混合气体红外光谱支持向量机分析的新方法

介绍了一种基于支持向量机的混合气体红外光谱组分浓度和种类分析的新方法.利用核函数将组分气体特征吸收谱线重叠严重的混合气体光谱在高维空间变换后,建立SVM回归校正模型,进行混合气体浓度分析.在利用支持向量机回归校正模型进行混合气体组分浓度分析的同时,证明支持向量机回归校正模型也可用于混合气体组分种类分析.对不同组分和不同组分浓度的混合气体红外光谱数据进行了实验,研究了谱仪扫描间隔、分析特征波长范围、核函数和惩罚因子等因素对分析结果的影响.混合气体组分浓度实验结果的最大平均绝对误差Mean AE为0.132%;混合气体组分种类识别的准确率大于94%.解决了传统的光谱分析方法中光谱特征谱线重叠、光谱数据的维数大、定性和定量分析无法使用同一方法等问题,可用于其他混合气体的红外光谱分析,具有实际应用价值.     

基于SVM的混合气体红外光谱分析关键技术研究

为了解决海量混合气体光谱数据样本无法获取、混合气体组分气体特征吸收谱线重叠、混合气体组分浓度分布的随意性等问题,将支持向量机用于混合气体红外光谱分析中.提出了光谱数据样本特征选择、数据预处理、SVM校正模型参量优化及层次式混合气体光谱分析结构等关键技术.实验分析了上述4项关键技术对分析结果的影响.实验结果显示,采用关键技术的混合气体组分浓度分析的最大绝对误差为2.93%,最大平均绝对误差为0.73%.     

基于粒子群优化的最小二乘支持向量机在混合气体定量分析中的应用

针对混合气体建模过程中最小二乘支持向量机参数难以确定及红外光谱数据计算量过大的问题,提出一种粒子群优化的最小二乘支持向量机方法,用于建立基于主成分分析特征提取的红外光谱多组分气体定量分析模型。首先对主吸收峰区域的550个红外光谱数据利用主成分分析技术进行了特征提取,将降维得到的7个特征值作为模型的输入变量从而有效地降低了计算量。混合气体主要由浓度范围分别是0.1%~1%的甲烷、乙烷及0.1%~1.5%的丙烷三种组分气体组成。采用最小二乘支持向量机技术分别建立了各组分气体的定量分析模型,利用粒子群优化算法对最小二乘支持向量机算法中的参数进行了优化选取,取代了传统的遍历优化方法,然后利用取得的最优参数重建定量分析模型。实验结果表明,采用此方法离线建模所用时间比采用遍历优化方法节省40倍以上,预测结果误差水平相当,满足实测要求。粒子群优化算法在全局优化及收敛速度方面具有较大优势。粒子群优化算法与最小二乘支持向量机技术相结合用于混合气体定量分析是切实可行的,具有一定的实际意义和应用价值。     

利用Tikhonov正则化算法进行光谱特征波长的选择及其参数优化

在烷烃类多组分混合气体,尤其轻烷烃类气体傅里叶变换红外光谱定量分析中,其中在红外光谱区域吸收峰严重交叉重叠,不易建立定量分析模型。为此,采用Tikhonov正则化算法对甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷和正戊烷等七种轻烷烃类混合气体傅里叶变换红外光谱进行特征波长的选择,以便建立定量分析模型。选择六种各气体浓度组成混合烷烃气体,采用Tikhonov正则化算法,通过对比分析混合气体在中红外全波段、主吸收峰和次吸收峰波段特征波长的选择和TR参数的优化,选择出七种气体成分的傅里叶变换红外光谱的特征波长。利用选择的特征波长和Tikhonov正则化参数对实测甲烷光谱数据进行检验分析,与其他气体成分的交叉灵敏度最大为11.153 7%,最小为1.239 7%,预测均方根误差为0.0048,有效增强了Tikhonov正则化算法在轻烷烃类混合气体定量分析中的实用性,初步验证了利用Tikhonov正则化进行烷烃类混合气体傅里叶变换红外光谱特征波长选择的可行性。     

基于SVM回归模型的混合气体组分种类光谱识别方法

针对混合气体红外光谱分析中无法采用同一模型同时进行混合气体组分浓度的定量分析和组分种类的定性分析的问题,本文提出了基于SVM回归模型的混合气体组分种类光谱识别方法.通过详细推导,证明混合气体组分种类识别完全可以通过组分浓度分析的SVM回归模型来求解,混合气体组分种类识别是一种特殊的回归.实验结果显示,该方法的混合气体组分种类的正确识别率不小于92.5%.     

