分子光谱检测及数据处理技术

目录
前言
第1章 概述 1
1.1 光谱学概论 1
1.1.1 紫外-可见光谱 2
1.1.2 荧光光谱 2
1.1.3 近红外和红外光谱 2
1.1.4 拉曼光谱 3
1.2 化学计量学概论 3
1.2.1 化学计量学的含义 3
1.2.2 化学计量学的发展历史 3
1.3 化学计量学在光谱学中的应用 5
1.3.1 光谱预处理 6
1.3.2 线性校正方法 6
1.3.3 非线性校正方法 7
第2章 紫外-可见光谱 9
2.1 基本原理 9
2.1.1 分子吸收光谱原理 9
2.1.2 朗伯-比尔定律 10
2.1.3 有机物的紫外-可见光谱的吸收原理 11
2.2 紫外-可见光谱仪 12
2.2.1 光源 12
2.2.2 单色仪 13
2.2.3 样品池 13
2.2.4 检测器 14
2.2.5 性能指标 15
2.3 常用的紫外-可见光谱仪 16
2.3.1 单光束光谱仪 16
2.3.2 双光束光谱仪 16
2.3.3 双波长光谱仪 17
2.4 紫外-可见光谱的应用 17
2.4.1 定性分析 17
2.4.2 定量分析 18
2.4.3 水质检测 19
第3章 荧光光谱 21
3.1 基本原理 21
3.1.1 荧光产生的机理 21
3.1.2 激发光谱和发射光谱 23
3.1.3 荧光物质产生荧光的条件 24
3.1.4 影响荧光光谱及荧光强度的因素 25
3.2 荧光衡量参量 25
3.2.1 荧光强度 26
3.2.2 荧光寿命 26
3.2.3 荧光量子产率 26
3.2.4 斯托克斯位移 27
3.3 荧光光谱仪的组成 27
3.4 常用的荧光光谱仪 28
3.4.1 常用荧光光谱仪介绍 28
3.4.2 常用荧光光谱分析技术 28
3.5 荧光光谱的应用 30
3.5.1 生物医学领域的应用 30
3.5.2 中药领域的应用 30
3.5.3 石化领域的应用 31
第4章 红外光谱 32
4.1 基本原理 32
4.1.1 红外光谱产生的机理 32
4.1.2 傅里叶变换红外光谱的工作原理 34
4.1.3 红外光谱的吸收强度 34
4.1.4 红外光谱图的分区 34
4.2 红外光谱分析的基本原理 35
4.2.1 定性分析原理 35
4.2.2 定量分析原理 35
4.2.3 红外光谱的解析 35
4.3 常用的红外光谱仪 36
4.3.1 常用的中红外光谱仪 36
4.3.2 常用的近红外光谱仪 38
4.3.3 红外光谱仪的性能指标 39
4.4 红外光谱的应用 39
4.4.1 定性分析 39
4.4.2 定量分析 40
第5章 拉曼光谱 41
5.1 基本原理 41
5.2 拉曼光谱解析 42
5.2.1 拉曼光谱特点 42
5.2.2 拉曼散射的经典解释 44
5.2.3 拉曼散射的量子理论解释 46
5.3 拉曼光谱技术 46
5.3.1 共振拉曼光谱 47
5.3.2 表面增强拉曼光谱 48
5.3.3 SERS联用技术 51
5.4 拉曼光谱仪 53
5.4.1 拉曼光谱仪结构 53
5.4.2 拉曼光谱仪应用 55
5.5 拉曼光谱的应用 55
第6章 化学计量学基础 58
6.1 误差及数理统计基础 58
6.1.1 误差来源 59
6.1.2 误差分类 60
6.2 光谱预处理方法 61
6.2.1 中心化 62
6.2.2 标准化 63
6.2.3 平滑 64
6.2.4 求导 65
6.2.5 标准正态变量变换 66
6.2.6 多元散射校正 66
6.2.7 正交信号校正 67
6.2.8 基线校正方法 68
6.2.9 傅里叶变换 68
6.2.10 小波变换 69
第7章 主成分分析 75
7.1 概述 75
7.2 基本原理 76
7.3 主成分分析的相关计算 79
7.3.1 主成分分析的数学模型 79
7.3.2 主成分分析的推导 80
