证据理论组合模型用于三维荧光光谱水质分析

合集下载

水源水体溶解性机物(DOM)三维荧光特性研究

1 引言中国经济和城市化进程快速发展正在对饮用水水源产水量和水质产生双重响,同时对饮用水水质要求越来越高,水源水质问题倍受各界广泛关注。

溶解性有机质(D OM),是指存在于各种天然水体中如河流、湖泊、海洋、地下水、雨水等,可以通过0.45μm滤膜的天然有机质混合体,其组分包括腐殖酸、富里酸以及各种亲水性有机酸、羧酸、氨基酸、碳水化合物等。

水体中DO M的组成与质量对生物地球化学循环中营养元素活化,重金属和有机污染物迁移、转化及水体水生生态都有重要的影响。

水源水中溶解性有机物(DOM)含量相应逐渐升高,其成分也越来越复杂,传统给水处理工艺不能对其有效去除。

有研究表明,DOM 是水厂氯化消毒后产生具有致癌作用的三卤甲烷(THMs)消毒副产物(DBPs)的主要前驱物。

同时,进入管网后,部分DO M能被微生物新陈代谢所利用,可能导致水的色度和浊度的增加以及异氧菌的再繁殖,从而引发饮用水的生物稳定性问题。

各种给水处理工艺对于有机物的去除效率相差很大。

因此该领域的研究直接关系到饮用水水源水体溶解性机物(D O M )三维荧光特性研究①周珺程海涛(中煤西安设计工程有限责任公司陕西西安 710054)摘要:本文采用三维荧光光谱法对某城市几个水源水库表层水体DOM进行了研究,研究结果表明:不同水源水库表层水体DOM表现出不同荧光特性,溶解性有机物种类主要以富里酸为主(包括紫外区和可见区)。

因此,如何控制和降低水源水体富里酸含量,提高水厂净水工艺对富里酸的去除效率是保证饮用水水质的关键所在之一。

关键词:水源水体 DOM 三维荧光中图分类号:X 52文献标识码:Ａ文章编号:1674-098X(2011)11(b)-0001-02表1 原水常见有机物的荧光识别位置标志种类激发波长(E x)nm 发射波长(Em )nm U V 腐殖质 230 430A U V 腐殖质 260380～460 C 可见腐殖质 320～360 420～460 D 土壤富里酸 390 509 E 土壤富里酸 455521M 航运腐殖质290～310 370～410 N 浮游植物生产力相关 280 370 T蛋白质(色氨酸)275 340Fig.1 Locations of Ex/Em penks in 3DEEM for dissolved organic matters图1 DOM Ex/Em 峰在3DEEM图中的分布①作者简介:周珺,男,本科,毕业于长安大学给水排水专业,工程师,现任职于中煤西安设计工程有限责任公司,主要负责给排水设计。

一种利用三维荧光光谱特征信息对污染水体溯源分类识别的方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010350110.6(22)申请日 2020.04.28(71)申请人华夏安健物联科技（青岛）有限公司地址 266555 山东省青岛市黄岛区保税港区汉城路1号华乐大厦4楼厂房、附房7楼（B）(72)发明人杨宇红　王欣　高贝贝　何鹰　魏峨尊　(74)专利代理机构山东诚功律师事务所 37242代理人封代臣(51)Int.Cl.G01N 21/64(2006.01)(54)发明名称一种利用三维荧光光谱特征信息对污染水体溯源分类识别的方法(57)摘要本发明公开了一种利用荧光光谱特征对污染水体溯源分类识别的方法，该分类识别方法包含根据三维荧光光谱数据，提取其特征，构建基本荧光光谱数据库和特征荧光光谱数据库，用K -means算法构建荧光光谱聚类的基础模型，并将K -means聚类结果作为PNN概率神经网络的模式层和求和层进行训练，得到输入样本的所属类别。

在此基础上，利用该PNN神经网络对未知污水样本进行预测判定其归属类别。

为获得未知样本匹配信息，将该未知样本同类别中所有已知样本的基本荧光光谱数据，特征光谱数据纳入比对识别库中，用相似性比对计算，获得未知样本与同类别中所有已知样本的相似性匹配度，匹配项得分最高者为两个样本最佳匹配，得到未知样本的疑似溯源信息。

