CN101976331A - 一种多组分重叠三维荧光光谱的成分识别方法 - Google Patents

Abstract

本发明公开了一种多组分重叠三维荧光光谱的成分识别方法，解决了利用多维分析算法处理严重重叠的三维荧光光谱时，单纯的考虑分解结果中二维光谱的某个特征而导致的成分识别错误。在尽量减少初始解的条件下，综合利用多维分析算法分解出的两个二维荧光光谱的特征峰和波形特征参数，通过构造综合相似度指数进行混合三维荧光光谱的成分识别，解决了重叠峰的成分识别问题。通过对相似度指数形成的相似度矩阵的自动搜索，实现了自动识别，能够很好的适应现在迅速发展的连续、自动监测技术的需求。

Description

一种多组分重叠三维荧光光谱的成分识别方法

技术领域

本发明涉及环境科学、光谱学领域，具体为一种多组分重叠三维荧光光谱的成分识别方法。

背景技术

荧光光谱法因其具有较高的灵敏度和较好的选择性，在医学、生物学、环境科学、农业学、化工等领域中得到了广泛的应用。三维荧光光谱技术是20世纪80年代发展起来的一种新的荧光分析技术。三维荧光光谱又被称作总发光光谱、激发-发射矩阵或等高线光谱，能够获得激发波长和发射波长同时变化时的荧光强度信息，因而能提供比常规荧光光谱更完整的光谱信息，作为一种很有价值的光谱指纹技术已经被广泛应用到多组分混合物的成分识别和定量分析中。

目前，对于多组分三维荧光光谱进行分析时，主要是利用了多维分析方法，其中最受关注的有平行因子算法(PARAFAC)和自加权交替三线性分解算法(SWATLD)。当各组分的光谱特征相差比较大时利用上述方法对光谱进行解析，从分解后的光谱进行简单的成分识别是非常有效的，然而对于严重重叠的三维荧光光谱解析时，单纯地利用多维分析方法分解后的某一种光谱来对组分的成分进行识别误差会很大甚至可能是完全错误的。

发明内容

本发明的目的是提供一种多组分重叠三维荧光光谱的成分识别方法，以解决利用多维分析算法处理严重重叠的三维荧光光谱时，单纯的考虑分解结果中二维光谱的某个特征而导致的成分识别错误。在尽量减少初始解的条件下，综合利用多维分析算法分解出的两个二维荧光光谱的特征峰和波形特征参数，通过构造综合相似度指数进行混合三维荧光光谱的成分识别，从而解决重叠峰的成分识别问题。通过对相似度指数形成的相似度矩阵的自动搜索，可以实现自动识别，能够很好的适应现在迅速发展的连续、自动监测技术的需求。

为了达到上述目的，本发明所采用的技术方案为：

一种多组分重叠三维荧光光谱的成分识别方法，其特征在于：利用多维分析方法分解多组分重叠三维荧光光谱，得到的分解结果结合多组分特征光谱数据库中多组分二维光谱的特征峰参数和波形参数，构造多组分激发光谱和发射光谱的综合相似度指数，根据所述综合相似度指数对多组分重叠三维荧光光谱中各成分进行识别。

所述的一种多组分重叠三维荧光光谱的成分识别方法，其特征在于：包括以下步骤：

(1)、利用多维分析方法中的平行因子算法分解多组分重叠三维荧光光谱，建立平行因子算法模型：

X_k＝A×D_k×B^T+E_k，k＝1，...，K’

式中：载荷矩阵A∈R^I×N，载荷矩阵B∈R^J×N，得分矩阵D_k∈R^N×N为对角矩阵，E_k为样本的噪声，I为激发波长数，J为发射波长数，N为成分数，K为样本数，X_k为实验所测数据，载荷矩阵A，B和得分矩阵D_k为待求矩阵；

通过最小二乘法求解所述平行因子算法模型中的载荷矩阵A、B和得分矩阵D_k，载荷矩阵A、B和得分矩阵D_k分别对应表示多组分中各个成分的激发光谱、发射光谱和相对浓度；