7.3.3 主成分贡献率 83
7.3.4 主成分提取率及载荷的计算 83
7.4 主成分分析的步骤 84
7.5 应用 85
7.5.1 几种主要应用 86
7.5.2 葡萄糖溶液的主成分分析 87
第8章 偏最小二乘 90
8.1 概述 90
8.2 基本原理 91
8.2.1 偏最小二乘原理 91
8.2.2 模型提取成分个数的确定 93
8.3 偏最小二乘算法 94
8.4 偏最小二乘回归分析的步骤 96
8.5 非线性偏最小二乘 98
8.5.1 从线性到非线性 98
8.5.2 非线性偏最小二乘算法步骤 99
8.5.3 基于样条变换的非线性偏最小二乘回归 100
8.5.4 基于核变换的非线性偏最小二乘回归 101
8.6 应用 102
第9章 遗传算法 105
9.1 概述 105
9.2 基本原理 107
9.2.1 基本思想 107
9.2.2 构成要素 107
9.3 遗传算法的流程 109
9.4 应用 115
第10章 人工神经网络 118
10.1 概述 118
10.2 基本原理 121
10.3 基于BP神经网络的近红外光谱的定量分析 124
第11章 极限学习机 127
11.1 基本原理 127
11.1.1 极限学习机概述 127
11.1.2 极限学习机的基本原理 128
11.1.3 单隐含层前馈神经网络结构 130
11.1.4 极限学习机标准算法 132
11.1.5 基于正则化的极限学习机 132
11.1.6 基于L2范数的极限学习机 133
11.1.7 基于L1范数的极限学习机 133
11.1.8 基于L1和L2混合范数的极限学习机 133
11.2 基于极限学习机的近红外光谱对烟草样本中主要成分的定量分析 134
11.2.1 不同组分建模过程分析 134
11.2.2 极限学习机结果的随机性的验证 136
第12章 支持向量机 138
12.1 概述 138
12.2 基本原理 139
12.2.1 最优化理论 140
12.2.2 支持向量分类 141
12.2.3 支持向量回归 148
12.2.4 统计学习理论 149
12.3 支持向量机算法 151
12.3.1 最小二乘支持向量机 151
12.3.2 半监督支持向量机 152
12.3.3 拉格朗日支持向量机 154
12.4 应用 155
第13章 模式识别 156
13.1 概述 156
13.1.1 模式识别概念 156
13.1.2 模式空间的相似系数与距离 157
13.1.3 模式识别中的分类问题 158
13.1.4 模式识别中方法的分类 158
13.1.5 计算机模式识别方法 159
13.1.6 模式识别的计算步骤 159
13.2 特征选择方法 159
13.2.1 特征选择方法简介 160
13.2.2 特征选择中应注意的问题 161
13.2.3 化学模式中的特征变量 161
13.3 判别分析法 161
13.3.1 距离判别法 161
13.3.2 Fisher判别分析法 162
13.3.3 Bayes判别分析法 164
13.3.4 线性学习机 165
13.3.5 K-最近邻法 166
13.3.6 ALKNN算法 166
13.4 聚类分析法 167
13.4.1 聚类分析的基本原理 168
13.4.2 聚类过程 168
13.4.3 聚类分析法的分类 169
13.5 基于特征投影的降维显示方法 174
13.5.1 基于主成分分析的投影显示法 175
13.5.2 基于主成分分析的SIMCA分类法 176
13.5.3 基于偏最小二乘的降维方法 177
13.5.4 非线性投影方法 178
13.6 三种经典模式分类方法的应用 179
13.6.1 KNN分类结果 179
13.6.2 LDA分类结果 180
13.6.3 SIMCA分类结果 182
参考文献 183
彩图