权利要求书4页说明书9页附图6页CN 111426668 A 2020.07.17C N 111426668A1.一种利用三维荧光光谱特征信息对污染水体溯源分类识别的方法，其特征在于，包括如下步骤：(1)信息调查：确定污水排放企业名称及所属行业、地理位置、主要产品及生产工艺、联系人；(2)样品采集与扫描：对采集的污染排放源的废水样品进行编号，用0.45微米滤膜过滤后上机扫描，获取其荧光光谱；对扫描后的污水样本进行稀释，再次扫描并获取其荧光光谱，样本的稀释倍数，按荧光峰强度的高低设置自动稀释；(3)数据处理：将上机扫描获得的荧光光谱数据消除瑞利散射、拉曼散射干扰，得到基本荧光光谱，将各个样本基本荧光光谱数据分别构建为发射波长—激发波长—荧光强度数据矩阵；(4)数据库：用数据处理得到的各个样本数据矩阵组成基本荧光光谱数据库，从基本荧光光谱数据库中的光谱数据提取特征信息，根据特征信息属性分为峰特征数据、平面特征数据和立体特征数据，并根据特征信息属性构建峰特征数据库、平面特征数据库和立体特征数据库；所述的峰特征数据库包括单峰库、双峰库、三峰库和多峰库；峰特征数据库中样本荧光峰为单峰的，由发射波长EM和激发波长EX组成；峰特征数据库中样本荧光峰为双峰的，由发射波长EM1、激发波长EX1、发射波长EM2和激发波长EX2组成；峰特征数据库中样本荧光峰为三峰的，由发射波长EM1、激发波长EX1、发射波长EM2、激发波长EX2、发射波长EM3和激发波长EX3组成，多峰库以此类推；所述的平面特征数据库包括从荧光光谱特征信息中提取荧光峰F的强度值Q，由该强度值Q获得的发射波长EM、激发波长EX构成峰中心坐标(EM,EX)，按样本荧光峰数目计算该样本的其它平面特征，所述的平面特征包括但不限于峰强度比、单峰的半峰宽、峰间距、峰峰连线与x轴间的夹角及多峰连线形成的三角形内角和各边斜率，计算时需要将不同量纲的荧光强度值Q、发射波长EM和激发波长EX进行归一化后进行，归一化的方法包括但不限于将(EM,EX,Q)转换为(x,y,z)；所述的峰坐标由峰强度Q、发射波长EM和激发波长EX构成；所述的峰中心坐标由发射波长EM和激发波长EX构成；对于单峰，从荧光光谱特征信息中提取荧光峰F1的强度值Q1、由发射波长EM和激发波长EX构成峰中心坐标F1(x1,y1)；取峰F1强度值Q1的一半时的发射波长值作为半峰宽坐标，即计算发射波长的变化(x2-x1)，并由此计算点和组成的三角形面积，计算各边长度，计算斜边与x轴的夹角α、计算斜边F1(x1,z1)和连线的斜率k；对于双峰，从荧光光谱特征信息提取荧光峰F1和F2，其荧光强度值分别为Q1和Q2、由发射波长EM和激发波长EX构成峰中心坐标分别为F1(x1,y1)和F2(x2,y2)，计算两荧光峰强度比Q1/Q2，计算两荧光峰中心坐标F1(x1,y1)和F2(x2,y2)之间的距离|F1F2|，并由此计算点F1(x1,y1)、F2(x2,y2)和p组成的三角形面积，p为水平穿过点F1(x1,y1)的直线与垂直穿过点F2(x2,y2)的直线的交点、三角形三个内角，计算F1(x1,y1)和F2(x2,y2)连线的斜率k；对于三峰，从荧光光谱特征信息提取荧光峰F1、F2和F3，其荧光强度值由大到小排列分和F3(x3,y3)，计算两两荧光峰强度比Q1/Q2、Q1/Q3、Q2/Q3，计算两两荧光峰中心坐标之间的距离|F1F2|、|F1F3|、|F2F3|，计算三角形F1F2F3面积、三角形的三个内角α、β和θ，三条边的斜率k1、k2和k3；对于多峰，即荧光峰有三个以上的样本，从荧光光谱特征信息提取荧光峰F1、F2、F3和F4，按荧光峰强度由大到小排列Q1、Q2、Q3和Q4，由发射波长和激发波长构成峰中心坐标，计算两两荧光峰强度比Q1/Q2、Q1/Q3、Q1/Q4、Q2/Q3……，计算两两荧光峰中心坐标之间的距离|F1F2|、|F1F3|、|F1F4|、|F2F3|、|F2F4|和|F3F4|，分别计算三角形F1F2F3和F1F2F4的面积、计算三角形F1F2F3的内角α、β、θ，计算三角形F1F2F4的内角σ、λ、ω，计算线段F1F2、F1F3、F1F4斜率k1、k2和k3，所述的立体特征数据库包括从荧光光谱特征信息中提取荧光峰F的强度值Q，由该强度值Q获得由发射波长EM、激发波长EX构成的峰坐标(EM,EX,Q)和峰中心坐标(EM,EX)，按样本荧光峰数目计算该样本的立体特征，所述的立体特征包括但不限于立方体的体积，计算时需要将不同量纲的荧光强度值Q、发射波长EM和激发波长EX进行归一化后进行，归一化的方法包括但不限于将(EM,EX,Q)转换为(x,y,z)；对于单峰，从荧光光谱特征信息中提取荧光峰F1的强度值Q1、由发射波长EM和激发波长EX构成峰中心坐标F1(x1,y1)，由发射波长EM、激发波长EX和荧光强度Q1构成荧光峰坐标F1(x1,y1,z1)；取峰F1强度值Q1的一半时的发射波长值作为半峰宽坐标，即计算发射波长的变化(x2-x1)，以此作为圆锥的半径，结合已知荧光峰值Q1，可以计算圆锥的体积V1；对于双峰，从荧光光谱特征信息中提取荧光峰F1和F2，其荧光强度值由大到小排列分别为Q1和Q2、由发射波长EM和激发波长EX构成峰中心坐标分别为F1(x1,y1)和F2(x2,y2)，由发射波长EM1、激发波长EX1和荧光强度Q1构成荧光峰F1坐标F1(x1,y1,z1)；由发射波长EM2、激发波长EX2和荧光强度Q2构成荧光峰F2坐标F2(x2,y2,z2)；计算最大荧光峰Q1的半峰宽及坐标，即当Q1值由z1变成0.5z1时，半峰高坐标为F1(x1,y1,0.5z1)，发射波长的变化(x11-x1)，即半峰宽坐标为F1(x11,y1,0.5z1)；根据4个空间坐标F1(x1,y1,z1)、F2(x2,y2,z2)、F1 (x1,y1,0.5z1)和F1(x11,y1,0.5z1)可以组成一个四面体，该四面体有4个面，6条棱，4个顶点，由此可以获得组成该四面体的空间结构各项参数，包括计算该四面体的6个棱的边长、6个二面角，计算该四面体的4个三面角、4个三角形面积，计算该四面体的体积；对于三峰，从荧光光谱特征信息中提取荧光峰F1、F2和F3，其荧光强度值由大到小排列分别为Q1、Q2和Q3、由发射波长EM和激发波长EX构成峰中心坐标分别为F1(x1,y1)、F2(x2, y2)和F3(x3,y3)，分别用a’、b’和c’表示；由发射波长EM1、激发波长EX1和荧光强度Q1构成荧光峰F1坐标F1(x1,y1,z1)；由发射波长EM2、激发波长EX2和荧光强度Q2构成荧光峰F2坐标F2 (x2,y2,z2)；由发射波长EM3、激发波长EX3和荧光强度Q3构成荧光峰F3坐标F3(x3,y3,z3)，三个坐标分别用a、b和c表示；将三个峰坐标点与三个峰中心坐标点相连组成一个多面体，该多面体可以看作由两个三角形abc和a’b’c’、三个四边形aa’b’b、aa’c’c和bb’c’c组成；该多面体可由一个截面分拆为一个四面体和一个下底面为四边形的四棱锥，计算四面体和四棱锥的体积；对于多峰，从荧光光谱特征信息中提取荧光峰F1、F2、F3和F4，其荧光强度值由大到小F2(x2,y2)、F3(x3,y3)和F4(x4,y4)，分别以a’、b’、c’和d’表示；由发射波长EM1、激发波长EX1和荧光强度Q1构成荧光峰F1坐标F1(x1,y1,z1)，以a表示；由发射波长EM2、激发波长EX2和荧光强度Q2构成荧光峰F2坐标F2(x2,y2,z2)，以b表示；由发射波长EM3、激发波长EX3和荧光强度Q3构成荧光峰F3坐标F3(x3,y3,z3)，以c表示；由发射波长EM4、激发波长EX4和荧光强度Q4构成荧光峰F4坐标F4(x4,y4,z4)，以d表示；将峰坐标点F1(x1,y1,z1)、F2(x2,y2,z2)、F3(x3, y3,z3)与峰中心坐标点F1(x1,y1)、F2(x2,y2)、F3(x3,y3)相连组成一个多面体，F1(x1,y1,z1)、F3(x3,y3,z3)、F4(x4,y4,z4)与峰中心坐标点F1(x1,y1)、F3(x3,y3)F4(x4,y4)相连组成另一个多面体；即由四峰组成的多面体可以拆分为两个小的多面体；对于上述多峰拆分的两个多面体的处理方法可以与三峰形成的一个多面体的处理方法一样，即首先把多面体拆分为一个四面体和一个四棱锥，然后分别对四面体和四棱锥的体积进行计算；(5)聚类：根据特征荧光光谱库中的单峰、双峰、三峰以及多峰数据，分别使用K-means 算法进行聚类；对于单峰，将所有N1个单峰样本的峰中心坐标，即发射波长EM和激发波长EX组成单峰特征数据库，设定类别K1的数目K1<＝N1，用K-means算法通过反复迭代运算，逐步降低目标函数的误差值，求得满足方差最小标准的K1个聚类，这个聚类结果被当作单峰类聚类结果；对于双峰，将所有N2个双峰样本的峰中心坐标，按峰强度高低排列，如F1>F2，即峰F1发射波长EM1、激发波长EX1和峰F2发射波长EM2、激发波长EX2组成双峰特征数据库，设定类别K2的数目K2<＝N2，用K-means算法通过反复迭代运算，逐步降低目标函数的误差值，求得满足方差最小标准的K2个聚类，这个聚类结果被当作双峰类聚类结果；多于双峰的情况参照上述处理方法，获得多峰聚类结果；(6)分类：在获得聚类结果的基础上，将聚类结果引入神经网络模式层构建概率神经网络，即PNN神经网络，该PNN神经网络分为4层：第一层输入层，将特征向量传入网络，输入层个数就是样本特征的个数，以样本荧光峰数目为特征，以单峰、双峰、三峰或多峰的发射波长和激发波长为特征向量；第二层模式层，计算输入特征向量与训练集中各个模式的匹配程度，也就是相似度，将其距离送入高斯函数得到模式层的输出，模式层神经元的个数是输入样本矢量的个数，也就是有多少个样本，该层就有多少个神经元，该模式层可以是样本通过K-means算法聚类得到的，但不限于使用K-means算法得到；第三层求和层，将各个类的模式层单元连接起来，这一层的神经元个数是样本的类别数目，即用K-means算法得到的类别；第四层输出层，输出求和层根据各类对输入向量概率的估计，采用Bayes分类规则，选择具有最小“风险”的类别，即具有最大后验概率的类别，作为得分最高的那一类输出；(7)识别比对：对未知企业污水样本在获取三维荧光光谱数据后，经过与上述过程相同的数据处理计算，得到峰特征数据、平面特征数据和立体特征数据，用已构建好的PNN神经网络，对未知企业污水样本峰特征数据进行概率神经网络预测分类，获得该样本的分类结果，由于该分类样本中荧光峰特征信息相似，必须通过其它特征信息的相似性比对计算，才能获得最终的未知企业与疑似企业污水识别比对的结果，因此将该类别中所有已知样本的基本荧光光谱数据，特征光谱数据纳入比对识别库中，借助于相似性比对计算，获得未知样本与同类别中所有已知样本的相似性匹配度，将所有相似匹配项的得分值相加，得分最高者为两个样本最佳匹配，即可获得未知样本的疑似溯源信息。