对称点模式-深度卷积神经网络的红外光谱识别方法

红外光谱分析在自然科学、工程技术等诸多领域发挥着重要作用。随着计算机和人工智能技术的不断发展,对红外/近红外光谱分析提出了更高的要求。深度学习以人工神经网络为架构,通过对数据进行分层特征提取完成特征/表征学习,在解析数据细节特征方面具有独特的优势,在计算机视觉、语音识别、疾病诊断等多领域得到成功应用。尽管深度学习在图像、音频、文字分析方面获得了较好的效果,但是在红外/近红外光谱数据分析中的应用还十分有限。针对深度学习的卷积运算,首先将一维傅里叶变换（Fourier transform infrared spectroscopy,FTIR）红外光谱数据通过对称点模式（symmetrized dot patterns,SDP）变换为二维RGB彩色图像,然后将SDP变换得到的彩色图像数据作为VGG（oxford visual geometry group）深度卷积神经网络的输入进行深度学习,建立基于红外光谱数据的分类识别模型。对不同浓度甲烷（CH₄）、乙烷（C₂H₆）、丙烷（C₃H₈）、正丁烷（C₄H₁₀）、异丁烷（iso-C₄H₁₀）、正戊烷（C₅H₁₂）、异戊烷（iso-C₅H₁₂）七种单组分烷烃及其混合气体SDP转化获得的224×224彩色（RGB）图像,呈现出显著差别,且更符合VGG卷积运算的数据格式。将SDP-VGG方法应用于气测录井中甲烷浓度范围的识别：气测录井气体为上述七组分烷烃气体的混合气体,其中主要成分甲烷的浓度范围按照<20%,20%～40%,40%～60%,60%～80%,80%～100%分为5类,不同七组分烷烃混合气体样本的红外光谱由红外光谱仪在波数范围为4 000～400 cm-1、间隔12 nm的条件下扫描获得。在未经过特殊预处理和特征提取的情况下,采用随机选择的4 500个样本,由SDP-VGG法建立的七组分混合气体甲烷浓度范围识别模型,对5种甲烷浓度范围的识别准确率达到91.2%,优于相同红外光谱数据所建立支持向量机（support vector machine,SVM）和随机森林（random forest,RF）模型的识别准确率88.7%和86.2%。研究表明,SDP结合深度学习可以准确提取红外光谱数据的关键特征,提高了红外光谱识别的准确率,是一种更为有效的红外光谱分析方法,具有广阔的应用前景。     

PCA-SVR联用算法在近红外光谱分析烟草成分中的应用

由50份烟草样品的近红外漫反射光谱组成的光谱矩阵经过主成分分析降维,采用基于支持向量机回归(SVR)算法,以常规化学分析方法测定的总糖、还原糖、总氮、烟碱的含量为参考值,建立了烟草中主要成分近红外光谱定量分析定标模型,并采用留一法交叉验证(LOOCV)对模型进行验证.以内部交叉验证预测的RMSE值为判据,从核函数类型、惩罚因子C和不敏感函数ε取值等方面对定标模型进行优化,获得不同成分定标模型的优化参数.烟草总糖、还原糖、总氮、烟碱优化定标模型的RMSE值分别为1.581,1.412,0.117和0.313.同时建立了烟草以上成分的偏最小二乘回归(PLS)、多元线性回归(MLR)以及误差反向传播人工神经网络(BP-ANN)定标模型,通过内部交叉验证的RMSE值与SVR定标模型进行比较,结果表明SVR模型具有更好的预测效果.     

基于主成分分析的复杂光谱定量分析方法的研究

针对超短脉冲激光与气体相互作用产生的非线性荧光光谱的特点,提出了光谱分析的预处理、特征提取以及定量分析的有效方法.采用小波算法对光谱数据进行压缩和降噪处理,使光谱数据由3979点压缩降噪至664点.对处理后的光谱特征峰团的强度进行主成分分析,结果表明2个主成分即可包含98%的光谱信息.采用第一主成分对不同浓度下的谱线强度进行拟合与误差计算,有效地提取了与气体浓度有关的特征参量.实现了气体的定量分析.同已有的定量分析方法相比,定量分析的精度有较大提高,特别在所关心的低浓度情况下,定量分析的精度改善更为明显.3种气体的拟合与计算显示同以往方法相比误差由0.2694降为0.02.     

