光譜學分析精選(五篇)

序言：作為思想的載體和知識的探索者，寫作是一種獨特的藝術，我們為您準備了不同風格的5篇光譜學分析，期待它們能激發您的靈感。

篇1

本書是第二卷，由四部分組成，共25章：第一部分是“歷史的綜述”，含第1章：1. Aimé Cotton在1895年發現CD和ORD后的第一個十年；第二部分是“有機立體化學”，含2-12章：2. 一些天然的手性發色團――經驗規則和量子化學計算；3. 用于測定苯和其它芳香族發色團絕對構型的電子CD；4. 電子CD激子手性方法：原理和應用；5. 手性擴展p-電子化合物的CD光譜：絕對立體化學和實驗驗證的理論確定；6. 利用固態電子圓二色性和量子力學計算來編配天然產物的絕對構型；7. 金屬有機化合物的動態立體化學和旋光光譜學；8. 動態系統的圓二色性：開關分子及超分子的手性；9. 超分子系統的電子圓二色性；10. 利用有量子計算功能的HPLCECD進行手性化合物的在線立體化學分析；11. 用振動圓二色性進行手性天然產物的結構測定；12. 分子絕對構型的測定：選擇適當旋光法的準則。第三部分是“無機立體化學”，含第13章：13. 電子圓二色性在無機立體化學中的應用。第四部分是“生物分子”，含第14-25章：14. 蛋白質的電子圓二色性；15. 肽的電子圓二色性；16. 擬肽的電子圓二色性；17. 核酸的電子圓二色性；18. 肽核酸及其類似物的電子圓二色性；19. 蛋白質與核酸相互作用的圓二色性；20. 用電子圓二色性來分析捆綁在核酸上的藥物或天然產物；21. 用電子圓二色性來探索HSA和AGP藥物捆綁位置；22. 生物高聚物、肽、蛋白質和核酸的構象研究――振動圓二色性的作用；23. 從拉曼光學活性來看生物分子的結構和行為；24. 糖類和復合糖的旋光、電子圓二色性以及振動圓二色性；25. 通過電子圓二色性來發現藥物。本書以紀念已故的Carlo Rosini教授的短文開頭。每章的結尾有參考書目，目錄的前面有各章作者簡介，結尾有主題索引。

本書第一編著貝羅娃博士是美國紐約哥倫比亞大學化學系的研究員。1998年以來，她一直是《手性》雜志的編委會成員。

本書可用做大學生或研究生的教科書，或學術和工業領域的研究工作者的參考書。

篇2

[關鍵詞]近紅外光譜分析技術 牛奶 化學分析 應用

中圖分類號：TS207.3 文獻標識碼：A 文章編號：1009-914X（2016）11-0258-01

近紅外光具體指波長在780-2526nm范圍內的電磁波，近紅外光譜分析技術則是光譜測量技術同化學計量學的有機結合。近紅外光分析技術應用范圍不斷拓展，在食品行業中應用于調味品、酒制品、肉類等成分鑒別以及真偽鑒別，近年來其在牛奶制品化學分析中也得到了較為廣泛的應用。分析近紅外光譜技術在牛奶及其制品分析檢測中的應用，實施對牛奶及其制品的質量安全控制，有著重要的現實意義。

一、近紅外光譜分析技術原理

近紅外光譜分析技術是近幾十年來發展最為迅速的高新分析技術之一。我國從上世紀80年代開始應用近紅外光譜分析技術，并逐漸拓展到食品、農業、石化等多個領域，近紅外光譜是分子振動光譜倍頻與合頻吸收光譜，主要為X-H鍵吸收。由于不同基團（例如苯環，甲基等）所生成的光譜在吸收峰的強度以及位置上有差異性，結合朗伯-比耳吸收定律，光譜特征將鎖著樣品成分含量的變化而變化。近紅外光譜分析技術具體有以下幾個優點：傳輸性能良好，近紅外光在光導纖維中傳輸性能較好，能夠實現對生產工藝流程的在線檢測；檢測手段無損。近紅外光譜分析技術檢測不對樣品產生損傷，特別是在活體檢測上有著非常大的優勢；分析速度快捷。近紅外光譜分析技術不用對樣品進行預處理，對于樣品的測量通常在1分鐘之內可以完成，其分析速度較快，效率較高；綠色環保。近紅外光譜分析技術在檢測中不對環境產生污染，因而其也被稱作綠色檢測技術。