(2)、步骤(1)求出的载荷矩阵A、B与多组分特征光谱数据库中多组分二维光谱的数据进行比对，采用皮尔逊相关系数作为波形相似度度量，采用高斯函数形式的相似度指数作为特征峰相似度度量；

根据皮尔逊相关系数，假设测量光谱和参考光谱分别为

a_j，则这两个光谱的相关系数为：

$r_{j,i}=\frac{{a_j}^T\·{\stackrel{\‾}{a}}_i}{\left|\right|{\stackrel{\‾}{a}}_i\left|\right|\left|\right|a_j\left|\right|},---\left(1\right)$

其中||a_j||表示

a_j的模，T表示转置，i＝1，…，N，N为测量光谱数量，j＝1，…，M，M为特征光谱数量，

假设多组分特征光谱数据库中的参考光谱均为标准化光谱，对测量光谱

进行标准化：

${\stackrel{\‾}{a}}_i={\stackrel{\‾}{a}}_i/\left|\right|{\stackrel{\‾}{a}}_i\left|\right|,---\left(2\right)$

将标准化光谱

与多组分特征光谱数据库中的所有参考光谱a_j进行相似度指数计算：

$r_{j,i}=a_j^T\×{\stackrel{\‾}{a}}_i,---\left(3\right)$

相似度指数r_j，i的范围为0≤r_j，i≤1，反映了测量光谱和参考光谱的相似程度，r_j，i越接近于1，则测量光谱与参考光谱相似程度越高，最大的r_j，i对应的多组分特征光谱数据库中的成分为

对应的物质的可能性最大；

采用激发光谱波形相似度和发射光谱波形相似度的加权值作为成分识别的依据，防止单纯依靠某种光谱带来的错误结果：

r₁＝α₁r_ex+α₂r_em    其中α₁+α₂＝1，(4)

为了使相似度指数互相之间的差别更明显，构造乘积相似度指数

r₂＝r_exr_em    ；                     (5)

引入高斯函数形式的特征峰相似度指数：

$r_{\mathrm{peak}}={\mathrm{ae}}^{-\frac{{\left(\right|\mathrm{\λ}-{\mathrm{\λ}}_{\max }|-b)}^2}{c^2}},---\left(6\right)$

其中a＝1，b＝0，λ为测量光谱的特征峰处的波长，λ_max为参考光谱的特征峰处的波长，c＝10，光谱相似度对应的阈值设为0.9；

综合考虑激发光谱和发射光谱的特征峰和波形相似度指数，得到加权综合相似度指数：

其中β₁+β₂＝1，(7)

类似于r₂，构造乘积综合相似度指数

根据乘积综合相似度指数r₄可对多组分重叠三维荧光光谱中各组分进行识别。

(3)、每一个测量光谱与多组分特征光谱数据库中的每一个参考光谱的相似度指数r₄将形成一个相似度矩阵S_imilarity∈R^M×N，M为特征光谱数据库中参考光谱数，N为测量光谱成分数，每一个测量光谱成分对应相似度矩阵S_imilarity中的一列，在计算机中根据S_imilarity进行成分识别，步骤如下：

(a)、对S_imilarity进行全局搜索，选取最大的相似度S_imilarity(i，j)，如果，S_imilarity(i，j)＞0.9，则转步(b)，否则转(d)，

(b)、断定第j个测量光谱对应的成分即为第i个参考光谱的物质并且划掉S_imilarity(i，j)所在的第i行和第j列的所有元素，

(c)、对剩下的元素按步骤(a)执行，直到所有的行列都划掉，

(d)、判断完毕。

所述的一种多组分重叠三维荧光光谱的成分识别方法，其特征在于：所述步骤(1)中，采用对不同初值下通过平行因子算法得到的多次结果求平均的办法，减少一次运行结果的不可靠性；对两个载荷矩阵A、B进行负值处理，舍掉分解结果出现负值的初始解，重新选择初值并进行计算，确保平行因子算法的分解结果具有实际的物理意义和可解释性。

