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。     

三维荧光结合AWRCQLD测量化妆品中三种添加剂

没食子酸(GA a),学名为3,4,5-三羟基苯甲酸(分子式为C 7H 6O 5),通常以水合物的形式存在,作为一种重要的有机原料,广泛的存在于植物中。有研究证明GA a具有抗氧化、抗炎、抗肿瘤、抗病毒、抗突变等多种作用。因此GA a常作为抗氧化剂添加于化妆品中。对羟基苯甲酸(p-HA),分子式为C 7H 6O 3,其中的R基为甲基、乙基、丙基、丁基或庚烷基时分别称为对羟基苯甲酸乙酯、对羟基苯甲酸丙酯、对羟基苯甲酸丁酯和对羟基苯甲酸庚酯。p-HA酯类的抗菌性强、毒性低、抑菌作用不受pH影响,因此常添加于化妆品及药物中用作防腐剂。间苯二酚(RE)又称1,3苯二酚或间二苯酚(分子式为C 6H 6O 2)。RE具有杀菌作用,可作为防腐剂添加于化妆品中。以没食子酸(GA a)、对羟基苯甲酸(p-HA)和间苯二酚(RE)三种化妆品常用添加剂为目标分析物,通过引入第四维—溶剂,构建四维荧光光谱数据,使用甲醇(光谱级)、乙醇(光谱级)、超纯水分别获得三组实验样本,三组样本的配置方法与加入药品量相同。使用FS920稳态荧光光谱仪对样本进行检测,设置激发波长为210~330 nm,间隔4 nm记录一个数据;发射波长为280~480 nm,间隔2 nm记录一个数据。初始发射波长总是滞后激发波长10 nm,由此可消除一级瑞利散射的干扰。随后使用空白扣除法对初始荧光数据进行预处理,去除了溶剂的拉曼散射。最后,采用核一致诊断法确定待测样本的组分数为3,使用交替加权残差约束四线性分解(alternating weighted residual constrained quadratic decomposition,AWRCQLD)算法对预处理后的三维荧光光谱数据进行分解。结果表明,AWRCQLD算法分解得到GA a、p-HA和RE的激发、发射光谱图与目标光谱几乎重叠,能实现光谱重叠严重的GA a、p-HA和RE的快速定性和定量分析。     

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。     

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。     

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。     

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。     

冷鲜猪肉的三维荧光光谱特征研究

利用三维荧光光谱技术,研究了冷鲜猪肉三维荧光光谱特征,主要探讨了不同温度存储条件下冷鲜猪肉荧光峰的位置和荧光峰所处区域内荧光强度平均值随存储时间变化的规律,并初步判断了荧光物质的种类,为实现基于三维荧光光谱技术快速、无损检测冷鲜猪肉新鲜度奠定了理论基础。实验结果表明,不同温度存储条件下样本的三维荧光光谱图中均含有2个明显的荧光峰（Peak A和Peak B）,它们所在位置的激发波长（λ_ex）/发射波长（λ_em）范围分别为：λ_ex/λ_em约为250～310 nm/300～400 nm和约为300～450 nm/400～550 nm。其中,Peak A为类蛋白荧光,Peak B为脂质氧化产物荧光。此外,实验还发现,两个荧光峰在各自所处区域内荧光强度的平均值随存储时间变化的趋势不受存储温度影响,均是Peak A在λ_ex/λ_em=250～310 nm/300～400 nm区域内荧光强度的平均值（I_A）逐渐下降,Peak B在λ_ex/λ_em=300～450 nm/400～550 nm区域内荧光强度的平均值（I_B）逐渐上升。但I_A和I_B的变化速率受存储温度影响,冷藏条件下比室温条件下变化慢。     

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。     

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。     

三维荧光光谱结合平行因子及神经网络对清香型白酒的年份鉴别

以某清香型白酒为研究对象,将三维荧光光谱技术与平行因子分析方法(parallel factor analysis,PARAFAC)、BP神经网络结合,建立清香型白酒年份鉴别模型。首先,利用FLS920全功能型荧光光谱仪测量获得不同年份白酒的三维荧光光谱数据,对激发发射三维矩阵进行三线性分解,得到四个主成分对应的浓度得分和激发-发射光谱轮廓图。将这4个浓度得分作为BP神经网络的输入,建立10,20和30年份白酒的鉴别模型。随机选取每个年份的10个样本,共30个样本组成测试集,剩余的90个白酒样本组成训练集建立训练模型。据此对未知样品进行预测,其预测正确率分别为90%,100%和100%。同时将该方法与多维偏最小二乘判别分析法(multi-way partial least squares discriminant analysis, NPLS-DA)进行了比较。研究结果表明：平行因子结合神经网络的判别模型具有更强的预测能力,该方法能够有效提取年份白酒的特征光谱信息,同时又降低了神经网络输入变量的维数,取得较好的鉴别效果。