二、近紅外光譜分析技術在牛奶化學分析中的應用

牛奶是由多種物質所組成的混合物，其具體包括真溶液、膠體懸乳液、高分子溶液以及乳濁液等。而牛奶成分中蛋白質分子、脂肪等對于近紅外光有著吸收作用，因而近紅外光譜分析技術在牛奶化學分析測定中能夠得到良好應用。近紅外光譜分析技術在牛奶制品上的應用主要體現在在線檢測與離線檢測兩個方面。在線檢測是指借助光纖探頭直接在生產線中對樣品進行檢測；離線檢測指用紅外反射儀對樣品杯或者試管中的樣品實施全反射檢測。其具體應用包括定性分析牛奶及其制品的產地來源與品種，以及定量分析牛奶及其制品的微生物與理化指標等。

1.在線檢測

牛奶生產過程中，因出廠產品一致化的要求，通常需要保證原料成分含量的一致性，而現實生產當中不能使生產停止來滿足在線檢測。近紅外光譜分析技術的應用則實現了對生產過程的實時監控。在線檢測中，利用近紅外光譜分析技術對牛奶成分中的蛋白、乳糖、脂肪、蔗糖以及水分進行測量，能夠取得良好的效果，可廣泛應用與鮮奶成品生產以及奶粉生產過程中的質量監控。并且如今近紅外光譜技術應用也已經拓展到了牛奶中病菌數以及牛奶體細胞數測定方面。吳靜珠等提出了建立包括不同種類奶粉樣品集中的脂肪、乳糖、蛋白等的紅外模型，并采取全譜分析結合模型優化的方法，簡化了近紅外技術在奶粉定量分析的步驟。劉蓉（2005）通過最小半球體積法以及半數重采樣法來對牛奶成分近紅外光譜實施奇異點剔除實驗，這兩種算法的有效結合有著快速簡單的特征，能夠適應牛奶成分等的在線檢測，可大大提升分析模型的精度與穩定性。朱俊平（2003）通過多元線性回歸法構建用近紅外光譜分析技術檢測兒童高鈣奶粉蛋白、乳糖、脂肪的測定模型。其近紅外法測定結果與標準法測定結果相一致。但總體來看，目前近紅外光譜分析技術在牛奶及其制品在線檢測中的應用尚停留在實驗室的階段，要真正實現牛奶及其制品生產的在線檢測還需要做更多的工作。

2.離線檢測

營養成分檢測。牛奶制品營養成分檢測主要是指利用近紅外光譜分析技術對牛奶中的蛋白質、乳糖、脂肪等營養成分進行快速定量的分析。聯邦德國的R.T.Carl早在1991年就利用近紅外光譜分析技術以及偏最小二乘法分析牛奶中的脂肪含量，結果也表明利用近紅外光譜分析技術分析牛奶中脂肪含量是非常可行的。

摻假物質鑒別。牛奶制品中有許多摻假物質，例如植物蛋白、植脂末、乳清粉乃至三聚氰胺等。奶制品摻假成分檢測主要依賴傳統方法，而近紅外光譜分析技術的應用也能夠起到有效作用。韓東海（2006）具體應用近紅外光譜分析技術來鑒別純牛奶中的還原奶，結合判別分析方法構建起還原奶鑒別模型，并利用偏最小二乘法構建起原料奶的ph值以及酸度預測模型，具體誤差

致病菌分析。李守軍（2007）對利用近紅外光譜技術檢測牛奶中致病菌方法進行了分析。具體采用最小二乘法、余弦相似度聚類等方法建立利用近紅外光譜檢測原料乳大腸桿菌、總菌落數的模型，結果表明能夠在50分鐘內完成，可有效預測原料乳大腸桿菌以及總菌數。

