基于机器学习的原子发射光谱化学分析研究进展
王睿婷,田亦蘩,王懿轩,谭晶晶,强文志*
国标（北京）检验认证有限公司，101400
中图分类号：O657.31 文献标识码：A
摘要
电感耦合等离子体原子发射光谱（inductively coupled plasma
atomic emission spectrometry，ICP-AES）因具有灵敏度高、线性范围宽及多元素同时测定等优势，已成为无机元素分析领域的重要技术。然而，在复杂样品分析中，谱线重叠、基体效应、信号漂移以及高维光谱数据处理等问题仍会限制其分析性能。近年来，机器学习（machine learning，ML）作为典型的数据驱动方法，在光谱预处理、特征提取、非线性建模及实验条件优化等方面显示出较大潜力。本文系统综述了ML在ICP-AES化学分析中的研究进展，首先介绍ICP-AES的基本原理、仪器组成及光谱数据特征；随后总结光谱预处理、特征提取、化学计量学建模和深度学习等关键方法；进一步从复杂光谱干扰校正与定量解析、实验参数优化、在线监测与智能化分析等方面梳理ML的应用；最后讨论数据质量、模型泛化能力、可解释性以及标准化等方面的主要挑战，并对未来发展方向进行展望。ML与ICP-AES的深度融合有望提高元素分析的准确性、稳定性和自动化水平，推动元素分析向智能化、自动化和高通量方向发展。
关键词：电感耦合等离子体原子发射光谱；机器学习；化学计量学；光谱解混；谱线干扰；定量分析
Research
Progress in Machine Learning Applications for Inductively Coupled Plasma Atomic
Emission Spectrometry
Wang Ruiting, Tian Yifan, Wang Yixuan, Tan
Jingjing, QiangWenzhi
Guobiao
(Beijing) Testing & Certification Co., Ltd. 101400
Abstract
Inductively coupled plasma atomic emission
spectrometry (ICP-AES) is an important analytical technique for elemental
determination because of its high sensitivity, wide linear dynamic range, and
capability for simultaneous multielement analysis. However, the analysis of
complex samples is still challenged by spectral overlap, matrix effects, signal
drift, and the high dimensionality of spectral data, which can limit analytical
accuracy and method robustness. In recent years, machine learning (ML) has emerged
as a powerful data-driven approach for spectral data processing, nonlinear
modeling, and experimental optimization, providing new opportunities for
improving ICP-AES performance. This paper reviews recent advances in the
application of ML to ICP-AES chemical analysis. The fundamental principles and
spectral characteristics of ICP-AES are first introduced, followed by a
discussion of key ML-related techniques, including spectral preprocessing,
feature extraction, chemometric modeling, and deep learning. The applications
of ML in multielement quantitative analysis, spectral interference correction,
spectral unmixing, calibration modeling, and instrumental parameter
optimization are then summarized. Particular attention is given to the
potential of ML for addressing complex matrix effects and overlapping emission
lines through multivariate and nonlinear modeling. The prospects of ML-assisted
online monitoring, intelligent instrument operation, and automated analytical
workflows are also discussed. Finally, current challenges, including data
quality and standardization, model generalization, interpretability, and
cross-instrument applicability, are analyzed, and future research directions
are proposed. The integration of ML with ICP-AES is expected to further improve
analytical accuracy, robustness, and efficiency and promote the development of
intelligent, automated, and high-throughput elemental analysis.