毕业论文-基于三维荧光光谱的水中有机物特征提取

基于三维荧光光谱的水中有机物特征提取摘要水中有机物的特征提取对于环境监测、生物、医学、化学等领域有着重要意义，而传统的方主要是化学分离法，这种方法由于耗时长、污染大，难以满足实时在线监测的需要。

而三维荧光光谱分析法由于具有灵敏度高、信息量大、选择性好、能对多组分同时分析及在线分析等优势，而在环境监测、食品安全、医学等领域得到了广泛应用。

三维荧光光谱法是鉴别物质种类的重要方法之一。

论文在总结三维荧光光谱分析发展现状的基础上，选取了快速、通用、精确的平行因子法作为光谱分析方法。

并采用小波包变换对原始数据进行了压缩，进一步的减少了运算量，从而提高了运算速度。

本课题在MATLAB平台下首先对仿真三维荧光光谱数据进行自适应的小波包压缩，针对压缩数据，采用平行因子法得出各组分的特征和相对浓度得分；然后对获取的实测三维荧光光谱数据进行去噪、小波包压缩，并基于平行因子法得出各组分的特征和相对浓度得分。

实验结果表明应用小波包压缩和平行因子法进行三维荧光光谱特征提取具有较高准确性，可以有效减少数据处理量，提高运算速度。

关键字：三维荧光光谱；平行因子法；小波压缩；特征提取ABSTRACTIn fields such as environmental monitoring, biology, medicine and chemistry, it is significant to extract features of organics in the water. Since the traditional extracting method, chemical separation, is time-consuming and contaminative, it can hardly meet the need of real-time online monitoring. In contrast, the three-dimensional fluorescence spectrometry is widely used in fields of environmental monitoring, food safety, medicine, etc. for it is sensitive, informative as well as readily available, and it can be conducted online and simultaneously on different sets of data.The three-dimensional fluorescence spectrometry is an important method for identifying types of substances. In this paper, the status quo of the three-dimensional fluorescence spectroscopy is summarized. Accordingly, the speedy, universal, accurate parallel factor analysis is adopted as a spectral analysis method. In addition, raw data is compressed by wavelet packet transformation, thereby further reducing the computational complexity and improving the operation speed.This project is carried out in MATLAB. At first, simulated three-dimensional fluorescence spectroscopy data is compressed by self-adapting wavelet packet transformation, then, features and relative concentration of components are obtained by parallel factor analysis. Afterwards, observed three-dimensional fluorescence spectroscopy data undergoes a process of denoising and wavelet packet compression, then, features and relative concentration of components are secured by parallel factor analysis. The experimental result shows that the application of wavelet packet compression and parallel factor analysis bears higher accuracy and conduces to simplified computation and accelerated operation.Key words:Three-Dimensional Fluorescence Spectrum, PARAFAC, Wavelet compression, Feature extraction目录前言 (6)第一章绪论 (1)第1.1节引言 (1)第1.2节水中有机物的光学识别分类 (1)1.2.1 基于紫外光谱的有机物识别 (1)1.2.2 基于二维荧光光谱的有机物识别 (2)1.2.3 基于三维荧光光谱的有机物识别 (2)第1.3节三维荧光光谱技术的发展现状 (2)1.3.1 三维荧光光谱预处理 (3)1.3.2 三维荧光光谱分析方法 (3)第1.4节课题研究意义及主要内容 (6)1.4.1 课题研究意义 (6)1.4.2 课题主要研究工作 (7)第二章荧光光谱特征提取方法 (8)第2.1节荧光光谱的基本原理 (8)第2.2节三维荧光光谱技术 (8)2.2.1 激发光谱 (9)2.2.2 发射光谱 (9)2.2.3 三维荧光光谱 (9)2.2.4 三维荧光光谱的优点 (10)2.2.5 基于平行因子法的三维荧光光谱分析 (10)第2.4节本章小结 (12)第三章基于小波包变换的数据滤噪和压缩方法 (13)第3.1节小波变换的基本理论与原理 (13)3.1.1 小波变换定义 (13)3.1.2 离散小波变换 (13)3.1.3 小波包变换的基本原理 (14)第3.3节基于小波包变换的滤噪方法 (16)第3.4节基于小波变换的压缩方法 (19)3.4.1 基于小波变换的数据量压缩 (19)3.4.2 基于小波包变换的存放数据量压缩 (19)第3.5节本章小结 (20)第四章三维荧光光谱特征提取设计 (21)第4.1节软件总体方案 (21)第4.2节基于小波包变换的滤噪模块设计 (21)第4.3节基于小波包变换的压缩模块设计 (22)4.3.1 基于小波变换的数据量压缩 (22)4.3.2 基于小波包变换的存放数据量压缩 (23)第4.4节基于平行因子法的三维荧光光谱分析模块 (24)第4.5节本章小结 (25)第五章实验结果 (26)第5.1节仿真数据 (26)第5.2节仿真数据实验结果 (27)5.2.1 平行因子法分解结果 (27)5.2.1 小波包变换压缩后平行因子法分解结果 (29)第5.3节实测数据实验结果 (32)5.3.1 散射光的除去 (33)5.3.2 基于小波包变换的滤噪和压缩 (35)5.3.2 平行因子法分解结果 (36)第5.5节本章小结 (41)第6章结论 (42)参考文献 (43)致谢 (45)附录一MATLAB平行因子法 (46)附录二MATLAB基于小波包变换的滤噪和压缩算法 (48)前言随着人类社会的不断发展，石油开采及利用规模的不断扩大，海洋和河流航运的频繁，工业废水、生活污水、农业排水及其他废物的排放量逐年增加。

