理化值,利用荧光分光光度计采集样本的三维荧光光谱并对光谱数据进行处理和建模。在200～300 nm(间隔5 nm)的激发波长范围内将三维光谱展开成二维的发射光谱(发射波长范围250～500 nm,间隔2 nm)。采用ACO-iPLS(蚁群-区间偏最小二乘)算法提取发射光谱特征,PSO-LSSVM(粒子群优化的最小二乘支持向量机)算法建立预测模型,分别建立了单激发波长下的荧光发射光谱数据预测模型、多激发波长下发射光谱的数据级融合(LLDF)预测模型以及多激发波长下发射光谱的特征级融合(MLDF)预测模型,通过对预测效果的对比,得出结论。实验结果表明,对于不同激发波长下荧光发射光谱数据而言,265 nm激发光作用下的发射谱数据的预测模型最优,其检验集决定系数R2_P和外部检验均方根误差RMSEP分别为0.990 1和1.198 6 mg·L-1;对于荧光多光谱数据级融合模型(简写为：LLDF-PSO-LSSVM)而言,在235,265和290 nm激发光作用下的发射光谱的LLDF模型效果最优,其检验集的R2_ｐ和RMSEP分别为0.992 2和1.055 1 mg·L-1;对于荧光多光谱特征级融合模型(MLDF-PSO-LSSVM)而言,在265,290和305 nm激发光作用下的荧光发射光谱的MLDF模型效果最优,其R2_p=0.998 2,RMSEP=0.534 2 mg·L-1。综合比较各类建模结果可知,MLDF-PSO-LSSVM的模型效果最优,说明基于荧光发射光谱数据,采用多光谱特征级融合模型检测水质COD时,检测的精度更高,预测效果更好。     

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。