Keywords: Inductively coupled plasma atomic emission
spectrometry (ICP-AES); machine learning; chemometrics; spectral interference
correction; spectral unmixing; quantitative analysis
1 引言
电感耦合等离子体原子发射光谱（ICP-AES）作为重要的元素分析技术，具有多元素同时测定、检出限低、线性范围宽以及抗基体干扰能力较强等特点，已广泛应用于环境监测、地质分析、食品安全和材料科学等领域[1,2]。该技术利用等离子体中原子或离子受激发后产生特征发射光谱的原理，通过测量特征谱线的发射强度实现元素定量分析，可实现ppm至ppb水平的灵敏检测，并支持数十种元素的同步测定[3]。随着高合金材料、环境多组分体系及生物样品等复杂样品不断增多[4]，ICP-AES在实际应用中面临谱线重叠、基体效应、信号漂移以及高维光谱数据处理等问题。传统基于单变量或经验模型的分析方法在复杂体系中往往难以同时兼顾准确性和稳健性，因而限制了ICP-AES分析性能及自动化水平的进一步提升。
与此同时，ICP-AES技术本身也在持续发展。通过改进雾化系统[5]、引入氢化物发生[6]、化学蒸气发生[7]和超声雾化[3,8,9]等技术，可提高检测灵敏度并降低基体干扰；多模式联用和在线富集等方法的发展，也进一步拓展了ICP-AES在痕量分析和复杂体系分析中的应用范围[10]。然而，上述改进主要集中于仪器和进样环节，对于复杂光谱数据中潜在信息的深层挖掘仍存在不足。化学计量学作为数学、统计学与计算机科学交叉形成的方法体系，为复杂化学数据的处理和信息提取提供了重要工具[11]。近年来，随着人工智能技术快速发展，机器学习（ML）尤其是深度学习（deep learning，DL）已成为光谱分析领域的重要研究方向[12-14]。ML能够从大量数据中学习潜在特征关系，从而提高高维复杂测量数据的定性与定量分析能力[15]。从基线校正、去噪等光谱预处理，到特征选择和定量校准，ML方法均显示出提高模型鲁棒性和分析准确性的潜力[16,17]。针对光谱数据高维、非线性和变量间相关性强等特点，偏最小二乘回归（PLS）、支持向量机（SVM）、随机森林（RF）以及深度学习等方法能够开展非线性建模和特征学习，为定量分析、谱线解混和干扰校正提供了新的技术路径[18-22]。
特别是在复杂光谱解析方面，ML驱动的光谱解混能够利用多变量信息处理谱线重叠和背景干扰；结合注意力机制、多模态数据融合及元学习等策略，还可进一步增强模型对噪声和动态环境变化的适应能力[23,24]。因此，ML与ICP-AES的融合已成为原子发射光谱分析的重要发展方向。该融合不仅有助于提高分析结果的准确性和稳定性，也为智能化分析、在线监测及高通量检测提供了新的技术支撑。基于此，本文系统综述ML在ICP-AES化学分析中的研究进展，重点总结光谱预处理与特征提取、建模策略及其在复杂干扰校正、定量分析和实验条件优化中的应用，并对未来发展方向进行展望。
2 原子发射光谱基础
电感耦合等离子体原子发射光谱是一种基于原子发射现象的元素分析技术。其基本原理是以电感耦合等离子体为激发光源，将样品转化为气溶胶并引入高温等离子体区域，样品依次经历去溶剂化、原子化和激发等过程。处于激发态的原子或离子返回较低能级时会发射具有特征波长的光子，其辐射强度在一定条件下与元素浓度相关。现代ICP-AES仪器通常由进样系统（雾化器和雾化室）、等离子体光源（射频发生器和炬管）、光学分光系统（如中阶梯光栅）及检测器（如CCD、CID）组成。依托各子系统的协同工作，ICP-AES能够实现数十种元素的同时测定，并具有灵敏度高、线性动态范围宽和分析效率高等优点，已成为无机元素分析的重要技术之一[2,3,25-27]。
ICP-AES的分析性能在很大程度上取决于仪器操作参数的优化。关键参数包括射频功率、等离子体气流量、辅助气流量和载气流量等，这些因素共同影响等离子体的温度分布、电子密度以及样品在等离子体中的停留时间[28,29]。射频功率决定等离子体的能量输入和激发能力，提高功率通常有利于难激发元素的原子化和激发，但也可能导致背景辐射增强及谱线干扰加剧。载气流量影响气溶胶进入等离子体中心区域的效率，流量过高或过低均可能降低原子化效率，进而影响信号稳定性；辅助气和冷却气流量则主要影响等离子体的形态和稳定性，对信号重复性具有重要作用。传统上，这些参数多采用单因素试验或正交设计进行优化[30,31]。然而，由于多个参数之间存在显著的非线性耦合和交互作用，此类方法通常难以获得全局最优条件。此外，不同样品基体对应的最优参数往往存在差异，进一步增加了实验优化的复杂性。
