基于TSFS结合高阶张量特征提取方法的海水半潜油种类鉴别研究

半潜油是一种隐藏于海面之下并呈现悬浮状态的溢油,其长期毒害并侵蚀着海洋生态环境。然而,针对半潜油污染到目前还未形成有效地监测手段和处理方式,致使其污染的突发性和危害性更甚于海面溢油。因此,研究有效地半潜油鉴别方法对保护海洋生态环境具有重要意义。三维荧光光谱技术中的总同步荧光光谱(TSFS)在油类污染物检测与鉴别中具有不存在瑞利散射干扰以及冗余数据少的优势,但由于TSFS数据本身不具备三线性结构,使得多维校正分析方法在其应用上受到了一定的限制。基于此,开展基于TSFS结合高阶张量特征提取方法的海水半潜油种类鉴别研究。首先,利用有机分散剂和六种不同种类的油品配制了90个半潜油实验样本;然后,利用FS920荧光光谱仪采集实验样本的TSFS数据,并对该数据进行标准化预处理;最后,通过高阶张量特征提取方法二维线性判别分析(2D-LDA)以及二维主成分分析(2D-PCA)分别建立了半潜油样本的鉴别模型;并将所建模型与常规方法多元曲线分辨率交替最小二乘法(MCR-ALS)结合线性判别分析(LDA)以及多维偏最小二乘判别分析(NPLS-DA)进行了对比。分析结果表明,2D-LDA和2D-PCA所建立的半潜油样本鉴别模型具有可靠的性能,鉴别模型的精确率、灵敏度及特异性分别为100%,100%和100%。并且,2D-LDA和2D-PCA能够直接提取TSFS光谱图像矩阵在空间、统计学以及图形学上的精细光谱特征,为区分半潜油样本带来更为精准的鉴别依据。因此,相较于常规的基于展开或分解数据的方法,高阶张量特征提取方法所建立鉴别模型所得到的预测结果更加精确。该研究为半潜油种类鉴别提供了一种参考。

基于LIF技术结合波长优选的油膜厚度检测方法分析

海上溢油事故不仅造成极大的石油资源浪费,而且严重威胁生态环境。因此,利用荧光光谱对油膜厚度进行快速无损检测对于有效评估溢油量有重要意义。基于激光诱导荧光(LIF)技术对海水表面0^(#)柴油、5^(#)白油油膜的荧光光谱进行检测,进而实现对油膜厚度的量化分析。首先使用SG平滑滤波对原始光谱数据进行预处理以减少原始光谱中的背景噪声。然后采用间隔随机蛙跳算法(IRF)结合变量子集迭代优化法(IVSO)对获取的全光谱数据进行波长选择以剔除冗余变量,将经过二次筛选出的光谱特征波长作为偏最小二乘回归(PLS)的自变量输入数据建立油膜厚度反演模型。该方法第一步利用IRF从全光谱数据中筛选出特征波段,再利用IVSO对特征光谱波段组合进一步筛选出特征波长变量,从而有效提高优选出的特征波长建立油膜厚度反演模型的预测能力和稳定性。将IRF-IVSO与全光谱及移动窗口偏最小二乘法(MWPLS)、间隔随机蛙跳算法(IRF)、变量组合集群分析法(VCPA)、变量子集迭代优化法(IVSO)四种波长优选方法进行对比,发现IRF-IVSO筛选出0^(#)柴油数据和5^(#)白油数据的特征波长数量分别占全光谱数据的4.48%和19.40%。将全光谱及上述波长优选方法筛选出的特征波长作为输入建立PLS模型进行分析讨论。结果表明,特征波长选择方法结合PLS所建立的不同模型预测能力和效率较全光谱有明显提高。其中,IRF-IVSO结合PLS所建立的油膜厚度反演模型预测效果最优,该模型可以实现对厚度分别为0.1415~2.2918和0.052~0.980 mm的0^(#)柴油及5^(#)白油油膜的有效反演,柴油油膜测试集相关系数R P可达到0.9611,测试集均方根误差RMSEP为0.1375,白油油膜测试集相关系数R P可达到0.9712,测试集均方根误差RMSEP为0.0790。该研究表明,IRF-IVSO通过结合区间波段筛选和单一变量选择能够有效而稳定地筛选出特征波长变量,结合PLS建立的油膜厚度反演模型能够实现可靠预测。

