分子光譜檢測及數據處理技術（簡體書）

近些年，光譜技術結合化學計量學方法已經廣泛應用於複雜多組分體系的定量和定性分析中，並成功的應用於多個領域，在科研和工農業生產中發揮著越來越重要的作用。本書系統地介紹了常用光譜技術的基本理論知識、光譜儀的主要組成和功能、化學計量學基礎理論以及化學計量學在光譜學中的實際應用。內容系統詳盡，既獨立自成體系，又有相互聯繫，並各有側重。主要內容包括：紫外-可見光譜、熒光光譜、紅外光譜、拉曼光譜以及常用的化學計量學方法。

目錄
前言
第1章 概述 1
1.1 光譜學概論 1
1.1.1 紫外-可見光譜 2
1.1.2 熒光光譜 2
1.1.3 近紅外和紅外光譜 2
1.1.4 拉曼光譜 3
1.2 化學計量學概論 3
1.2.1 化學計量學的含義 3
1.2.2 化學計量學的發展歷史 3
1.3 化學計量學在光譜學中的應用 5
1.3.1 光譜預處理 6
1.3.2 線性校正方法 6
1.3.3 非線性校正方法 7
第2章 紫外-可見光譜 9
2.1 基本原理 9
2.1.1 分子吸收光譜原理 9
2.1.2 朗伯-比爾定律 10
2.1.3 有機物的紫外-可見光譜的吸收原理 11
2.2 紫外-可見光譜儀 12
2.2.1 光源 12
2.2.2 單色儀 13
2.2.3 樣品池 13
2.2.4 檢測器 14
2.2.5 性能指標 15
2.3 常用的紫外-可見光譜儀 16
2.3.1 單光束光譜儀 16
2.3.2 雙光束光譜儀 16
2.3.3 雙波長光譜儀 17
2.4 紫外-可見光譜的應用 17
2.4.1 定性分析 17
2.4.2 定量分析 18
2.4.3 水質檢測 19
第3章 熒光光譜 21
3.1 基本原理 21
3.1.1 熒光產生的機理 21
3.1.2 激發光譜和發射光譜 23
3.1.3 熒光物質產生熒光的條件 24
3.1.4 影響熒光光譜及熒光強度的因素 25
3.2 熒光衡量參量 25
3.2.1 熒光強度 26
3.2.2 熒光壽命 26
3.2.3 熒光量子產率 26
3.2.4 斯托克斯位移 27
3.3 熒光光譜儀的組成 27
3.4 常用的熒光光譜儀 28
3.4.1 常用熒光光譜儀介紹 28
3.4.2 常用熒光光譜分析技術 28
3.5 熒光光譜的應用 30
3.5.1 生物醫學領域的應用 30
3.5.2 中藥領域的應用 30
3.5.3 石化領域的應用 31
第4章 紅外光譜 32
4.1 基本原理 32
4.1.1 紅外光譜產生的機理 32
4.1.2 傅裡葉變換紅外光譜的工作原理 34
4.1.3 紅外光譜的吸收強度 34
4.1.4 紅外光譜圖的分區 34
4.2 紅外光譜分析的基本原理 35
4.2.1 定性分析原理 35
4.2.2 定量分析原理 35
4.2.3 紅外光譜的解析 35
4.3 常用的紅外光譜儀 36
4.3.1 常用的中紅外光譜儀 36
4.3.2 常用的近紅外光譜儀 38
4.3.3 紅外光譜儀的性能指標 39
4.4 紅外光譜的應用 39
4.4.1 定性分析 39
4.4.2 定量分析 40
第5章 拉曼光譜 41
5.1 基本原理 41
5.2 拉曼光譜解析 42
5.2.1 拉曼光譜特點 42
5.2.2 拉曼散射的經典解釋 44
5.2.3 拉曼散射的量子理論解釋 46
5.3 拉曼光譜技術 46
5.3.1 共振拉曼光譜 47
5.3.2 表面增強拉曼光譜 48
5.3.3 SERS聯用技術 51
5.4 拉曼光譜儀 53
5.4.1 拉曼光譜儀結構 53
5.4.2 拉曼光譜儀應用 55
5.5 拉曼光譜的應用 55
第6章 化學計量學基礎 58
6.1 誤差及數理統計基礎 58
6.1.1 誤差來源 59
6.1.2 誤差分類 60
6.2 光譜預處理方法 61
6.2.1 中心化 62
6.2.2 標準化 63
6.2.3 平滑 64
6.2.4 求導 65
6.2.5 標準正態變量變換 66
6.2.6 多元散射校正 66
6.2.7 正交信號校正 67
6.2.8 基線校正方法 68