所述的一种多组分重叠三维荧光光谱的成分识别方法，其特征在于：所述步骤(3)的(a)步骤中，如果遇到两个最大相似度|S_imilarity(i，j₁)-S_imilarity(i，j₂)|＜0.00005，则同时划掉第i行，第j₁、j₂列，判断第j₁、j₂列的成分均为光谱数据库中的第i种物质。

本发明在多维分析方法分解结果的基础上，充分利用三维荧光光谱所含的丰富信息，结合二维光谱的特征峰和波形这两个特征参数，通过构造激发光谱和发射光谱的综合相似度指数来完成对三维荧光光谱的成分识别。这种相似度指数计算简单，精确度高，识别过程能够在计算机上自动实现，弥补了以往处理方法上的缺陷，同时适用于快速发展的在线自动监测技术。

目前存在多种多维数据的分析方法，如：平行因子算法(PARAFAC)、SWATLD等，本专利利用多维数据分析算法给出的载荷信号，对分解所产生的信号与特征光谱数据库中的数据进行比对，通过光谱相似度的分析实现混合多组份重叠三维荧光光谱进行成分识别，进而根据相似度矩阵的判别来实现自动识别的功能。具体过程如下：

利用PARAFAC给出载荷信号：

PARAFAC方法是一种多维的数据分析方法。由多样本的三维荧光光谱构成的PARAFAC模型可以写成

X_k＝A×D_k×B^T+E_k，k＝1，...，K

其中，因子矩阵(载荷矩阵)A∈R^I×N，因子矩阵(载荷矩阵)B∈R^J×N，因子矩阵(得分矩阵)D_k∈R^N×N为对角矩阵，E_k为样本的噪声，I为激发波长数，J为发射波长数，N为成分数，K为样本数，X_k为实验所测数据，载荷矩阵A，B和得分矩阵D_k为待求矩阵。

PARAFAC模型可以通过交替最小二乘(Alternating Least Squares，ALS)来求解，先合理地对其中的某两个因子矩阵赋初值，然后计算出其余的未知参数，如此将三个因子矩阵交替求解，直到满足终止条件。由于PARAFAC方法对初始矩阵的选取非常敏感，采用对不同初值下运行PARAFAC得到的多次结果求平均的办法，这样可以减少一次运行结果的不可靠性。在用PARAFAC方法处理三维荧光光谱时，矩阵A、B和D分别表示各成分的激发光谱，发射光谱和相对浓度，通过分析矩阵A或B与标准特征光谱的相似程度即可判断混合物中是否含有某种物质。实际执行PARAFAC方法时，某些初值解会使载荷矩阵和得分矩阵出现负值，而实际的光谱是不可能有负值的。为了使PARAFAC方法的分解结果具有实际的物理意义和可解释性，就必须对两个载荷矩阵进行负值处理，舍掉分解结果出现负值的初始解，重新选择初值并进行计算。

构建综合光谱相似度指数进行多组份重叠三维荧光光进行成分识别

利用平行因子方法分解所产生的载荷矩阵A、B与特征光谱数据库中的数据进行比对，通过光谱相似度的分析判断是否为某种物质，在这个过程中主要考虑光谱特征峰位置的吻合程度和波形的相似度。采用皮尔逊相关系数作为相似度度量，而对于特征峰位置的吻合程度，则采用高斯函数形式的相似度指数。

根据皮尔逊相关系数(PCC)，假设测量光谱和参考光谱分别为

a_j，则这两个光谱的相关系数为

$r_{j,i}=\frac{{a_j}^T\·{\stackrel{\‾}{a}}_i}{\left|\right|{\stackrel{\‾}{a}}_i\left|\right|\left|\right|a_j\left|\right|}---\left(1\right)$

其中||·||表示模，T表示转置。在PCC计算中两个光谱的幅值不会影响相关系数的判断。但在光谱识别时，为了衡量两个光谱在波形方面的相似度并且便于将特征峰和波形这两个特征参数进行统一，在进行PCC计算之前，需要对所有光谱进行标准化处理。假设特征光谱数据库中的参考光谱均为标准化光谱，下面只需对测量光谱