基于三维荧光光谱与图像矩算法的海面溢油检测方法

将三维荧光光谱技术和图像矩算法相结合,提出1种用于海面溢油快速检测的方法。首先,利用4种油类与海水胶束溶液配制24组单一油品及9组混合油品;通过FS920荧光光谱仪采集所有样本的三维荧光光谱(EEM)数据,利用Delaunay插值法去除EEM中的散射光谱;对去散射后的EEM进行灰度化处理,得到对应的EEM灰度图;然后,利用Tchebichef矩、Zernike矩和Krawtchouk矩3种图像矩分别提取EEM灰度图的形状特征;最后,利用聚类分析和逐步回归分别对其特征进行定性定量分析。研究结果表明:基于Tchebichef矩所获得的定性定量结果最佳,单一油品和混合油品最终分类结果均与实际样本设计情况相符合,且相应线性模型相关系数R大于0.99。所提出的方法能够准确对油类样本EEM数据进行解析,达到对其定性定量分析的目的。

数字图像识别在混合油类三维荧光光谱分析中的应用

海上溢油已成为全球环境污染的重要问题之一,溢油严重破坏了海洋生态的平衡,并导致人类健康受到危害。因此,研究高效的溢油检测方法对保护海洋生态环境具有重要意义。三维荧光光谱技术因能获得溢油的“指纹”图谱而成为溢油鉴别领域的有效分析手段,其与平行因子分析算法相结合获得了良好的溢油鉴别效果。但平行因子算法在使用过程中需要确定不同石油产品本身所适用的浓度范围,且其对预估计组分数敏感,组分数选择是否准确直接影响最终定性定量结果,这些问题都会对油类检测造成使用上的限制。油类组分极为复杂,其中各组分间不存在统一的线性浓度范围,其相互之间还受到荧光猝灭效应的影响。直接对未经稀释的油类样本进行光谱数据采集,所获得的三维荧光光谱会因样本中组分的种类及其含量不同而存在较大差异,导致对三维荧光光谱数据进行解析的平行因子分析算法不再适用。但组分的种类及含量相近的油样其光谱特征相似度较高,并且随着特定组分及其含量的改变,其光谱形状的变化规律也较为明显。基于此,将三维荧光光谱和数字图像识别相结合,提出一种针对混合油类样本的辨识方法。首先,利用五种矿物油(汽油、柴油、航空煤油、机油和润滑油)配制三类混合油样本,其中每类混合油是用其中两种不同矿物油以不同体积比直接混合配制而成;然后利用FS920荧光光谱仪获取样本的三维荧光光谱数据,并对该数据进行求导及灰度化预处理,进而得到三维荧光导数光谱灰度图;其次提取样本三维荧光导数光谱灰度图的颜色、纹理和形状等数字图像特征;最后,通过Fisher判别分析建立样本的分类模型,采用逐步回归建立混合油样本各组分相对体积的定量模型。分类模型对三类混合油样本的分类及识别效果良好。所建立的定量模型的线性相关性R大于0.99,显著性检验p值小于0.05。研究结果表明,三维荧光光谱的数字图像特征可以被本文所述方法有效提取并用于对油类样本的定性定量分析。该研究为海面溢油检测提供了一种简单、可靠的识别方法。

海面溢油三维荧光光谱消除瑞利散射方法的研究

三维荧光光谱分析法以其灵敏度高、选择性好、操作简单和可用于多组分混合物分析等优点成为诸多研究者在海面溢油鉴别中的热点选择。但三维荧光光谱中存在的瑞利散射会对光谱的准确检测产生较大的影响,因此有效地消除瑞利散射对后续光谱的定性鉴别和定量分析具有重要意义。采用仪器校正法、空白扣除法、 Delaunay三角形内插值法和缺损数据重构(MDR)法对海面溢油三维荧光光谱中的瑞利散射进行校正。首先以海水的SDS胶束溶液作为溶剂,将航空煤油和润滑油按不同相对体积分数比配制8个校正样本和3个测试样本;然后利用FS920稳态荧光光谱仪采集11个样本的三维荧光光谱数据,并分别采用仪器校正法、空白扣除法、 Delaunay三角形内插值法和缺损数据重构(MDR)法消除瑞利散射的干扰;再利用核一致诊断法估计出最佳的组分数;最后利用平行因子分析(PARAFAC)对混合油样本的三维荧光光谱数据进行定性鉴别和定量分析。研究结果表明:采用发射波长滞后激发波长以消除瑞利散射的仪器校正法会丢失部分有效光谱信息;采用空白扣除法无法彻底消除瑞利散射,在光谱中仍然存在散射干扰,利用PARAFAC解析后得到的激发、发射光谱会出现失真,且预测的浓度值偏差较大;采用Delaunay三角形内插值法消除瑞利散射后,利用PARAFAC解析所得到的激发、发射光谱与真实光谱吻合度较高,且预测的浓度值偏差较小;而采用MDR消除瑞利散射后,利用PARAFAC解析所获得的激发、发射光谱与真实光谱吻合度最高,且相较于其他几种方法预测的浓度值偏差最小,得到的样本回收率为98.9%和100%,预测均方根误差均小于等于0.130。根据定性鉴别、定量分析的结果, MDR能够在保证原有特征光谱不失真的基础上有效消除瑞利散射带来的影响,是一种消除三维荧光光谱数据中瑞利散射较为理想的方法。

