光谱学分析精选(五篇)

序言：作为思想的载体和知识的探索者，写作是一种独特的艺术，我们为您准备了不同风格的5篇光谱学分析，期待它们能激发您的灵感。

篇1

本书是第二卷，由四部分组成，共25章：第一部分是“历史的综述”，含第1章：1. Aimé Cotton在1895年发现CD和ORD后的第一个十年；第二部分是“有机立体化学”，含2-12章：2. 一些天然的手性发色团――经验规则和量子化学计算；3. 用于测定苯和其它芳香族发色团绝对构型的电子CD；4. 电子CD激子手性方法：原理和应用；5. 手性扩展p-电子化合物的CD光谱：绝对立体化学和实验验证的理论确定；6. 利用固态电子圆二色性和量子力学计算来编配天然产物的绝对构型；7. 金属有机化合物的动态立体化学和旋光光谱学；8. 动态系统的圆二色性：开关分子及超分子的手性；9. 超分子系统的电子圆二色性；10. 利用有量子计算功能的HPLCECD进行手性化合物的在线立体化学分析；11. 用振动圆二色性进行手性天然产物的结构测定；12. 分子绝对构型的测定：选择适当旋光法的准则。第三部分是“无机立体化学”，含第13章：13. 电子圆二色性在无机立体化学中的应用。第四部分是“生物分子”，含第14-25章：14. 蛋白质的电子圆二色性；15. 肽的电子圆二色性；16. 拟肽的电子圆二色性；17. 核酸的电子圆二色性；18. 肽核酸及其类似物的电子圆二色性；19. 蛋白质与核酸相互作用的圆二色性；20. 用电子圆二色性来分析捆绑在核酸上的药物或天然产物；21. 用电子圆二色性来探索HSA和AGP药物捆绑位置；22. 生物高聚物、肽、蛋白质和核酸的构象研究――振动圆二色性的作用；23. 从拉曼光学活性来看生物分子的结构和行为；24. 糖类和复合糖的旋光、电子圆二色性以及振动圆二色性；25. 通过电子圆二色性来发现药物。本书以纪念已故的Carlo Rosini教授的短文开头。每章的结尾有参考书目，目录的前面有各章作者简介，结尾有主题索引。

本书第一编著贝罗娃博士是美国纽约哥伦比亚大学化学系的研究员。1998年以来，她一直是《手性》杂志的编委会成员。

本书可用做大学生或研究生的教科书，或学术和工业领域的研究工作者的参考书。

篇2

[关键词]近红外光谱分析技术 牛奶 化学分析 应用

中图分类号：TS207.3 文献标识码：A 文章编号：1009-914X（2016）11-0258-01

近红外光具体指波长在780-2526nm范围内的电磁波，近红外光谱分析技术则是光谱测量技术同化学计量学的有机结合。近红外光分析技术应用范围不断拓展，在食品行业中应用于调味品、酒制品、肉类等成分鉴别以及真伪鉴别，近年来其在牛奶制品化学分析中也得到了较为广泛的应用。分析近红外光谱技术在牛奶及其制品分析检测中的应用，实施对牛奶及其制品的质量安全控制，有着重要的现实意义。

一、近红外光谱分析技术原理

近红外光谱分析技术是近几十年来发展最为迅速的高新分析技术之一。我国从上世纪80年代开始应用近红外光谱分析技术，并逐渐拓展到食品、农业、石化等多个领域，近红外光谱是分子振动光谱倍频与合频吸收光谱，主要为X-H键吸收。由于不同基团（例如苯环，甲基等）所生成的光谱在吸收峰的强度以及位置上有差异性，结合朗伯-比耳吸收定律，光谱特征将锁着样品成分含量的变化而变化。近红外光谱分析技术具体有以下几个优点：传输性能良好，近红外光在光导纤维中传输性能较好，能够实现对生产工艺流程的在线检测；检测手段无损。近红外光谱分析技术检测不对样品产生损伤，特别是在活体检测上有着非常大的优势；分析速度快捷。近红外光谱分析技术不用对样品进行预处理，对于样品的测量通常在1分钟之内可以完成，其分析速度较快，效率较高；绿色环保。近红外光谱分析技术在检测中不对环境产生污染，因而其也被称作绿色检测技术。