(N为测量光谱数量)进行标准化

${\stackrel{\‾}{a}}_i={\stackrel{\‾}{a}}_i/\left|\right|{\stackrel{\‾}{a}}_i\left|\right|,---\left(2\right)$

将标准化光谱

与特征光谱数据库中的所有参考光谱a_j(j＝1，…，M)(M为特征光谱数量)进行相似度指数计算

$r_{j,i}=a_j^T\×{\stackrel{\‾}{a}}_i,---\left(3\right)$

相似度指数(0≤r_j，i≤1)的大小反映了两个光谱的相似程度，r_j，i越接近于1，则测量光谱与参考光谱相似程度越高，否则越低，因此最大的r_j，i对应的特征光谱数据库中的成分为

对应的物质的可能性最大。

在利用PARAFAC方法对三维荧光光谱处理的结果中，不仅包含激发光谱，同时包含了发射光谱，但是目前综合利用这些信息来进行成分识别的相关报道很少。由于PARAFAC算法是一种理论方法，用它来解决混有噪声的实际数据不可能达到完全拟合的结果，而且PARAFAC方法受多重共线性影响较大，因此采用激发光谱相似度和发射光谱波形相似度的加权值作为成分识别的依据，防止单纯依靠某种光谱带来的错误结果：

r₁＝α₁r_ex+α₂r_em    其中α₁+α₂＝1                      (4)

为了能够使相似度指数互相之间的差别更明显，还可以构造乘积相似度指数

上述两种相似度仅仅考虑了波形这个特征参数。鉴于特征峰这一特征参数在光谱识别中的广泛应用，下面引入高斯函数形式的特征峰相似度指数

$r_{\mathrm{peak}}={\mathrm{ae}}^{-\frac{{\left(\right|\mathrm{\λ}-{\mathrm{\λ}}_{\max }|-b)}^2}{c^2}},---\left(6\right)$

其中a＝1，b＝0，λ为测量光谱的特征峰处的波长，λ_max为参考光谱的特征峰处的波长。对于c，根据实际情况可以取不同的值，对应图形如图1所示。

本发明选取c＝10，此时光谱相似度的阈值可设为0.9，这也意味着特征峰在3个波长点的振荡被视为计算误差，从图中可以看出计算误差和光谱相似阈值的认定由参数c唯一确定。

特征峰相似度指数r_peak具有如下性质：

(1)0≤r_peak≤1；

(2)r_peak关于λ＝λ_max对称。

这两个性质不仅能够使特征峰相似度指数和波形相似度指数在同一个变化范围，便于进行统一，而且强调了从特征峰的拟合程度上进行识别的准则，迭代过程中峰值的绝对偏离大小是成分识别的依据之一。

为了增强识别的正确性，综合考虑激发光谱和发射光谱的特征峰和波形相似度指数，得到加权综合相似度指数

其中β₁+β₂＝1                    (7)

类似于r₂，构造乘积综合相似度指数

这样构造的光谱相似度比加权相似度具有更大的区分度，受计算误差的干扰较小。

自动识别方法实现过程：

在给出测量光谱和参考光谱的相似度指数的情况下，如何进行自动识别，不仅关系到成分识别的正确性，同时也会影响到这种方法在连续在线测量中的应用。计算每一个测量光谱与特征光谱数据库中的每一个参考光谱的相似度指数将形成一个相似度矩阵S_imilarity∈R^M×N，M为特征光谱数据库中参考光谱数，N为测量光谱成分数，每一个测量光谱成分对应相似度矩阵S_imilarity中的一列。根据S_imilarity进行成分识别的步骤如下：

i.对S_imilarity进行全局搜索，选取最大的相似度S_imilarity(i，j)，如果，

S_imilarity(i，j)＞0.9，则转步(2)，否则转(4)

ii.断定第j个测量光谱对应的成分即为第i个参考光谱的物质并且划掉S_imilarity(i，j)所在的第i行和第j列的所有元素。

iii.对剩下的元素按(1)执行，直到所有的行列都划掉。

iv.退出程序，判断完毕

在执行过程中，如果遇到两个相等的最大相似度|S_imilarity(i，j₁)-S_imilarity(i，j₂)|＜0.00005，则同时划掉第i行，第j₁、j₂列，判断第j₁、j₂列的成分均为光谱数据库中的第i种物质。因为特征光谱数据库中的每种物质都有自己的特征光谱，因此在执行过程中，不会出现S_imilarity(i₁，j)＝S_imilarity(i₂，j)的情况。

