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。     

荧光光谱法检测水质COD时温度、浊度、pH的影响分析

以COD标准液为研究对象,基于特定激发波长下的荧光发射光谱数据,采用化学计量学算法对水质COD进行了检测,分析了水的温度、浊度和pH的变化对发射光谱的影响,并对相关参数的影响进行了补偿校正。在此基础上建立了多参量共同作用时对水质COD预测模型的补偿校正方法。首先采用荧光光谱法对浓度范围为1～55 mg·L-1水质化学需氧量(COD)标准溶液进行三维荧光光谱的采集,去除散射峰以后采用基于蚁群算法优化的偏最小二乘法(ACO-iPLS)对不同激发波长(Ex=255～285 nm,间隔为5 nm)下的荧光发射光谱(Em=275～450nm)数据进行特征提取并采用基于粒子群优化的最小二乘支持向量机算法(PSO-LSSVM)进行预测模型的建立。结果表明,不同激发波长下的荧光发射光谱数据模型的检验集决定系数R2_p在0.961 8～0.998 1范围内,当采用波长为Ex=270 nm的激发光作用时所激发出的荧光发射光谱数据所建模型的效果最优,其检验集决定系数R2_p=0.998 1,预测均方根误差RMSEP=0.348 3 mg·L-1。其次,对温度、浊度、pH对荧光光谱法检测水质COD的影响进行了分析,并给出了相应的补偿模型。结果表明,温度和浊度在检测水质COD时对荧光光谱的影响不可忽略,但通过建立补偿模型可以对其影响进行有效的补偿校正,温度补偿后荧光数据模型的整体平均偏差Bias=0.130 6 mg·L-1,经浊度补偿后可以很好的校正浊度变化对荧光光谱法检测水质COD的影响,而pH范围在4～12.3内变化时对荧光光谱的影响相对较小,因此可忽略。最后,结合单一影响因素的分析结果,对荧光光谱法检测水质COD时水体的多种环境因素(温度、浊度、pH)共同作用的影响进行了分析。实验结果表明,忽略pH影响后,可以采用对温度和浊度同时补偿的方法对二者的影响进行有效的校正。该结果可为水质参数光学传感器在调试过程中抑制环境因素的影响提供参考。     

三种酚类化合物的三维荧光光谱特性研究

三维荧光光谱技术通过在不同激发波长下扫描发射光谱获得荧光强度变化信息,由于其灵敏度高,选择性好,被广泛用于环境中污染物的监测。利用该方法研究3种酚类化合物的荧光光谱特性,在激发波长为240～360 nm,发射波长为260～500 nm范围内,确定了苯酚、间甲酚和麝香草酚的荧光峰位置分别为272/300,274/300和276/304 nm。由于3种酚类物质为同系物,结构相似,因此得到的激发光谱和发射光谱在形状上极为相似。工作液浓度在0.02～1.0 mg·L-1范围内,3种酚类物质的浓度与荧光强度之间均呈现较好的线性关系,且检出限达到1 μg·L-1。实验结果表明,用三维荧光光谱法可对3种酚类化合物进行定性和定量分析。     

吲哚、3-甲基吲哚和L-色氨酸的荧光量子产率和荧光寿命

近年来，三维荧光技术已经成为常用的化学分析技术，但有些结构相近的荧光有机物的三维荧光光谱十分相似，可能导致分析结果错误。因此，如何精准区分具有相似三维荧光光谱的有机物是十分重要且亟待解决的问题。荧光量子产率和荧光寿命是荧光有机物两个重要的光学参数，对于分子结构的差异更灵敏。对吲哚、 3-甲基吲哚和L-色氨酸的三维荧光光谱、荧光量子产率和荧光寿命进行了研究。结果表明，它们的三维荧光光谱都出现两个荧光峰，且荧光峰位置十分接近。吲哚和L-色氨酸的荧光峰大致位于[激发波长，发射波长]=[275, 340～350]和[220, 340～350] nm附近，3-甲基吲哚的荧光峰位于[激发波长，发射波长]=[280, 365]和[225, 365] nm附近。在相同浓度下，三种有机物在激发波长为275～280 nm处的最高荧光强度依次为：吲哚>3-甲基吲哚>L-色氨酸。利用绝对量子产率测量技术测得吲哚、 3-甲基吲哚和L-色氨酸的荧光量子产率分别约为0.264、 0.347和0.145;利用时间相关单光子计数技术测得吲哚、 3-甲基吲哚和L-色氨酸的荧光寿命分别约为4.149、 7.89...     

