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。     

荧光相关光谱测定溶液中胭脂红的含量

使用FLS920P型荧光光谱仪测量了20个合成色素胭脂红溶液样本的荧光发射谱,实验表明：胭脂红的最佳激发波长为300 nm,在此波长激发光下,荧光峰值波长为440 nm。同时测量相同条件下超纯水的光谱数据作为参考光谱,进行与胭脂红溶液光谱数据的相关计算,构建以浓度为外扰的荧光相关光谱。采用sym8小波函数4尺度降噪,将降噪后的同步相关光谱数据、自相关光谱数据应用偏最小二乘回归(PLSR)算法进行预测,建立溶液中胭脂红含量的定量模型,结果表明：采用同步相关光谱建模的预测相关系数为99.863%,预测均方根误差为0.414 μg·mL-1;而采用自相关光谱建模的预测相关系数为99.940%,预测均方根误差为0.303 μg·mL-1。对比可知,自相关光谱数据有效地避免了信息冗余,预测结果更为可靠。该方法无需样本处理,操作简单,为食品安全检测提供了一种新的思路。     

基于组合模理论设计的激光二极管阵列外腔

针对激光二极管阵列提出了“组合模”慨念,计算了组合模的远场分布,每个组合模在远场的空间分布呈双瓣结构,基于激光二极管阵列组合模的远场分布特征,设计了离轴外腔反馈的激光二极管阵列,运用此装置所获得激光二极管阵列的远场分布有了明显变化,与自由运转的激光二极管阵列相比,离轴外腔反馈的激光二极管阵列远场宽度减少了4.3倍,在抽运电流为16 A时,测得输出激光的功率1.82W,这相当于相同电流下自由运转激光器输出功率的79％.组合模理论不仅可以用来指导设计一维离轴外腔反馈激光二极管阵列,而且也可以用于设计二维离轴外腔反馈激光二极管阵列.二维离轴外腔反馈激光二极管阵列可以产生高功率,高光束质量输出的激光.     

LED绿色照明及其非成像光学设计

介绍了新一代LED光源的优点和缺陷．回顾了非成像光学的历史以及自由曲面在半导体LED照明中的应用,同时介绍了LED准直光源和LED光源产生均匀照度的光学设计方案．     

分子荧光光谱法及其工程应用

在阐明分子荧光光谱法的基本原理及特点的基础上,讨论了荧光光潜法在环境监测、肿瘤诊断、鉴别酒的真假和品牌等方面的应用.并且对分子荧光光谱法的应用前景进行了展望.     

荧光光谱结合PCA-ED与PLSR方法检测市售橙汁饮品

为实现市售橙汁饮品的有效鉴别,在分析与比较100%橙汁与橙汁饮料两类饮品荧光特性差异的基础上,采用主成分分析结合欧氏距离(PCA-ED)的方法对市售橙汁饮品进行定性鉴别,效果良好。同时,利用荧光光谱结合偏最小二乘回归(PLSR)方法建立市售橙汁饮品中橙汁含量的估测模型,PLSR多元校正模型的相关系数r为0.997,校正均方根误差为0.87%,预测均方根误差为2.05%,实验结果表明,校正模型较准确地反映了市售橙汁饮品中的真实橙汁含量。通过采用荧光光谱结合化学计量学方法从定性与定量两方面对市售橙汁饮品的鉴别方法进行探究,研究结果可为市售橙汁饮品的鉴别与掺伪检测提供一种新的思路,也可为橙汁原料的品质控制提供一定的参考依据。     

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。