性，首先用Bartlett球度检验和 Kaiser-Meyer-Olkin (KMO)标准对数据进行检验。
[0049] Bartlett球度检验用于检验相关性矩阵是否为单位矩阵，如果不是单位矩阵，则 认为数据适合做因子分析。KMO统计量是取值在0和1之间，当所有变量间的简单相关系数 平方和远远大于偏相关系数平方和时。KMO值接近1，意味着变量间的相关性越强，原有变 量越话合作闵子分析:ΚΜ0标准一般认为KMO值>0. 6 (值域在(Tl之间）的适合因子分析。
[0050] 进行主成分分析的运算的数据包括各采样点的16种多环芳烃，分别为：萘、苊、 二氢危、荷、菲、蒽、焚蒽、花、苯并[a]蒽、屈、苯并[b]焚蒽、苯并[k]焚蒽、苯并[a]花、茚 并[I. 2. 3_cd]花、二苯并[a, h]蒽和苯并[g, h, i]花。
[0051 ] 经过检测，KMO值达到0. 78,巴特利特球度检验结果Sig.为0,表示数据取自正态 分布，认可了变量之间的相关性，适合做因子分析。根据Kaiser标准，提取的因子特征值应 大于1。从表1可以看出，符合此标准的前2各因子解释了总方差的91%，说明提取前2个 因子作为主因子合理。
[0052] 表1因子特征值和方差贡献率
所取的前4个因子的指标负载情况如表2,结合前面的研究，对各个主因子所代表的含 义解释如下： 表2因子载荷矩阵
Fl (第1个主因子):其中苯并[a]花BaP、屈Chry、苯并[a]蒽BaA、花Py、危（Acy)的 荷载较高，苯并[g.h. i]茈是交通排放的特征污染物，交通排放还会带来大量的屈，研究发 现苯并[a]蒽为炼焦排放的特征污染物，芘Py和苊（Acy)属于2~4环的多环芳经，主要 来自煤、石油燃料的中低温燃烧。所以因子1可以归结为民用燃烧及交通污染源。
[0053] F2 (第2个主因子）:菲（Phen)和蒽（An)的荷载明显突出，芴（Fluo)和萘的荷载 值也较突出。khalili等研究发现焦炉排放的多环芳烃主要有蒽、荧蒽、芴、菲、二氢苊。萘 由于其挥发性，且主要来自于炼焦的副产品煤焦油。故因子2为工业燃煤及燃油污染源。
[0054] F3 (第3个主因子）：苯并[k]荧蒽（BkF)具有最高的荷载，且明显高于其它污染 物的荷载值，苯并[b]荧蒽（BbF)和二苯并[a，h]蒽（DahA)在整个因子3中也具有较高荷 载，苯并[k]荧蒽、二苯并[a，h]蒽、苯并[b]荧蒽指示为汽油燃烧的指示物，因子3代表汽 油机污染源。
[0055] F4(第4个主因子):二氢苊（Ace)荷载值明显突出，Ace等低环组分都是炼焦排放 的特征化合物，石油或油类相关物质排放的PAHs主要以烷基化与低分子量PAHs (如NaP、 Acy、ACe、Phe等）为主，因子2可归为石油炼焦污染源。
[0056] 每个监测点的污染清况依各因子特征值大小作加权和，求得各监测点污染指标的 综合得分，列于表3。
[0057] 表3不同监测点因子得分及污染排名
由表3可见：廊坊市永清县区域五个镇土壤多环芳烃的污染程度由大到小依次为，别 古庄镇〉后奕镇〉永清镇〉韩村镇〉里澜城镇。
【主权项】
1. 土壤中多环芳烃污染源解析的方法，其特征在于，操作步骤包括： a. 米集土壤样品； b. 将采集的土壤样品研磨、过筛，置于-18°C条件下保存，备用； c. 采用气相色谱-质谱联用方法对步骤b所得样品进行检测，检测项目为多环芳烃类 化合物的含量，确定多环芳烃特征标识物； d. 根据步骤c的结果建立多环芳烃源的指纹图谱； e. 应用BP人工神经网络的方法进行多环芳烃污染源的识别； f. 构建基于BP人工神经网络识别的正定矩阵因子分解方法对多环芳烃污染源解析。2. 根据权利要求1所述的土壤中多环芳烃污染源解析的方法，其特征在于，步骤a所述 采集土壤样品的方法为网格布点法。3. 根据权利要求1所述的土壤中多环芳烃污染源解析的方法，其特征在于，步骤b所述 过筛为过100目筛。