论文部分内容阅读
本研究采用偏最小二乘法(PLS)结合紫外光谱法、近红外光谱法和质谱法三种方法进行定量分析,并用无信息变量消除(UVE)筛选变量消除噪声信息和干扰信息来优化,以得到稳健的模型。紫外光谱法结合偏最小二乘法以β-环糊精为手性试剂分别测定了苯丙氨酸和甲霜灵中二种光学异构体的比例。为了克服苯丙氨酸和甲霜灵总浓度对测定模型的影响,首先采取了浓度校正和参比峰校正两种校正方法对原始光谱进行校正,然后用PLS建立两种异构体的定量分析模型,并运用UVE选择变量分别对27个苯丙氨酸-p-环糊精和63个甲霜灵-p-环糊精样品的定量分析模型进行了优化。由于紫外光谱吸收与浓度都有很好线性相关性,导致UVE选择的变量太多,其中包含有大量线性相关变量。连续投影算法具有良好的去除线性相关变量的能力,本论文采用连续投影算法进一步筛选变量分别建立苯丙氨酸和甲霜灵异构体的定量分析模型,分析模型得到极大的简化；近红外光谱法结合偏最小二乘法测定了液体样品和固体样品。40个液体样品用PLS全谱建模和UVE-PLS方法分别测定2,2,4-三甲基戊烷,正庚烷,环己烷,甲酸乙酯,乙酸丁酯五种物质在混合物中的含量；163固体样品采用PLS全谱建模和UVE-PLS方法分别测定烟草粉末样品中总氮和总糖的含量；质谱法结合偏最小二乘法测定40个样品中2,2,4-三甲基戊烷,正庚烷,醋酸丁酯,甲苯和苯乙酮的含量。GC-MS得到的质谱数据并进行时间方向累加来模拟样品不经色谱分离而获得样品混合物的质谱数据,然后用40个样品PLS建立五种化合物的定量分析模型。用特征选择和UVE两种变量选择方法来筛选变量。以上研究得到的结果如下：(1)苯丙氨酸浓度校正：UVE法选择84.92%的变量来建立定量模型,预测集均方根误差RMSEP为0.039；UVE-SPA选择2.15%的变量进行建模,RMSEP为0.013；苯丙氨酸参比峰校正：UVE选择70.77%的变量来建立定量模型,RMSEP为0.022；UVE-SPA选择1.23%的变量进行建模,RMSEP为0.0070；甲霜灵浓度校正：UVE选择33.18%的变量来建立定量模型,RMSEP为0.018; UVE-SPA1.23%的变量进行建模,RMSEP为0.022；甲霜灵参比峰校正：UVE选择73.43%的变量来建立定量模型,RMSEP为0.019；UVE-SPA选择1.38%的变量进行建模,RMSEP为0.0090。因此,采用UVE-SPA优化和简化紫外-可见光谱分析模型效果明显。(2)液体混合样品中五种成分：2,2,4-三甲基戊烷,正庚烷,环己烷,甲酸乙酯和乙酸丁酯,用全谱建模和UVE-PLS分别建立近红外光谱定量模型,UVE变量选择后RMSEP降低为0.029,0.18,0.038,0.010,0.013。烟草粉末样品分析模型经UVE优化后,总氮的定量模型RMSEP由0.18降低为0.11；总糖定量模型RMSEP由2.2降低为0.78。两类样品的近红外定量模型结果均表明,UVE-PLS模型结果优于全谱PLS的模型结果,UVE模型优化效果明显。(3)五种物质：2,2,4-三甲基戊烷,正庚烷,醋酸丁酯,甲苯和苯乙酮的含量进行分析。采用质荷比(m/z)特征选择,模型的RMSEP分别是0.048,0.11,0.02,0.030,0.0090；UVE对五种物质进行特征选择,模型的RMSEP分别是0.035,0.12,0.014,0.042,0.0090。结果表明,对不经色谱分离的混合物质谱数据采用PLS方法进行定量分析是可能的,UVE方法对模型的优化效果明显。在混合物定量分析过程中,建模变量选择对模型优化具有重要的作用。采用UVE变量选择对紫外-可见光谱、近红外光谱和质谱的定量分析模型进行优化,均取得了显著的效果,因此,该方法在混合物定量分析领域具有非常广阔的应用前景。