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。

三维荧光光谱结合多元校正分析对石油类污染物复杂多组分体系测定方法多谱图混叠, 且易受到空白荧光和干扰物荧光影响降低了测定准确性。 提出在三维荧光光谱中增加一维温度信息构造激发波长-发射波长-温度-样品(EEM-temperature data array)的四维荧光光谱数据阵列, 应用四线性成分模型建立高维荧光光谱定性定量分析的方法。 实验证明在15～25 ℃温度范围内, 矿物油荧光光谱轮廓形状不随温度变化, 而其强度随温度线性变化, 满足四线性要求, 这为构建四维荧光光谱发展高维数据的三阶校正提取更丰富的有效信息提供了可能。 三阶校正不仅可以在干扰物共存的情况下对感兴趣组份进行定量测定, 即具有“二阶优势”, 还具有更高的选择性和灵敏性, 可以对高共线性和背景干扰的重叠光谱表现更好的解析能力, 即“三阶优势”。 对0#柴油、 97#汽油和机油为混合油待测组分, 腐殖酸为水体干扰组分组成的复杂体系污染油样品为进行实验, 得到的三维荧光光谱利用平行因子(PARAFAC)算法和交替惩罚三线性分解(APTLD)算法进行二阶校正分析, 将三维荧光光谱在温度方向上堆叠构成增加温度维度的四维荧光光谱数阵, 并将其利用四维平行因子算法(4-PARAFAC)和交替惩罚四线性分解(APQLD)算法进行三阶校正分析, 比较, 0#柴油、 97#汽油和机油的预测结果表明增加了影响荧光光谱的温度因素构造的四维荧光光谱提高了有效信息提取能力, 四维荧光光谱结合高阶校正算法能提高油种光谱识别和浓度精确检测, 较传统的三维荧光光谱分析提高了回收率(recovery rate)和预测均方根误差(root mean square error of prediction, RMSEP), 有利于石油类污染物的有效, 准确, 实时, 绿色环保检测。 同时指出了4-PARAFAC和APQLD算法各自的特点及其不同适用环境, 为油类污染物检测具体情况提供算法选择依据。 引入温度参量的四维荧光光谱结合三阶校正算法的检测技术较三维荧光光谱技术, 在组分光谱定性分辨和浓度定量检测方面能对复杂体系油类污染物实现快速有效, 绿色无污染地检测, 实现“数学分离”更有效代替“化学分离”。

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。

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。

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。

提出了一种光谱重叠的多种矿物油混合物组分含量测定的新方法。 将偏最小二乘方法(PLS)推广至三维扩展(tri-PLS), 不需要解决特征值问题。 利用该方法对柴油、 汽油和煤油混合物的三维荧光光谱进行研究, 根据样本序列、 激发波长、 发射波长构造出三维数据矩阵, 结合浓度矩阵应用tri-PLS法建立校正模型, 对实验样本进行预测, 实验结果表明tri-PLS方法的建模精度比常用的平行因子法优越。

基于水质中石油类污染物的强荧光特性, 构建了荧光检测实验系统, 分别以50种不同浓度的汽油、柴油、煤油和机油的水溶液为测量样本, 分析了其荧光特性.由于四者荧光峰位置相似, 很难直接识别, 提出了一种运用神经网络进行模式识别的新方法, 将主成分分析法(PCA)和可拓神经网络(ENN)相结合对输入矢量进行降维并进行分类识别.结果表明, 该方法与ENN和PCA-BP算法相比, 迭代数由265降低到60；识别离差平方和由0.236 5降到0.014 5；识别效率由72.50%提升到96.25%；识别精度可达10-6级别.PCA-ENN算法具有较高的识别精度和识别效率, 同时也可用于水质中其它痕量有机物质的光谱识别.

利用FS920荧光光谱仪测量42个油样(包括36个纯植物油样, 3个调和油样和3个混合油样)的荧光光谱, 并对其数据矩阵(EEMs)进行归一化处理, 确定了植物油特征激发波长及矩阵分析模型。 综合分析植物油在特定范围内(激发波长为250～550 nm, 发射波长为260～750 nm)的等高线光谱图和特征发射谱线图, 将植物油划分为三类; 将矩阵分析模型应用于纯植物油鉴别, 分类正确率100%; 为验证矩阵分析的定量判别能力, 对三种混合油样进行分析, 得到接近实际配比的分析结果; 对市售三种调和油样本进行分析, 得出调和油以大豆和菜籽油为基底的结论。 通过对植物油荧光光谱的图谱特征和其矩阵模型的分析, 证实荧光光谱技术和矩阵分析法对植物油进行分析和种类鉴别的有效性。

石油是一种成分复杂的混合物, 通过常规的检测方法很难对其进行定性识别。本文用汽、煤、柴油的混合物来模拟环境中的油类污染物。汽、煤、柴油在特定波长范围的激发下可以发出含有物质自身信息的荧光, 根据朗伯-比尔定律可知荧光强度与物质浓度成正比, 利用该性质对特定物质进行识别。通过FS920稳态荧光光谱仪对样本进行测量, 将实验所得的三维数据拓展为五维数据, 提出了一种将展开偏最小二乘耦合到残差四线性的五维数据处理方法, 同时采用五维平行因子法和该算法分解数据, 实现了对汽、煤油的定量分析, 并恢复出了其激发和发射光谱。结果表明, 展开偏最小二乘法的分析效果更好。