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。     

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。     

基于三维荧光光谱的Krawtchouk图像矩算法在多环芳烃定量分析中的应用

以多环芳烃中的芴和苊为研究对象,提出一种将三维荧光光谱技术与Krawtchouk图像矩、广义回归神经网络相结合的定量分析的方法。利用FS920荧光光谱仪获取样品的三维荧光光谱数据,得到对应的三维光谱灰度图。直接计算三维光谱灰度图的Krawtchouk矩,将得到的Krawtchouk矩经平均影响值筛选后作为广义回归神经网络的输入,建立多环芳烃(PAHs)的定量模型。预测8组混合溶液的测试样本,芴和苊的平均相对误差分别为0.98%和2.15%。研究结果表明,Krawtchouk矩经过筛选后预测结果更为准确,该方法能够有效提取光谱的特征信息,简单、准确的预测PAHs的浓度。     

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。     

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。     

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。     

平行因子结合支持向量机对多环芳烃的荧光检测

基于荧光检测机理,将平行因子与支持向量机(SVM)算法相结合,对多环芳烃中的苊、芴和萘进行检测。将荧光光谱数据预处理后作为训练集,输入到粒子群优化的SVM算法中建立分类模型;利用核一致性分析、残差平方和分析以及迭代次数分析方法确定成分数;采用得到的最佳成分数进行平行因子分解,将得到的发射载荷矩阵作为测试集输入到SVM的分类模型中,分类正确率为100%,最终得到苊、芴和萘的回收率分别为100.45%±6.25%、100.10%±6.39%和95.07%±7.46%。所用算法避免了人为操作增加的时间复杂性及主观因素造成的误差,为多环芳烃的荧光检测提供了一种新方法。     

标准芳烃及其混合溶液的同步荧光光谱分析

为了提供区分标准芳烃的实验依据,并为环境中芳烃污染检测提供参考.对10个标准芳烃样品(萘、芴、蒽、菲、荧蒽、苊、芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲)及其混合溶液(蒽、萘、芴混合溶液,苊、荧蒽、菲混合溶液和芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲混合溶液)的同步荧光特性进行了分析,获得10种标准芳烃标志峰最好时对应的Δλ值及其标志峰位.在此基础上,通过同步荧光光谱分析区分了三种标准芳烃混合溶液的组分,实验发现对蒽、萘、芴混合溶液,Δλ=3nm时最易区分三种组分;对苊、荧蒽、菲混合溶液,Δλ=3nm或Δλ=10nm均可区分三种组分,相对而言,Δλ=10nm更简便些;对芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲混合溶液,Δλ=5nm时是最好的,但也仅能区分芘、1,2-苯并[A]蒽、苯并[k]荧蒽三种组分,苯并菲不确定.     

标准芳烃及其混合溶液的同步荧光光谱分析

为了提供区分标准芳烃的实验依据,并为环境中芳烃污染检测提供参考.对10个标准芳烃样品(萘、芴、蒽、菲、荧蒽、苊、芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲)及其混合溶液(蒽、萘、芴混合溶液,苊、荧蒽、菲混合溶液和芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲混合溶液)的同步荧光特性进行了分析,获得10种标准芳烃标志峰最好时对应的Δλ值及其标志峰位.在此基础上,通过同步荧光光谱分析区分了三种标准芳烃混合溶液的组分,实验发现对蒽、萘、芴混合溶液,Δλ=3 nm时最易区分三种组分|对苊、荧蒽、菲混合溶液,Δλ=3 nm或Δλ=10 nm均可区分三种组分,相对而言,Δλ=10 nm更简便些|对芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲混合溶液,Δλ=5 nm时是最好的,但也仅能区分芘、1,2-苯并[A]蒽、苯并[k]荧蒽三种组分,苯并菲不确定.     

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。     

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.     

