介绍了一种在光纤远端复现超窄线宽激光的方法.将两段50 km的光纤线路通过中继站级联在一起.用锁相跟踪法将中继站中的激光器频率锁定在50 km光纤远端传输光信号上, 跟踪精度达到3.5×10－19.为了保持高光谱纯度, 两个光纤噪声补偿模块独立工作, 用于补偿每段50 km光纤引入的相位噪声.这种级联方案能够确保噪声补偿具有较大的动态范围.经补偿后, 100 km光纤引入的频率不稳定度达到5.9×10－17(1 s平均时间), 10 000 s后达到6.8×10－19.实现了在100 km光纤远端复现超窄线宽激光, 附加线宽低至1 mHz.

为了快速测定白酒年份酒中乙酸的体积分数, 采用3维荧光光谱结合交替拟合残差算法, 首先将不同体积分数的乙酸乙醇水溶液的3维荧光光谱作为校正集, 然后将白酒的3维荧光光谱作为预测集, 利用交替拟合残差算法进行解析分辨, 采用标准添加法来验证结果的准确性。结果表明, 预测体积分数与真实体积分数的相关系数为0.9926, 平均回收率为101.97%;3维荧光光谱结合交替拟合残差算法可以快速有效地测定白酒年份酒中乙酸的体积分数。这一结果对白酒年份酒中单体体积分数的检测是有帮助的。

应用FLS920P型荧光光谱仪对L-色氨酸溶液进行三维荧光光谱检测， 从中发现： L-色氨酸的特征荧光峰位于270/350 nm。 设定发射波长为350 nm， 测量激发谱。 由测量结果发现在250~260 nm区间， 谱线斜率较大、 线性度好。 因此选取250， 255和260 nm三个激发波长， 在每个激发波长下分别测量相应的荧光发射谱。 基于三条不同的荧光发射谱， 构建以激发波长为外扰变量的自相关光谱； 而以浓度为外扰变量的自相关光谱， 是以超纯水在不同激发波长的平均谱作为参考光谱， 通过参考光谱与样本平均谱的相关计算得到。 在此基础上， 将相关光谱数据分别与偏最小二乘回归(PLSR)和径向基神经网络(RBFNN)相结合， 建立溶液中L-色氨酸含量的预测模型， 研究结果表明： 采用浓度为外扰变量构造的荧光相关光谱信噪比较高， 建模的预测效果要好； 而在外扰变量相同时， 基于径向基神经网络建立的预测模型比基于偏最小二乘回归建立的预测模型对溶液中L-色氨酸浓度的预测结果更为准确。 其中， 以浓度为外扰变量时的径向基神经网络预测模型准确度最高， 该模型的预测相关系数为99.91%， 预测均方根误差为0.033 μg·mL-1。 研究结果表明， 使用该方法能够对溶液中的物质含量进行准确测定， 可为食品安全监管提供帮助。

使用FLS920P型荧光光谱仪测量了20个合成色素胭脂红溶液样本的荧光发射谱, 实验表明: 胭脂红的最佳激发波长为300 nm, 在此波长激发光下, 荧光峰值波长为440 nm。 同时测量相同条件下超纯水的光谱数据作为参考光谱, 进行与胭脂红溶液光谱数据的相关计算, 构建以浓度为外扰的荧光相关光谱。 采用sym8小波函数4尺度降噪, 将降噪后的同步相关光谱数据、 自相关光谱数据应用偏最小二乘回归(PLSR)算法进行预测, 建立溶液中胭脂红含量的定量模型, 结果表明: 采用同步相关光谱建模的预测相关系数为99.863%, 预测均方根误差为0.414 μg·mL-1; 而采用自相关光谱建模的预测相关系数为99.940%, 预测均方根误差为0.303 μg·mL-1。 对比可知, 自相关光谱数据有效地避免了信息冗余, 预测结果更为可靠。 该方法无需样本处理, 操作简单, 为食品安全检测提供了一种新的思路。

年份白酒现已成为企业开发重点, 但年份标准有较大的随意性, 建立年份标准已成为规范行业和市场的迫切需要。 基于某品牌原浆白酒的三维荧光光谱, 对白酒年份预测模型进行了研究。 研究内容和创新工作如下: 首先, 研究了荧光光谱与白酒年份的相关性。 研究发现: 0.5年与其他年份白酒的三维荧光光谱之间的相关系数达0.811 4; 原始光谱中年份信息主要分布在激发波长为200~230和250~320 nm、 发射波长为400~500 nm的光谱区; 导数光谱的年份信息分布区域广且离散性高。 其次, 研究了荧光光谱之间的相关性。 研究表明: 原始光谱具有严重的多重共线性, 在400~600 nm的区间内, 相关系数接近1; 求导能提高光谱分辨能力并降低多重共线性, 二阶导数具有更好的抑制多重共线性的作用, 相关系数大部分小于0.6。 最后, 基于量子遗传算法-小波神经网络研究了激发波长为300 nm的白酒年份预测模型, 并提出了光谱建模信息密度的概念。 研究发现: 原始光谱年份预测误差达5.4年, 效果最差, 其原因是原始光谱具有严重的多重共线性以及光谱与年份的相关性不显著; 导数光谱具有更高的信息密度和更好的建模效果, 二阶导数光谱预测集的相关系数达0.999 8, 年份预测误差达0.79年。 研究成果将为白酒年份标定提供一种便捷的光学手段, 同时也为多组分渐变体系的荧光光谱研究提供重要的参考。