4. 根据权利要求1所述的土壤中多环芳烃污染源解析的方法，其特征在于，步骤c所述 多环芳烃类化合物包括萘、苊、二氢苊、芴、菲、蒽、荧蒽、芘、苯并[a]蒽、屈、苯并[b]荧蒽、 苯并[k]焚蒽、苯并[a]花、讳并[I. 2. 3_cd]花、二苯并[a, h]蒽、苯并[g, h, i]花。5. 根据权利要求1所述的土壤中多环芳烃污染源解析的方法，其特征在于，步骤e包 括： 第一步，预处理及初始化： 对权值矩阵W，V赋随机数，将样本模式计数器p和训练次数计数器q设为1，误差E为 〇,学习率n设为（〇，1)区间的小数，网络训练后达到的精度E_S为一正小数； 第二步，输出训练样本对： 计算各层输出，用当前样本Xp、Cf对向量数组X、d赋值，利用公式 和圓!分别计算γ和〇中各分量； 公式中各符号的含义为：Y为一次计算的输出信号，O为将Y向前输入到输出层，通过各 节点星权向量W得到的输出信号。6. 根据权利要求1所述的土壤中多环芳烃污染源解析的方法，其特征在于，步骤f包 括： A. 应用正定矩阵因子分解方法进行污染源计算； B. 污染源贡献率的计算； B.根据步骤c确定的多环芳烃特征标识物及其污染源贡献率，实现特征污染物的源 解析。7. 根据权利要求6所述的土壤中多环芳烃污染源解析的方法，其特征在于，步骤A所述 应用正定矩阵因子分解方法进行污染源计算包括： 第一步，数据预处理； 第二步，确定主成分因子数； 第三步，因子分解； 第四步，非负约束因子旋转； 具体包括： 第一步，数据预处理： 数据的审核：包括未检出项，缺失项，异常值的识别、判断和处理； 污染物变量的选择：引入信噪比，如果某污染物信噪比< 0. 2或者低于检出限的比例2 倍较大，则不能用于进行因子分析，数据标准化：平均值标准化; 第二步，确定主成分因子数： 主成分因子数根据特征值、累积方差贡献率、决定系数、Enter函数来确定， 特征值大于1的所有因子作为主因子； 累计方差贡献率CV值大于85% ; 决定系数大于0. 9时； Enter函数小于0· 1 ; 确定主成分因子数的逻辑算法逻辑为： 求解协方差矩阵z 1_ 求解特征值E及特征向量q 求解无旋转的因子荷载矩阵s :1二麵 求解无旋转的因子得分矩阵R 胃D 生成特征值、累计方差、决定系数和Enter函数判据矩阵，确定主成分因子； 第三步，因子分解： 正定矩阵因子分解基于加权最小二乘法，假设对于受体样本数据D，还对应一个标准偏 差矩阵σ，引入数据不确定性后的PMF基本方程描述如下：第四步，非负约束因子旋转： 非负约束最小平方因子旋转，Srp， 上述所有步骤均采用Matlab软件编程，首先将分析数据转化为计算机能够接受的数 量化矩阵，对数据进行标准化处理， 公式中各符号的含义为： D '为标准化后的数据； D为样品数据； _为样品中某污染物的采样平均值； Dt为样品矩阵的转置矩阵；E为单位矩阵； 矩阵D为m个样品的η种化合物的浓度矩阵；R矩阵表示主要源的指纹谱；S矩阵表 示主要源的贡献率；E为残差矩阵； E1,为第i个样品中第j种化合物的残差矩阵；σ u为第i个样品中第j种化合物的不 确定性； d是受体数据D的一列，S矩阵表示主要源的贡献率，r是因子得分矩阵R中的一列。
【专利摘要】本发明公开了一种土壤中多环芳烃污染源解析的方法，属于源解析技术领域，该方法基于BP人工神经网络识别的正定矩阵因子来进行，能够快速、准确的追溯恶臭污染物的来源，实用性强，有广泛的推广应用价值，为环境管理部门应对多环芳烃污染事故、控制污染风险提供可靠的技术保障。
【IPC分类】G01N30/86, G06N3/02, G01N30/02
【公开号】CN105158353
【申请号】CN201510451682
【发明人】陈锋, 张云峰, 曹张伟, 马青
【申请人】北华航天工业学院
【公开日】2015年12月16日
【申请日】2015年7月29日