二、近红外光谱分析技术在牛奶化学分析中的应用

牛奶是由多种物质所组成的混合物，其具体包括真溶液、胶体悬乳液、高分子溶液以及乳浊液等。而牛奶成分中蛋白质分子、脂肪等对于近红外光有着吸收作用，因而近红外光谱分析技术在牛奶化学分析测定中能够得到良好应用。近红外光谱分析技术在牛奶制品上的应用主要体现在在线检测与离线检测两个方面。在线检测是指借助光纤探头直接在生产线中对样品进行检测；离线检测指用红外反射仪对样品杯或者试管中的样品实施全反射检测。其具体应用包括定性分析牛奶及其制品的产地来源与品种，以及定量分析牛奶及其制品的微生物与理化指标等。

1.在线检测

牛奶生产过程中，因出厂产品一致化的要求，通常需要保证原料成分含量的一致性，而现实生产当中不能使生产停止来满足在线检测。近红外光谱分析技术的应用则实现了对生产过程的实时监控。在线检测中，利用近红外光谱分析技术对牛奶成分中的蛋白、乳糖、脂肪、蔗糖以及水分进行测量，能够取得良好的效果，可广泛应用与鲜奶成品生产以及奶粉生产过程中的质量监控。并且如今近红外光谱技术应用也已经拓展到了牛奶中病菌数以及牛奶体细胞数测定方面。吴静珠等提出了建立包括不同种类奶粉样品集中的脂肪、乳糖、蛋白等的红外模型，并采取全谱分析结合模型优化的方法，简化了近红外技术在奶粉定量分析的步骤。刘蓉（2005）通过最小半球体积法以及半数重采样法来对牛奶成分近红外光谱实施奇异点剔除实验，这两种算法的有效结合有着快速简单的特征，能够适应牛奶成分等的在线检测，可大大提升分析模型的精度与稳定性。朱俊平（2003）通过多元线性回归法构建用近红外光谱分析技术检测儿童高钙奶粉蛋白、乳糖、脂肪的测定模型。其近红外法测定结果与标准法测定结果相一致。但总体来看，目前近红外光谱分析技术在牛奶及其制品在线检测中的应用尚停留在实验室的阶段，要真正实现牛奶及其制品生产的在线检测还需要做更多的工作。

2.离线检测

营养成分检测。牛奶制品营养成分检测主要是指利用近红外光谱分析技术对牛奶中的蛋白质、乳糖、脂肪等营养成分进行快速定量的分析。联邦德国的R.T.Carl早在1991年就利用近红外光谱分析技术以及偏最小二乘法分析牛奶中的脂肪含量，结果也表明利用近红外光谱分析技术分析牛奶中脂肪含量是非常可行的。

掺假物质鉴别。牛奶制品中有许多掺假物质，例如植物蛋白、植脂末、乳清粉乃至三聚氰胺等。奶制品掺假成分检测主要依赖传统方法，而近红外光谱分析技术的应用也能够起到有效作用。韩东海（2006）具体应用近红外光谱分析技术来鉴别纯牛奶中的还原奶，结合判别分析方法构建起还原奶鉴别模型，并利用偏最小二乘法构建起原料奶的ph值以及酸度预测模型，具体误差

致病菌分析。李守军（2007）对利用近红外光谱技术检测牛奶中致病菌方法进行了分析。具体采用最小二乘法、余弦相似度聚类等方法建立利用近红外光谱检测原料乳大肠杆菌、总菌落数的模型，结果表明能够在50分钟内完成，可有效预测原料乳大肠杆菌以及总菌数。