三维荧光区域积分评估城市污水中溶解性有机物去除

三维荧光区域积分评估城市污水中溶解性有机物去除三维荧光区域积分评估城市污水中溶解性有机物去除一、引言城市污水中溶解性有机物的去除是公共卫生和环境保护的重要任务。

溶解性有机物包括各种有机气体、有机溶剂和有机酸等，它们的存在不仅影响水体的水质，还可能对人体健康造成威胁。

因此，开展针对溶解性有机物的去除研究具有重要意义。

二、溶解性有机物的特征与去除方法溶解性有机物具有复杂的化学特性和多样的来源，常常包含许多具有不同极性的化合物。

根据其化学特性，溶解性有机物可以分为脂肪烃、芳香烃、有机酸和醇等类别。

传统的污水处理方法如物理、化学处理等能够去除部分溶解性有机物，但效果不尽如人意。

因此，研究新的去除方法势在必行。

三、三维荧光区域积分技术的原理三维荧光区域积分技术是一种基于光学原理的新型分析方法。

它通过激发样品中的有机物分子，利用荧光发射光谱得到有机物的特征信息。

在三维光谱图中，每一个荧光峰代表了不同类型的有机物。

通过对荧光峰的强度和位置进行分析，可以定量研究样品中的溶解性有机物。

四、三维荧光区域积分技术在城市污水处理中的应用通过三维荧光区域积分技术的应用，研究人员可以对城市污水中的溶解性有机物进行全面的评估。

首先，收集不同地区、不同时期的污水样品，并进行三维荧光区划。

其次，通过比对不同样品的荧光峰位置和强度，可以了解污水在不同地区和不同时期的有机物组成差异。

最后，根据荧光峰的强度变化，可以评估各种处理方法对溶解性有机物的去除效果。

五、三维荧光区域积分技术的优势与局限性与传统的分析方法相比，三维荧光区域积分技术具有许多优势。

首先，它能够同时测量多种有机物，提高分析效率。

其次，无需复杂的预处理步骤，可以直接对样品进行分析。

此外，该技术还具有灵敏度高、数据可重复性好的特点。

然而，该技术仍存在一些局限性，如对样品的净化要求较高，不能直接适用于高浓度有机物的分析等问题。

六、未来研究方向在未来，三维荧光区域积分技术有望在城市污水处理中得到更广泛的应用。

三维荧光结合荧光区域积分法评估净水厂有机物去除效果

给水排水Ｖｏｌ．３８Ｎｏ．１０２０１２
发射波长所形成的二维荧光区域分成了５个部代表５种不同类型的有机物，包括：芳香蛋白分，类物质Ⅰ、芳香蛋白类物质 Ⅱ、富里酸类物质、溶解性微生物代谢产物以及腐殖酸类物质，见表１和图２。然后通过积分计算特定荧光区域的积分，体积（即具有相似性质有机物的累积荧光强ｉ）度，最后对ｉ进行标准化，得到特定荧光区域积，分标准体积（从而反映了这一区域的特定结ｉ，ｎ）构有机物的相对含量，相关计算公式见式（１）～。式（３）
［３］等提出，已经成功用于水ＦＲＩ方法由Ｃｈｅｎ１［１４～１６］。Ｆ体三维荧光光谱的解析ＲＩ方法将激发、
。
大量研究表明，三维荧光光谱技术可以成功地应用于环境水体中溶解性有机物（的识别和ＤＯＭ）
４，５］６，７］、、已较为广泛地用于河流［湖泊［地下解析，
）。国家水体污染控制与治理科技重大专项（２００８ＺＸ０７４２１００２－
Байду номын сангаас
等常用水质指标无法对水处理过程中有机物的去除情况进行充分的评估。近年来在水处理行业中逐步作为有机物去除的指标，开始采用总有机碳（ＴＯＣ）但Ｔ对ＯＣ只能衡量水体中总有机碳的去除情况，于水体中有机物的构成和分类去除状况则无法有效表达。三维激发 — 发射荧光光谱（ＴｈｒｅｅＤｉｍｅｎｓｉｏｎＦｌｕ－

基于能值理论的河南省三维水生态足迹评价与预测

基于能值理论的河南省三维水生态足迹评价与预测作者：李嘉欣彭少明朱永楠李卓成来源：《人民黄河》2023年第12期摘要：为有效评估河南省水资源供需水平和水资源消耗强度，量化评价区域水资源利用状况，将能值理论与三维生态足迹模型相结合，构建三维能值水生态足迹模型，评价了２００８—２０２０年河南省能值水生态足迹广度和深度度量的水資源利用时空变化，预测了河南省２０２１—２０３０年人均能值水生态足迹。

结果表明：时间尺度上，研究期内河南省多年人均能值水生态足迹广度为０．０７ｈｍ２、能值水生态足迹深度为１．７６，总体变化趋势呈Ｍ形，在２０１３年、２０１９年达到峰值，分别为２．４２和２．６８；空间尺度上，人均能值水生态足迹与能值水生态足迹均显著正相关，其中人均能值水生态足迹广度南高北低，能值水生态足迹深度南低北高；预测２０２１—２０３０年河南省人均能值水生态足迹仍呈缓慢增加趋势，２０３０年将增大到０．１１７ｈｍ２。

关键词：能值理论；水生态足迹；空间自相关；灰色预测；河南省中图分类号：ＴＶ２１３．４文献标志码：Ａｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－１３７９．２０２３．１２．０１４引用格式：李嘉欣，彭少明，朱永楠，等．基于能值理论的河南省三维水生态足迹评价与预测［Ｊ］．人民黄河，２０２３，４５（１２）：７６－８２．水资源是基础性自然资源和战略性经济资源，也是生态与环境的控制性要素。

系统评价并量化区域水生态足迹是合理配置水资源、实现水资源可持续利用及高质量发展的重要基础。

１９９２年ＷｉｌｌｉａｍＲｅｅｓ创立的生态足迹分析法，用统一的消费标准度量区域可持续发展程度［１］，被广泛应用于人地关系及区域可持续能力核算。

学者们围绕区域可持续发展评价指标［２－３］、区域功能差异［４］和区域比较优势［５］开展了大量研究，将以能量分析为核心的能值分析理论与生态足迹分析法相结合［６］，从热力学与能量传递规律的角度对生态足迹和生态承载力进行诠释［７］。

浮游植物活体三维荧光光谱特征提取

浮游植物活体三维荧光光谱特征提取游植物作为洋流的重要组成部分，对海洋环境的影响巨大，而获取浮游植物的三维荧光光谱特征可以帮助我们了解它们的生长状况、环境变化和生态系统功能。

随着荧光技术的发展，活体浮游植物三维荧光光谱特征提取技术成为当前研究的热点。

荧光技术应用于浮游植物的三维荧光特征提取是一个复杂的过程，尤其是研究单个植物体的特征提取更是复杂和繁琐。

首先，在物理采集前需要收集大量的信息，并确定植物的位置及其三维形状，以提高采集的精度和效率。

其次，根据植物的三维形状，实时调节照射光源的位置来确定其荧光特征。

此外，对不同植物体，需要调节不同的照明参数，获得更精确的荧光数据。

最后，三维荧光光谱模型建立和参数优化也是一个重要的工作。

目前，学者们在活体浮游植物三维荧光特征提取方面已经取得了许多成果。

有些研究采用相机和激光来获取植物体的三维形状，例如，英国富比士大学的研究人员使用可控激光来收集浮游植物的三维荧光信息，能够进行多次照射，并能够获取单个植物体及其特征。