现代检测系统能够获取高分辨率连续光谱，使ICP-AES数据呈现高维、相关性强等特点。光谱检测器可同时记录数千个波长通道，形成高维光谱向量。在高合金材料和稀土元素体系等复杂样品中，由于发射谱线分布密集，易产生谱线重叠及复杂背景干扰[32-36]。与此同时，共存组分会改变等离子体的物理化学性质，如温度和电子密度，从而引起目标元素信号增强或抑制，并可能呈现明显的非线性特征。这些因素是影响ICP-AES定量准确性的关键因素。基于上述数据特点，传统单一谱线或线性模型在复杂体系中难以充分利用全谱信息，而PLS、支持向量机以及卷积神经网络（CNN）等ML方法可从高维光谱中提取有效特征，开展非线性建模与干扰补偿，从而为复杂体系的高准确度分析提供新的可能[37-39]。
3 机器学习在ICP-AES数据处理中的全流程
随着全谱直读型ICP-AES技术的发展，单次分析获得的数据已由有限的离散谱线强度逐渐拓展为覆盖较宽波长范围的高维光谱信息。ML的引入使传统依赖人工选线和经验校准的分析流程逐步向自动化、智能化的数据处理流程转变。其基本技术链条可概括为“原始光谱获取—预处理—特征提取与变量筛选—建模—模型验证与更新”，不同环节既相互衔接，又可根据具体分析任务进行迭代优化。
3.1
数据预处理与特征提取
高质量原始数据是构建稳健模型的基础。ICP-AES信号易受到连续背景辐射、等离子体波动及电子噪声等因素影响，合理的光谱预处理能够降低无关变化并提高有效信息占比[40-42]。Savitzky-Golay滤波[43]和离散小波变换[44]是常用的去噪方法。Savitzky-Golay滤波能够较好地保持窄峰及峰形特征，而小波变换在处理多尺度噪声，尤其是基线漂移与高频噪声共同存在的情况下具有较好的适应性。针对复杂基体引起的连续背景抬升，非对称最小二乘平滑（ALS）等方法可用于基线估计与扣除[45]。此外，为减小仪器状态变化（如雾化效率波动）对模型的影响，可采用正交信号校正或标准正态变量变换等方法进行数据校正和标准化[46]。
在特征提取与变量筛选方面，不同方法具有互补优势。主成分分析（PCA）、独立成分分析（ICA）和UMAP等无监督方法可用于降低高维光谱数据的冗余度，并实现数据结构的可视化[47]；竞争性自适应重加权采样（CARS）和连续投影算法（SPA）等变量筛选方法可减弱变量共线性并筛选具有较强解释能力的特征波段[48,49]。近年来，一维卷积神经网络（1D-CNN）[50,51]、自动编码器（autoencoder）[52,53]以及注意力机制（attention）[54]等深度学习模型进一步拓展了特征学习能力，能够从原始或预处理后的光谱中自动提取局部峰形、谱带组合及全局变化特征，在一定程度上减少对人工选峰和复杂特征工程的依赖。
3.2 光谱解混与谱线重叠处理
谱线重叠是ICP-AES定量分析中的典型问题，尤其在多元素共存和高浓度基体条件下，不同元素的发射谱线可能出现明显重叠，从而降低定量结果的准确性。传统分析通常依赖经验选择相对独立的分析谱线，但在复杂体系中可选择的“干净谱线”有限。ML为光谱解混提供了新的思路[55]。PLS、支持向量回归（SVR）等多变量回归方法可利用整体光谱信息建模，以降低局部谱线重叠的影响；CNN等深度学习模型能够从谱线形态中自动学习局部特征，用于复杂谱形识别和解混；ICA等盲源分离方法则可尝试从混合信号中分离不同组分的光谱贡献。
与依赖人工选取特征的传统模型相比，CNN通过卷积层自动学习具有判别能力的光谱形态特征，可在一定程度上实现由原始光谱到分析结果的端到端建模[51]。对于谱线高度密集的复杂区域，该方法具有较好的应用潜力。但需要指出的是，ICP-AES谱线解混仍受到训练样本覆盖范围、基体差异以及模型可解释性等因素制约，因此模型性能需要结合实际样品和独立验证集进行评价。
3.3 定量校准模型