三、近红外光谱分析技术应用展望

我国的奶制品质量水准在食品市场中一直备受关注，牛奶产品的质量也一直是弱项，例如我国奶粉产品质量与西方国家有着巨大差距。究其原因，在于生产监控以及原材料质量控制上的差距。近红外光谱分析技术有着准确、快速、便捷等特性，得到了越来越广泛的应用。而这项技术在牛奶及其制品中的应用，则能够更有效地实施对牛奶制品的质量监控。其对于提升生产质量控制，降低生产成本等发挥着重要的作用。但同时，目前近红外光谱技术在牛奶分析检测中的应用仍存在着诸多问题有待解决：牛奶为多分散体系，由于测量条件以及测量方法等诸多因素影响，测定结果的准确率有待提升，因而需要开发专用的数学模型以及相关配件来提升检测精确度；近红外光谱分析技术定性与定量分析的关键因素在构建准确的校正模型，因而需要进行多种建模方法的对比来获取最优化的模型；此外，近红外光谱分析技术虽然分析成本较低，但其仪器本身较为昂贵，对于我国一些牛奶加工企业、牛奶养殖场所以及牛奶收购站而言，缺乏经济实力与生产规模。因而需要开发出更简便，价格更低的近红外仪器，拓展其在牛奶检测中的应用范围。

结束语

总而言之，近红外光谱分析技术有着简便、快速、绿色等特征，随着我国乳制品工业的快速发展以及社会对于乳制品质量的关注，近红外光谱分析技术有着广阔的应用前景。目前我国乳品市场质量安全方面仍然存在着诸多问题，新形势下，我们应当进一步加快对近红外光谱分析技术在牛奶化学分析应用的研究，促进其在乳品生产检测中的高效应用，从而提升我国乳制品的质量安全水平。

参考文献

[1] 邹强.近红外光谱技术在奶酪品质评价中的应用[J].光谱学与光谱分析，2011，10.

篇3

关键词：光学多道分析器；氢原子光谱；巴耳末系；里德伯常量

中图分类号：G307 文献标识码：A 文章编号：1002-7661（2012）15-0262-01

1 引言：

电子从高能级跃迁到低能级时，发射的光子能量hv为两能级间的能量差，

hv=E(m)-E(n) （m > n）

以波数?啄＝1/?姿表示， 则上式为 ?啄＝■=T(n)-T(m)=R■(■-■)

式中RH为氢原子的里德伯常数。

从图1中可知，从m≥3至n =2跃迁，光子波长位于可见光区，其光谱符合规律?啄=R■（■-■） （m=3，4，5…）

这就是1885年巴耳末发现并总结的经验规律，称为巴耳末系。

2.实验原理：

OMA光路见图2。光源S经透镜L成像与多色仪的入射狭缝S1，入射光经平面反射镜M1转向90°，经球面反射镜M2反射后成为平行光射向光栅G。衍射光经球面反射镜M3和平面镜M4成像于观察屏P。由于各波长光的衍射角不同，P处形成以一波长λ0为中心的一条光谱带，使用者可在P上直观地观察到光谱特征。转动光栅G可改变中心波长，整条谱带也随之移动。多色仪上有显示中心波长的波长计。转开平面镜M4，可使M3直接成像于光电探测器CCD上，它测量的谱段与观察屏P上看到的完全一致。

由于Hα线波长为656.28nm，Hδ波长为410.17nm，波长间隔246nm超过CCD一帧159nm范围，无法在同屏中观察到，故需分两次观察测量。第一次测量Hβ、Hγ、Hδ三条线，第二次单独测量Hα线。第一次测量使用汞灯的546.07nm（绿光）、435.84nm（蓝光）、404.66nm（紫光）三条谱线作为标准谱线手动定标；第二次用汞灯的546.07nm（绿光）、576.96nm（黄光）、579.07nm（黄光）及三条紫外光的二级光谱线312.567×2=625.13nm、313.17×2=626.34nm、334.17×2=668.34nm来定标。