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。     

基于荧光发射光谱的水质化学需氧量的检测

采用光谱技术检测水质参数是当前的一个研究热点,提出了一种基于荧光发射光谱的水质化学需氧量(COD)的检测方法。实验样本分为两组,第一组为20份COD标准溶液,第二组为63份实际水样。实验样本的化学需氧量检测采用快速消解分光光度法,利用三维荧光分光光度计采集水样在EX=275 nm激发波长下的荧光发射光谱(荧光发射光谱范围为EM=325～450 nm),并对两类水样的荧光发射光谱数据进行了处理和建模。分别采用主成分回归(PCR)和偏最小二乘回归(PLSR)对两类水样的荧光发射光谱数据进行了预测模型的建立,并对模型效果进行了对比。为验证该方法的可行性和模型的预测能力,将所建PLSR模型预测结果与标准方法的检测结果进行了对比。结果表明,对于COD标准液来说, PLSR和PCR的主成分数分别取5和8时所得的模型的交叉检验效果最优,校正模型的决定系数分别为R■=0.999 9和R■=0.989 7,校正模型对检验集数据的预测误差不超过10%,且PLSR所建模型优于PCR模型。对于实际水样而言, PLSR和PCR的主成分数分别为6和7时,校正模型的交叉验证效果最优。PLSR法和PCR法的校正集的交叉检验均方差RMSECV_(PLS)和RMSECV_(PCR)分别为0.932 2和0.976 4 mg·L~(-1)。对于实际水样的检验集来说, PLSR法和PCR法的预测决定系数R■和R■分别为0.940 2和0.919 0,说明PLSR法的预测效果更优,基于荧光发射光谱数据的PLSR模型具有较高的预测能力和较强的适应性,可以快速、准确的检测出水质COD。通过和传统检测方法的效果对比可知,该方法可用于检测有机污染物浓度较低的水体,有机物浓度较高时采用该方法时检测误差会变大。该研究为水质检测光学传感器的研发提供了一种新的设计思路。     

掺Eu3+硅基材料的发光性质

通过溶胶－凝胶技术制备了掺Eu^3 的硅基材料并测试了其三维荧光光谱、激光谱和发射光谱，结果显示，最佳激发波波长为350nm,最强荧光波长为620nm；在350nm光激发下的发射光谱显示Eu^3 的特征发射光谱，产生4条谱带，分别是577nm(^5D0-^7F0)，588nm(^5D0-^7F1),596nm(^5D0-^7F1)和610nm(^5D0-^7F2)。     

好氧处理后城市污水荧光指纹的变化

传统有机物参数如COD和BOD等只能表示总量,无法展示有机物成分。荧光光谱可以展现有机物组成,如同指纹与水样一一对应,被称为水质荧光指纹。该文研究了以生活污水为主的城市污水三维荧光光谱在典型活性污泥法处理前后的变化,识别出该类污水荧光指纹中可生物降解和难降解有机物的分布区域:城市污水的激发波长/发射波长=280/340nm与225/340nm附近的荧光主要由可生物降解的物质产生,而激发波长大于300nm和激发波长小于300nm且发射波长大于400nm的两个区域的荧光主要由难降解物质产生。结果表明荧光指纹可以检测污水处理工程的运行效果并指导反应器设计和运行。     

光系统Ⅱ荧光特性快速扫描成象光谱技术研究

本文以菠菜(Spinica oleracea L.)叶绿体中的PS颗粒复合物、CP47、CP43和LHC为材料,对其结构和功能关系进行了分析,用扫描成象光谱技术对这四种样品的光谱特性进行了研究,并通过对其荧光发射光谱图象的处理,得到它们的荧光发射光谱曲线.分析结果表明,PS颗粒复合物的荧光发射光谱中心波长在680.1nm,波段的范围较宽;CP43荧光光谱的中心波长位于680nm,并在近红外区观察到振动小峰;CP47荧光光谱的中心波长在691.3nm处;CP47和CP43在短波长区640nm和长波长区720nm附近分别出现肩峰,推测可能是样品中游离的叶绿素a和叶绿素b分子引起;LCH荧光发射光谱的峰值位于678nm,光谱范围为576nm～780nm.     