三、近紅外光譜分析技術應用展望

我國的奶制品質量水準在食品市場中一直備受關注，牛奶產品的質量也一直是弱項，例如我國奶粉產品質量與西方國家有著巨大差距。究其原因，在于生產監控以及原材料質量控制上的差距。近紅外光譜分析技術有著準確、快速、便捷等特性，得到了越來越廣泛的應用。而這項技術在牛奶及其制品中的應用，則能夠更有效地實施對牛奶制品的質量監控。其對于提升生產質量控制，降低生產成本等發揮著重要的作用。但同時，目前近紅外光譜技術在牛奶分析檢測中的應用仍存在著諸多問題有待解決：牛奶為多分散體系，由于測量條件以及測量方法等諸多因素影響，測定結果的準確率有待提升，因而需要開發專用的數學模型以及相關配件來提升檢測精確度；近紅外光譜分析技術定性與定量分析的關鍵因素在構建準確的校正模型，因而需要進行多種建模方法的對比來獲取最優化的模型；此外，近紅外光譜分析技術雖然分析成本較低，但其儀器本身較為昂貴，對于我國一些牛奶加工企業、牛奶養殖場所以及牛奶收購站而言，缺乏經濟實力與生產規模。因而需要開發出更簡便，價格更低的近紅外儀器，拓展其在牛奶檢測中的應用范圍。

結束語

總而言之，近紅外光譜分析技術有著簡便、快速、綠色等特征，隨著我國乳制品工業的快速發展以及社會對于乳制品質量的關注，近紅外光譜分析技術有著廣闊的應用前景。目前我國乳品市場質量安全方面仍然存在著諸多問題，新形勢下，我們應當進一步加快對近紅外光譜分析技術在牛奶化學分析應用的研究，促進其在乳品生產檢測中的高效應用，從而提升我國乳制品的質量安全水平。

參考文獻

[1] 鄒強.近紅外光譜技術在奶酪品質評價中的應用[J].光譜學與光譜分析，2011，10.

篇3

關鍵詞：光學多道分析器；氫原子光譜；巴耳末系；里德伯常量

中圖分類號：G307 文獻標識碼：A 文章編號：1002-7661（2012）15-0262-01

1 引言：

電子從高能級躍遷到低能級時，發射的光子能量hv為兩能級間的能量差，

hv=E(m)-E(n) （m > n）

以波數?啄＝1/?姿表示， 則上式為 ?啄＝■=T(n)-T(m)=R■(■-■)

式中RH為氫原子的里德伯常數。

從圖1中可知，從m≥3至n =2躍遷，光子波長位于可見光區，其光譜符合規律?啄=R■（■-■） （m=3，4，5…）

這就是1885年巴耳末發現并總結的經驗規律，稱為巴耳末系。

2.實驗原理：

OMA光路見圖2。光源S經透鏡L成像與多色儀的入射狹縫S1，入射光經平面反射鏡M1轉向90°，經球面反射鏡M2反射后成為平行光射向光柵G。衍射光經球面反射鏡M3和平面鏡M4成像于觀察屏P。由于各波長光的衍射角不同，P處形成以一波長λ0為中心的一條光譜帶，使用者可在P上直觀地觀察到光譜特征。轉動光柵G可改變中心波長，整條譜帶也隨之移動。多色儀上有顯示中心波長的波長計。轉開平面鏡M4，可使M3直接成像于光電探測器CCD上，它測量的譜段與觀察屏P上看到的完全一致。

由于Hα線波長為656.28nm，Hδ波長為410.17nm，波長間隔246nm超過CCD一幀159nm范圍，無法在同屏中觀察到，故需分兩次觀察測量。第一次測量Hβ、Hγ、Hδ三條線，第二次單獨測量Hα線。第一次測量使用汞燈的546.07nm（綠光）、435.84nm（藍光）、404.66nm（紫光）三條譜線作為標準譜線手動定標；第二次用汞燈的546.07nm（綠光）、576.96nm（黃光）、579.07nm（黃光）及三條紫外光的二級光譜線312.567×2=625.13nm、313.17×2=626.34nm、334.17×2=668.34nm來定標。

