阴离子交换树脂结合近红外漫反射光谱测定碳酸饮料中日落黄

采用强碱性阴离子交换树脂富集饮料中的合成食用色素日落黄,用近红外漫反射光谱技术直接测定富集有色素的树脂.将34个模拟样品建模,日落黄浓度范围为0.05～1.2g/L.以柠檬黄和亮丽春红5R为干扰,经偏最小二乘回归建模,得到决定系数为0.9883,标准偏差为0.0187的稳健模型.定量预测3种不同市售饮料中的日落黄,回收...     

离散小波变换-遗传算法-交互检验法用于近红外光谱数据的高倍压缩与变量筛选

用遗传算法(GA)与交互检验(CV)相结合建立了一种用于对近红外光谱(NIR)数据及其离散小波变换(DWT)系数进行变量筛选的方法，并应用于烟草样品中总挥发碱和总氮的同时测定。结果表明：NIR数据经DWT压缩为原始大小的3．3％时基本没有光谱信息的丢失；有效的变量筛选可以极大地减少模型中的变量个数，降低模型的复杂程度，改善预测的准确度。     

近红外光谱用于低共熔溶剂中水结构的分析

采用近红外光谱技术研究了含水量(摩尔分数)在5%～95%范围内水结构对低共熔溶剂(DESs)的氢键网络结构的影响.通过分析氯化胆碱与尿素混合后不同时间的近红外光谱,发现了尿素—NH基团与氯化胆碱Cl^-相互作用的光谱信息,表明DESs熔点降低的原因主要是NH···Cl^-氢键的形成.通过分析不同含水量的DESs-水混合物的近红外光谱,发现了水分子之间以及水分子与尿素中—NH和C=O基团相互作用的光谱信息,表明水在DESs中主要以3种结构存在:类大体积水、与尿素C=O键合的水以及—NH分子间的桥连水.类大体积水破坏DESs中NH···Cl^-,使体系的稳定性降低,而尿素—NH分子间的桥连水和与C=O键合的水使体系的稳定性增加.DESs中3种水结构的相对比例与含水量有关,含水量在40%～80%既能有效降低体系的黏度,又能维持DESs的性质.     

计时电流的因子分析-法拉第电流与充电电流的分离

基于电化学理论电流公式,用迭代目标变换因子分析法对计时电路曲线进行处理,得到分离的法拉第电流和充电电流成分,对于简单的电极过程,分离效果很好,信噪比得到提高,法拉第电流分量可用于定量分析。     

基于化学计量学的GC-MS分析方法研究

气相色谱-质谱联用(GC-MS)、液相色谱-质谱联用(LC-MS)等,为分析多组分混合物提供了有力手段并广泛地应用于化工、食品、生物、医药等领域.但在分析多组分复杂体系时,其色谱信号严重重叠,使得该方法难于进行准确的定性定量分析.化学计量学方法的引入,为解决该问题提供了一种新手段.例如化学因子分析(CFA)、多元校正解析方法(MCR)、免疫算法(IA)和小波变换(WT)等已被成功地运用于复杂体系分析化学重叠信号的解析.     

反相高效液相色谱法用于葛根黄酮提取物的分离与主要活性成分的测定

采用反相高效液相色谱法，在C18柱上以甲酵—水为流动相进行梯度洗脱，在0-10min内将葛根黄酮提取物进行分离，并在250nm检测，采用标准加入法对实际样品中的葛根素含量进行了分析。结果表明：平均回收率为94.8％，RSD为2．4％。     

小波变换用于植物激素重叠色谱峰中组分的定量分析

根据小波变换将信号按频率大小分解的性质，作者提出了一种用小波变换直接提取重叠色谱峰中单一组分信息的方法，并将其应用于植物激素混和体系重叠峰的解析与定量分析。结果表明：单组分的色谱信号经小波变换分解后仍能保持原有的线性关系，用小波变换从重叠信号中提取的单一组分信息也具有良好的线性关系。     

小波变换用于色谱重叠峰的解析

利用小波变换的时频局部化性质，通过对色谱重叠峰信号小波变换后的某些频率段进行放大，使重叠谱峰得到了分离，并将此方法用于苯和甲苯二组分色谱体系的定量分析，重叠峰中各组分均得到了良好的线性关系及令人满意的定量分析。本文还讨论了不同小波基、分解的次数及放大系数在解析结果的影响。     

反相高效液相色谱法快速测定7种四环素类抗生素

建立了一种反相高效液相色谱梯度洗脱分离测定四环素类药物的新方法。采用DiamonsilTM C1 8ODS(2 5 0mm× 4 .6mmi.d ,5 μm)色谱柱 ,以甲醇 乙腈 0 .0 1mol/L草酸为流动相 ,流速 1.0mL/min ,2 70nm检测 ,在10min内分离检测四环素等 7种化合物。同时还研究了流动相组成、梯度条件、pH值、草酸浓度等因素对分离效果的影响。     

复杂样品近红外光谱定量分析模型的构建方法

针对复杂样品近红外光谱分析中校正集的设计问题, 探讨了标准样品参与复杂样品建模的可行性. 通过标准样品和复杂基质样品共同构建的偏最小二乘(PLS)模型, 考察了波段筛选和建模参数对预测结果的影响. 结果表明, 采用PLS方法建立定量模型时, 校正集样品性质应该尽量与预测集样品相似, 当样品的性质相差较大时, 适当增加校正集样品的差异性可使模型具有更强的预测能力. 同时, 波段优选对提高预测结果的准确性具有重要的意义.