基于重构三维荧光光谱结合偏最小二乘判别分析的油类识别方法研究

油类污染日渐频繁,给人类健康及生态环境造成了严重的威胁。因此,研究有效的油类识别方法对保护生态环境具有重要意义。三维荧光光谱技术是识别油类最有效的分析手段之一,利用二阶校正方法对三维荧光光谱数据进行解析,然后利用模式识别对二阶校正方法解析结果中的浓度得分矩阵进行分类,可以实现对未知样本的定性识别。然而,此类方法在对未知样本进行分类识别的过程中,只应用了浓度得分矩阵,其本质上只是利用样本所含化学成分的相对含量差异对未知样本进行了分类。并没有利用具有定性意义的载荷矩阵,即没有从样本所含化学成分本身实现对样本的定性。基于此,将重构的三维荧光光谱和偏最小二乘判别分析(PLS-DA)相结合,提出了一种针对油类样本的辨识方法。首先,利用四种油类(汽油、柴油、航空煤油和润滑油)在不同的背景环境下(纯净水、自来水、河水及海水配制的十二烷基硫酸钠溶剂)配制了80个油类样本;然后,利用FS920荧光光谱仪采集样本的三维荧光光谱数据,并对该数据进行去散射及标准化预处理;其次,利用Leverage值识别并删除其中的异常光谱,并利用平行因子分析算法(PARAFAC)对剩余的光谱进行重构;最后,通过PLS-DA建立重构三维荧光光谱的分类模型;并将重构与未重构的三维荧光光谱分别建立的分类模型进行了对比。分析结果表明,三维荧光光谱经过重构后,可以将四种油类的正确分类率分别从原来的100%, 50%, 60%和20%提高到100%, 100%, 100%和100%,表明重构的三维荧光光谱具有更加明显的类内特征。重构三维荧光光谱所建立的分类模型的灵敏度(SENS)、特异性(SPEC)及F分数分别为100%, 100%和100%,表明所建立的模型具有稳健及可靠的分析结果。该研究中,重构三维荧光光谱利用了PARAFAC解析结果中的浓度得分矩阵及载荷矩阵,所建立的PLS-DA分类模型不仅从化学成分相对含量的差异而且从化学成分本身对样本进行了定性识别,所得结果更加具有说服力。该研究为油类识别提供了一种可靠的方法。

三维荧光光谱结合Zernike图像矩快速鉴别掺伪芝麻油

为了实现对掺伪芝麻油的快速鉴别,应用FS920荧光光谱仪测定样品的三维荧光光谱数据。将三维荧光光谱图视为灰度图,在没有任何预处理的前提下,直接应用Zernike图像矩提取三维光谱灰度图的特征信息,然后采用类平均法对特征信息进行聚类分析,从定性角度实现掺伪芝麻油的鉴别,并解析其组成成分。最后应用广义回归神经网络(GRNN)对掺伪样本的成分进行定量分析。聚类分析能够以很高的辨识率来识别掺伪芝麻油,并能够正确解析其组成成分。定量模型预测了2组掺伪样本中各成分的相对体积,其平均相对误差分别为2.23%,8.00%,9.70%和9.70%。分析结果表明,Zernike矩能够有效提取光谱的特征信息,光谱数据的Zernike矩特征结合聚类分析以及GRNN模型能够获得良好的定性和定量分析结果,为掺伪芝麻油的鉴别提供了一种新的方法。

基于太赫兹图像的航天复合材料粘接缺陷检测方法研究

采用频率范围为0.23~0.32 THz的反射式连续太赫兹波检测系统,对航天复合材料与基板的粘接缺陷进行了无损检测。采用环氧树脂作为粘接剂,制作了隔热复合材料与基板的粘接样件。使太赫兹波聚焦在粘接层处,获得层析图像,根据焦平面附近的图像,可直观判断出粘接面有无缺陷。结合中值滤波,采用模糊c均值(FCM)聚类算法对缺陷图像进行分割得到含有目标缺陷信息的二值图像,计算像素点得到缺陷面积。通过与已知缺陷面积样件对比,对粘接缺陷面积的预测误差在±9%以内。