基于三维荧光光谱法和PARAFAC对多环芳烃定性定量分析

三维荧光光谱法在研究多环芳烃(PAHs)类物质的荧光信息时起到了重要作用。多环芳烃类物质具有致癌性,难降解性,多由尾气排放,垃圾焚烧产生,危害着人类健康及环境,因此人们不断探索对多环芳烃检测的方法。实验选取多环芳烃中的苊和萘作为检测物质,利用FLS920荧光光谱仪,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40 nm,设置扫描的激发波长(λex)范围为:200~370 nm,发射波长(λem)范围为:240~390 nm,对多环芳烃进行荧光扫描获取荧光数据,采用三维荧光光谱技术结合平行因子算法对混合溶液中的苊和萘进行定性定量分析。实验选用的苊和萘均购于阿拉丁试剂官网,配制浓度为10 mg·L-1的一级储备液,再将一级储备液稀释,得到苊和萘浓度为0.5,1,1.5,2,2.5,3,3.5,4和4.5 mg·L-1的二级储备液,并将苊和萘进行混合。在进行光谱分析前需要对苊和萘的光谱进行预处理,采用空白扣除法扣除拉曼散射的影响,并采用集合经验模态分解(EEMD)消除干扰噪声。实验测得苊存在两个波峰,位于λex=298 nm,λem=324/338 nm处,萘存在一个波峰,位于λex=280 nm,λem=322 nm处。选用的PARAFAC算法对组分数的的选择很敏感,因此采用核一致诊断法预估组分数,估计值2和3的核一致值都在60%以上,分别对混合样品进行了2因子和3因子的PARAFAC分解,将分解后得到的激发发射光谱数据和各组分浓度数据进行归一化处理,并绘制光谱图,与归一化处理后的真实的激发发射光谱图和各组分浓度图进行对比。同时将PARAFAC得到的混合样本的预测浓度,通过计算回收率(R)和均方根误差(RMSEP)来判定定量分析的准确度。选择2因子时,各混合样品中苊和萘拟合度为95.7%和96.7%,平均回收率分别为101.8%和98.9%,均方根误差分别为0.0187和0.0316;选择3因子时,各混合样品中苊和萘拟合度为95.3%和95.8%,平均回收率分别为97%和102.5%,均方根误差分别为0.033和0.116,由三项指标可得选用2因子进行定性定量分析的效果明显好于选用3因子。分析实验结果表明,基于三维荧光光谱法和PARAFAC算法对混合样品进行定性定量分析,能够有效的判定混合样品的类别,同时能够成功的预测出混合样品的浓度。     

以高光谱数据有效预测苹果可溶性固形物含量

从高光谱数据中选取能够有效进行内部品质检测的特征波长,是利用高光谱成像技术进行水果品质定量分析的关键。本文采用遗传算法(GA)、连续投影算法(SPA)和GA-SPA算法分别从400～1 000 nm的苹果高光谱图像中提取特征波长,利用偏最小二乘法(PLS)、最小二乘支撑向量机(LS-SVM)和多元线性回归(MLR)建模进行苹果可溶性固形物含量(SSC)的定量分析并进行了综合比较。160个样品中,120个用于建模,40个用于预测。比较发现SPA-MLR模型获得了最好的结果,R2_p,RMSEP和RPD分别为0.950 1,0.308 7和4.476 6。结果表明：SPA能够有效地用于高光谱数据的变量选择,利用SPA-MLR可建立稳健的苹果SSC预测模型,较少的有效变量和MLR模型的易解释性表明该模型在在线检测和便携式仪器开发中具有较大的应用潜力。     

