第30卷，第10期 2010年10月
谱学与光谱分析光
Spectroscopy and Spectral Analysis
Vol.30,No.10.pp2780-2783
Oetober，2010
基于数据拟合和主成分分析的多组分PAHs神经网络定量分析
屈薇薇12，尚丽平2*，李晓露2，刘
晶2
1.西南科技大学网络信息中心，四川绵阳
日621010 621010
2.西南科技大学信息工程学院，四川绵阳
摘要多组分多环芳烃(PAHs)荧光光谱的神经网络定量分析在网络训练过程中需要大量训练样本以提高辨识精度，使得基础实验工作量大H耗时耗力。针对这个向题，文章试验性地采用数据拟合代替部分基础实验，将实验得到的14个训练样本增加到27个；并采用主成分分析法简化神经网络结构，将网络的输入节点数从60维降低到3维。在对二组分混合PAHs溶液的辨识结果表明，通过将14个实验样本拟合成27个训练样本来预测3个待测样本的浓度，能够在保持辨识精度的同时减少基础实验工作并简化神经网络结构，回收率达到89.6%～109.0%，达到了预期目的。
关键调PAHs荧光光谱；数据拟合；主成分分析；神经网络
中图分类号：TP183 引言
文献标识码：A
DOl: 10, 3964/j. issn. 1000-0593(2010)10-2780-04
使用仪器：日本岛津公司RF5301(PC)S分光光度计，石英比色皿（光程：1cm）。
多环芳烃（polycyclic aromatic hydrocarbon，PAH）是重要的环境和食品污染物，迄今已发现有200多种。鉴于许多多环芳烃都具有强烈的致癌特性，早在1976年美国环境保护署(USEPA)列管包含苯并芪(Bap)在内的16种PAHs 1990年我国提出的水中优先控制的68种污染物中，PAHs 有7种["]。因此对环境中PAHs含虽的有效检测已成为环境保护的个重要任务。
使用神经网络对PAHs的荧光光谱(2)数据进行定量分析是有效且可行的(3")，但由于实验条件受限造成神经网络的训练样本较少而引起网络不稳定的间题)。使用数据拟合法和主成分分析对训练样本进行处理，既保留了样本数据的有用信息，又简化了网络结构[5]。本文中通过实验得到17组 PAHs混合落液的荧光光谱数据，将其中3组作为预测样本，对其余14组的光谱数据进行线性拟合得出13组拟合数据，故训练样本包括实验数据和拟合数据一共27组。通过主成分分析将神经网络输入节点数从60个降到3个[6]；使用 MATLAB6.0建立神经网络模型进行预测，取得满意效果。
实验设计 1
1.1仪器与试剂
收稿日期：2009-12-02，修订日期：2010-03-06
基金项目：国家(863计划)项月(2006AA10Z214)资助
作者简介：局截藏，女，1980年生，西南科技大学网络信息中心讲师
·通讯联系人
万方数据
e-mail; shangliping@swust, edu. cn
样品配置：样品取葱、的标准溶液（以乙醇作为本底)[，采用均匀设计的方法(3]，取14个浓度组合作为训练样本，具体数据如表1所示；预测样本，如表2所示。
Table1
训练样本
I N 3 4
6 7
Table2
Concentration of the training samples (mg · L-1)
惠 0. 02 0. 02 0. 02 0. 1 0.1 0.1 0. 25
萨 0. 15 0. 35 0.5 0. 15 0. 35 0.5 0. 01
训练样本
8 9 10 11 12 13 14
0. 25 0. 25 0. 25 0. 4 0.4 0. 4 0. 4
0.15 0.35 0.5 0.01 0.15 0.35 0.5
Concentration of the prediction samples (mg · L-)
预测样本 2 3
光谱数据 1.2
蕙 0. 05 0.2 0.35
花 0. 25 0.1 0. 4
经多次实验确定该二组分PAHs溶液的最佳激发波长 e-mail; august805@sina, com, quweiwei@swust, edu, cn