结合平行因子分析算法和模式识别方法的三维荧光光谱技术用于石油类污染物的检测

随着海洋中石油资源的不断开发,泄漏到海洋环境中的石油也日益增多,它不仅威胁着海洋生态环境,同时也严重影响着人们的身体健康。因此,快速、有效地检测出海洋环境中的石油类污染物对于保护海洋生态环境和人类健康具有重要意义。石油产品中含有大量的多环芳烃,其具有较强的荧光特性。因此,荧光光谱技术成为检测石油类污染物的重要手段之一。利用三维荧光光谱技术结合平行因子分析算法和模式识别方法,对石油类污染物进行表征和分类。首先,以海水和十二烷基硫酸钠(SDS)配制的胶束溶液作为溶剂,分别配制不同浓度的柴油、航空煤油、汽油和润滑油溶液,最终得到80个实验样本;然后,利用FLS920型荧光光谱仪采集实验样本的三维荧光光谱数据,并通过Delaunay三角形内插值法对所获得的三维荧光光谱数据进行去散射处理;其次,利用平行因子分析(PARAFAC)算法分解去散射后的三维荧光光谱数据,通过运用核一致诊断法和残差分析法对组分数进行估计;最后,为了建立稳健的分类模型,利用Kennard-Stone算法将80个实验样本分为60个训练集样本和20个测试集样本,运用K最近邻(KNN)算法、主成分判别分析(PCA-LDA)算法以及偏最小二乘判别分析(PLS-DA)算法分别建立分类模型,并利用灵敏度、特异性和准确率对分类效果进行评估。研究结果表明:三种分类模型对测试集中样本的识别准确率分别为85%, 90%和94%,其中, PLS-DA分类模型对测试集样本的识别准确率最高,具有最佳的分类效果。因此,在利用平行因子分析算法提取石油类污染物荧光光谱数据的基础上,结合模式识别方法可以很好的对不同种类油品进行分类研究。利用三维荧光光谱技术结合平行因子分析算法和模式识别方法快速、有效地检测油类污染物,为石油类污染物的快速检测提供了一种新的研究思路和重要参考。

基于三维荧光光谱结合二维线性判别分析的油类识别方法的研究

油类污染严重威胁到自然环境及人类健康。因此,识别和处理油类污染非常重要。由于三维荧光光谱能够表征石油的荧光特征,故一般利用三维荧光光谱法检测溶液中存在的油类污染物。但油类的三维荧光光谱数据维度较高且直接分析的难度较大,因此可以利用数据降维方法提取原始油类样本的光谱特征,并利用所得到的光谱特征对样本进行识别。基于此,利用二维线性判别分析(2D-LDA)对油类样本进行特征提取,研究提取的不同样本光谱特征的差别,将得到的光谱特征作为K最近邻(KNN)分类的输入,得到相应的分类结果。首先,分别配制四种不同的油类(柴油、汽油、航空煤油、润滑油)样本各20个,共计得到80个油类样本;然后,利用FS920光谱仪采集所有油类样本的三维荧光光谱数据;其次,对采集到的光谱数据进行预处理,去除光谱中散射的干扰并标准化;最后,利用2D-LDA算法对样本进行特征提取,利用KNN算法进行分类,并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。研究结果表明,2D-LDA提取特征的分类效果优于PCA。利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%,而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。表明两类光谱相对于三维荧光光谱具有互补性,将发射和激发光谱特征相结合能够更好地对样本进行分类。而利用PCA对测试集识别的准确率仅为85%,表明2D-LDA对三维荧光光谱数据的特征提取效果更好。与PCA相比,2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征,使得同类样本尽可能接近,不同样本尽可能分离。因此,2D-LDA具有使降维后的数据更容易被区分的特点,故其鲁棒性好。该研究为油类的降维识别提供了一种参考。

三维荧光光谱结合Tchebichef矩快速鉴别掺伪芝麻油

应用FS920荧光光谱仪测定样品的三维荧光光谱数据,直接利用Tchebichef矩提取三维光谱灰度图的特征信息,然后对其进行聚类分析,最后通过逐步回归建立样本中各成分的线性模型。聚类分析能够准确识别掺伪芝麻油,并正确解析其组成成分,得到的线性模型相关系数R>0.99。研究表明,Tchebichef矩能够有效提取光谱的特征信息,应用于掺伪芝麻油鉴别可获得良好的定性和定量分析结果。