紫外可见光谱的水产养殖水体有机物浓度快速检测研究

应用紫外可见（ultraviolet/visible,UV/Vis）光谱技术对表征水产养殖水体中有机物浓度的指标化学需氧量（chemical oxygen demand,COD）进行快速测量,对采集到的135份甲鱼养殖水样进行UV/Vis波段全光谱扫描,采用无信息变量消除（uninformative variable elimination,UVE）和连续投影算法（successive projections algorithm,SPA）相结合的变量选择算法选取全波段光谱中的特征波长,从201个UV/Vis光谱变量中选取了7个特征波长,只占全波段光谱变量的3.48%,降低了建模的时间和模型的复杂度。结合最小二乘支持向量机（least-square support vector machine,LS-SVM）算法进行COD预测建模,结果表明：使用特征波长建模的预测效果（相关系数r（correlation coefficient）=0.89,预测均方根误差（root mean square error of prediction,RMSEP）=15.46 mg·L-1）好于使用全波段光谱建模的预测效果（r=0.88,RMSEP = 15.71 mg·L-1）。使用UVE-SPA变量选择算法获取UV/Vis光谱特征波长,结合LS-SVM建模,可以快速、准确的测量水产养殖水体中的COD浓度,为进一步实现水产养殖水质的在线检测以及其他水质参数的快速测定奠定了基础。     

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。     

有机磷农药残留的快速定量检测方法研究

传统的农药残留检测为理化检验方法,具有前处理过程繁琐、耗时、复杂等不足,以目前农业上使用较广的毒死蜱作为研究对象,提出了一种有机磷农药残留快速定量检测方法。首先,根据毒死蜱的化学特性,综合考虑比色剂的显色效果以及二次污染问题,确定在弱碱性环境下以间苯二酚对毒死蜱进行显色反应的预处理方案;然后,通过分析0.5 ～400 mg·kg-1之间毒死蜱样品的紫外-可见光光谱数据,确定了显色反应后的特征信息主要集中在365～420 nm之间。接着,以偏最小二乘法构建全谱预测模型,其校正相关系数达到0.999 6,预测相关系数达到0.995 6,校正标准差RMSEC为2.814 7 mg·kg-1,验证标准差RMSEP为8.012 4 mg·kg-1;提取400 nm为中心波段的特征区域构建预测模型,其校正相关系数达到0.999 6,预测相关系数达到0.999 3,校正标准差RMSEC为2. 654 6 mg·kg-1,验证标准差RMSEP为3.465 5 mg·kg-1。最后,通过分析0.5～16 mg·kg-1之间毒死蜱样品的近红外光谱数据,发现其显色功能团的特征不是很明显,但会引起间苯二酚本身5 200 cm-1处吸收峰的变化。实验结果证明了所提出用于快速定量预测有机磷农药残留的方法是有效可行的,该方法通过比色剂的显色加强有机磷农药在全光谱特别是紫外-可见光范围内的信息,为实现农产品农药残留的快速检测提供了一条新途经。     

可见-近红外光谱的螺旋藻生长品质指标快速无损检测

为了实现微藻生长过程品质指标的快速无损检测，提出了可见-近红外光谱技术检测不同红蓝光源组合培养条件下螺旋藻中叶绿素a和蛋白质的含量。采集不同含量红光和蓝光组合下螺旋藻在325～1 075 nm波段范围内的光谱信息，其中红光与蓝光的含量组合分别是(100%，0%)，(90%, 10%)，(70%，30%)，(50%, 50%)。同时测量叶绿素a和蛋白质的含量，建立偏最小二乘(PLS)预测模型。分别基于连续投影算法(SPA)选择了用于叶绿素a和蛋白质预测的特征波长，分别得到5个(404，440，518，662和875 nm)和4个(411，531，602和1 047 nm)特征波长。基于特征波长建立了PLS和多元线性回归(MLR)预测模型，SPA-MLR模型中叶绿素a和蛋白质预测集相关系数(correlation coefficient, R_p)分别是0.949和0.974，均方根误差(RMSEP)分别是0.018 8和0.006 74。结果表明：可见-近红外光谱检测螺旋藻藻体中叶绿素a和蛋白质含量是可行的，通过测量螺旋藻的光谱结合化学计量学方法可以实现对螺旋藻生长状况的检测。     