本发明有效地实现了多种光谱信号的分离与识别，优点如下：

(1)可以进行三维荧光光谱中多组分同时提取。

(2)可以对提取的成分进行有效的识别。

(3)计算简单，精确度高。

(4)能够实现三维荧光光谱的在线自动监测。

附图说明

图1为参数取不同值时的特征峰相似度指数函数图。

图2为本发明实施例中三种组分的参考特征光谱图，其中：

图2a为发射光谱图，图2b为激发光谱图。

图3为本发明实施例中组分1和组分2的参考特征光谱图，其中：

图3a为组分1和组分2的发射光谱图，图3b为组分1和组分2的激发光谱图。

图4为本发明实施例中平行因子算法分解所得的组分1和组分3的光谱图，其中：

图4a为组分1和组分3的发射光谱图，图4b为组分1和组分3的激发光谱图。

具体实施方式

根据本发明中提出的三维荧光光谱的成分识别方法，以仿真的重叠光谱信号为例进行分析，

试验中构造三种有代表性的发射光谱和激发光谱作为研究对象，其重叠程度很高。利用这三种发射、激发光谱来构建特征光谱数据库，特征光谱如图2所示。

为了说明PARAFAC方法受多重共线性的影响以及如何通过综合相似度指数消除这种影响，选取了两组实验方案。

第一组：选取发射光谱相似度很高的组分1(component 1)和组分2(component 2)，构建8组不同的相对浓度得分，见表1：

表1：组分1和组分2的浓度得分

	No1	No2	No3	No4	No5	No6	No7	No8
									组分1	10	8	6	5	4	3	2	0
组分2	0	1	2	5	6	5	7	9

第二组：选取激发光谱相似度很高的组分1(component 1)和组分3(component 3)，构建8组不同的相对浓度得分，如表2所示：

表2：组分1和组分3的浓度得分

	No1	No2	No3	No4	No5	No6	No7	No8
									组分1	3	8	2	4	3	7	5	0
组分3	1	0	5	4	6	2	3	10

由发射光谱A、激发光谱B、相对浓度得分D_k和单位随机噪声E_k按下式

A×D_k×B^T+E_k＝X_k，k＝1，...，8

可以产生两组不同的两成分混合三维荧光光谱X_k，k＝1，...，8，2组不同的三维荧光光谱数据沿样本空间形成2个三维数据阵，利用PARAFAC方法对其分解，即可得到激发载荷矩阵，发射载荷矩阵和相对浓度得分矩阵。

在实际分析过程中，选择5次PARAFAC运行结果的平均值作为成分识别的测量光谱，选取参数α₁＝0.5，α₂＝0.5，β₁＝0.5，β₂＝0.5。在多次运行中，仅依据激发光谱或发射光谱与特征光谱数据库的相似度指数进行成分识别，有些情况下可以得到正确的结果，有时候则失败。

对第一组实验数据进行成分识别时，由于组分1和组分2的发射光谱相似，而激发光谱相差较大，在PARAFAC迭代过程中，发射载荷矩阵容易很快产生较大的条件数，形成病态方程，用此病态方程求解激发载荷矩阵和得分矩阵时，会导致激发载荷矩阵和得分矩阵的误差较大，结果不稳定。

如图3所示，给出了PARAFAC分解后的两个载荷矩阵的图形。与图1进行比较，可以发现两组分的发射光谱与参考光谱的相似度很高，并且这两组分的发射光谱的相似度也很高。

根据图3中的分解结果，计算各种相似度指数r_em，r_ex，r₁，r₂，r₃和r₄示于表3中。其中r₁，r₂，r₃和r₄的定义见式(4)，(5)，(7)和(8)。