此外，在采集植物三维荧光信息的过程中，还利用图像处理技术，可以更好地还原植物形状，从而使采集到的荧光信息更加精确。

此外，学者们还基于荧光成像分析技术，从不同的角度，发展出一系列新的活体浮游植物三维荧光特征提取方法，来更全面地定量反映植物的生长动态和生态功能。

其中，以全像片荧光技术（MIF）为代表的三维图像技术，其高空间分辨率、高光谱分辨率和高亮度分辨率使其成为一种理想的技术，能够精确地捕捉植物体的三维荧光特征。

在实验中，MIF技术配合其他技术，如分布式光谱域实时处理（DRTP），分析技术等，实现活体浮游植物三维荧光特征提取。

此外，由于MIF技术可以进行多次新鲜照射，因此，能够精确地测量复杂的植物体的三维荧光特征，因此，它可以极大地提高特征提取的准确性和可靠性。

综上所述，浮游植物的三维荧光光谱特征提取是一项复杂而重要的研究，目前，学者们已经利用荧光技术和图像技术，以及其他分析技术，研发出了一系列用于活体浮游植物三维荧光特征提取的新技术，这些技术可以帮助我们更准确地了解浮游植物的生长特征，从而更好地为海洋环境保护提供有力的技术支持。

证据理论的广泛应用和不足(仅供参考)

在现实生活中，国家、政府、企业和个人都离不开决策，决策是人类社会的一项基本活动，小到个人选择上班路线，大到国家分配有限的社会资源，都是一个决策的过程。

决策存在于社会经济系统、生产系统、工程系统，乃至生活的各个方面，决策结果对于整个工作或全局行动的成败起着至关重要的作用。

任何决策都是人对事物的评价和选择，都是建立在人类对客观事物的认识和人类改造客观世界的实践基础之上，由于客观世界的不确定性、模糊性、变化性、多样性等，导致人们主观认识上的种种不足与误差，加上决策过程中时间的有限性和决策者认识的局限性，决定了决策的复杂性。

因此，在现实决策中，决策者获得的信息往往是不完整的、不精确的，甚至是矛盾的。

根据人们获得的决策信息的完整性，决策可以分为确定性决策和不确定性信息决策[1]。

证据理论是对概率论的一种扩展，在不需要得知先验概率分配的前提下，以简单的形式推出较好的融合结果，因此采用证据理论进行决策的关键在于两点：一是构造一个合适的基本概率分配函数；而是选择一个合理的证据合成公式和方案排序准则。

证据理论广泛的应用于不完全信息决策领域，如图像识别、模式识别、故障诊断、专家系统、风险评估等。

国内外学者的研究已经证明，证据理论能够有效地解决属性值不完全、属性权重信息不完全或者效用函数未知的不完全信息多属性决策问题。

目前关于证据理论的研究，主要集中在以下几个方面：理论研究，如冲突证据的合成问题，相关证据的合成问题等；证据理论的扩展问题，主要是把证据理论引入不完全信息多属性决策中，如证据理论与其他决策方法的结合使用，如与神经网络网络方法的结合使用，与AHP方法的结合使用等；实践应用研究，如证据理论在面相识别、故障诊断、遥感分类、水质监测、决策评价、信用评估中的应用研究等。

本文将重点研究冲突证据的处理问题和证据理论在不完全信息多属性决策中的应用问题。

用基于证据理论的信息融合方法，进行目标识别、检测和分类有很多优点。

它不需要任何先验信息和条件概率，能成功地将“不确定”、“未知”等认知学上的重要概念引入到融合模型中。

水库型河流溶解有机物三维荧光光谱的平行因子分析解读

）摘要利用三维荧光光谱（并结合平行因子分析（模型，研究了２水库型”ＥＥＭｓＰＡＲＡＦＡＣ）００８年６月“河流闽江中溶解有机物（的荧光组分特征及其分布变化，以探讨河流ＤＤＯＭ）ＯＭ的来源、动力学过程及主（／、（／要控制因素。闽江Ｄ与类蛋白质组分ＯＭ包括类腐殖质组分Ｃ１５０，３２５４２４ｎｍ）Ｃ２２７０，３９５４８２ｎｍ）＜２
３
·闽江是福建省最大的河流，多年平均流量为１９８０ｍ－１１５］
，上游有建溪、富屯溪和沙溪三条支流［，它们在南平ｓ
附近汇合后，注入近百公里长的水口水库，表现出典型的
Ｆｉ．１ＳａｍｌｉｎｍａｏｆＭｉｎｉａｎｒｉｖｅｒｇｐｇｐｊｇ
，修订日期：２０１００３２６２０１００６２８收稿日期：－－－－
，新世纪优秀人才支持计划项目，福建省环保局科技计划项目闽环科项目４０７７６０４１，４０８１００６９００４）基金项目：国家自然科学基金项目（
：／（）中图分类号：Ｏ６５７．３文献标识码：ＡＤＯＩ１０．３９６４０５９３２０１１０２０４２７０４．ｉｓｓｎ．１０００－－－ｊ
“水库型”河流特征。本文利用ＥＥＭｓＡＲＡＦＡＣ手段鉴别和－Ｐ
引言
河流连接着陆地和海洋两大生态系统，是陆源物质向海
１，２］
。河流的有机碳通量是流域内地貌、洋输送的重要途径［
过滤，收集滤液于６０ｍＬ棕色玻璃瓶中，冷冻避光保存，用于荧光和吸收光谱测定。１．２样品的测定
１．２．１三维荧光光谱分析及其平行因子分析
）采用Ｃ美国，Ｖ进行ａｒＥｃｌｉｓｅ荧光分光光度计（ａｒｉａｎｙｐ三维荧光光谱测定，配以１ｃｍ石英比色皿。以Ｍｉｌｌ－Ｑ水为－１
，激发和空白，进行荧光扫描。扫描速度：１９２０ｎｍ·ｍｉｎ发射单色仪的狭缝宽度分别为１０和５ｎｍ，扫描光谱进行仪器自动校正。激发波长（范围从２Ｅｘ）２０～４５０ｎｍ，增量５范围从２ｎｍ；发射波长（Ｅｍ）３０～６００ｎｍ，增量２ｎｍ。