定量分析是ICP-AES最核心的应用之一。随着样品基体复杂程度增加，定量校准模型逐渐由传统线性回归拓展至能够描述非线性关系的多变量和深度学习模型。作为经典化学计量学方法，偏最小二乘回归（PLS）能够通过潜变量提取缓解变量共线性问题。Sadergaski等[35]将PLS用于铀基体中微量元素分析，通过全谱建模在一定程度上补偿了复杂谱线重叠和基体效应。当干扰关系表现出较明显的非线性时，SVR和随机森林（RF）等算法能够利用非线性映射和变量交互信息，为复杂基体条件下的定量校准提供新的选择。Zeng等[56]基于ICP-MS/OES元素指纹结合RF实现白酒产地识别，表明ML能够从多维元素信息中提取复杂模式特征。总体而言，ICP-AES定量模型的发展趋势正由单谱线、单变量校准逐步向多波长协同、多变量建模和数据驱动的非线性校准转变。
4 机器学习在ICP-AES中的应用
4.1 复杂光谱干扰校正与定量解析
针对镍基高温合金、钛合金及稀土体系等复杂基体中普遍存在的谱线重叠和非线性基体效应，ML为突破传统经验选线和单一校正策略的局限提供了新的技术路径。通过综合利用全谱信息及多波长之间的协同关系，以PLS为代表的多变量回归能够建立较为稳健的光谱—浓度映射；SVR和RF等算法则利用非线性拟合和特征交互，对复杂基体引起的信号变化进行模型化补偿。进一步引入ICA和1D-CNN等方法，可推动光谱解析从依赖人工特征选择向自动特征提取与解混转变。总体来看，ML在复杂重叠光谱解析和多元素同步定量方面具有较大应用潜力，并有望提高高干扰体系中痕量分析的准确性和模型稳健性。
4.2 实验参数优化与方法开发
除光谱数据处理外，ML在ICP-AES实验条件优化和分析方法开发中同样具有应用价值。传统仪器参数，如射频功率、雾化气流量和观测高度等，通常采用单因素试验或响应面法进行优化[30,57]，不仅实验成本较高，而且难以充分表征多个参数之间的非线性耦合关系。以贝叶斯优化（Bayesian optimization）为代表的智能优化方法可通过代理模型近似实验响应，并结合序贯采样策略在较少实验次数下搜索较优操作条件[58]。对于复杂基体材料，还可构建多目标优化框架，在兼顾不同元素响应差异的同时，对信噪比、精密度和基体效应进行综合权衡。此外，将特征选择与分析谱线筛选、内标匹配等任务结合，可进一步提高方法开发的自动化程度，推动ICP-AES方法开发由依赖专家经验的试错模式向数据驱动的智能优化模式转变[59]。
4.3 在线监测与智能化分析
随着过程分析技术和智能制造的发展，ML正在推动ICP-AES由传统离线实验室检测向在线监测和智能分析拓展。其潜在应用包括工业过程在线监测中对金属元素含量变化的实时跟踪，环境监测中对水体或大气多元素的连续检测，以及结合自动进样和自动数据处理的无人值守分析系统[60]。此外，无监督学习和异常检测方法可用于仪器运行状态监测，通过识别光谱背景波动、特征线强度变化等异常模式，辅助发现进样系统堵塞、等离子体状态波动或基体过载等异常工况。在此基础上，将实时数据采集、模型分析、异常诊断和参数反馈进行联动，有望形成“监测—诊断—决策—反馈”的闭环分析流程，进一步提升复杂工况下ICP-AES系统的自动化运行能力。
5 结论与展望
本文围绕机器学习在电感耦合等离子体原子发射光谱（ICP-AES）化学分析中的应用开展了文献梳理与归纳。结合ICP-AES的基本原理、仪器组成及光谱数据高维、变量相关性强等特点，分析了谱线重叠、基体效应和信号漂移等因素对分析结果的影响；梳理了光谱预处理、特征提取与变量筛选、光谱解混和定量校准等关键数据处理方法，并归纳偏最小二乘回归（PLS）、支持向量回归（SVR）、随机森林（RF）及深度学习等方法的特点与应用方向；进一步从复杂光谱干扰校正与定量解析、实验参数优化与方法开发、在线监测与智能化分析等方面，总结了机器学习在ICP-AES中的研究进展。
综述表明，机器学习能够综合利用多波长信息，挖掘光谱信号与元素含量之间的复杂关系，为复杂基体下的谱线干扰校正、多元素定量分析和仪器参数优化提供新的技术路径，并有望推动ICP-AES数据处理流程向自动化、智能化方向发展。然而，相关方法的常规应用和跨场景推广仍受到数据质量与代表性、模型泛化能力、可解释性及标准化评价体系等因素制约。
未来研究应加强覆盖不同仪器、样品基体和浓度范围的标准化光谱数据集及典型干扰关系数据库建设，完善数据采集、标注与质量控制；将特征重要性分析、可解释机器学习与物理化学先验知识相结合，提高模型结果的可解释性和可追溯性，并通过独立样品验证、跨仪器验证及模型迁移评价其准确性、稳健性与适用范围。同时，可进一步推动机器学习与自动进样、实时数据采集、异常诊断和仪器参数反馈的协同，探索多模态数据融合与跨平台迁移学习，逐步建立符合分析质量控制要求的模型验证体系，促进机器学习由方法探索走向可验证、可复现并适用于常规检测的ICP-AES智能分析应用。