6.2.9 傅裡葉變換 68
6.2.10 小波變換 69
第7章 主成分分析 75
7.1 概述 75
7.2 基本原理 76
7.3 主成分分析的相關計算 79
7.3.1 主成分分析的數學模型 79
7.3.2 主成分分析的推導 80
7.3.3 主成分貢獻率 83
7.3.4 主成分提取率及載荷的計算 83
7.4 主成分分析的步驟 84
7.5 應用 85
7.5.1 幾種主要應用 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 模型提取成分個數的確定 93
8.3 偏最小二乘算法 94
8.4 偏最小二乘回歸分析的步驟 96
8.5 非線性偏最小二乘 98
8.5.1 從線性到非線性 98
8.5.2 非線性偏最小二乘算法步驟 99
8.5.3 基於樣條變換的非線性偏最小二乘回歸 100
8.5.4 基於核變換的非線性偏最小二乘回歸 101
8.6 應用 102
第9章 遺傳算法 105
9.1 概述 105
9.2 基本原理 107
9.2.1 基本思想 107
9.2.2 構成要素 107
9.3 遺傳算法的流程 109
9.4 應用 115
第10章 人工神經網絡 118
10.1 概述 118
10.2 基本原理 121
10.3 基於BP神經網絡的近紅外光譜的定量分析 124
第11章 極限學習機 127
11.1 基本原理 127
11.1.1 極限學習機概述 127
11.1.2 極限學習機的基本原理 128
11.1.3 單隱含層前饋神經網絡結構 130
11.1.4 極限學習機標準算法 132
11.1.5 基於正則化的極限學習機 132
11.1.6 基於L2範數的極限學習機 133
11.1.7 基於L1範數的極限學習機 133
11.1.8 基於L1和L2混合範數的極限學習機 133
11.2 基於極限學習機的近紅外光譜對煙草樣本中主要成分的定量分析 134
11.2.1 不同組分建模過程分析 134
11.2.2 極限學習機結果的隨機性的驗證 136
第12章 支持向量機 138
12.1 概述 138
12.2 基本原理 139
12.2.1 最優化理論 140
12.2.2 支持向量分類 141
12.2.3 支持向量回歸 148
12.2.4 統計學習理論 149
12.3 支持向量機算法 151
12.3.1 最小二乘支持向量機 151
12.3.2 半監督支持向量機 152
12.3.3 拉格朗日支持向量機 154
12.4 應用 155
第13章 模式識別 156
13.1 概述 156
13.1.1 模式識別概念 156
13.1.2 模式空間的相似係數與距離 157
13.1.3 模式識別中的分類問題 158
13.1.4 模式識別中方法的分類 158
13.1.5 計算機模式識別方法 159
13.1.6 模式識別的計算步驟 159
13.2 特徵選擇方法 159
13.2.1 特徵選擇方法簡介 160
13.2.2 特徵選擇中應注意的問題 161
13.2.3 化學模式中的特徵變量 161
13.3 判別分析法 161
13.3.1 距離判別法 161
13.3.2 Fisher判別分析法 162
13.3.3 Bayes判別分析法 164
13.3.4 線性學習機 165
13.3.5 K-最近鄰法 166
13.3.6 ALKNN算法 166
13.4 聚類分析法 167
13.4.1 聚類分析的基本原理 168
13.4.2 聚類過程 168
13.4.3 聚類分析法的分類 169
13.5 基於特徵投影的降維顯示方法 174
13.5.1 基於主成分分析的投影顯示法 175
13.5.2 基於主成分分析的SIMCA分類法 176
13.5.3 基於偏最小二乘的降維方法 177
13.5.4 非線性投影方法 178
13.6 三種經典模式分類方法的應用 179
13.6.1 KNN分類結果 179
13.6.2 LDA分類結果 180
13.6.3 SIMCA分類結果 182
參考文獻 183
彩圖