基于稀疏主成分分析的乳制品拉曼光谱特征提取及解析技术研究

实验采集了三种不同品牌乳制品的拉曼光谱数据,并分别进行了主成分分析法(Principal Component Analysis,PCA)和稀疏主成分分析法(Sparse Principal Component Analysis,SPCA)处理。PCA特征提取结果显示前三个主成分贡献了超过90%的信息,可实现乳制品品牌的分类识别,但是PCA的载荷向量图较为复杂,而SPCA的载荷向量图清晰明了,直观上便能凸显乳制品拉曼光谱的重要特征信息,增强了稀疏主成分的可解释性。进一步结合乳制品拉曼光谱谱图的化学先验信息,可以实现特征提取成分的信息归属解析。因此,实验结果表明运用稀疏主成分分析法能有效提取解析乳制品拉曼光谱谱图中的有效特征信息。     

基于粗糙集核优化的支持向量机在多组分污染气体定量分析中的研究与应用

研究基于粗糙集核优化的支持向量机(RS-SVM)在红外光谱定量中的应用。通过粗糙集分类的方法对多组分污染气体红外光谱对应的特征波长段进行核函数初始数据的优化,再将优化后的核函数带入支持向量机,从而将二维混合光谱信息投影到高维空间,再进行单种气体浓度的反演运算。通过采用LS-SVM和PCA-SVM两种典型的光谱数据处理算法作对比,对五种混合气体各组分定量分析进行比较。当光谱可分度高时,三种方法的预测值都接近标准值,平均误差接近于0.13;而当光谱可分度低时,RS-SVM的预测值比前两种更精确,且当待测种类越多时,该方法精度和运算时间的优势越显著。     

改进型 PSO‐SVM算法对井下多组分气体定量分析的研究

对于多组分混合气体定量分析而言，基于特征光谱的定量分析技术具有不可比拟的优势，而定量检测效率与精度取决于其采用的光谱数据处理算法的优劣。优化光谱分析算法参数与改进光谱数据处理方式是提高定量分析速度与精度的重要手段。针对井下多组分气体定量分析建模过程中支持向量机(SVM)参数难以确定，并且随组分数增多而呈指数增长的光谱数据运算量的问题，提出了一种改进型粒子群优化-支持向量机(PSO-SVM)算法。该算法主要针对多组分气体混合光谱数据量大，光谱特征信息存在交叠的问题进行研究。通过粒子变异约束PSO算法的收敛路径，再通过粒子信息共享提高模型优化效率，最后利用设置动态不敏感区提高模型精度。设计了一种井下多组分气体快速定量检测系统。该系统由CPU控制信号调制模块驱动红外光源，信号光经过滤尘除湿后的气室照射在探测器上。在压力与温度传感器补偿的基础上，由信号处理模块将探测得到的光信号量化传入CPU，最终，结合改进型PSO-SVM算法实现各组分气体浓度的定量分析。在完成井下实际样气采集、预处理的基础上，对浓度范围0～10.0%的CH₄和浓度范围0～1.0%的C₂H₆，C₃H₈，SO₂和CO₂共5种组分的混合气体进行了测试，获得了800组红外光谱数据，其中训练集400组，验证集400组。采用SVM建立了多组分气体的定量分析模型，利用改进型PSO对SVM中的参数进行了优化，并将获得的最优参数重建了定量分析模型。对采集的红外光谱数据分别由本算法与传统BP网络算法进行各组分气体浓度反演，实验结果显示，由于变异粒子对其产生的约束，使最优值收敛范围变小，从而提高了收敛速度，该算法建模时间仅为传统方法的1/10；由于通过气体光谱特性给出不敏感区，使特征光谱计算时交叉敏感效率降低，从而提高了模型预测的准确度，平均误差约为传统方法的1/5。由此可见，该算法在全局优化及快速收敛方面得到了显著提升，改进型PSO结合SVM用于井下多组分气体定量分析是可行的。改进型PSO-SVM算法对于多组分气体混合红外光谱数据的分离具有很好的适用性，其有一定的实际应用价值。     

