近红外光谱技术(NIR)是 90 年代以来发展快、引人注目的分析技术之一。随着 NIR 分析方法的深入应用和发展，已逐渐得到大众的普遍接受和的认可。 1978年美国和加大就采用近红外法作为分析小麦蛋白质的标准方法， 1998 年美国材料试验学会制订了近红外光谱测定多元醇(聚亚安酯原材料)中羟值含量的ASTM D6342 标准方法。2003年，在我国也正式实施了近红外光谱方法测定饲料中水分、粗蛋白质、粗纤维、粗脂肪、赖氨酸、蛋氨酸的国家标准 GB/T 188682002。 近红外光谱主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的，记录的主要是含氢基团X-H(X=C、N、O)振动的倍频和合频吸收。不同团(如甲基、亚甲基，苯环等)或同一基团在不同化学环境中的近红外吸收波长与强度都有明显差别，NIR 光谱具有丰富的结构和组成信息，非常适合用于碳氢有机物质的组成与性质测量。但在 NIR区域，吸收强度弱，灵敏度相对较低，吸收带较宽且重叠严重。因此，依靠传统的建立工作曲线方法进行定量分析是十分困难的，化学计量学的发展为这一问题的解决奠定了数学基础。其工作原理是，如果样品的组成相同，则其光谱也相同，反之亦然。如果我们建立了光谱与待测参数之间的对应关系(称为分析模型)，那么，只要测得样品的光谱，通过光谱和上述对应关系，就能很快得到所需要的质量参数数据。分析方法包括校正和预测两个过程： (1)在校正过程中，收集一定量有代表性的样品(一般需要80个样品以上)，在测量其光谱图的同时，根据需要使用有关标准分析方法进行测量，得到样品的各种质量参数，称之为参考数据。通过化学计量学对光谱进行处理，并将其与参考数据关联，这样在光谱图和其参考数据之间建立起一一对应映射关系，通常称之为模型。虽然建立模型所使用的样本数目很有限，但通过化学计量学处理得到的模型应具有较强的普适性。对于建立模型所使用的校正方法视样品光谱与待分析的性质关系不同而异，常用的有多元线性回归，主成分回归，偏*小二乘，人工神经网络和拓扑方法等。显然，模型所适用的范围越宽越好，但是模型的范围大小与建立模型所使用的校正方法有关，与待测的性质数据有关，还与测量所要求达到的分析精度范围有关。实际应用中，建立模型都是通过化学计量学软件实现的，并且有严格的规范(如ASTM6500标准)。 (2)在预测过程中，先使用近红外光谱仪测定待测样品的光谱图，通过软件自动对模型库进行检索，选择正确模型计算待测质量参数。
QQ交流群