3 實驗步驟：

1)將多色儀起始波長調到390 nm、入射狹縫S1的寬度為0.1mm。

2)用筆形汞燈作光源，調節L·S與多色儀共軸，并令光源S成像于入射狹縫處，這時在多色儀的觀察屏P上觀察到清晰、明亮的水銀譜線。

3)轉動M4使光譜照到CCD上，調節入射狹縫，使譜線變銳。選擇適當的曝光時間以獲得清晰、尖銳的譜線。由于譜線強度不同，對不同的譜線可選用不同的曝光時間。

4)用水銀的幾條標準譜線定標，使橫坐標表示波長（nm）。

5)改用氫燈，轉動M4，使譜線成像于觀察屏P上，調節氫燈的位置，使譜線強度為最強。

6)轉動M4，測量Hβ、Hγ、Hδ線的波長。

7)將多色儀的起始波長調至540nm，用汞燈定標后，測出Hα線的波長。

4 實驗數據及處理： 圖3（a）中1、2、3號譜線對應氫光燈Hβ、Hγ、Hδ三條線;（b）中1號譜線對應Hα線

實驗數據記錄如下表 以δ為縱坐標■-■為橫坐標經過Origin擬合后，可見斜率即為里德伯常量RH=1.10215×107 ，與標準值的相對誤差僅為0.435％。

參考文獻:

篇4

摘要：

使用光譜儀采集到的信號難免受到不同噪聲源的影響。為了提高光譜信號解析的精準度，通過分析小波應用于信號降噪的原理以及經典的軟、硬閾值降噪法存在的缺陷，提出了一種改進的閾值降噪法。該方法既克服了硬閾值法產生間斷點，軟閾值法產生恒定偏差的缺陷，又盡量地保留了有用信號。實驗選用的小波基函數為SymletsA，分解層數為4，結合Birge－Mas－sart策略模型確定的分層閾值對硒化鎘量子點熒光光譜信號進行降噪處理。結果表明，與經典的軟、硬閾值降噪法相比，通過改進閾值降噪法得到重構信號的信噪比（SNR＝47．5502）、能量占比（PER＝0．9733）和均方誤差（MSE＝149．4213）均有提高和改善。

關鍵詞：

小波；閾值；降噪；熒光光譜

引言

光譜分析中重點關注的是信號的局部特征，即光譜曲線中波峰的形狀、位置和峰值強度［1］。然而在光譜儀采集信號的過程中，難免會受到外界光照、環境溫度和儀器特性等因素的影響［2］，導致實測信號往往含有高頻噪聲。如果直接使用采集到的光譜信號進行定量分析，必然會增大光譜鑒別的虛警率。因此，在深入分析之前，必須采取行之有效的方法對獲取的原始信號進行相應的降噪預處理，以減弱或消除噪聲和無用信號對有用信號的影響，才能提高光譜圖解析的精準度［3－5］。由于在正交小波中，正交基的選取比傳統方法更接近實際信號本身，所以通過小波變換可以更容易地分離出噪聲或其他不需要的信息，因此在信號降噪中小波分析有著傳統方法無可比擬的優勢［6］。小波分析是一種兼顧時域和頻域的分析方法，因其多分辨率分析的特點廣泛適用于非平穩信號的處理［7－9］。在小波分解過程中，通過抑制部分小波系數實現降噪主要是基于如下事實：在光譜信號中，低頻部分（近似系數）是表征信號本身特征的，而高頻部分（細節系數）則是表征信號的細微差別。由于原始信號每次分解得到的近似系數比以前更光滑，舍去的細節信息就存放在各層細節系數中，因此為了保持原相對完整的信息，筆者采用了一種改進的閾值降噪方法處理各層小波系數，并在此基礎上有選擇地抑制保留的細節系數，以此達到降噪的目的。本文通過基于理論分析的實驗驗證了該方法的有效性。

1小波分析用于信號降噪的原理

1．1基本降噪模型

如果一個純凈信號X（t）被噪聲污染后為F（t），那么基本的噪聲模型就可以表示為F（t）＝X（t）＋σY（t）（1）其中：Y（t）為噪聲；σ為噪聲強度。小波變換的目的就是要抑制Y（t）以恢復X（t）。從統計學的觀點看，這個模型是一個隨時間推移的回歸模型，這種分解方法可以看做是在正交基上對函數X（t）的無參估計。