表3：第一组实验中各种相似度指数的比较

如表3所示。对每一种相似度指数对应的相似度矩阵按照本专利所述的自动识别方法进行搜索，可以给出相应的识别结果。从表3中可以看出，根据相似度指数r_em、r₁、r₂、r₃和r₄均能判断出组分1和组分2，而r_ex判断出的则为组分2和组分3，而且r_em的区分度最小，r₄给出的相似度指数区分度最大，更容易进行正确的识别。特别是，此时如果分别单独利用发射光谱和激发光谱的相似度指数将会给出完全不同的结论，这也说明了在光谱严重重叠的情况下，利用单一光谱进行判断，很难进行准确判断。相反，利用我们定义的综合相似度，则可以正确判断，且区分度比较大。

第二组实验中由于组分1和组分3的激发光谱相似，而发射光谱相似度相对较小，在PARAFAC迭代过程中，容易很快产生条件数较大的激发载荷矩阵，从而在求解发射载荷矩阵和得分矩阵时形成病态方程，导致发射载荷矩阵的精确度降低。

如图4所示。为PARAFAC分解所得的发射光谱与激发光谱。对比图3的估计值与图1的特征光谱，可以看出发射光谱的估计值与特征光谱相差较大，这正是由于组分1和组分3的激发光谱的高度相似，导致了迭代过程中发射光谱计算精度的下降。

计算图4中光谱的各种相似度指数r_em，r_ex，r₁，r₂，r₃和r₄示于表4中。

表4：第二组实验中各种相似度指数的比较

同样，利用自动识别过程对每个相似度矩阵进行搜索，可以看出相似度指数r_ex、r₁、r₂、r₃和r₄能够正确的识别成分组分1和组分3，而且综合相似度指数r₄给出的区别度更大一些。而单独利用r_ex和r_em将得到不同的结论，根据r_ex识别成分为组分1和组分3，而根据r_em则识别为组分1和组分2，这再次说明了光谱严重重叠情况下简单利用单一光谱判断所得结果的不可靠性。

上述实验表明，对于混合三维荧光光谱的成分识别，尤其是在两个光谱的相似程度较高的情况下，单独利用某一种光谱往往会得出错误的结论，必须将激发光谱、发射光谱的多个特征参数统一考虑才能进行成分的正确识别，从而弥补PARAFAC方法在处理重叠光谱时精确度降低的缺点，而综合相似度指数r4毫无疑问的在这方面具有很好的表现，在大量重叠光谱的识别中，r4的正确识别率明显高于其他的相似度指数。

Claims (4)

1.一种多组分重叠三维荧光光谱的成分识别方法，其特征在于：利用多维分析方法分解多组分重叠三维荧光光谱，得到的分解结果结合多组分特征光谱数据库中多组分二维光谱的特征峰参数和波形参数，构造多组分激发光谱和发射光谱的综合相似度指数，根据所述综合相似度指数对多组分重叠三维荧光光谱中各成分进行识别。

2.根据权利要求1所述的一种多组分重叠三维荧光光谱的成分识别方法，其特征在于：包括以下步骤：

(1)、利用多维分析方法中的平行因子算法分解多组分重叠三维荧光光谱，建立平行因子算法模型：

X_k＝A×D_k×B^T+E_k，k＝1，...，K’

式中：载荷矩阵A∈R^I×N，载荷矩阵B∈R^J×N，得分矩阵D_k∈R^N×N为对角矩阵，E_k为样本的噪声，I为激发波长数，J为发射波长数，N为成分数，K为样本数，X_k为实验所测数据，载荷矩阵A，B和得分矩阵D_k为待求矩阵；

通过最小二乘法求解所述平行因子算法模型中的载荷矩阵A、B和得分矩阵D_k，载荷矩阵A、B和得分矩阵D_k分别对应表示多组分中各个成分的激发光谱、发射光谱和相对浓度；

(2)、步骤(1)求出的载荷矩阵A、B与多组分特征光谱数据库中多组分二维光谱的数据进行比对，采用皮尔逊相关系数作为波形相似度度量，采用高斯函数形式的相似度指数作为特征峰相似度度量；

