随着经济发展对石油资源需求量的不断增大, 各种石油污染问题日渐严重, 对生态环境及人类健康造成巨大威胁。 因此, 准确识别及时处理油类污染物对减轻溢油危害具有重要意义。 石油是一种复杂的有机化合物, 主要由较强荧光特性的芳香烃成分及其衍生物组成, 不同类型的石油所含多环芳烃的成分和含量不同, 三维荧光光谱3D-EEM在石油污染物的检测领域应用十分广泛。 基于三维荧光光谱技术, 采用BP神经网络结合自加权交替三线性分解（SWATLAD）算法对油类污染物进行定性定量的研究。 实验以0#柴油、 95#汽油和煤油为研究对象, 首先, 使用F-7000荧光光谱仪采集待测样品的光谱数据, 对得到的数据进行激发、 发射校正和去散射处理。 其次, 为解决小波阈值去噪阈值处信号不连续和过度收缩小波系数带来的难以准确还原真实信号的问题, 提出了一种改进的阈值函数, 去噪后的信噪比（SNR）和均方误差（MSE）分别为18.354 7和10.261 7, 更为真实的还原有用信号。 并通过基于误差反向传播的BP神经网络对预处理后的光谱数据进行训练, 训练后预测值与真实值的曲线拟合度较好, 表明后续经光谱仪采集的荧光数据直接输入神经网络即可输出预处理好的待测数据, 简化了实验操作步骤。 最后, 采用SWATLD对经小波变换和BP神经网络处理后的数据进行分解, 解析得到的0#柴油、 95#汽油和煤油的激发与发射光谱与真实光谱拟合度较高, 计算平均回收率分别为103.64%、 99.33%和97.85%, 经验证, 三维荧光光谱结合改进小波变换和BP神经网络的方法可以对荧光物质进行快速、 精确检测。

针对水体藻类群落离散三维荧光光谱的识别，以5种常见门类藻种(铜绿微囊藻、斜生栅藻、菱形藻、楯形多甲藻和隐藻)为对象，研究了基于自加权交替三线性分解(SWTATLD)算法的藻类离散三维荧光光谱识别方法，并将识别结果与平行因子(PARAFAC)算法的解析结果进行了对比分析。结果表明：PARAFAC算法解析得到的铜绿微囊藻的平均回收率为92.73%±13.99%，斜生栅藻的平均回收率为105.51%±11.58%，菱形藻的平均回收率为89.25%±13.68%，楯形多甲藻的平均回收率为109.48%±13.47%，隐藻的平均回收率为88.76%±13.60%；SWTATLD算法解析得到的铜绿微囊藻的平均回收率为96.70%±3.94%，斜生栅藻的平均回收率为98.07%±4.48%，菱形藻的平均回收率为101.71%±3.97%，楯形多甲藻的平均回收率为97.26%±4.11%，隐藻的平均回收率为103.57%±4.34%；相比于PARAFAC算法，SWTATLD算法的解析结果更接近于真实浓度且偏差更小。研究结果为水体浮游藻类群落的有效识别及定量分析提供了一种良好的方法。

多环芳烃(PAHs)是煤, 石油, 木材, 烟草等燃料和有机高分子化合物等有机物不完全燃烧时产生的一种持久性有机污染物。 迄今已发现有200多种PAHs, 其中有多种PAHs具有致癌性。 PAHs广泛分布于我们生活的环境中, 水中的PAHs主要来源于生活污水, 工业排水和大气沉降。 使用三维荧光光谱法, 结合BP神经网络与交替三线性分解(ATLD)算法对水中的PAHs进行定性和定量分析。 以苊(ANA)和芴(FLU)2种PAHs为目标分析物, 用甲醇(光谱级)制备样本。 使用FS920稳态荧光光谱仪对样本进行检测, 设置激发波长为200～370 nm, 间隔10 nm记录一个数据; 发射波长为240～390 nm, 间隔2 nm记录一个数据。 设置初始发射波长总是滞后激发波长40 nm, 以消除一级瑞利散射的干扰。 随后使用BP神经网络法对待测样本数据进行预处理。 利用BP神经网络基于误差反向传播算法(error back propagation training, BP)原理, 对测得的三维荧光数据进行数据压缩处理, 该方法具有柔性的网络结构与很强的非线性映射能力, 网络的输入层、 隐含层和输出层的神经元个数可根据实际情况设定, 并且网络的结构不同时, 性能也有所差异。 随后, 用ATLD算法分解预处理后的三维荧光光谱数据。 采用核一致诊断法确定待测样本的组分数为2。 结果表明, ATLD算法分解得到两种PAHs(ANA和FLU)的激发、 发射光谱图与目标光谱非常相似, 能实现光谱重叠严重的PAHs(ANA和FLU)的快速定性和定量分析, 实现了以“数学分离”代替“化学分离”。 将预测样本导入训练好的BP神经网络中, 得到处理后待测样本数据的网络均方差(MSE)均小于0.003, 网络的峰值信噪比(PSNR)均大于120dB(数据压缩中典型的峰值信噪比值在30～40 dB之间, 越高越好), 可见BP神经网络对样本数据的压缩效果较好。 BP神经网络训练后, 得到输出值与目标值之间的拟合度高, 拟合系数达0.998, 具有较好的数据压缩效果。 使用ATLD算法对待测样本进行分解后得到平均回收率为97.1％和98.9％, 预测均方根误差为0.081 8和0.098 5 μg·L-1。 三维荧光光谱结合BP神经网络和ATLD能够实现痕量PAHs的快速检测。