1．2降噪的過程小波分析用于信號降噪的過程通常分為3個步驟：

1）分解過程：根據應用場合的不同，綜合考慮小波函數的緊支集、對稱性、正則性、消失矩等，選取適合的小波基函數對信號進行N層小波分解。

2）作用閾值過程：根據Donoho提出的小波閾值算法，對分解得到的各層小波系數進行硬閾值或軟閾值處理。

3）重建過程：根據降噪處理后的第N層近似系數和各層細節系數（cdi，i＝1，2，…，N），運用小波變換的重建算法實現信號的重構。

2閾值確定模型的選擇

在小波分析用于信號降噪的過程中，核心的步驟就是在系數上作用閾值，因此閾值的選取直接影響降噪的質量。本文采用的方法是根據原始信號的信噪比確定各層系數降噪所需的閾值。假定噪聲為高斯白噪聲（噪聲的數學期望為0），信噪比就用原始信號小波分解的各層系數的標準差來衡量。1）默認的閾值確定模型：）Birge－Massart策略閾值確定模型：由于本文采用的閾值降噪法需對各層小波系數設置不同的保留閾值，而通過默認的閾值確定模型求得的閾值為全局閾值，因此使用Birge－Massart策略確定分層閾值更恰當。

3改進的閾值降噪法

針對含噪信號的降噪處理，Donoho等創造性地提出了小波閾值法降噪。該方法在實際運用中取得了矚目的成就，但也存在瑕疵。通常情況下小波硬閾值法會導致作用后的光譜曲線在某些點（閾值點）產生間斷，雖然小波軟閾值法克服了這一缺陷，但卻給重構信號引入了附加振蕩。除此之外，閾值函數將小于閾值的小波系數全部置0，會使得高頻部分的有用信號無法參與重構，從而降低了還原度。針對這些缺陷，文獻［10］提出了一種改進的閾值函數。

4.實驗結果及分析

4．1小波基函數和最優分解層數的選取

實驗采用波長為365nm的激發光源LIS365照射CdO溶液與Se粉反應15min時得到的量子點，由海洋光學QE65000光譜儀采集量子點熒光光譜，導入Matlab中得到如圖1所示的CdSe量子點熒光光譜。光譜范圍為300nm～1200nm，分辨率為1nm－1，橫坐標為波長（nm），縱坐標為吸光度（a．u．）。小波基函數的選取應兼顧緊支集、對稱性、正則性、消失矩等特性。symN小波族的構造類似于dbN小波族，且具有更好的對稱性，可以減少重構時的相移。因此本文選用symN小波族對CdSe量子點熒光光譜信號進行降噪處理。由于支集太長會產生邊界問題，支集太短又不利于信號能量的集中，所以選用如圖2所示支集適中的sym4作為小波基函數。將CdSe量子點熒光光譜信號進行小波分解，細節系數在各分解層數上的奇異譜分布如圖3所示。當分解層數為4時，奇異譜發生突變，說明最優分解層數即為4。

4．2算法驗證

為了檢驗本文提出的改進閾值函數在實現CdSe量子點熒光光譜信號降噪時的優勢，采用傳統的硬閾值法、軟閾值法、文獻［10］提出的閾值法和改進閾值法分別對原始信號進行降噪處理，通過Matlab提供的小波降噪命令同時完成了作用閾值和重構過程，降噪后的光譜曲線如圖4所示。為了進一步證明改進閾值降噪法的有效性，本文采用了信噪比、均方誤差和能量占比3項指標來對降噪效果進行量化評估。

5結論

1）通過分析閾值確定模型的適用范圍，選定了更適用于計算分層閾值的Birge－Massart策略模型確定各層閾值。

2）在兼顧緊支集、對稱性、正則性、消失矩等特性的前提下，考量了應用于小波分解適宜的支集長度，選定sym4小波作為基函數；通過觀察CdSe量子點熒光光譜信號分解后各層細節系數的奇異譜分布情況，確定了最優分解層數。

3）通過分析經典的硬閾值和軟閾值降噪法的缺點，提出了一種改進的閾值降噪法，并結合選定的閾值確定模型對CdSe量子點熒光光譜信號進行了降噪處理。實驗結果證明：無論是從相似性直觀地判斷，還是從信噪比、均方誤差和能量占比進行量化評估，改進的閾值降噪法都具有優勢。

