没食子酸（GAa）, 学名为3,4,5-三羟基苯甲酸（分子式为C7H6O5）, 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GAa具有抗氧化、 抗炎、 抗肿瘤、 抗病毒、 抗突变等多种作用。 因此GAa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C7H6O3, 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C6H6O2）。 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（GAa）、 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GAa、 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GAa、 p-HA和RE的快速定性和定量分析。

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。