3 实验步骤：

1)将多色仪起始波长调到390 nm、入射狭缝S1的宽度为0.1mm。

2)用笔形汞灯作光源，调节L·S与多色仪共轴，并令光源S成像于入射狭缝处，这时在多色仪的观察屏P上观察到清晰、明亮的水银谱线。

3)转动M4使光谱照到CCD上，调节入射狭缝，使谱线变锐。选择适当的曝光时间以获得清晰、尖锐的谱线。由于谱线强度不同，对不同的谱线可选用不同的曝光时间。

4)用水银的几条标准谱线定标，使横坐标表示波长（nm）。

5)改用氢灯，转动M4，使谱线成像于观察屏P上，调节氢灯的位置，使谱线强度为最强。

6)转动M4，测量Hβ、Hγ、Hδ线的波长。

7)将多色仪的起始波长调至540nm，用汞灯定标后，测出Hα线的波长。

4 实验数据及处理： 图3（a）中1、2、3号谱线对应氢光灯Hβ、Hγ、Hδ三条线;（b）中1号谱线对应Hα线

实验数据记录如下表 以δ为纵坐标■-■为横坐标经过Origin拟合后，可见斜率即为里德伯常量RH=1.10215×107 ，与标准值的相对误差仅为0.435％。

参考文献:

篇4

摘要：

使用光谱仪采集到的信号难免受到不同噪声源的影响。为了提高光谱信号解析的精准度，通过分析小波应用于信号降噪的原理以及经典的软、硬阈值降噪法存在的缺陷，提出了一种改进的阈值降噪法。该方法既克服了硬阈值法产生间断点，软阈值法产生恒定偏差的缺陷，又尽量地保留了有用信号。实验选用的小波基函数为SymletsA，分解层数为4，结合Birge－Mas－sart策略模型确定的分层阈值对硒化镉量子点荧光光谱信号进行降噪处理。结果表明，与经典的软、硬阈值降噪法相比，通过改进阈值降噪法得到重构信号的信噪比（SNR＝47．5502）、能量占比（PER＝0．9733）和均方误差（MSE＝149．4213）均有提高和改善。

关键词：

小波；阈值；降噪；荧光光谱

引言

光谱分析中重点关注的是信号的局部特征，即光谱曲线中波峰的形状、位置和峰值强度［1］。然而在光谱仪采集信号的过程中，难免会受到外界光照、环境温度和仪器特性等因素的影响［2］，导致实测信号往往含有高频噪声。如果直接使用采集到的光谱信号进行定量分析，必然会增大光谱鉴别的虚警率。因此，在深入分析之前，必须采取行之有效的方法对获取的原始信号进行相应的降噪预处理，以减弱或消除噪声和无用信号对有用信号的影响，才能提高光谱图解析的精准度［3－5］。由于在正交小波中，正交基的选取比传统方法更接近实际信号本身，所以通过小波变换可以更容易地分离出噪声或其他不需要的信息，因此在信号降噪中小波分析有着传统方法无可比拟的优势［6］。小波分析是一种兼顾时域和频域的分析方法，因其多分辨率分析的特点广泛适用于非平稳信号的处理［7－9］。在小波分解过程中，通过抑制部分小波系数实现降噪主要是基于如下事实：在光谱信号中，低频部分（近似系数）是表征信号本身特征的，而高频部分（细节系数）则是表征信号的细微差别。由于原始信号每次分解得到的近似系数比以前更光滑，舍去的细节信息就存放在各层细节系数中，因此为了保持原相对完整的信息，笔者采用了一种改进的阈值降噪方法处理各层小波系数，并在此基础上有选择地抑制保留的细节系数，以此达到降噪的目的。本文通过基于理论分析的实验验证了该方法的有效性。

1小波分析用于信号降噪的原理

1．1基本降噪模型

如果一个纯净信号X（t）被噪声污染后为F（t），那么基本的噪声模型就可以表示为F（t）＝X（t）＋σY（t）（1）其中：Y（t）为噪声；σ为噪声强度。小波变换的目的就是要抑制Y（t）以恢复X（t）。从统计学的观点看，这个模型是一个随时间推移的回归模型，这种分解方法可以看做是在正交基上对函数X（t）的无参估计。