参考文献
[1] Khan S R, Sharma B,
Chawla P A, et al. Inductively Coupled Plasma Optical Emission Spectrometry (ICP-OES):
a Powerful Analytical Technique for Elemental Analysis [J]. Food Analytical
Methods, 2022, 15(3): 666-688.
[2] 范博文, 黄秀, 高光晔, et al. 电感耦合等离子体发射光谱（ICP-OES）发展与应用 [J]. 中国无机分析化学, 2025, 15(03): 363-381.
[3] Donati G L, Amais R S,
Williams C B. Recent advances in inductively coupled plasma optical emission
spectrometry [J]. Journal of Analytical Atomic Spectrometry, 2017, 32(7):
1283-1296.
[4] Limbeck A, Bonta M,
Nischkauer W. Improvements in the direct analysis of advanced materials using
ICP-based measurement techniques [J]. Journal of Analytical Atomic
Spectrometry, 2017, 32(2): 212-232.
[5] 邓宇佳. 基于等离子体/火焰的原子光谱分析研究：仪器部件、同时测定及应用 [D]; 四川大学, 2021.
[6] 贺攀红 王 杨. 氢化物发生-电感耦合等离子体原子发射光谱分析技术的研究进展 [J]. 理化检验-化学分册, 2022, 58(8): 973-981.
[7] 沈宇, 刘坤, 郭跃安, et al. 化学蒸气发生进样技术在原子光谱分析应用中的进展 [J]. 理化检验(化学分册), 2018, 54(10): 1225-1233.
[8] 周世萍 荣, 尹家元,朱光辉,王光灿. 电感耦合等离子体原子发射光谱中超声雾化进样技术的研究进展 [J]. 化学世界, 2001, (11): 601-603+578.
[9] 陈世忠. 电感耦合等离子体质谱/原子发射光谱分析中的进样技术 [J]. 武汉轻工大学学报, 2017, 36(3): 1-9.
[10] Evans E H, Pisonero J,
Smith C M M, et al. Atomic spectrometry update: review of advances in atomic
spectrometry and related techniques [J]. Journal of Analytical Atomic
Spectrometry, 2024, 39(5): 1188-1211.
[11] 李敬岩, 褚小立, 陈瀑, et al. 化学计量学赋能现代光谱分析技术—理论、仪器和应用进展 [J]. 冶金分析, 2024, 44(10): 1-9.
[12] Yin P, Xiao Y, Feng C, et
al. Decoding Complex Spectra with Machine Learning: Advances in Spectral
Unmixing for Chemical Analysis [J]. Analytical Chemistry, 2026, 98(6):
4432-4457.
[13] 杜翔龙, 尤祺, 夏杰桢, et al. 机器学习加速谱学计算相关研究进展 [J]. 中国科学:化学, 2025, 55(6): 1715-1733.
[14] Meza Ramirez C A, Greenop
M, Ashton L, et al. Applications of machine learning in spectroscopy [J].
