近红外光谱仪的定量分析

定性分析

在近红外光谱图谱上，依据不同种类物质所含化学成分的不同，含氢基团倍频与合频振动频率不同，则近红外图谱的峰位、峰数及峰强是不同的，样品的化学成分差异越大，图谱的特征性差异越强。采用简易的峰位鉴别可对不同品种的中药进行鉴别采用峰位鉴别法主要是分析组分相差较大的不同种物质，这种方法直观、简便，但对于性质相近的样品鉴别却无能为力。因此必须需要其它的方法，如化学计量学方法等来鉴别。

模式识别在六十年代末被引入到化学领域，它基于一个十分直观的基本假设，即“物以类聚”，认为性质相近的样本在模式空间中所处的位置相近，它们在空间形成“簇”。模式识别方法具有明显的优点，它不需要数学模型需要的先验知识很少擅长处理复杂事物和多元数据等。在实际工作中，经常遇到只需要知道样品的类别或等级，并不需要知道样品中含有的组分数与其含量的问题，这时需要应用模式识别法。模式识别法主要用于光谱的定性分析。在近红外光谱定性分析中常用的模式识别方法很多，有聚类分析、判别分析、主成分分析和人工神经网络方法。

在中草药及其产品的应用中，模式识别方法主要用于产品的分类与鉴定。系统聚类分析是依据一种事先选定的相似性或非相似性如距离来度量类在分类空间中的距离，再根据谱系图决定分类结果。逐步聚类分析动态聚类法是依据距离进行分类的一种迭代方法。与系统聚类法相比，它的计算速度快，并节省储存单元，但需事先指定分类数和适当初定值，每步迭代都对各类的中心凝聚点进行调整并按分类对象与中心的距离之远近进行归类，直到不变为止。

主成分分析是一种简化数据结构、突出主要矛盾的多变量统计分类方法。利用主成分分析可以降低数据的维数，根据主因子得分对样品进行分类。逐步判别分析能在筛选变量的基础上建立线性判别模型。筛选是通过检验逐步进行的。每一步选取满足指定水平最显著的变量，并剔除因新变量的引入而变得不显著的原引入变量，直到不能引入也不能剔除变量为止。

人工神经网络作为一种智能型算法，具有很强的非线性映照能力，在非线性多元校正中已显露出一定的优势，关于误差反向传播神经网络的研究和应用较多。由于具有良好的自组织、自学习和处理复杂非线性问题的能力，因而对于复杂的、非线性的体系，可取得更好的效果，已被用于许多领域。

定量分析

近红外光谱分析技术在近几十年内得到了快速的发展而且在多个应用领域得到了广泛的认可，它的魅力在于其可以在很短的时间内无需复杂的样品制备过程即可完成物质成份多组分的同步快速定量分析，并且可以给出很高的分析精度，不产生任何化学污染且分析成本很低，易于在实验室尤其是工业现场或在线分析领域得到推广使用。

NIR 定量分析的过程

该技术应用实施过程中需要前期进行一些必要的准备工作，其中包括：

（1） 具有广泛代表性的定标和预测样品集的收集和成份理化定量分析；

（2） 定标和预测样品集的近红外光谱采集和光谱解析；

（3） 物质各待测成份在近红外分析仪器上的定标建模和模型优化；

（4） 已有定标模型的实际预测分析。

在以上的前期工作中需要进行较多的实验验证，而且需要对近红外光谱定量分析技术中的每一个环节上全方面考虑多种干扰因素（如温度、湿度等）的影响。一旦定标模型通过预测检验分析后，近红外光谱分析仪器将在较长的时间内保持很高的稳定性和分析精度，操作人员很容易在较短的时间内掌握该仪器的操作程序，这就是该技术在一个新的应用领域很容易得到推广的主要优势所在。但是近红外分析仪器定标模型精确度会由于环境因素影响、自身器件的老化以及参考标准样品的变化而发生微小的变化，为了确保分析结果的准确性需要对模型进行周期性的检验和修正，这就需要用户长期拥有检测样品的理化分析能力，尽管并不需要太多的工作量，所以近红外光谱定量分析技术需要其他成份定量分析技术为依托，经常通过少量经过理化分析的新样品来验证近红外定标模型的精确度，这也是该技术的弱点所在。