PLS-GRNN法近红外光谱多组分定量分析研究

研究了偏最小二乘(partial least squares,PLS)与广义回归神经网络(generalized regression neural networks,GRNN)联用在近红外光谱多组分定量分析中的应用.以饲料样品为实验材料,采用PLS-GRNN法建立了饲料中水溶性氯化物、粗纤维、脂肪三项组分含量近红外光谱定量分析模型.马氏距离法剔除强影响点和奇异点,用PLS法将原始数据压缩为主成分,取8个主成分吸收峰与4个原始图谱特征峰值输入GRNN网络,网络光滑因子σi为0.1.PLS-GRNN模型对样品3个组分含量的预测决定系数(r2)分别为:0.984 0,0.987 0,0.983 0;样品平行扫描光谱预测值的标准偏差分别为:0.003 26,0.065 5,0.031 4.结果表明所建PLS-GRNN模型通过近红外光谱能够准确预测饲料中水溶性氯化物、粗纤维、脂肪三项组分含量,为近红外光谱进行多组分定量分析提供了新思路,同时为解决近红外快速检测技术在预测组分含量较低的样品时误差相对较大的问题提供了可靠的方法.     

基于ABC-SV R算法的拉曼光谱检测混合油脂肪酸含量

提出了一种基于激光拉曼光谱和人工蜂群智能优化支持向量回归机(ABC-SVR)算法的快速定量检测三组分混和油中3种脂肪酸含量的方法。该方法针对光谱数据信息与样本之间非线性、高维度的关系，建立了预测精度及建模效率均高于同类对比算法的数学模型，同时避免了气相色谱法、液相色谱法等对混合油脂肪酸含量的检测方式，根据纯种油中3种脂肪酸含量的国际标准，由油品配置体积得到脂肪酸质量，有效降低了检测成本与实验复杂程度，提高了检测工作的实用价值。首先根据一定梯度配置66组混合油检测样品，使用便携式拉曼光谱仪采集样本的拉曼光谱信息，扣除背景噪声；观察多组样本的拉曼光谱图可知，由于官能团浓度的差异，食用油的拉曼特征峰位移基本相同，特征峰的峰值明显不同，因此基于特征峰信息可以区分食用调和油的不同混合物；其次对拉曼光谱做背景扣除、光谱平滑、最大值谱线归一化三步预处理，以降低实验中不可控的外界因素及背景荧光的影响，准确提取光谱特征峰强度信息；然后根据纯种油中3种脂肪酸的国际标准含量，结合国家食品法典委员会标准CODEX STAN210-1999《指定的植物油法典标准》中规定的纯种油密度中值，由油品体积得到脂肪酸质量数；随机选取56组样本数据作为训练集，剩余10组样本数据作为预测集；以训练集光谱特征峰强度和脂肪酸质量分别作为回归模型的输入及输出值，建立SVR和PSO-SVR，ABC-SVR三种混合优化算法对比的定量分析模型，对测试集的3种脂肪酸含量分别进行预测；最后通过均方误差(MSE)、相关系数(r)及建模时间(Elapsed time)分别进行对比，建立数据表对模型精准度进行检验。实验结果表明，通过ABC-SVR定量分析模型效果最佳，3种脂肪酸含量预测值与真实值的均方差分别为0.88×10-4，16×10-4和8×10-4，均低于0.002；相关系数分别为93.43%，99.65%和99.43%，均高于93%；预测时间(Elapsed time)分别为1.26，2.42和2.14 s。因此，所提出的检测方法，具备较高的精确度、较快的建模时间，且在理论上的类似条件下可适用于其他样品检测工作，可为振动光谱学对食用油掺伪分析的进一步工作提供可行的理论依据。     

基于广义判别分析的光谱分类

提出了基于广义判别分析(generalized discriminant analysis,GDA)方法对恒星(Star)、星系(Galaxy)和类星体(Quasars)的光谱进行分类.广义判别分析将核技巧与Fisher判别分析结合起来,通过非线性映射将样本集映射到高维特征空间F,在F空间中进行线性判别分析.实验对比了LDA,GDA,PCA,KPCA算法对于恒星、星系和类星体的光谱分类性能.结果表明基于GDA的算法对于这3种类型光谱的分类正确率最高,LDA次之;尽管KPCA也是一种基于核的方法,但是选择主成分个数较少时效果较差,甚至低于LDA;基于PCA的分类效果最差.     