三维荧光光谱法测定水中氯苯的研究

三维荧光光谱法测定水中氯苯的研究于海斌;王业耀;宋存义【摘要】对三维荧光光谱法测定水中氯苯(简称CB)进行了研究.研究表明,CB的三维荧光谱图只有一个荧光峰,该峰位于激发波长(λex)210～240 nm、发射波长(λem)330～370 nm范围内.当CB溶液浓度为0.002～0.05 mg·L-1时,λex/λem 为225/340 nm处荧光强度最大.在此波长处,荧光强度与浓度呈很好的线性相关,相关系数为0.999 67,表明三维荧光光谱法可用于定量分析水中的CB.该方法在置信水平为90%时的检出限为3.68×10-6mg·L-1,标准偏差为0.04%.%Quantitative analysis of chlorobenzene (CB) in water by three-dimensional fluorescence spectrometry was discussed in the present paper. The study showed that there is only one fluorescence peak for CB which lies in the range of excitation wavelength (λex) 210～240 nm and emission wavelength (λem) 330～370 nm. When measuring CB solution of concentration 0.002～0.05 mg·L-1 , the fluorescence intensity was the strongest as λex/λem was 225/340 nm, which presented linear correlation with concentration, and the related coefficient was 0.999 67. The study proved that three-dimensional fluorescence spectrometry can be adopted for quantitative analysis of CB in water. With this method, the detection limit was 3.68×10-6 mg·L-1 and the standard deviation was 0.04％ at 90％confidence level.【期刊名称】《光谱学与光谱分析》【年(卷),期】2011(031)007【总页数】5页(P1823-1827)【关键词】三维荧光光谱;氯苯;荧光强度;定量分析【作者】于海斌;王业耀;宋存义【作者单位】北京科技大学土木与环境工程学院,北京100083;中国环境监测总站,北京100012;北京科技大学土木与环境工程学院,北京100083【正文语种】中文【中图分类】X830.2氯苯作为农药和化工生产中的中间体,广泛应用于化工、制药、农药、塑料、军工、有机合成等行业[1]。

基于证据理论的装备保障信息融合模型

ＺＨＯＵＷｅｉ－ｚｈｕ，ＨＵＡＮＪｉｎｇ
（ＮａｖａｌＡｖｉ￣ｉｏｎＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅ，Ｙａｎｔａｉ２４０６０１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｕｎｃｅｒｔａｉｎｏｆｅｑｕｉｐｍｅｎｔｓｕｐｐｏｔｉｒｎｆｏｒｍａｔｉｏｎａｎｄｈｉｇｈｅｒｒｏｒｗｈｉｌｅｍａｋｉｎｇ
ｄｅｃｉｓｉｏｎｗｉｔｈｓｉｎｇｌｅｉｎｆｏｒｍａｔｉｏｎｓｏｕｒｃｅ，ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓＤＳｍＴａｒｉｔｈｍｅｔｉｃｉｎｔｏｆｕｓｉｎｇｏｆｅｑｕｉｐｍｅｎｔｓｕｐｐｏｔｒｉｎｆｏｒｍａｔｉｏｎ，ｐｒｏｐｏｓｅａｎｅｗｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎｍｏｄｅｌｆｏｒｅｑｕｉｐｍｅｎｔｓｕｐｐｏｔ，ｒｄｅｓｃｉｂｒｅｓｔｈｅ
Ｉ（ｙ）＋ｍ２（Ｘ）ｍ２（Ｙ）＋（）Ｊ
１ＤＳｍＴ理论
ＤＳｍＴ理论由Ｄｅｚｅｒｔ、Ｓｍａｒａｎｄａｃｈｅ等提出［７－８］，是Ｄ — Ｓ证据理论（Ｄｅｍｐｓｔｅｒ — Ｓｈａｒｅｒｅｖｉｄｅｎｔｉａｌｔｈｅｏｒｙ）的拓展，区别于ＤＳ证据理论只在识别框架中表示

三维荧光与高分辨率质谱技术在溶解性有机物结构解析中的研究进展

三维荧光与高分辨率质谱技术在溶解性有机物结构解析中的研究进展罗崇佳;陈浩;廖振良【摘要】三维荧光光谱耦合平行因子分析技术(EEM-PARAFAC)可解析溶解性有机物结构,但目前对PAR AFAC拟合组分的性质尚不了解,高分辨率质谱能从分子层级解析溶解性有机物结构;本文总结近年来三维荧光光谱技术(EEM-PARAFAC)及高分辨率质谱技术(FT-ICR-MS)用于溶解性有机物研究进展,介绍了两种技术的表征方法和应用情况,分析了两种技术的发展、联系以及目前面临的问题与挑战.【期刊名称】《能源环境保护》【年(卷),期】2018(032)005【总页数】6页(P1-6)【关键词】溶解性有机污染物;三维荧光光谱;FT-ICR-MS【作者】罗崇佳;陈浩;廖振良【作者单位】同济大学,上海200092;上海市环境科学研究院,上海200233;同济大学,上海200092【正文语种】中文【中图分类】X83溶解性有机物（Dissolved Organic Matter,DOM）是一类具有复杂化学结构的多源成分混合物，在自然环境系统循环中起到重要作用[1]。

DOM的组分结构特征与其来源高度相关，对DOM组分结构的研究有助于解析污染物来源，探究DOM迁移转化规律，以及对水环境质量的影响 [2-5]。

但DOM的分子量、化学结构以及官能团都具有很大的分布范围，难以对其结构进行准确详尽的表征。

因此对DOM组成的表征和分析成为相关研究的关键所在。

近年来，三维荧光光谱（Three-dimensional Fluorescence Spectroscopy）技术广泛应用于水体、土壤中DOM的表征，这种技术具有快速、灵敏度高、前处理简单的优点[6,7]。

