表面增强拉曼光谱数据处理方法研究

发布时间：2025-06-10 01:59

　　拉曼光谱作为一种快速、无损、检测限制小而选择性高的分子散射光谱,可以对有机物、无机物以及掺杂体系混合物等实现精准的检测分析。但由于物质分子的拉曼散射面较小,故拉曼光谱强度很是微弱,加大了光谱检测与分析的难度。表面增强拉曼光谱（Surface Enhanced Raman Scattering,SERS）采用经特殊制备的表面粗糙金属或溶胶作为活性基底,可使表征物质结构信息的拉曼光谱获得10～6¹0¹⁵倍的增强,拥有超高的检测灵敏度。近年来,SERS在生物医学、食品安全、环境保护、材料分析等众多领域得到广泛应用,尤其在痕量检测方面,甚至达到了单分子分析水平。然而,由于SERS测量仪器与技术本身的问题,测得的原始光谱包含有大量噪声、荧光背景和其它组分的干扰信息;且SERS数据量庞大,冗余严重,这严重影响了光谱分析模型的稳定性与可靠性。因此,如何快速、准确地从复杂原始光谱中最大限度的去除干扰、提取有效信息,是SERS光谱数据处理技术要解决的关键问题。针对SERS光谱普遍存在的荧光背景严重干扰光谱解析的问题,本文提出了一种基于迭代非对称加权惩罚最小二乘的...

【文章页数】：87 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 拉曼光谱基本原理
    1.2 研究背景及意义
    1.3 拉曼光谱数据处理的研究现状
        1.3.1 预处理
        1.3.2 特征提取与变量选择
    1.4 本文主要工作及章节安排
第二章 拉曼光谱的分析方法
    2.1 平滑去噪
    2.2 基线校正
        2.2.1 惩罚最小二乘原理
        2.2.2 非对称加权惩罚最小二乘基线校正
        2.2.3 自适应迭代重加权惩罚最小二乘基线校正
        2.2.4 形态学加权惩罚最小二乘基线校正
    2.3 归一化
    2.4 特征提取
        2.4.1 相关系数分析法
        2.4.2 无信息变量消除法
        2.4.3 区间偏最小二乘算法
    2.5 拉曼光谱的模式识别方法
        2.5.1 线性判别分析
        2.5.2 簇类独立软模式法
        2.5.3 偏最小二乘判别分析
        2.5.4 K-最近邻法
    2.6 模式识别性能评价
    2.7 本章小结
第三章 迭代非对称加权惩罚最小二乘基线校正算法研究
    3.1 算法原理
    3.2 算法步骤
    3.3 算法在模拟光谱上的仿真分析
        3.3.1 模拟数据
        3.3.2 方法对比与结果讨论
    3.4 算法在实际拉曼光谱上的应用
        3.4.1 实验数据
        3.4.2 罗丹明6G的SERS光谱基线校正
        3.4.3 两类药品SERS光谱基线校正前后的主成分分析
    3.5 本章小节
第四章 拉曼光谱特征提取与分类方法研究
    4.1 基于区间选择的拉曼光谱特征提取
        4.1.1 连续投影算法(SPA)
        4.1.2 区间选择的连续投影算法(iSPA)
    4.2 表面增强拉曼光谱预处理与特征波数提取
        4.2.1 实验数据与测试平台
        4.2.2 光谱数据预处理
        4.2.3 光谱特征波数提取
    4.3 基于表面增强拉曼光谱的4-MBA,R6G与BSA分类
        4.3.1 样本的划分
        4.3.2 实验结果与分析
    4.4 基于表面增强拉曼光谱的4-MBA与4-MPY分类
        4.4.1 样本的划分
        4.4.2 实验结果与分析
    4.5 本章小节
第五章 总结与展望
    5.1 工作总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：4050146