第４３卷，第３期光谱学与光谱分析Ｖｏｌ．４３，Ｎｏ．３，ｐｐ８６１－８６６２０２３年３月ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓＭａｒｃｈ，２０２３基于ＭＬ－ＰＣＡ－ＢＰ模型的多环芳烃拉曼光谱定量分析尹雄翼１，石元博１＊，王胜君２，焦仙鹤２，孔宪明２１．辽宁石油化工大学人工智能与软件学院，辽宁抚顺１１３００１２．辽宁石油化工大学石油化工学院，辽宁抚顺１１３００１摘要芘作为多环芳烃（ＰＡＨｓ）类物质广泛存在于自然环境中，亲脂性强，对人体有致癌影响。因此，食用油中芘的含量的判定对品质的把控具有深远的意义。采用拉曼光谱与人工智能算法相结合进行多环芳烃的定量分析是当前的一个研究热点。将一毫升食用油与不同固定浓度的芘液体混合制作样本，然后制作薄层色谱板与金粒子，采用薄层色谱和表面增强拉曼散射（ＳＥＲＳ）光谱相结合的方法进行实验获得光谱数据，选取自适应迭代加权惩罚最小二乘算法进行预处理，再采用Ｍｕｌｔｉｐａｒａｍｅｔｅｒ－ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ－ＢａｃｋＰｒｏｐａｇａｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ模型方法进行定量分析。该模型首先在预处理后的光谱中选取两个特征峰进行分峰拟合获取特征峰的高度、半高宽、面积等参数。将两个特征峰的拉曼数据与通过拟合获取的参数进行归一化再采用主成分分析获取关键参数，将获取的关键参数作为输入层输入基于Ｌ２正则化的ＢＰ神经网络中，输出预测浓度。实验分别采用不同的算法进行浓度预测，实验结果表明，通过偏最小二乘算法预测的芘浓度，其测试集决定系数Ｒ２为０．５８，均方根误差（ＲＭＳＥＣ）为１．８５；采用线性回归拟合特征峰面积与浓度的规律最终预测的芘浓度，其测试集决定系数Ｒ２为０．２６，均方根误差（ＲＭＳＥＣ）为２．２８；采用Ｍｕｌｔｉｐａｒａｍｅｔｅｒ－ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ－ＢａｃｋＰｒｏｐａｇａｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ模型预测芘浓度，其测试集决定系数Ｒ２为０．９９，均方根误差（ＲＭＳＥＣ）为０．３１，Ｍｕｌｔｉｐａｒａｍｅｔｅｒ－ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ－ＢａｃｋＰｒｏｐａ－ｇａｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ模型预测精准度更高，误差更小。模型是针对光谱数据信息与样本浓度之间非线性、高维度的关系，而建立的预测精度及建模效率均高于同类对...
