文档介绍：近红外光谱分析技术
本讲稿第一页，共三十二页
什么是近红外光
近红外光（Near infrared，NIR）是介于可见光(VIS)和中红外（MIR)之间的电磁波。
近红外光谱区的波长范围为780nm～2500nm，习惯上又将定的不稳定性的困难，必须严格控制包括制样、装样、测试条件、仪器参数等测量参数在内的测量条件；利用该校正校品集建立的数学模型，也只能适用于按这个的测量条件所测量光谱的样品。
本讲稿第十八页，共三十二页
谱图的预处理
针对样品的要求对光谱进行适当的处理，最大限度地减弱各种非目标因素对光谱的影响净化图谱信息，为建立校正模型及预测未知样品作好前期准备
噪音滤除（1）平滑处理。主要去掉高频噪音对信号的干扰，方法有傅立叶变换、奇异值分解、以及Savitzky和Golay提出的卷积平滑方法等。（2）基线校正。扣除仪器背景或漂移对信号的影响，最常用的方法是对光谱进行一阶或二阶微分处理
本讲稿第十九页，共三十二页
归一化处理消除光程的变化或者样品的稀释等变化对光谱响应产生的影响。标准归一化处理（SNV）是消除光程变化较理想的方法，而多元散射校正技术（MSC）则对样品粒径不均匀或测量容器不一致造成光谱响应发生影响的有效手段。
本讲稿第二十页，共三十二页
样品中各待测成分化学值的测定
采用经典化学分析方法对各待测组分含量进行测定，这些值测定的精确度是近红外光谱运用数学模型进行定量分析精确度的关键。
本讲稿第二十一页，共三十二页
剔除异常值
由上述 ① 、② 环节测定的校正样品集中样品的光谱与化学值，有可能由于种随机的原因而有较严重的失真，这些样品的测定值称为异常值。这些失真的样品，若包含在校正校品集中，就会影响所建数学模型的可靠性，因此在建立模型时应当剔除这些异常值。
本讲稿第二十二页，共三十二页
分析谱区的选定
近红外光谱定量分析数学模型所包含的谱区（光谱的数据点）一般应根据样品的特点而选定；增加谱区的范围就可以增加对光谱信息采集的范围，即提高信息量；但因为每个光谱的数据点也包含了测量误差，因此数学模型所利用的数据点越多，则包含的测量误差也越大，为了减少近红外光谱中某些信息量小、失真大的部分谱区，以避免这些谱区的测量误差影响数学模型的稳定性，需要选择建立数学模型所用的谱区。通常可以对谱图进行方差处理，光谱变化最明显的区域即是光谱信息最丰富的区域，也就是最为有效的光谱范围
本讲稿第二十三页，共三十二页
建立模型
可以采用多元线性回归（MLR）、主成分回归（PCR）、偏最小二乘回归(PLS)、人工神经网络（ANN）、和拓扑（TP）等近红外光谱定量分析中常用的校正方法将红外谱图与组分的化学测定值相关联建立定量分析模型。
本讲稿第二十四页，共三十二页
检验与评价模型
内部交叉证实的方法是评价确定数学模型的一种有效方法。这种方法是每次从校正样品集中提出一个样品，然后用剩余的样品建立数学模型，并用数学模型预测原来提出的这个样品，作为对数学模型的检验。反复进行上述步骤，直至校正样品集中的每个样品都被预测检验过一次为止。为了评价数学模型，将内部交叉证实时用数学模型预测计算的校正集中各样品的化学值与各样品的实际值作线性相关，计算相关系数和校正标准差，并用相关系数与校正标准差来评价数学模型的预测效果。相关系数越接近 1 、校正标准差越小，则证明模型的准确度越高。
本讲稿第二十五页，共三十二页
用外部证实法检验和评价数学模型，可以检验数学模型在时间空间上的稳定性。可以用另外一些独立的、待测量已知的检验样品集，用数学模型预测检验集中各样品的待测值；对实际值与预测值作线性相关，并用相关系数和预测标准差来表示预测效果，要求相关系数越接近 1 、预测标准差越小，则模型的预测准确度越高。
如果测定的样品在时间和空间条件上有一些新的变化，原有的数学模型已不适合此新条件，则需重新建立有代表性的校正样品集（可以在原有的样品集中增加一些新的样品类型，以使新的校正样品集能代表新的类型样品），然后再按照 ①－⑧环节对数学模型进行修正与维护。
本讲稿第二十六页，共三十二页
近红外光谱定量分析的流程与步骤
本讲稿第二十七页，共三十二页
近红外光谱仪器的主要类型
滤光片型
色散型
傅立叶变换型
声光可调滤光型
其中傅立叶变换型近红外光谱仪与其它类型仪器相比，具有信噪比高、分辨率高、波长准确且重复性好、稳定性好等优点，往往作为研究性仪器的首选。
本讲稿第二十八页，共三十二页
近红外光谱技术的应用
农业与食品行业
石油化工工业
制药工业
烟草与纺织行业
生物医学领域
……
本讲稿第二十九页，共三十二页
近红外光谱分析技术的优缺点
优点：
（1）快速，通常30秒内就可给出分析结果，可进