1．2降噪的过程小波分析用于信号降噪的过程通常分为3个步骤：

1）分解过程：根据应用场合的不同，综合考虑小波函数的紧支集、对称性、正则性、消失矩等，选取适合的小波基函数对信号进行N层小波分解。

2）作用阈值过程：根据Donoho提出的小波阈值算法，对分解得到的各层小波系数进行硬阈值或软阈值处理。

3）重建过程：根据降噪处理后的第N层近似系数和各层细节系数（cdi，i＝1，2，…，N），运用小波变换的重建算法实现信号的重构。

2阈值确定模型的选择

在小波分析用于信号降噪的过程中，核心的步骤就是在系数上作用阈值，因此阈值的选取直接影响降噪的质量。本文采用的方法是根据原始信号的信噪比确定各层系数降噪所需的阈值。假定噪声为高斯白噪声（噪声的数学期望为0），信噪比就用原始信号小波分解的各层系数的标准差来衡量。1）默认的阈值确定模型：）Birge－Massart策略阈值确定模型：由于本文采用的阈值降噪法需对各层小波系数设置不同的保留阈值，而通过默认的阈值确定模型求得的阈值为全局阈值，因此使用Birge－Massart策略确定分层阈值更恰当。

3改进的阈值降噪法

针对含噪信号的降噪处理，Donoho等创造性地提出了小波阈值法降噪。该方法在实际运用中取得了瞩目的成就，但也存在瑕疵。通常情况下小波硬阈值法会导致作用后的光谱曲线在某些点（阈值点）产生间断，虽然小波软阈值法克服了这一缺陷，但却给重构信号引入了附加振荡。除此之外，阈值函数将小于阈值的小波系数全部置0，会使得高频部分的有用信号无法参与重构，从而降低了还原度。针对这些缺陷，文献［10］提出了一种改进的阈值函数。

4.实验结果及分析

4．1小波基函数和最优分解层数的选取

实验采用波长为365nm的激发光源LIS365照射CdO溶液与Se粉反应15min时得到的量子点，由海洋光学QE65000光谱仪采集量子点荧光光谱，导入Matlab中得到如图1所示的CdSe量子点荧光光谱。光谱范围为300nm～1200nm，分辨率为1nm－1，横坐标为波长（nm），纵坐标为吸光度（a．u．）。小波基函数的选取应兼顾紧支集、对称性、正则性、消失矩等特性。symN小波族的构造类似于dbN小波族，且具有更好的对称性，可以减少重构时的相移。因此本文选用symN小波族对CdSe量子点荧光光谱信号进行降噪处理。由于支集太长会产生边界问题，支集太短又不利于信号能量的集中，所以选用如图2所示支集适中的sym4作为小波基函数。将CdSe量子点荧光光谱信号进行小波分解，细节系数在各分解层数上的奇异谱分布如图3所示。当分解层数为4时，奇异谱发生突变，说明最优分解层数即为4。

4．2算法验证

为了检验本文提出的改进阈值函数在实现CdSe量子点荧光光谱信号降噪时的优势，采用传统的硬阈值法、软阈值法、文献［10］提出的阈值法和改进阈值法分别对原始信号进行降噪处理，通过Matlab提供的小波降噪命令同时完成了作用阈值和重构过程，降噪后的光谱曲线如图4所示。为了进一步证明改进阈值降噪法的有效性，本文采用了信噪比、均方误差和能量占比3项指标来对降噪效果进行量化评估。

5结论

1）通过分析阈值确定模型的适用范围，选定了更适用于计算分层阈值的Birge－Massart策略模型确定各层阈值。

2）在兼顾紧支集、对称性、正则性、消失矩等特性的前提下，考量了应用于小波分解适宜的支集长度，选定sym4小波作为基函数；通过观察CdSe量子点荧光光谱信号分解后各层细节系数的奇异谱分布情况，确定了最优分解层数。

3）通过分析经典的硬阈值和软阈值降噪法的缺点，提出了一种改进的阈值降噪法，并结合选定的阈值确定模型对CdSe量子点荧光光谱信号进行了降噪处理。实验结果证明：无论是从相似性直观地判断，还是从信噪比、均方误差和能量占比进行量化评估，改进的阈值降噪法都具有优势。