Applied Spectroscopy Reviews, 2021, 56(8-10): 733-763.
[15] Ronchi G, Martin E H, Lau
C, et al. Complex multicomponent spectrum analysis with Deep Neural Network
[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2024, 318:
108925.
[16] Acquarelli J, Van
Laarhoven T, Gerretzen J, et al. Convolutional neural networks for vibrational
spectroscopic data analysis [J]. Analytica Chimica Acta, 2017, 954: 22-31.
[17] Ho C-S, Jean N, Hogan C A,
et al. Rapid identification of pathogenic bacteria using Raman spectroscopy and
deep learning [J]. Nature Communications, 2019, 10(1): 4927.
[18] 李伟俊, 褚小立, 陈瀑, et al. 现代智能光谱分析技术的演进、进展及展望 [J]. 化学试剂: 1-15.
[19] 朱宇佳. 基于深度学习和红外光谱的官能团位置异构与量化解析 [D]; 西南大学, 2025.
[20] 董思岑. 基于深度学习的拉曼光谱基线校正方法与物质识别研究 [D]; 哈尔滨工程大学, 2024.
[21] 王鑫. 基于深度学习的光谱分类研究 [D]; 新疆大学, 2021.
[22] Westermayr J, Marquetand
P. Machine learning spectroscopy to advance computation and analysis [J].
Chemical Science, 2025, 16(46): 21660-21676.
[23] Bioucas-Dias J M, Plaza A,
Dobigeon N, et al. Hyperspectral Unmixing Overview: Geometrical, Statistical,
and Sparse Regression-Based Approaches [J]. IEEE Journal of Selected Topics in
Applied Earth Observations and Remote Sensing, 2012, 5(2): 354-379.
[24] Keshava N, Mustard J F.
Spectral unmixing [J]. IEEE Signal Processing Magazine, 2002, 19(1): 44-57.
[25] 王建, 王振坤, 刘利剑, et al. 电感耦合等离子体发射光谱技术及其应用研究进展 [J]. 中国口岸科学技术, 2026, 8(3): 48-54.
[26] 冯先进, 郑国经. 电感耦合等离子体发射光谱与质谱分析技术和应用研究进展 [J]. 中国无机分析化学, 2025, 15(3): 353-362.
[27] 郑国经. 电感耦合等离子体原子发射光谱分析仪器与方法的新进展 [J]. 冶金分析, 2014, 34(11): 1-10.
[28] 李贺福, 蒙益林, 高帅. 电感耦合等离子体原子发射光谱法测定镍基高温合金中钪 [J]. 分析仪器, 2026, (3): 95-102.
[29] Maiorova A V, Belozerova A
A, Okuneva T G, et al. Optimization of the Operation Parameters of an
Inductively Coupled Plasma Atomic Emission Spectrometer in the Determination of
Arsenic and Antimony Concentrations [J]. Journal of Analytical Chemistry, 2020,
75(3): 304-311.
[30] Novaes C G, Bezerra M A,
Da Silva E G P, et al. A review of multivariate designs applied to the
optimization of methods based on inductively coupled plasma optical emission
spectrometry (ICP OES) [J]. Microchemical Journal, 2016, 128: 331-346.
[31] Bianchi F, Maffini M,
Mangia A, et al. Experimental design optimization for the ICP-AES determination
of Li, Na, K, Al, Fe, Mn and Zn in human serum [J]. Journal of Pharmaceutical
and Biomedical Analysis, 2007, 43(2): 659-665.
[32] Zybinsky A M, Kolotov V P,
Karandashev V K, et al. Determination of Rare-Earth and Accompanying Elements
in Niobium−Rare-Earth Ores by Inductively Coupled Plasma Atomic Emission
Spectrometry Using Model Calibration and a Mathematical Approach for Resolving
Spectral Interferences [J]. Journal of Analytical Chemistry, 2019, 74(3):
213-225.
[33] 朱天一, 冯典英, 李本涛, et al. 电感耦合等离子体原子发射光谱法测定镍基单晶高温合金中Mo、W、Ta、Re、Ru时元素之间相互干扰的消除与校正的研究 [J]. 理化检验(化学分册), 2020, 56(4): 443-448.