參考文獻：

［1］秦俠，沈蘭蓀．小波分析及其在光譜分析中的應用［J］．光譜學與光譜分析，2000，20（6）：892－897．

［2］陳紅．多組分污染物氣體光譜檢測關鍵技術研究［D］．合肥：合肥工業大學，2011．

［6］夏國榮，徐志勝，馬振燕．多小波閾值降噪法在鋼絲繩缺陷檢測中的應用［J］．測試技術學報．2007，21（4）：319－323．

［10］蔣薇薇，魯昌華，張玉鈞，等．基于提升小波改進閾值的光譜信號去噪研究［J］．電子測量與儀器學報，2014，28（12）：1363－1368．

［11］臧玉萍，張德江，王維正．小波分層閾值降噪法及其在發動機振動信號分析中的應用［J］．振動與沖擊，2009，28（8）：57－60．

篇5

1．1樣品收集及制備

收集不同種植區域、不同品種、不同部位的單料煙樣品共110個。將樣品放入烘箱內，40℃排氣烘烤2h，然后磨碎過40目篩，控制含水率在6%～10%之間。

1．2試驗儀器及軟件

儀器:Antaris傅里葉變換近紅外光譜儀(美國ThermoNicolet公司);Agilent7890－5975氣相色譜質譜儀(美國Agi-lent公司);AG204型電子天平(感量0．1mg，瑞士梅特勒－托利多公司);GFL3020震蕩器(德國GFL公司);電熱恒溫水浴鍋(德國GFL公司);VELPDK20消化器(意大利VELP公司);連續流動分析儀(美國Astoria－Pacific公司);旋轉粉碎機(北京高科公司);恒溫箱(日本ESPEC);SDE蒸餾器(鄭州玻璃儀器廠);可控溫度電熱套及恒溫水浴鍋。軟件:TQAnalyst8數據分析軟件(美國ThermoNicolet公司);SPSS13．0統計產品與服務解決方案(美國IBM公司)。

1．3近紅外光譜掃描

取適量煙末裝入石英杯中，用500g的壓樣器壓平杯中樣品后，放到光譜儀器臺上掃描。儀器的工作參數:光譜范圍3800～10000cm－1，間隔4cm－1，分辨率8cm－1，掃描次數69次。

1．4常規化學成分的測定

參照煙草行業標準規定的方法應用連續流動分析儀測定樣品的總糖、還原糖、煙堿、總氮、氯、鉀含量，并計算出相應的糖堿比和鉀氯比［11］。

1．5揮發性香味成分分析

采用同時蒸餾萃取的方式提取樣品中的揮發性香味成分，具體操作如下:樣品稱質量25g，加水300mL、二氯甲烷60mL，同時蒸餾萃取2．5h，濃縮后加內標乙酸苯乙酯(12．553g/L)10μL后待測。采用安捷倫7890－5975NGC－MS分析，色譜柱HP－5(30m×250μm×0．25μm)，進樣口溫度250℃，流速1mL/min，分流比10∶1。起始溫度60℃，以5℃/min升溫到80℃，保持5min;以2℃/min升溫到150℃，保持10min;以2℃/min升溫到200℃，保持20min;以2℃/min升溫到280℃，保持10min，總運行時間149min。共檢測到揮發性香味成分33種。

1．6逐步判別分析

逐步判別分析是一種多元統計方法。整個變量篩選過程實質就是作假設檢驗，通過檢驗引入顯著性變量，剔除不顯著變量。反映在輸出結果上，通常可以用F值的大小作為變量引入模型的標準，即一個變量是否能進入模型主要取決于協方差分析的F檢驗的顯著水平。逐步判別過程本身并不建立判別函數，篩選出重要變量后，采用Bayes判別方法建立判別函數和判別準則，對新樣品進行判別歸類。

2結果與分析

2．1近紅外譜圖的處理

2．1．1譜圖的預處理

煙草樣品的近紅外譜圖會受到樣品顏色及儀器穩定性的影響而出現噪音及基線漂移，所以必須對樣品的近紅外譜圖進行前處理［6］。利用TQAnalyst8分析軟件包中的優化功能，采用如下方法可獲得理想的結果:多元散射校正消除樣品不均勻帶來的差異;采用段長為9、間隔為5的NorrisDerivative濾波平滑光譜，消除高頻噪音，保留有用的低頻信息;采用二介微分處理，消除基線漂移的影響，獲得比原光譜更高分辨率和更清晰的光譜輪廓變化。

