"这篇研究文章探讨了基于交替三线性分解(Alternating Trilinear Decomposition, ATLD)在分析芳烃类化合物荧光光谱中的应用。通过结合完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)和小波软阈值算法对荧光光谱进行去噪处理,提高了数据的质量。经过处理后的信噪比达到28.51,均方根误差为3.52×10³。ATLD算法在实验中成功地区分了1-萘酚、2-萘酚和萘,这三种物质的回收率分别在96%到103.3%、97.24%到103.9%以及97.2%到103.6%之间,显示出ATLD在芳烃类化合物分析中的优秀预测性能。"
文章详细内容阐述了利用先进信号处理技术对芳烃类化合物荧光光谱的分析方法。首先,研究者采用了完整的集成经验模态分解(CEEMDAN)这一时间序列分析工具,它是一种自适应的数据分解方法,能够有效地将复杂信号分解成多个本征模态函数(IMFs),从而分离出信号中的不同频率成分。CEEMDAN的目的是提高信号的纯净度,减少噪声干扰。
随后,为了进一步提升信号质量,研究者运用了小波软阈值算法进行去噪。小波分析可以提供多尺度的信号表示,软阈值方法则可以在保持信号主要特征的同时去除噪声。在这一过程中,信噪比得到了显著提升,达到了28.51,这意味着处理后的信号中信号成分远大于噪声成分,提升了后续分析的准确性。
接着,文章的核心在于交替三线性分解(ATLD)的应用。ATLD是矩阵分解的一种,它可以将多维数据分解为三个低秩矩阵的乘积,从而提取数据的内在结构。在本文中,ATLD成功地解析了1-萘酚、2-萘酚和萘这三种芳烃化合物的荧光光谱,证明了其在复杂光谱分析中的优越性。通过ATLD分解,研究人员能够准确地识别和定量这些化合物,其回收率的结果表明该方法具有高精度和稳定性。
最后,关键词包括光谱学、荧光光谱学、交替三线性分解、完整集成经验模态分解和回收率,这些都是研究中的关键概念和技术。文章的结论强调了ATLD在芳烃类化合物分析中的潜在价值,对于理解和应用这类化学物质的荧光特性提供了新的途径,同时也为相关领域的科研工作提供了有力的工具和方法。