应用英国Edinburgh FLS920P型稳态和时间分辨荧光光谱仪, 对日落黄与诱惑红溶液进行荧光光谱的实验测量, 得到日落黄荧光峰在420 nm, 诱惑红荧光峰在432 nm。 进一步, 应用Gaussian 09W软件构建日落黄分子与诱惑红分子的基态和激发态的几何构型, 基于密度泛函理论和含时密度泛函理论, 完成对两种分子基态和激发态的优化和计算。 优化过程中, 采用MPWK泛函和6-31g(d)基组; 计算过程中, 采用B3LYP泛函和6-311g(d, p)基组。 考虑到溶剂效应对计算结果的影响, 因此在计算过程中引入了极化连续介质模型, 最后计算得到日落黄的荧光峰在435 nm, 与实验所得有3.57%的相对误差; 计算得到诱惑红荧光峰在443 nm, 与实验所得有2.55%的相对误差, 两种分子荧光峰的相对误差都在允许范围之内, 说明计算合理。 在分析光谱特性时, 发现两种分子荧光峰的产生与分子内电荷转移有关。

采用一种由原点矩法改造所得的特征压缩算法对荧光光谱数据进行预处理, 将处理后的数据与加权最小二乘支持向量机(WLS-SVM)算法结合, 建立鲁棒回归模型, 用以预测实际食用色素粉末的纯度。 以亮蓝和胭脂红这2种色素为例论述该方法对实际食用色素粉末纯度的预测效果。 首先, 利用FLS920荧光光谱仪测量获得两种色素的标准样本和实际样本在最佳激发波长下的荧光发射光谱数据, 利用由原点矩法改造所得的特征压缩算法对获取的荧光光谱数据进行压缩和变换, 一方面缩短了算法的运算时间, 另一方面也提高了模型的预测精度。 将预处理后的荧光光谱数据输入加权最小二乘支持向量机中建立浓度预测模型, 该模型对亮蓝、 胭脂红实际样本溶液给出的预测光谱与它们的实测光谱吻合程度好, 半高峰宽区间内的平均决定系数分别为0.662和0.931。 所有亮蓝、 胭脂红溶液的预测浓度和标称浓度之间具有良好的线性关系, 相关系数分别为0.997和0.992。 由此通过多项式拟合得到的亮蓝、 胭脂红粉末的预测纯度分别为61.0%和72.3%。

提出一种利用三维荧光光谱技术鉴别不同品牌浓香型白酒的方法。 运用FLS920荧光光谱仪测量了七个不同品牌浓香型白酒的三维荧光光谱, 不同品牌浓香型白酒的荧光光谱特征相似, 仅凭荧光特征参数较难区分。 采用求偏导和小波压缩相结合的数据预处理方法, 求解光谱数据中每一激发波长下, 荧光强度对发射波长的一阶和二阶偏导数, 选取db7紧支撑正交小波对数据进行压缩, 选择4尺度分解后的近似系数作为新的数据矩阵, 然后做主成分分析(PCA)。 将提取的主成分作为支持向量机(SVM)的输入, 并利用K-fold交叉验证的方法寻找支持向量机的最优参数c和γ, 建立不同品牌白酒的分类鉴别模型。 从每个品牌白酒中随机选取14个样本, 共98个样本组成训练集, 其余的42个样本组成预测集。 分别比较了数据不求偏导, 对数据求一阶偏导和二阶偏导的预处理后对鉴别模型的影响。 结果表明: 三维荧光光谱经过二阶偏导的预处理后, 结合主成分分析和支持向量机能很好地实现不同品牌浓香型白酒的分类鉴别, 模型的准确率为98.98%, 预测集的准确率为100%。 该方法具有简单, 快速, 成本低的优点, 可为中国白酒的检测和鉴别技术的发展提供帮助。

为对某品牌芝麻香型白酒的年份进行测定, 应用FLS920多功能荧光光谱仪, 测得1984年到2012年间11个年份白酒样品的三维荧光光谱。提取三维荧光光谱的平均荧光强度, 数值矩阵的标准差和相对荧光强度的最大值三个特征参数以构建多项式函数, 分别结合偏最小二乘回归校正以及二次最优回归校正建立白酒年份的预测模型。利用上述两个模型分别对1989年、1994年、1996年、2002年、2003年、2005年、2006年、2009年、2011年的白酒进行年份预测, 得到相应的预测年份。其与白酒实际年份间的平均绝对误差分别为0.68年以及0.56年。研究结果表明, 上述方法能够有效地对白酒年份进行测定。非线性校正模型与线性校正模型相比, 能够更为准确地反映白酒的真实年份。通过三维荧光光谱结合回归校正的多项式函数对年份白酒进行研究, 研究结果可为白酒年份的测定提供一种新的方法。

为了实现对中国白酒品牌的有效鉴别，在比较了不同品牌白酒三维荧光光谱特性的基础上，采用平行因子方法(PARAFAC)结合遗传算法(GA)获得训练样本和测试样本的浓度得分。同时利用支持向量机(SVM)方法建立中国白酒的鉴别模型，预测准确率为97.5%。PARAFAC 分解得到的三个组分的浓度得分，在一定程度上反映了品牌之间的差异。PARAFAC与GA算法的有效结合为未知样本的鉴别提供了一种快速准确的方法。研究结果表明，PARAFAC-GASVM的鉴别模型具有更强的预测能力，该方法能够有效提取白酒的特征光谱信息，同时又大大降低了SVM 输入变量的维数。研究结果为中国白酒的鉴别提供了一种新的思路。