基于重构三维荧光光谱结合偏最小二乘判别分析的油类识别方法研究

发布时间：2021-06-11 05:22

　　油类污染日渐频繁,给人类健康及生态环境造成了严重的威胁。因此,研究有效的油类识别方法对保护生态环境具有重要意义。三维荧光光谱技术是识别油类最有效的分析手段之一,利用二阶校正方法对三维荧光光谱数据进行解析,然后利用模式识别对二阶校正方法解析结果中的浓度得分矩阵进行分类,可以实现对未知样本的定性识别。然而,此类方法在对未知样本进行分类识别的过程中,只应用了浓度得分矩阵,其本质上只是利用样本所含化学成分的相对含量差异对未知样本进行了分类。并没有利用具有定性意义的载荷矩阵,即没有从样本所含化学成分本身实现对样本的定性。基于此,将重构的三维荧光光谱和偏最小二乘判别分析（PLS-DA）相结合,提出了一种针对油类样本的辨识方法。首先,利用四种油类（汽油、柴油、航空煤油和润滑油）在不同的背景环境下（纯净水、自来水、河水及海水配制的十二烷基硫酸钠溶剂）配制了80个油类样本;然后,利用FS920荧光光谱仪采集样本的三维荧光光谱数据,并对该数据进行去散射及标准化预处理;其次,利用Leverage值识别并删除其中的异常光谱,并利用平行因子分析算法（PARAFAC）对剩余的光谱进行重构;最后,通过PLS-DA建... 

【文章来源】：光谱学与光谱分析. 2020,40(12)北大核心EISCICSCD

【文章页数】：6 页

【部分图文】：

汽油样本的原始荧光光谱图

去除散射后的汽油荧光光谱图

图2 去除散射后的汽油荧光光谱图式(1)中, i=1, 2, 3, …, I, I为样本数量; j=1, 2, 3, …, J, J为发射波长数量; k=1, 2, 3, …, K, K为激发波长数量; n=1, 2, 3, …, N, N为PARAFAC建模时的组件数量; xijk表示第i个样本在激发波长为k、 发射波长为j时的荧光强度值; ain是得分矩阵A(I×N)中的元素; bjn是发射矩阵B(J×N)中的元素; ckn是激发矩阵C(K×N)中的元素; eijk是三维残差矩阵E(I×J×K)中的元素。

【参考文献】：
期刊论文
[1]基于交替惩罚三线性分解的混合油液油种成分的检测[J]. 孔德明,张春祥,崔耀耀,李雨蒙,王书涛.  光学学报. 2018(11)
[2]基于三维荧光光谱-平行因子分析的海上溢油识别技术研究[J]. 周艳蕾,周飞飞,姜聪聪,石晓勇,苏荣国.  光谱学与光谱分析. 2018(02)



本文编号：3223901