随着分析方法的发展，平行因子分析法（Parallel factor analysis,PARAFAC）可将荧光峰分解为若干荧光拟合组分，可更清晰地分析发色荧光峰的组成；但三维荧光光谱技术本身存在干扰效应、荧光峰重叠、荧光猝灭等因素影响的问题，致使目前对PARAFAC拟合组分的性质尚不清楚。

基于三维荧光光谱技术的水质有机物检测方法研究硕士学位论文

中图分类号：X83论文编号：HBLH2014-204U D C：密级：公开硕士学位论文基于三维荧光光谱技术的水质有机物检测方法研究作者姓名：周燕学科名称：控制理论与控制工程研究方向：检测与控制技术及智能装置学习单位：河北联合大学学习时间: 2.5年提交日期:2013年12月9日申请学位类别：工学硕士导师姓名：陈至坤教授单位：河北联合大学电气工程学院论文评阅人：赵春祥研究员单位：唐山亿立科技开发有限公司王福斌高工单位：河北联合大学电气工程学院论文答辩日期：2014年3月3日答辩委员会主席：赵春祥研究员关键词：微量石油类有机物；三维荧光光谱技术；平行因子分析法；成分检测唐山河北联合大学2014年3月Study of Detection Method of Water Quality Organic Based on Three-Dimensional Fluorescence SpectraTechnologyDissertation Submitted toHebei United Universityin partial fulfillment of the requirementfor the degree ofMaster of Science in EngineeringbyZhou Yan(Control Theory and Control Engineering)Supervisor: Professor Chen ZhikunMarch, 2014独创性说明本人郑重声明：所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。

尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得河北联合大学以外其他教育机构的学位或证书所使用过的材料。

与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。

论文作者签名：日期：年月日关于论文使用授权的说明本人完全了解河北联合大学有关保留、使用学位论文的规定，即：已获学位的研究生必须按学校规定提交学位论文，学校有权保留、送交论文的复印件，允许论文被查阅和借阅；学校可以将学位论文的全部或部分内容采用影印、缩印或编入有关数据库进行公开、检索和交流。

三维荧光光谱技术对污水处理中溶解性有机物转化过程的分析

Ａｎａｌｙｓｉｓｏｆｄｉｓｓｏｌｖｅｄｏｒｇａｎｉｃｍａｔｔｅｒｔｒａｎｓｆｏｒｍａｔｉｏｎｉｎｗａｓｔｅｗａｔｅｒｔｒｅａｔｍｅｎｔｐｒｏｃｅｓｓｂｙｔｈｒｅｅｄｉｍｅｎｓｉｏｎａｌｆｌｕｏｒｅｓｃｅｎｃｅ
Ａｂｓｔｒａｃｔ：Ｔｒａｎｓｆｏｒｍａｔｉｏｎｏｆｄｉｓｓｏｌｖｅｄｏｒｇａｎｉｃｍａｔｔｅｒ（Ｄ０Ｍ）ｗａｓａｎａｌｙｚｅｄｉｎｗａｓｔｅｗａｔｅｒｔｒｅａｔｍｅｎｔｐｒｏｃｅｓｓｂｙ
ｔｈｒｅｅｄｉｍｅｎｓｉｏｎａｌｆｌｕｏｒｅｓｃｅｎｃｅｓｐｅｃｔｒａｔｅｃｈｎｏｌｏｇｙ．ＴｈｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｆｌｕｏｒｅｓｃｅｎｃｅｉｎｔｅｎｓｉｔｙｏｆＤＯＭａｎｄＣＯＤｃｏｎｃｅｎｔｒａｔｉｏｎｗｅｒｅａｌｓｏｄｉｓｃｕｓｓｅｄ．Ｔｈｅｒｅｓｕｌｔｓｏｆｔｈｒｅｅｄｉｍｅｎｓｉｏｎａｌｆｌｕｏｒｅｓｃｅｎｃｅｓｐｅｃｔｒａｒｅｖｅａｌｅｄｔｈａｔｔｈｅｒｅｗｅｒｅｔｈｒｅｅ
张华等三维荧光光谱技术对污水处理中溶解性有机物转化过程的分析

3证据理论组合公式的分析与改进

的焦点元素能量函数（定义 4）、相关焦元冲突能量函数（定
义 5）来分配。
定义 4 E( A) = m( A) A
（7）
其中， A 为识别框架中的焦点元素， A 为焦点元素的基数，
这就是焦点元素的能量函数。定义 5 设 m1 与 m2 为识别框架Θ上的两个独立证据，Ω
为Θ的幂集，Ai、Bj（ i, j = 1,2,", n ）分别为两个独立证据的
作者简介：杨海峰(1974—)，男，博士生，研究方向：信息融合；侯朝桢，教授、博导定稿日期：2004-03-11 E-mail：yhf1974@
—21—
2 D-S 证据组合公式失效分析及改进
2.1 公式失效分析作为对 D-S 证据理论的质疑，Zadeh 提出了如下悖论[4]：
为Θ的幂集，A、B 为幂集中的元素，则这两个证据组合后得
到的组合证据为：
∑ m12 (C) = k −1
m1( A)m2 (B)
A∩B=C
其中，k 为归一化常数
（1）
∑ k = 1 − m1( A)m2 (B) A∩B=φ
（2）
这就是著名的 Dempster-Shafer 证据组合公式，利用它进
行多证据组合式进行不确定推理的关键。
为了在融合中消除冲突量，Dempster 通过归一化过程将冲突
量按照一定比例分配在处于两证据命题交集之中的命题上，
但由于信任量分配的不合理导致了违反直觉的融合结果。 Yager 与 Sments 分别对此进行了研究，Yager[5]提出的方法是
将冲突量分配给全集，即分配在所有元素中，而不像原来那样仅仅分配在焦元集合上；Sments[6]则认为导致融合结果不
Analysis and Improvement on the Formula of