2．1．2譜圖的主成分分析

選擇4000～8000cm－1波數為分析區域，由主成分分析獲得樣品的10個主成分，前5個主成分的貢獻率達到96．97%，即5個主成分就能夠代表96.97%的近紅外譜圖信息，所以以5個主成分得分為分析對象，采用逐步判別分析進行模式識別。

2．2煙葉種植區域模式識別結果的比較

收集的樣品由福建、云南、安徽、江西、貴州4個地區的煙葉樣品組成，依據《中國煙草種植區劃》［13］110個樣品屬于5個產區，從每個產區隨機抽取5個作為外部驗證樣品，其余作為建模樣品。通過逐步判別分析，篩選出對于種植區域判別有主要影響作用的6種化學成分，即糠醛、吲哚、香葉基丙酮、柏木醇、新植二烯和氯，并獲得其Bayes判別函數，同樣由逐步判別分析獲得近紅外光譜5個主成分得分煙葉種植區域的Bayes判別函數。將篩選出的變量代入Bayes判別函數計算得到判別值，比較各判別值大小，其中最大值所對應的分組便是判別分組。表2表明，化學成分建模85個樣品種植區域交叉驗證模式識別的準確率為91．76%，外部驗證25個樣品種植區域模式識別的準確率為80．00%;近紅外光譜建模85個樣品種植區域交叉驗證模式識別的準確率為89．41%，外部驗證25個樣品種植區域模式識別的準確率為80．00%。種植區域化學成分模式識別的準確率略高于近紅外譜圖模式識別的結果。滇南桂西山地丘陵烤煙區及滇西高原山地烤煙煙區都屬于云南地區，地理位置較近，且種植水平及習慣接近，因此2個地區的樣品發生部分誤判，閩西贛南粵東丘陵煙區、皖南贛北丘陵烤煙區、黔中高原山地烤煙區樣品識別正確率較高(表2)。

2．3煙葉品種模式識別結果的比較

收集的110個煙葉樣品共有云煙87、翠碧1號、K326、紅花大金元等4個品種，從每個品種中隨機抽取5個作為外部驗證樣品，其余的樣品作為建模樣品。通過判別分析，篩選出對于品種模式識別有主要影響的4種化學成分，即4－環戊烯－1，3－二酮、茶香酮、香葉基丙酮、氯，并獲得了其Bayes判別函數，同樣由逐步判別分析獲得近紅外光譜5個主成分得分煙葉品種的Bayes判別函數。目前我國主栽烤煙品種均直接或間接來自于相同的親本，甚至有些品種間親緣關系極近，致使品種鑒別時容易發生錯判。表4結果表明，化學成分建模90個樣品品種交叉驗證模式識別的準確率為77．78%，外部驗證20個樣品品種模式識別的準確率為70．00%;近紅外光譜建模90個樣品品種交叉驗證模式識別的準確率為82．22%，外部驗證20個樣品品種模式識別的準確率為75．00%。煙草品種的近紅外譜圖模式識別結果優于化學成分模式識別的結果。

2．4煙葉部位模式識別結果的比較

收集的110個煙葉樣品中上部煙36個、中部煙38個、下部煙36個，從不同部位的煙葉樣品中隨機抽取8個樣品外部驗證樣品，其余的樣品作為建模樣品。通過判別分析，篩選出對于煙葉部位模式識別有主要影響的化學成分為三環萜、柏木醇、總煙堿，并獲得了其Bayes判別函數，同樣由逐步判別分析獲得近紅外光譜5個主成分得分煙葉部位的Bayes判別函數。表6結果表明，化學成分建模86個煙葉樣品部位交叉驗證模式識別的準確率為86．05%，外部驗證24個煙葉樣品的準確率為75．00%，近紅外光譜建模86個煙葉樣品部位交叉驗證模式識別的準確率為94．19%，外部驗證24個煙葉樣品的準確率為91．67%。煙葉部位的近紅外譜圖模式識別結果優于化學成分模式識別的結果。

2．5模式識別結果比較

以化學成分、近紅外光譜建模樣品及外部驗證樣品模式識別正確識別的個數為變量進行相關性分析及配對t檢驗。相關性分析結果表明，2種方式獲得的結果都存在顯著的相關性(P＜0．05);配對t檢驗結果表明所獲得的結果差異不顯著(P＞0．05)(表7)。

3結論