基于可见/近红外光谱的鹅鸭混合绒定量检测研究

鹅绒和鸭绒的外观相似但在品质上鹅绒优于鸭绒,各国羽绒毛标准对鹅绒毛中的鸭绒毛含量都有最高限定。传统检测方法为高倍显微镜目测法,该方法劳动强度大,且不适宜大批量样本的分析及现场快速检测。利用可见/近红外光谱结合连续投影算法(SPA)特征波长选择的建模方法对鹅绒中混有鸭绒含量进行了定量检测。在450～930nm范围内,通过SPA选择的8个特征波长建立多元线性回归模型,取得了较好的预测结果,相关系数为0.983,校正均方根误差(RMSEC)为5.44%,预测均方根误差(RMSEP)为5.75%,有望用于羽绒毛品质的快速检测。     

集成学习结合波长选取的有机物红外光谱定量回归方法研究

研究集成学习方法在有机物红外光谱定量分析中的应用及特征波长选取方法对红外光谱集成学习建模效率和预测精度的影响。以柴油红外光谱的十六烷和总芳香烃含量为研究对象,首先采用极端随机森林(ERT)、线性核支持向量机(LinearSVM)、径向基核支持向量机(RBFSVM)和多项式核支持向量机(polySVM)作为基学习器,LinearSVM作为元学习器建立两层Stacking集成学习框架,分析比较单个基学习器与集成学习对柴油红外光谱的定量回归预测精度,与偏最小二乘(PLS)定量回归模型相比,Stacking集成学习模型对柴油光谱的两种有机物含量的预测精度均有提升,其中十六烷含量的ERT模型预测结果最优(r=0.848, RMSEP=1.603, RDP=2.627),总芳香烃含量的Stacking模型预测结果最优(r=0.991, RMSEP=0.526, RDP=9.243);进一步利用组合偏最小二乘(SiPLS)和连续投影算法(SPA)对红外光谱进行特征波长选取,利用优选出的红外光谱特征波长建立集成学习定量回归模型,其中十六烷含量的SiPLS-ERT模型预测结果最优(r=0.893, RMSEP=1.013, RDP=3.051),芳香烃含量的SiPLS-Stacking模型预测结果最优(r=0.998, RMSEP=0.354, RDP=11.475),且模型平均训练时间较全光谱训练时间减少50%以上,建模速度明显提高。研究结果表明,特征波长结合集成学习定量回归建模能够用于有机物红外光谱的定量分析中,与传统定量回归方法相比,该方法的建模效率和预测精度均有较大提高,为进一步研究机器学习在光谱定量分析中的应用提供相关方法支持。     

基于UV-Vis检测养殖水体中化学需氧量含量研究

采用紫外可见光谱(UV-Vis)与极限学习机算法检测水体化学需氧量(chemical oxygen demand,COD)含量研究。采集135份水样进行紫外可见波段全光谱扫描,结合变量标准化(standard normal variate,SNV),多元散射校正(MSC)和一阶微分(1st D)对原始数据进行预处理,然后采用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、随机青蛙(Random frog)算法和遗传算法进行特征波长选择。基于全光谱建立了偏最小二乘回归(partial least squares,PLS)和基于特征波长建立了极限学习机算法(extreme learning machine,ELM)模型。结果表明：使用CARS提取的9个特征波长建立的ELM模型的预测效果最优,决定系数R2为0.82,预测均方根误差RMSEP为 14.48 mg·L-1,RPD值为2.34。说明使用CARS变量选择算法获取UV-Vis光谱特征波长,应用极限学习机建模,可以准确、快速的检测养殖水体中COD含量,为实现养殖水体COD的动态快速检测以及水体其他微量物质含量参数检测打下基础。