[34] Liu M, Zhao Y, Tian B, et
al. Investigation and mathematical correction of the matrix complexity effect
on platinum group metals using inductively coupled plasma optical emission
spectrometry determination [J]. Journal of Analytical Atomic Spectrometry, 2023,
38(4): 927-938.
[35] Sadergaski L R, Manard B
T, Andrews H B. Analysis of trace elements in uranium by inductively coupled
plasma-optical emission spectroscopy, design of experiments, and partial least
squares regression [J]. Journal of Analytical Atomic Spectrometry, 2023, 38(4):
800-809.
[36] Dailey D A. Characterizing
complex solutions with inductively coupled plasma-optical emission spectrometry
[J]. Nature Reviews Clean Technology, 2025, 1(11): 754-754.
[37] Wold S, Sjöström M,
Eriksson L. PLS-regression: a basic tool of chemometrics [J]. Chemometrics and
Intelligent Laboratory Systems, 2001, 58(2): 109-130.
[38] Rasti B, Koirala B.
SUnCNN: Sparse Unmixing Using Unsupervised Convolutional Neural Network [J].
IEEE Geoscience and Remote Sensing Letters, 2022, 19: 1-5.
[39] Shi S, Zhang L, Altmann Y,
et al. Deep Generative Model for Spatial–Spectral Unmixing With Multiple
Endmember Priors [J]. IEEE Transactions on Geoscience and Remote Sensing, 2022,
60: 1-14.
[40] Xu S, Ke Q, Peng J, et al.
Pan-Denoising: Guided Hyperspectral Image Denoising via Weighted Represent
Coefficient Total Variation [J]. IEEE Transactions on Geoscience and Remote
Sensing, 2024, 62: 1-14.
[41] Engel J, Gerretzen J,
Szymańska E, et al. Breaking with trends in pre-processing? [J]. TrAC Trends in
Analytical Chemistry, 2013, 50: 96-106.
[42] Yan C. A review on
spectral data preprocessing techniques for machine learning and quantitative
analysis [J]. iScience, 2025, 28(7): 112759.
[43] Savitzky A, Golay M J E.
Smoothing and Differentiation of Data by Simplified Least Squares Procedures
[J]. Analytical Chemistry, 2002, 36(8): 1627-1639.
[44] Barclay V J, Bonner R F,
Hamilton I P. Application of Wavelet Transforms to Experimental Spectra:
Smoothing, Denoising, and Data Set Compression [J]. Analytical Chemistry, 1997,
69(1): 78-90.
[45] Gómez-Sánchez A,
Torres-Cobos B, Rocha De Oliveira R. Local Asymmetric Least Squares (LAsLS) for
Noisy and Complex Baseline Correction [J]. Journal of Chemometrics, 2026,
40(8): e70169.
[46] Westerhuis J A, De Jong S,
Smilde A K. Direct orthogonal signal correction [J]. Chemometrics and
Intelligent Laboratory Systems, 2001, 56(1): 13-25.
[47] Schmitt I, Sowoidnich K,
Gosswami T, et al. PCA-Based Peak Feature Selection for Classification of
Spectroscopic Datasets [J]. Journal of Chemometrics, 2025, 39(11): e70074.
[48] Tang G, Huang Y, Tian K,
et al. A new spectral variable selection pattern using competitive adaptive
reweighted sampling combined with successive projections algorithm [J].
Analyst, 2014, 139(19): 4894-4902.
[49] Schillemans D, Tauler R,
Haverkorn M, et al. Enhancing Chemical Image Analysis: Utilizing the Successive
Projection Algorithm for Unmixing [J]. Spectrochimica Acta Part A: Molecular
and Biomolecular Spectroscopy, 2025, 338: 126201.
[50] Malek S, Melgani F, Bazi
Y. One-dimensional convolutional neural networks for spectroscopic signal
regression [J]. Journal of Chemometrics, 2018, 32(5): e2977.
[51] Khanh H B, Duy N L, Tien N
A, et al. Comparison of conventional linear regression method and interpretable
artificial neural network for copper determination using optical emission
spectroscopy of solution cathode glow discharge [J]. Spectrochimica Acta Part
B: Atomic Spectroscopy, 2024, 219: 107000.