多环芳烃(PAHs)类物质具有致畸、 致癌、 致突变的性质, 严重污染生态环境, 进而对人类的健康及动植物生长造成威胁。 PAHs通过排污、 大气沉降、 地表径流等各种循环途径进入水环境中, 由于种类众多且化学性质相似, 常规的检测方法如化学滴定法、 电化学法等很难实现快速准确的测定。 为实现复杂体系中PAHs的定性与定量, 工作中基于三维荧光光谱分析法, 结合集合经验模态分解(EEMD)去噪与自加权交替三线性分解(SWATLD)二阶校正, 对超纯水以及池塘水环境中的苊(ANA)和萘(NAP)进行分析测定。 首先选择合理的浓度配制样本, 用FS920荧光光谱仪测得样品的三维荧光光谱, 利用空白扣除法将光谱数据中的散射消除, 得到真实的光谱数据。 然后对去除散射的数据进行EEMD降噪处理, 该方法具有自适应性强、 参数设置简便的优点, 能够去除嘈杂信息, 提高数据信噪比, 并将去噪参数与快速傅里叶变换、 小波滤波和经验模态分解进行比较。 最后用SWATLD算法以“数学分离”代替“化学分离”, 对超纯水和池塘水环境中光谱重叠的ANA和NAP进行定性识别和定量预测, 该算法对组分数的选择不敏感, 能够在未知干扰物共存情况下实现多组分目标分析物的同时检测, 即具有“二阶优势”, 并将预测结果与平行因子分析进行比较。 结果表明空白扣除法能够成功将拉曼散射消除。 EEMD降噪方法使ANA和NAP的光谱更加规整平滑, 有效信息更加突出, 该方法去噪后数据信噪比为16.845 2, 均方根误差为11.136 6, 波形相似系数为0.990 9, 三项指标均优于快速傅里叶变换和经验模态分解等其他去噪方法, 能达到小波滤波的去噪效果并且不用设置先验参数。 利用SWATLD二阶校正方法得到验证样本中ANA与NAP的分解光谱与实际光谱基本吻合, 平均预测回收率分别为96.4%和104.2%, 预测均方根误差分别为0.105和0.092 μg·L-1; 在存在未知干扰物的池塘水样本中, 分解出的光谱依然能与实际光谱吻合, ANA与NAP两者的平均预测回收率分别为94.8%和105.5%, 预测均方根误差分别为0.067和0.169 μg·L-1; 与平行因子分析相比, 两项指标均具有优势。

基于交替三线性分解(ATLD)研究了芳烃类化合物的荧光光谱。通过完整集成经验模态分解(CEEMDAN)及小波软阈值算法对荧光光谱进行了去噪处理, 处理后信噪比为28.51, 均方根误差为3.52×103。ATLD算法能成功分辨出1-萘酚、2-萘酚和萘, 三种物质的回收率分别为96%~103.3%, 97.24%~103.9%和97.2%~103.6%。结果表明, ATLD算法对芳烃类化合物具有良好的预测性能。

基于浮游藻色素萃取液三维荧光光谱(EEM)，利用交替三线性分解(ATLD)和非负最小二乘(NNLS)发展浮游藻群落组成荧光分析技术。将ATLD 模型应用于48种浮游藻色素萃取液的EEM，通过残差分析确定浮游藻色素萃取液EEM 由14个荧光成分组成。Bayesian判别分析表明浮游藻色素萃取液荧光成分组成具有显著的门类特征性，利用聚类分析将浮游藻色素萃取液荧光成分组成按属水平聚类获得116 条特征光谱，使用NNLS 方法识别浮游植物群落组成。结果表明：该技术对512 个单种藻样品的平均识别正确率为99.8%。对256 个实验室混合样品，优势和次优势藻的平均识别正确率分别为93.5%和71.1%。将此技术应用于长江口18个浮游藻膜样品，分析结果与HPLC(高效液相色谱)-CHEMTAX 结果基本一致。