参考文献：

［1］秦侠，沈兰荪．小波分析及其在光谱分析中的应用［J］．光谱学与光谱分析，2000，20（6）：892－897．

［2］陈红．多组分污染物气体光谱检测关键技术研究［D］．合肥：合肥工业大学，2011．

［6］夏国荣，徐志胜，马振燕．多小波阈值降噪法在钢丝绳缺陷检测中的应用［J］．测试技术学报．2007，21（4）：319－323．

［10］蒋薇薇，鲁昌华，张玉钧，等．基于提升小波改进阈值的光谱信号去噪研究［J］．电子测量与仪器学报，2014，28（12）：1363－1368．

［11］臧玉萍，张德江，王维正．小波分层阈值降噪法及其在发动机振动信号分析中的应用［J］．振动与冲击，2009，28（8）：57－60．

篇5

1．1样品收集及制备

收集不同种植区域、不同品种、不同部位的单料烟样品共110个。将样品放入烘箱内，40℃排气烘烤2h，然后磨碎过40目筛，控制含水率在6%～10%之间。

1．2试验仪器及软件

仪器:Antaris傅里叶变换近红外光谱仪(美国ThermoNicolet公司);Agilent7890－5975气相色谱质谱仪(美国Agi-lent公司);AG204型电子天平(感量0．1mg，瑞士梅特勒－托利多公司);GFL3020震荡器(德国GFL公司);电热恒温水浴锅(德国GFL公司);VELPDK20消化器(意大利VELP公司);连续流动分析仪(美国Astoria－Pacific公司);旋转粉碎机(北京高科公司);恒温箱(日本ESPEC);SDE蒸馏器(郑州玻璃仪器厂);可控温度电热套及恒温水浴锅。软件:TQAnalyst8数据分析软件(美国ThermoNicolet公司);SPSS13．0统计产品与服务解决方案(美国IBM公司)。

1．3近红外光谱扫描

取适量烟末装入石英杯中，用500g的压样器压平杯中样品后，放到光谱仪器台上扫描。仪器的工作参数:光谱范围3800～10000cm－1，间隔4cm－1，分辨率8cm－1，扫描次数69次。

1．4常规化学成分的测定

参照烟草行业标准规定的方法应用连续流动分析仪测定样品的总糖、还原糖、烟碱、总氮、氯、钾含量，并计算出相应的糖碱比和钾氯比［11］。

1．5挥发性香味成分分析

采用同时蒸馏萃取的方式提取样品中的挥发性香味成分，具体操作如下:样品称质量25g，加水300mL、二氯甲烷60mL，同时蒸馏萃取2．5h，浓缩后加内标乙酸苯乙酯(12．553g/L)10μL后待测。采用安捷伦7890－5975NGC－MS分析，色谱柱HP－5(30m×250μm×0．25μm)，进样口温度250℃，流速1mL/min，分流比10∶1。起始温度60℃，以5℃/min升温到80℃，保持5min;以2℃/min升温到150℃，保持10min;以2℃/min升温到200℃，保持20min;以2℃/min升温到280℃，保持10min，总运行时间149min。共检测到挥发性香味成分33种。

1．6逐步判别分析

逐步判别分析是一种多元统计方法。整个变量筛选过程实质就是作假设检验，通过检验引入显著性变量，剔除不显著变量。反映在输出结果上，通常可以用F值的大小作为变量引入模型的标准，即一个变量是否能进入模型主要取决于协方差分析的F检验的显著水平。逐步判别过程本身并不建立判别函数，筛选出重要变量后，采用Bayes判别方法建立判别函数和判别准则，对新样品进行判别归类。

2结果与分析

2．1近红外谱图的处理

2．1．1谱图的预处理

烟草样品的近红外谱图会受到样品颜色及仪器稳定性的影响而出现噪音及基线漂移，所以必须对样品的近红外谱图进行前处理［6］。利用TQAnalyst8分析软件包中的优化功能，采用如下方法可获得理想的结果:多元散射校正消除样品不均匀带来的差异;采用段长为9、间隔为5的NorrisDerivative滤波平滑光谱，消除高频噪音，保留有用的低频信息;采用二介微分处理，消除基线漂移的影响，获得比原光谱更高分辨率和更清晰的光谱轮廓变化。

