为了快速检测水环境中的喹诺酮类抗生素,将三维荧光光谱法结合双线性最小二乘/残差双线性算法(BLLS/RBL),用于检测水中的氟甲喹(FLU)、恩诺沙星(ENR)和左氧氟沙星(LVFX)。该方法不仅可以准确解析出光谱重叠现象严重的三种抗生素,而且与平行因子方法(PARAFAC)相比,可以得出更可靠的定量预测结果。BLLS/RBL预测的FLU、ENR和LVFX的平均回收率分别为98.46%、99.10%、101.69%,均方根误差(RMSE)为4.33、0.33、0.26 μg·L -1,灵敏度(SEN)为2.8×10 3、3.5×10 4、5.5×10 4,检测限(LOD)为0.72、0.06、0.03 μg·L -1。实验结果表明,三维荧光光谱结合BLLS/RBL是一种可靠的水中喹诺酮类抗生素的检测方法。

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.

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。

基于多环芳烃中苯并［k］荧蒽(BkF)的强荧光特性, 构建了荧光检测实验系统, 并制备了10个不同浓度的BkF甲醇溶液样品, 分析了样品荧光特性。为了更好地进行定性和定量分析, 采用经验模态分解(EMD)改进阈值法结合数学形态学对荧光光谱信号进行去噪处理, 并与EMD阈值去噪法进行对比。结果表明, 提出的方法使去噪后的荧光光谱更加平滑, 荧光强度与样品浓度的线性相关系数更高, 达到0.99746; 信噪比有所提高; 原始信号与去噪后信号的均方误差由0.0053降低至0.0012。提出的方法去噪效果显著, 有效地提高了光谱的分析精度, 为荧光光谱预处理提供了一种新方法。

采用FS920稳态荧光光谱仪对绿茶和铁观音这两种不同品种茶叶的氯菊酯溶液的荧光光谱特性进行了分析,发现这两种茶叶的荧光峰均位于λex/λem=(390～410)/675 nm, 氯菊酯的荧光峰λex/λem=300/330 nm。为了准确测定这两种茶叶中氯菊酯农药残留的含量, 采用遗传算法优化的径向基函数神经网络对其进行了分析, 当训练到74次时, 均方差精度达到10-3, 绿茶、铁观音的氯菊酯溶液预测样本的平均回收率分别为99.35%和98.89%, 平均相对标准偏差分别为1.25%和1.21%。与建立的径向基函数神经网络模型进行了对比, 结果表明三维荧光分析技术与遗传算法优化的径向基函数神经网络相结合能够较好地检测出茶叶中氯菊酯农药残留的含量, 检测灵敏度大大提高, 检出限范围广, 可达0.004 8～24 mg/kg, 远低于欧盟规定的茶叶中氯菊酯最高残留限量0.1 mg/kg, 为检测农药残留提供了一种快速简便的新方法。

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。