参考文献 22

第一章  绪论

1。1 研究背景

1。1。1 近红外光谱技术的原理和处理方法

分子振动的非谐振性使分子振动从基态向高能级跃迁时要放出不同的光，这是近红 外光谱产生的主要原因，近红外光谱主要记录了含氢基团 C-H、O-H、N-H、S-H、P-H 等 振动的倍频和合频吸收。人们通常把将近红外区划分为两个区域，这两个区域分别是近 红外短波（780~1100nm）区和近红外长波(1100~2526nm)区。不一样的基团（如甲基、 亚甲基、苯环等）或一样的基团的近红外吸收波长与强度有着非常明显差别在不一样的 化学环境中。这就特别适合用于含碳氢有机物质的组成性质测量，因为近红外光谱拥有 非常丰富的结构和组成信息。论文网

固然近红外光谱理论上很是合适用于碳氢有机物资的构成性质测量，但是在该区域内，含氢基团化学键振动的倍频与合频接收强度很弱，灵敏度相对于很低，接收带较宽并且堆叠紧张，是以，依托传统的成立工作曲线方式举行定量分析是非常不容易的。这也是初期影响近红外光谱分析技术发展的致命缘由。化学计量学是一门由数学、统计学、 计算机科学和化学相互结合成的化学分支学科，又被称为化学统计学。这门学科的发展 成功奠定了数学基础，成功解开了这一问题。这门学科包括有主成分回归（principle cnmponerit  regression）、多元线性回归（multivariable  linear regression）、人工神经网络

（artificial  neural  network）、偏最小二乘法（partial  least  squares  regression）、逐步回归

（stepwise regression）、主成分分析（Principal Component Analysis）等数学处理方法。 (1) 多元线性回归(MLR)

在MLR中若是已经了解样本中某种物质的农度,就能够建设样本的定量模型。当然也 一定要挑选好跟即将测量的样本的光谱相量一一对映的。PCR对关系呈线性的情况是非 常合适的，不需要把物质的量与内部组成间的互相影响考虑在内, 具有简洁的计算,定 义的共识非常容易理解，若是光谱相量存在的很少的话，就拥有很好的结果。PCR的小 小的缺陷是对于光普的共线情况考虑的不大周到,不是贡献情况的话结果不明显,这就 会降低模型的测定精确度。需要谨慎的选择数据来进行选择数据向量,在这个过程中，往往会损失掉哪些对人类有种要使用价值的数具。早期的近红外光谱分析大都采用MLR 方法[1]。

(2) 主成分回归法(PCR) 主成分回归法是用多元统计中的主成分分析法(PCA),先分解混合物光谱量测矩阵x,

然后取主成分来进行多元线性回归分析,故称之主成分回归[2]。 PCR里最具有意义的一点就是对主成分进行分析,最常选择的方法就是对光谱数进

行降维处理，这是主成分分析方法最核心的问题。对初始的量转换一下,使得刚才的值 是少数几个新的值的线形组成，那些变化的值必须能够更多地表达一开始的量的形态并 且不会损失到信息。通过对变量进行转换得到了新的变量，而这些新的变量之间必须是 相互正交的，叠加的信息通过进行转换被去除。

如何最好的运用到PCR技术，需要选择一个合适的主成分数目。如果所选择的主因 子数目较少,一开始获得的数据中的有效资料就会被损失,造成数据拟合不完全:如果所 选择的主因子数目较多,则会将很多无用的机械误差包括在内,造成拟合过度的现象,无 论是主因子数目较多还是较少都会造成建立的模型即将测量的样本的误差显著增大。因 此,可以通过选择合适的主成分数目，以此来增加光谱数据的利用程度，去除光谱数据 中的背景干扰。那么如何挑出一个绝妙的主因子数目呢,最常用的方法就是交叉留一验 证 (Cross validation)。主成分回归法应用很广泛,应用于各个领域中[3]。