基于IERT的非线性全光谱复杂水体定量分析算法研究

水是一种有限的资源,对农业、工业乃至人类的生存都是必不可少的,良好的水环境是可持续发展的重要保障。对水质信息的科学监测,是实现水资源优化配置与高效利用的基础。联合国环境署（UNEP）与世界卫生组织（WHO）指出,应当加强发展中国家的水质监测网络,包括数据质量的保证和分析能力的提高。光谱法作为一种新兴的水质分析方法,相比传统的化学水质监测方法,具有“响应速度快、多参数同步、绿色无污染”的特点。传统单波长、多波长的线性模型依赖于水体对特定波长的吸收特征,不适用于多组分混合溶液且普适性较差。因此,提出了一种基于IERT的非线性全光谱定量分析算法,建立适用于多组分混合溶液浓度预测模型,达到利用全光谱信息来预测浓度信息的目的。利用实验室配置的COD,BOD₅和TOC多组分混合溶液与NO₃-N、浊度、色度多组分混合溶液作为实验样本,使用光谱仪采集样本的光谱曲线,通过全光谱数据进行浓度预测实验,结果显示,对于COD,BOD₅和TOC多组分混合溶液,本算法对于三种组分的决定系数（R2）分别为0.999 3,0.991 4和0.999 3,均方根误差（RMSE）分别为0.024 4,0.057 7和0.000 4;对于NO₃-N、浊度、色度多组分混合溶液,决定系数（R2）分别为0.983 4,0.868 4和0.981 0,均方根误差（RMSE）分别为0.100 5,0.326 4和0.120 2。通过对比本算法与偏最小二乘（PLS）、支持向量机回归（SVR）、决策树（DT）、极端随机树（ERT）对于同一组数据的实验结果,表明：在两组多组分混合溶液的实验中,本算法对于其中各组分的决定系数（R2）均为最优,相比于其他对比算法均方根误差（RMSE）均有大幅减少。本算法可利用光谱信息对多组分混合溶液进行定量分析,在计算时间相当的情况下,可有效的提高浓度预测精度,减少定量分析的均方根误差,可为光谱法水质监测提供一种新的有效途径。     

近红外光谱结合化学计量学对五元调和油中单组分油的定量分析

有关调和油快速准确定量检测的研究对于调和油质量控制具有重要意义。以往对调和油定量分析的研究大多集中于二元、三元和四元调和油,对更高元数调和油的研究很少,难以满足调和油检测需求。该研究的目的是探讨近红外光谱结合化学计量学对五元调和油中各单组分油进行定量分析的可行性。由玉米油、大豆油、稻米油、葵花油和芝麻油配制成51个五元调和油样品,并采集各样品12 000～4 000 cm-1范围内的近红外透射光谱。首先,采用光谱-理化值共生距离（SPXY）算法将调和油样品划分为38个校正集和13个预测集样品。其次,考察了主成分回归（PCR）、偏最小二乘（PLS）、支持向量回归（SVR）、人工神经网络（ANN）、极限学习机（ELM）等五种多元校正方法对五元调和油各组分定量分析的建模效果。然后,在最佳建模方法的基础上比较了SG平滑、标准正态变量（SNV）、多元散射校正（MSC）、一阶导数（1st Der）、二阶导数（2nd Der）和连续小波变换（CWT）六种光谱预处理方法,并讨论了预处理方法有效地原因。最后,在最佳预处理方法的基础上进一步利用竞争自适应重加权采样（CARS）和蒙特卡罗无信息变量消除法（MCUVE）筛选与预测组分相关的变量。结果显示,在五种建模方法中,PLS是最佳的建模方法,对玉米油、大豆油、稻米油、葵花油和芝麻油五种组分的预测均方根误差（RMSEP）分别为5.564 4,5.559 2,3.592 6,7.421 8和4.193 0。经过光谱预处理-变量选择,再建立PLS模型,对五种组分的RMSEP分别降低至1.955 3,0.562 4,1.145 0,1.619 0和1.067 1,预测相关系数（R_p）均高于0.98,表明采用合适的光谱预处理和变量选择方法,可以明显提高五元调和油中各单组分油定量分析的预测准确度。该研究为多组分调和油的快速无损定量检测提供了一种参考。     

基于Elman网络的近红外光谱技术多组分定量分析研究

研究了Elman神经网络(反馈神经网络,Recurrent Network)在近红外光谱定量分析中的应用.以饲料样品为实验材料,采用Elman网络建立了饲料中苯丙氨酸(Phe)、赖氨酸(Lys)、酪氨酸(Tyr)和胱氨酸(Cys)四种氨基酸含量的近红外光谱定量分析模型.用偏最小二乘法(partial least squares,PLS)将原始数据压缩为主成分,取前3个主成分的12个吸收峰值输入Elman网络,网络中间层神经元个数为47.Elman网络模型对样品4个氨基酸含量的预测决定系数(r2)分别为0.960,0.981,0.979,0.952.表明所建Elman网络预测模型通过近红外光谱能够较准确预测饲料中苯丙氨酸、赖氨酸、酪氨酸和胱氨酸四种氨基酸的含量,为通过近红外光谱技术进行多组分定量分析提供了新思路.     