[52] Jo S, Sohng W, Lee H, et
al. Evaluation of an autoencoder as a feature extraction tool for near-infrared
spectroscopic discriminant analysis [J]. Food Chemistry, 2020, 331: 127332.
[53] Georgiev D,
Fernández-Galiana Á, Vilms Pedersen S, et al. Hyperspectral unmixing for Raman
spectroscopy via physics-constrained autoencoders [J]. Proceedings of the
National Academy of Sciences, 2024, 121(45): e2407439121.
[54] Sun X, Xuan L, Liu C, et
al. Quantitative Analysis of Deltamethrin Residues in Water Using
Surface-Enhanced Raman Spectroscopy [J]. Spectrochimica Acta Part A: Molecular
and Biomolecular Spectroscopy, 2025, 343: 126545.
[55] Carter J A, Sloop J T,
Harville T, et al. Non-analyte signals and supervised learning to evaluate
matrix effects and predict analyte recoveries in inductively coupled plasma
optical emission spectrometry [J]. Journal of Analytical Atomic Spectrometry,
2020, 35(4): 679-692.
[56] Zeng W, Xiong Q, Lin T, et
al. Elemental fingerprinting based on ICP-MS/OES and machine learning: Sample
digestion-free and standard-free strategy for geographical origin
identification of Chinese liquor [J]. Microchemical Journal, 2024, 207: 112024.
[57] Magallanes J F, Smichowski
P, Marrero J. Optimization and Empirical Modeling of HG-ICP-AES Analytical
Technique through Artificial Neural Networks [J]. Journal of Chemical
Information and Computer Sciences, 2001, 41(3): 824-829.
[58] Augustine L J, Wang Y,
Adelman S L, et al. Advancing Rare-Earth (4f) and Actinide (5f) Separation
through Machine Learning and Automated High-Throughput Experiments [J]. ACS
Sustain Chem Eng, 2024, 12(45): 16692-16699.
[59] Sun Y, Song X, Yang S, et
al. Deep learning-augmented inductively coupled plasma atomic emission
spectrometry for multivariate authentication of green tea origin and grades
[J]. Food Research International, 2025, 219: 117015.
[60] Kessler R W, Kessler W,
Zikulnig-Rusch E. A Critical Summary of Spectroscopic Techniques and their
Robustness in Industrial PAT Applications [J]. Chemie Ingenieur Technik, 2016,
88(6): 710-721.
作者简介
王睿婷 wangruiting@gbtcgroup.com 助理工程师 主要从事金属材料化学分析常量分析方向
田亦蘩 tianyifan@gbtcgroup.com 助理工程师 主要从事金属材料化学分析常量分析方向
王懿轩 wangyixuan@gbtcgroup.com 助理工程师 主要从事金属材料化学分析常量分析方向
谭晶晶 tanjingjing@gbtcgroup.com 助理工程师 主要从事金属材料化学分析常量分析方向
强文志* qiangwz102@163.com 助理工程师 主要从事金属材料化学分析微量痕量成分分析方向
订阅方式：
①在线订阅（推荐）：www.sdchem.net.cn
②邮局订阅：邮发代号24-109
投稿方式：
①在线投稿（推荐）：www.sdchem.net.cn
作者只需要简单注册获得用户名和密码后，就可随时进行投稿、查稿，全程跟踪稿件的发表过程，使您的论文发表更加方便、快捷、透明、高效。
②邮箱投稿：sdhgtg@163.com sdhg@sdchem.net
若“在线投稿”不成功，可使用邮箱投稿，投稿邮件主题：第一作者名字/稿件题目。
投稿时请注意以下事项：
①文前应有中英文“题目”、“作者姓名”、“单位”、“邮编”、“摘要”、“关键词”；
②作者简介包括：姓名、出生年、性别、民族、籍贯或出生地、工作单位、职务或职称、学位、研究方向；
③论文末应附“参考文献”，执行国标GB/T7714-2005标准，“参考文献”序号应与论文中出现的顺序相符；
④注明作者的联系方式，包括电话、E-mail、详细的通讯地址、邮编，以便联系并邮寄杂志。
欢迎投稿 答复快捷 发表迅速