随着光谱分析及荧光检测技术的快速发展, 单色荧光标记已无法对细胞样本进行精准判断, 必须采用双染色或多色荧光标记来分析细胞内部结构。 然而, 使用光谱测量方法进行多色荧光分析时, 由于通常使用多种标记物同时对待测细胞进行标记, 发射光谱会产生部分光谱重叠, 为了准确对其进行分析, 需将重叠峰分解为独立谱峰。 针对光谱重叠现象, 提出了遗传算法优化BP神经网络(GA_BP)的重叠峰解析算法。 首先确定了BP神经网络具体结构, 并对重叠峰信号进行二次微分预处理, 确定重叠峰中单峰个数及单峰位置, 将其作为重叠峰信号的特征值送入BP神经网络的输入层； 其次将BP神经网络权值及阈值初始化, 利用遗传算法全局搜索的优势, 进行算法初始种群及种群规模等最优参数的选取, 通过选择、 交叉、 变异等一系列遗传进化操作进行寻优计算, 得到包含BP神经网络最优权值和阈值的个体； 然后确定网络最优参数并进行相应网络训练, 使优化后的BP神经网络可从输出节点处获得独立单峰的峰宽及强度； 最后结合二次微分处理得到的重叠峰特征值, 即可分离出单个谱峰。 以随机生成的多组高斯重叠峰数学模型作为实验数据进行仿真实验, 结果表明该方法具有较高的精确度。 其中, 双峰重叠峰及三峰重叠峰分解后峰强度及峰宽的最大相对误差分别为0.30%, 3.57%和0.64%, 3.83%； 同时也可对四峰重叠峰进行较为准确的分解。 此外, 将GA_BP网络模型与未经优化的BP神经网络模型作对比, 结果表明GA_BP网络运行5步后即可达到预设的误差值, 而未经优化的网络模型则需19步方可达到, 进一步证明GA_BP网络模型收敛更快且误差较低。 由此可见, GA_BP算法在重叠光谱分析中有较好的效果, 并可应用于其他能谱重叠峰的分解, 与传统方法相比具有明显的优势, 具有一定的实用价值。

使用光谱测量方法进行细胞多色荧光分析时，发射光谱会产生部分光谱重叠，为定性和定量分析造成了一定的困难。为此，提出基于优化迭代算法的细胞荧光光谱解析算法，建立重叠峰模型并确定单峰顶点；根据每次构造峰面积的大小，重新确定构造峰的构造方式，最终得到模拟峰的顶点及面积信息。利用该算法对高斯函数叠加形成的重叠峰进行解析，并与常规方法进行对比，结果表明优化迭代算法解析误差稳定在0.15%以内；加入随机噪声后，解析误差可稳定在0.85%以内，均优于另外两种算法。此外，计算了该算法下的迭代效率，结果表明该算法较常规方法提高了32.2%。