三种多环芳烃混合溶液二维荧光相关谱解析

多环芳烃为优先控制污染物,但是由于其含量很低,多组分多环芳烃荧光峰相互重叠,所以常规荧光光谱法无法对其荧光峰进行有效解析。采用二维荧光相关分析方法对三种多环芳烃,蒽、菲和芘的混合溶液进行荧光峰解析。根据研究目标,按照三种多环芳烃浓度比的不同配制了三种混合物体系,共27个样本,每种体系的三种溶液浓度彼此间按规律递增和递减。在此基础上,以浓度为外扰,构建了各体系的同步和异步二维荧光相关谱。同步谱中,在425,402,381,373,365,393及347 nm处产生自相关峰。以未被覆盖的菲在347 nm处荧光峰为线索,通过其与各波长处荧光交叉峰的正负,判断出了402,381,425和452 nm处荧光峰源于混合溶液中的蒽; 373与393 nm处荧光峰源于混合溶液中的芘; 365,356及347 nm处荧光峰源于混合溶液中的菲。通过异步谱解析出菲的385 nm处荧光峰,证明了异步谱比同步谱具有更好的光谱分辨率。研究结果表明,采用二维荧光相关方法对光谱严重重叠的多组分多环芳烃的解析是可行的,并具有一定的优势,可推广到对环境中其他污染物质的检测。     

菲及腐殖酸混合液荧光法定量分析研究

多环芳烃作为普遍关注的优先监测污染物,在水环境中其含量很低,易受共存物腐殖酸的干扰。由于多环芳烃与腐殖酸的光谱重叠严重,很难用常规方法快速的定量检测。菲(PHE)作为多环芳烃中的模式化合物,对菲和腐殖酸(HA)的荧光光谱特性进行了研究,分析了腐殖酸共存下对菲定量检测的影响。采用平行因子算法分析混合液的三维荧光光谱,在激发波长为240～360 nm(5 nm为间隔)、发射波长为 260～575 nm(5 nm为间隔)下对该体系进行了分辨研究,并对菲和腐殖酸进行荧光光谱测量。实验结果表明,此方法可用于有干扰共存下多环芳烃化合物的直接快速定量检测。     

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。     

静水压力对蒽和多环芳烃二元混合物三维荧光光谱的影响

利用荧光分光光度计对处于常温、压力范围为0.1~60 MPa、浓度为10~(-6)mol·L~(-1)的蒽的三维荧光光谱及浓度比为1∶1的蒽-芴、蒽-萘、蒽-菲、蒽-苊、蒽-荧蒽的三维荧光光谱进行了测定,并通过分析不同压力下蒽的荧光峰位置和峰强度的变化来探讨压力对荧光光谱的影响。结果显示,随着压力升高,蒽的荧光峰并未发生漂移,但是荧光强度发生了显著变化。峰位置为250/382 nm的荧光峰在60 MPa时荧光强度达到最大值,相较于常压下,荧光强度增加了13.6%。其他多环芳烃的加入会改变蒽的高压荧光特性,当蒽中加入了萘,峰位置为250/382 nm的荧光峰强度在10 MPa时达到最大值,相较于常压下,荧光强度增加了9.35%。     

多环芳烃时间分辨荧光光谱特性研究

利用时间分辨荧光光谱技术,研究了菲、荧蒽、芴、蒽、芘等五种多环芳烃的荧光时间分辨发射光谱特性。以289 nm受激拉曼光作为激发光源,研究了289 nm激发光作用下五种多环芳烃的延时特性和门宽特性。并以多环芳烃随延时时间的荧光峰强度衰减关系曲线,得到菲、荧蒽、芴、芘的荧光寿命分别为37.0, 32.7, 10.9, 147.0 ns。不同荧光物质具有特定的荧光光谱特性,多环芳烃时间分辨荧光光谱特性的研究可以为复杂水体中不同种类多环芳烃的诊断提供依据。     

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。     

螺芴氧杂蒽LB膜的制备及光谱特性研究

为了研究聚芴材料DSFX-SFX分子在气液两相表面的行为,分子处于溶液、LB膜及粉末状态的光学特性,以及分子有序排列对其发光特性的影响,制备了聚芴材料DSFX-SFX的X型LB膜,研究了π-A等温曲线,测量了其紫外-可见吸收谱和稳态荧光光谱。结果表明,分子以face-on形式平躺在亚相表面,单分子面积为4.78 nm2。在氯仿溶液中吸收峰位在354 nm,归属于分子中三聚氧杂蒽部分与芴环间π-π*电子跃迁;荧光发射峰位在396,419,445 nm(肩峰),归属于发色团三聚氧杂蒽,是芴环与氧杂蒽环之间的电荷转移。在LB膜中,吸收谱和荧光光谱与其溶液光谱相比,整体红移6 nm。结果表明:在LB膜中,两个分子形成激基缔合物,与单分子状态相比,激基缔合物的HOMO升高而LUMO降低。与粉末状态相比,该材料在LB膜中有很强的荧光发射,表明该材料形成有序排列超薄膜有利于荧光发射。     

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。