2．1．2谱图的主成分分析

选择4000～8000cm－1波数为分析区域，由主成分分析获得样品的10个主成分，前5个主成分的贡献率达到96．97%，即5个主成分就能够代表96.97%的近红外谱图信息，所以以5个主成分得分为分析对象，采用逐步判别分析进行模式识别。

2．2烟叶种植区域模式识别结果的比较

收集的样品由福建、云南、安徽、江西、贵州4个地区的烟叶样品组成，依据《中国烟草种植区划》［13］110个样品属于5个产区，从每个产区随机抽取5个作为外部验证样品，其余作为建模样品。通过逐步判别分析，筛选出对于种植区域判别有主要影响作用的6种化学成分，即糠醛、吲哚、香叶基丙酮、柏木醇、新植二烯和氯，并获得其Bayes判别函数，同样由逐步判别分析获得近红外光谱5个主成分得分烟叶种植区域的Bayes判别函数。将筛选出的变量代入Bayes判别函数计算得到判别值，比较各判别值大小，其中最大值所对应的分组便是判别分组。表2表明，化学成分建模85个样品种植区域交叉验证模式识别的准确率为91．76%，外部验证25个样品种植区域模式识别的准确率为80．00%;近红外光谱建模85个样品种植区域交叉验证模式识别的准确率为89．41%，外部验证25个样品种植区域模式识别的准确率为80．00%。种植区域化学成分模式识别的准确率略高于近红外谱图模式识别的结果。滇南桂西山地丘陵烤烟区及滇西高原山地烤烟烟区都属于云南地区，地理位置较近，且种植水平及习惯接近，因此2个地区的样品发生部分误判，闽西赣南粤东丘陵烟区、皖南赣北丘陵烤烟区、黔中高原山地烤烟区样品识别正确率较高(表2)。

2．3烟叶品种模式识别结果的比较

收集的110个烟叶样品共有云烟87、翠碧1号、K326、红花大金元等4个品种，从每个品种中随机抽取5个作为外部验证样品，其余的样品作为建模样品。通过判别分析，筛选出对于品种模式识别有主要影响的4种化学成分，即4－环戊烯－1，3－二酮、茶香酮、香叶基丙酮、氯，并获得了其Bayes判别函数，同样由逐步判别分析获得近红外光谱5个主成分得分烟叶品种的Bayes判别函数。目前我国主栽烤烟品种均直接或间接来自于相同的亲本，甚至有些品种间亲缘关系极近，致使品种鉴别时容易发生错判。表4结果表明，化学成分建模90个样品品种交叉验证模式识别的准确率为77．78%，外部验证20个样品品种模式识别的准确率为70．00%;近红外光谱建模90个样品品种交叉验证模式识别的准确率为82．22%，外部验证20个样品品种模式识别的准确率为75．00%。烟草品种的近红外谱图模式识别结果优于化学成分模式识别的结果。

2．4烟叶部位模式识别结果的比较

收集的110个烟叶样品中上部烟36个、中部烟38个、下部烟36个，从不同部位的烟叶样品中随机抽取8个样品外部验证样品，其余的样品作为建模样品。通过判别分析，筛选出对于烟叶部位模式识别有主要影响的化学成分为三环萜、柏木醇、总烟碱，并获得了其Bayes判别函数，同样由逐步判别分析获得近红外光谱5个主成分得分烟叶部位的Bayes判别函数。表6结果表明，化学成分建模86个烟叶样品部位交叉验证模式识别的准确率为86．05%，外部验证24个烟叶样品的准确率为75．00%，近红外光谱建模86个烟叶样品部位交叉验证模式识别的准确率为94．19%，外部验证24个烟叶样品的准确率为91．67%。烟叶部位的近红外谱图模式识别结果优于化学成分模式识别的结果。

2．5模式识别结果比较

以化学成分、近红外光谱建模样品及外部验证样品模式识别正确识别的个数为变量进行相关性分析及配对t检验。相关性分析结果表明，2种方式获得的结果都存在显著的相关性(P＜0．05);配对t检验结果表明所获得的结果差异不显著(P＞0．05)(表7)。

3结论