芘作为多环芳烃(PAHs)类物质广泛存在于自然环境中, 亲脂性强, 对人体有致癌影响。 因此, 食用油中芘的含量的判定对品质的把控具有深远的意义。 采用拉曼光谱与人工智能算法相结合进行多环芳烃的定量分析是当前的一个研究热点。 将一毫升食用油与不同固定浓度的芘液体混合制作样本, 然后制作薄层色谱板与金粒子, 采用薄层色谱和表面增强拉曼散射(SERS)光谱相结合的方法进行实验获得光谱数据, 选取自适应迭代加权惩罚最小二乘算法进行预处理, 再采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型方法进行定量分析。 该模型首先在预处理后的光谱中选取两个特征峰进行分峰拟合获取特征峰的高度、 半高宽、 面积等参数。 将两个特征峰的拉曼数据与通过拟合获取的参数进行归一化再采用主成分分析获取关键参数, 将获取的关键参数作为输入层输入基于L2正则化的BP神经网络中, 输出预测浓度。 实验分别采用不同的算法进行浓度预测, 实验结果表明, 通过偏最小二乘算法预测的芘浓度, 其测试集决定系数R2为0.58, 均方根误差(RMSEC)为1.85; 采用线性回归拟合特征峰面积与浓度的规律最终预测的芘浓度, 其测试集决定系数R2为0.26, 均方根误差(RMSEC)为2.28; 采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测芘浓度, 其测试集决定系数R2为0.99, 均方根误差(RMSEC)为0.31, Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测精准度更高, 误差更小。 模型是针对光谱数据信息与样本浓度之间非线性、 高维度的关系, 而建立的预测精度及建模效率均高于同类对比的算法模型。 模型拟合特征峰获取关键变量, 将关键变量与特征峰的拉曼位移都作为特征向量, 因此特征向量较为充分, 模型利用PCA提取拉曼光谱非线性特征并且采用基于L2正则化BP神经网络泛化力强的优点, 防止过拟合, 因此可以更加精准快捷地预测出芘的浓度。

在pH为8.3的硼砂-盐酸缓冲溶液中,应用水杨基荧光酮(SAF)-溴化十六烷基三甲氨(CTMAB)显色体系测定润滑油中的微量元素锌,建立测定润滑油中微量锌的快速分析方法.通过一系列实验的考察,结果表明,含锌量在0-25 μg/25mL内服从比尔定律,摩尔吸光系数为ε570=9.1×104L.mol-1.cm-1,线性范围为0-60 μg/10mL,加标回收率为97.21%～101.1.实验方法简便、灵敏、准确.