局部建模方法用于烟草样品的近红外光谱定量分析

采用近红外光谱在主成分空间的距离作为样本相似性的判据,建立了一种用于近红外光谱定量分析的局部建模方法。该方法首先对校正集的光谱进行主成分分析(PCA),然后基于主成分空间中预测样本与校正集样本的距离选择校正子集并建立局部偏最小二乘(PLS)回归模型。对欧氏距离和马氏距离的比较表明,欧氏距离可以更好地表达样本之间的相似性。将所建立的方法用于烟草样品中氯和尼古丁含量的测定,结果表明局部建模方法比常用的全局建模方法具有更好的预测准确性,特别是在低含量成分的预测中具有明显优势。     

基于三维荧光光谱和四元数主成分分析的食醋品牌溯源研究

提出基于四元数主成分分析的三维荧光光谱特征提取新方法，并将其运用于品牌食醋溯源研究。首先利用F7000荧光光谱仪测得不同品牌食醋样本的三维荧光光谱数据，获取样本的等高线图和三维投影图，并进行三维荧光等高线图分析；然后利用激发波长分别为380，360和400 nm下的发射光谱数据建立食醋三维荧光光谱数据的四元数并行表示模型，对四元数荧光光谱矩阵进行四元数主成分特征提取，并基于乘积运算、模值运算和求和运算三种方法对提取出来的四元数主成分特征进行特征融合；最后将融合特征作为K近邻分类器的输入，得到不同食醋品牌的最优分类模型。分别讨论三种不同特征融合方法和四元数主成分个数与最终模型分类正确率之间的关系。针对四个不同食醋品牌120个样本的分析结果可得：基于求和特征融合运算所得到的融合特征可以利用最少的特征数目，建立最优的溯源模型，样本预测集溯源正确率可达100%。研究结果表明：四元数主成分特征提取和特征融合方法能够并行表示三维荧光光谱数据所蕴含的丰富信息，为三维荧光光谱数据分析提供新思路。     

中红外光谱结合向量夹角直接定量三氯蔗糖

多组分复杂体系的红外光谱由于成分多样、谱带严重重叠、背景干扰等导致谱图特征减弱，且体系中的红外光谱往往不是各组分光谱的简单叠加，需要借助于化学计量学技术以实现解析。基于朗伯-比尔定律（Lambert-Beer law）并且随着衰减全反射（ATR）技术取样普及，结合偏最小二乘回归法（PLS）、人工神经网络（artificial neural network, ANN）等化学计量法将数据进行累积、特征提取以及校正建模等工作解决红外光谱中严重重叠和非线性等问题，再采用二次测量定量分析已初步具有应用成效，而有效增强信息量表达，降低背景、噪声干扰，减少复杂的计算过程，进而保证定量分析结果的可靠性，则成为研究的主要方向。通过讨论光通道和背景对光谱强度变化的影响，结合向量角度转换提出一种新的近似线性定量方法。经初步理论计算，发现多组分混合物与该混合物中待测组分的相对含量二者间的向量夹角值存在一定的关系，而该关系并不受批次制样的影响，进一步通过高斯曲线模拟混合信号，充分说明选择合适的波长范围，二者在一定范围内存在线性相关性，相关性不受测量条件变化的影响。采用KBr压片法，向待测样品中逐步加入待测组分得到混合样本，分别得到待测组分光谱与混合样本光谱信号，先将其进行一阶求导，消除加性误差后，再将其转化为空间向量角度，消除批次制样中光程差异，再以百分比定义待测物样品的含量，所得到混合样的夹角值与其中所含参照品含量成简单线性关系，即以计算结果夹角值与含量作标准曲线，实现定量分析。本测量方法用于三氯蔗糖（Sucralose, TGS）与三氯蔗糖-6-乙酸酯（4,1,6-trichloro sucrose-6-acetate, TGS-6-A）二者进行一定比例混合（双组分体系），以及TGS-6-A的脱酰产物（多组分体系）中的TGS的含量定量分析，在两种体系中定量均得到令人满意的结果，所建立标准曲线的相关系数r均达到0.995 0以上，相对误差均低于8.0%，所建立的分析方法对利用中红外透射光谱分析研究多组分样品具有重要的参考价值。