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.

燃油存在“消耗量大”、 “相对低质”、 “前端缺少清洁”、 “末端排放缺乏控制”四大问题, 我国的空气污染60%以上来自煤和油的燃烧, 雾霾问题很大程度上取决于能源问题。 快速准确地实现汽油、 柴油、 煤油等成品油的鉴别与测量, 对于实施空气污染监测及治理具有重要意义。 在精确地表征成品油种类信息的基础上, 为了提高网络模型的识别效率, 采用主成分分析方法将高维空间进行降维处理。 对最常用的三维荧光光谱基于激发-发射矩阵(excitation-emission matrix, EEM)数据进行主成分分析以提取更精细、 更深层的特征参量。 分类过程中应用交叉验证的方法避免发生“过拟合”现象。 设计鉴别和测量双重处理的神经网络, 将神经网络模式识别结果反馈到浓度网络的输入端, 与相对斜率、 综合本底参数、 相对荧光强度一起测量相应种类的浓度输出, 利用可拓神经网络模式识别技术实现成品油的鉴别与测量。 应用可拓神经网络方法实现成品油种类模式识别的平均识别率达到0.99, 浓度平均回收率为0.95。 模式识别平均耗时为2.5 s, 仅为PARAFAC模型分析方法的48.5%。 该方法显著提高了运算速度, 且应用效果理想。 需要指出的是, 在分析诸如成品油、 茶叶、 农药等成分复杂的混合物时, 应针对具体待测物制作相应的校正样本, 用以确保分析的准确性与精度。