根据皮尔逊相关系数，假设测量光谱和参考光谱分别为

a_j，则这两个光谱的相关系数为：

$r_{j,i}=\frac{{a_j}^T\·{\stackrel{\‾}{a}}_i}{\left|\right|{\stackrel{\‾}{a}}_i\left|\right|\left|\right|a_j\left|\right|},---\left(1\right)$

其中||a_j||表示

a_j的模，T表示转置，i＝1，…，N，N为测量光谱数量，j＝1，…，M，M为特征光谱数量，

假设多组分特征光谱数据库中的参考光谱均为标准化光谱，对测量光谱进行标准化：

${\stackrel{\‾}{a}}_i={\stackrel{\‾}{a}}_i/\left|\right|{\stackrel{\‾}{a}}_i\left|\right|,---\left(2\right)$

将标准化光谱

与多组分特征光谱数据库中的所有参考光谱a_j进行相似度指数计算：

$r_{j,i}=a_j^T\×{\stackrel{\‾}{a}}_i,---\left(3\right)$

相似度指数r_j，i的范围为0≤r_j，i≤1，反映了测量光谱和参考光谱的相似程度，r_j，i越接近于1，则测量光谱与参考光谱相似程度越高，最大的r_j，i对应的多组分特征光谱数据库中的成分为

对应的物质的可能性最大；

采用激发光谱波形相似度和发射光谱波形相似度的加权值作为成分识别的依据，防止单纯依靠某种光谱带来的错误结果：

r₁＝α₁r_ex+α₂r_em    其中α₁+α₂＝1，(4)

为了使相似度指数互相之间的差别更明显，构造乘积相似度指数

r₂＝r_exr_em；                         (5)

引入高斯函数形式的特征峰相似度指数：

$r_{\mathrm{peak}}={\mathrm{ae}}^{-\frac{{\left(\right|\mathrm{\λ}-{\mathrm{\λ}}_{\max }|-b)}^2}{c^2}},---\left(6\right)$

其中a＝1，b＝0，λ为测量光谱的特征峰处的波长，λ_max为参考光谱的特征峰处的波长，c＝10，光谱相似度对应的阈值设为0.9；

综合考虑激发光谱和发射光谱的特征峰和波形相似度指数，得到加权综合相似度指数：

其中β₁+β₂＝1，                    (7)

类似于r₂，构造乘积综合相似度指数

根据乘积综合相似度指数r₄可对多组分重叠三维荧光光谱中各组分进行识别。

(3)、每一个测量光谱与多组分特征光谱数据库中的每一个参考光谱的相似度指数r₄将形成一个相似度矩阵S_imilarity∈R^M×N，M为特征光谱数据库中参考光谱数，N为测量光谱成分数，每一个测量光谱成分对应相似度矩阵S_imilarity中的一列，在计算机中根据S_imilarity进行成分识别，步骤如下：

(a)、对S_imilarity进行全局搜索，选取最大的相似度S_imilarity(i，j)，如果，S_imilarity(i，j)＞0.9，则转步(b)，否则转(d)，

(b)、断定第j个测量光谱对应的成分即为第i个参考光谱的物质并且划掉S_imilarity(i，j)所在的第i行和第j列的所有元素，

(c)、对剩下的元素按步骤(a)执行，直到所有的行列都划掉，

(d)、判断完毕。

3.根据权利要求1所述的一种多组分重叠三维荧光光谱的成分识别方法，其特征在于：所述步骤(1)中，采用对不同初值下通过平行因子算法得到的多次结果求平均的办法，减少一次运行结果的不可靠性；对两个载荷矩阵A、B进行负值处理，舍掉分解结果出现负值的初始解，重新选择初值并进行计算，确保平行因子算法的分解结果具有实际的物理意义和可解释性。

4.根据权利要求1所述的一种多组分重叠三维荧光光谱的成分识别方法，其特征在于：所述步骤(3)的(a)步骤中，如果遇到两个最大相似度|S_imilarity(i，j₁)-S_imilarity(i，j₂)|＜0.00005，则同时划掉第i行，第j₁、j₂列，判断第j₁、j₂列的成分均为光谱数据库中的第i种物质。

Images