[发明专利]红外光谱的定性分析方法

说明书

本发明公开了一种红外光谱的定性分析方法，采用ENet方法从光谱数据库中对待检测样本光谱图进行初次筛选组分；随后建立CLS模型进行循环迭代计算剔除C_AE<0的组分，完成二次筛选组分；最后根据二次筛选光谱数据进行拟合Y_AC，计算判断PA₁与PA₂的大小，完成三次筛选组分，整个过程结合了ENet方法的变量选择能力，通过循环迭代CLS过程，以及UPAs过程，实现红外光谱的快速、准确定性识别分析，同时，该方法不需要事先建模，还能解决多组分红外光谱中，光谱组分的严重多重共线性问题。

技术领域

本发明涉及红外光谱分析领域，特别涉及一种红外光谱的定性分析方法。

背景技术

红外光谱分析是物质定性的重要方法，它的解析能够提供许多关于官能团的信息，可以帮助确定部分乃至全部分子类型及结构，其定性分析有特征性高、分析时间短、需要的试样量少、不破坏试样、测定方便等优点。红外光谱定性分析主要用于物质的定性判别，即通过比较未知样品与已知参考样品集的光谱来确定未知物的归属。随着红外光谱的定性分析方法的发展，尤其是傅里叶变换红外光谱，现有技术已经有多种方法可以对傅里叶变换红外光谱进行定性分析：如经典最小二乘回归法(CLS)、偏最小二乘法(PLS)、人工神经网络算法(ANN)等，基于这些方法对红外光谱进行定性分析时都存在着一定的缺陷。比如，采用CLS来进行组分识别时，首先需要选出所考察波段所有光谱的吸光度数据，但是所有光谱数据最后都能影响到该算法的识别结果，同时CLS分析方法无法解决光谱数据库中光谱的多重共线性问题，而在采用PLS建模进行定性分析时，新组分的出现将会降低识别的准确度；近年来人工神经网络算法发展迅速，但是该算法需要复杂的训练过程，并且单一人工神经网络算法只能对单一组分进行定性识别，且无法实现快速定性识别分析。

同时，随着红外光谱数据库中红外光谱种类的增加，组分吸收光谱特性共线性加重，现有红外光谱的定性分析方法很难解决此类问题。为此，对于实时在线应用，要想从红外光谱的大数据库中实现对待检测样本的红外光谱的准确、快速定性分析，目前来说还尚有难度。

发明内容

本发明的目的在于提供一种红外光谱的定性分析方法，实时在线应用对待检测样本的红外光谱进行准确、快速的定性分析，识别样本组分。

为了实现上述目的，本发明采取以下技术方案：一种红外光谱的定性分析方法，包括如下步骤：(A)、制备待检测样本；(B)、调取待检测样本所属领域的光谱数据库；(C)、利用光谱仪采集待检测样本的红外光谱图；(D)、采用ENet(基于弹性网的变量选择技术)方法从光谱数据库中进行初次选择样本组分，建立样本红外光谱组分的吸光度矩阵X_AE，即n行m_AE的矩阵(X为组分标准吸收光谱，n为组分光谱数据点数，m为组分光谱的个数)；(E)、根据步骤D中的样本组分数据建立CLS(线性最小二乘拟合)模型：C_AE＝(X_AE^TX_AE)^-1X_AE^T*Y，随后进入循环迭代计算剔除C_AE<0的组分，进行二次筛选，得出新的样本组分数据X_AC，m_AC，C_AC(C为组分浓度，Y为红外吸光度谱)；(F)、根据步骤E中二次筛选的样本组分数据再次拟合计算得出Y_AC值，X_AC*C_AC的每一列在Y_AC方向上的投影长度与Y_AC自身长度的比值记为PA₁，X_AC*C_AC的长度与Y_AC在各自组分方向上的投影长度比值记为PA₂，比较PA₁与PA₂进行组分三次筛选；(G)整合步骤F中三次筛选的组分，即为样本的红外光谱的定性分析结果。