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0.0021 mg·mL^-1;润滑油的回收率范围为91.8%~109.3%,均方根误差为0.0048 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0.015mg·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0.009mg·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。

小波矩结合三维荧光光谱简单快速鉴别掺伪芝麻油

芝麻油营养丰富,因市场价格较高,掺假现象频出,严重损害了消费者利益和市场的健康发展。因此,研发一种简单快速准确鉴别掺伪芝麻油的方法,对保障消费者权益和市场健康具有重要意义。为此,提出了一种小波矩结合三维荧光光谱掺伪芝麻油鉴别方法。该方法简单快速,计算样本的任一有效特征进行谱系聚类,即可准确鉴别掺伪芝麻油。以43个样本(芝麻油16个,掺伪菜籽油、掺伪大豆油及掺伪玉米油各9个)为研究对象,用FS920荧光光谱仪获得样本的三维荧光光谱。用db2小波将光谱进行多尺度分解(MRSD),用MRSD的一阶离散逼近系数构造小波矩。用前两阶小波矩值W0,0,W1,0,W1,1,W0,1,W2,0,W2,1,W2,2,W1,2,W0,2分别作为特征对样本进行谱系聚类,观察分析聚类结果。结合邓恩分类指数(DVI)进一步分析,研究同阶小波矩分类效果及规律。进而研究各阶小波矩的分类效果及规律。最终确定了用于鉴别掺伪芝麻油的最佳小波矩值。结果表明:MRSD一阶逼近重构光谱可以在保留原光谱的有效特征基础上,大量去除噪声,减少光谱数据量72.4%,增强模型的抗噪稳定性和实时性。利用小波矩前两阶矩值W2,1,W2,2,W1,2,W0,2其一作为分类特征进行谱系聚类,即可鉴别掺伪芝麻油。同阶小波矩(Wp,q)随p值减小q值增大呈现规律性,确定了同阶小波矩的有效矩值及最佳有效矩值。小波矩随着阶数的增加DVI先增后减,最后趋于稳定,确定了各阶小波矩中可用于鉴别掺伪芝麻油的目标矩值W0,q≥2及最佳目标矩值W0,6。小波矩的有效及目标矩值是针对样本分类的有效特征,计算样本的任一有效特征进行谱系聚类,即可实现掺伪芝麻油的鉴别。该研究思路及结论为矩值法应用到三维荧光光谱提供参考。该方法简单快速,可实现在线测量,为质监部门及生产企业提供油品检测和鉴定手段。

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0.29μg·L-1。

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0.04μg·L^(-1);NAP的回收率为93.3%~110.0%,预测均方根误差为0.08μg·L^(-1)。

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。

结合小波压缩和APTLD的三维荧光光谱技术在掺伪芝麻油鉴别中的应用

将三维荧光光谱技术、小波压缩和交替惩罚三线性分解算法(APTLD)结合,提出了一种鉴别掺伪芝麻油的新方法。利用荧光光谱仪测量纯芝麻油及掺伪芝麻油样本的三维荧光光谱,通过激发校正和发射校正消除仪器带来的误差,得到样本的真实三维荧光光谱数据;利用小波压缩对处理后的真实数据进行压缩,以减少冗余信息,其中压缩分数和数据恢复分数分别大于94.00%和98.00%;利用APTLD算法对压缩后的数据进行定性及定量分析,得到的回收率为97.0%～99.8%,预测方均根误差不大于0.120。研究结果表明,所提方法能够准确鉴别纯芝麻油及掺伪芝麻油样本,并对其组分含量进行预测。

基于交替惩罚三线性分解的混合油液油种成分的检测

将三维荧光探测技术与交替惩罚三线性分解算法相结合,提出一种用于混合油液中油种成分检测的方法。首先利用FLS920型荧光光谱仪采集拟进行成分检测的混合油液(航空煤油和润滑油)在不同体积比配制条件下的20个样本的三维荧光光谱数据,利用Delaunay插值法对所获得的三维荧光光谱数据进行校正;然后利用核一致函数确定交替惩罚三线性分解算法解析三维荧光光谱数据时所需的组分数;最后利用均方根误差和相关系数矩阵,对交替惩罚三线性分解算法解析三维荧光光谱数据的效果进行评价。结果表明:在经交替惩罚三线性分解算法解析得到的均方根误差和相关系数矩阵中,非对角线上的元素值均满足所设阈值0.05和0.95的要求;在解决三维荧光光谱严重重叠的问题上,交替惩罚三线性分解算法优于平行因子算法,达到了对混合油液中油种成分快速检测的目的。