化学校正理论与主成分分析的应用.ppt

化学校正理论与主成分分析的应用 华东理工大学仪器分析教研室 倪力军 校正(calibration)：利用已知样本的信息建立自变量与未知量间的数学关系的过程，也可以说是一个建立定量模型过程。 多元校正(multivariate calibration): 利用测得的多变量信息对混合物体系进行浓度预测的一种化学计量学方法。 很多分析仪器都配有化学校正方法软件（HPLC、GC、NIR） 常用概念 预测(prediction)：预测未知样本信息的过程 校正集(calibration set)：用于建模的已知样本集合 检验集(validation set)：用于检验模型准确性的一组已知测定结果的样本集合 预测集(prediction set)：用于预测的未知样本集合。 分析化学校正理论发展的背景 （1）新型仪器（如色谱、光谱、波谱、极谱等）可提供含有样本的定性（结构）与定量信息的谱（多变量数据）。每一谱图在数学上可看成一个矢量。 （2）许多数学上过去由于计算困难而难以应用的问题也得以解决； （3）联用仪器还可产生矩阵（张量）类型的数据信息（如GC-MS, HPLC-DAD, GC-IR, HPLC-MS, 多维核磁共振谱等） 分析仪器的进展促成了化学计量学中的校正理论从简单的一元校正到多元校正的发展。 多元校正研究对象是以矩阵形式表达的Lambert-Beer Law，将化学原理与线性代数、统计、优化等数学方法结合，提出了各类多元校正方法。 多元校正理论目的是不经过分离或掩蔽实现多组分系统的同时测定，使得很多受实验条件限制而难以开展的定性、定量分析可以借助于数学方法和计算机手段去解决 。 校正理论的发展过程 标准曲线法—单变量校正（相当于一元线性回归）：经典分析化学的常用校正方法 直接校正： (1)多元线性回归(multiple linear regression, 简称MLR) (2)卡尔曼滤波法 间接校正： (1)K矩阵法；(2)P矩阵法；(3)主成分回归(PCR)； (4)偏最小二乘法(PLS) 单变量校正在HPLC中的应用 单变量校正在HPLC中的应用 建立校正表 第二个峰对应物质的标准工作曲线 第5个峰对应物质的标准工作曲线 多元校正的理论基础 （5－3）是多元校正理论的基础，采用不同的方法确定系数矩阵B，形成不同的多元校正方法。 直接校正—多元线性回归 原理：用纯组分灵敏度系数构成的矩阵直接代替（5-3）式中的系数矩阵B，然后求未知样本浓度矩阵X。 注意：此处的多元线性回归的含义与统计回归分析中的意义不同：模型参数矩阵B不是由校正集矩阵X与Y回归得到的。 MLR法适用范围 ?混合物系中定性组分已知的白色体系； 体系的响应值与组分浓度间呈线性关系； 各组分的光谱之间线性无关（即光谱曲线形状相差很大，如果不同组分光谱曲线间存在倍数关系或完全重迭，相当于B矩阵中存在相关的行，会造成矩阵BBT奇异，无法求逆）； 各组分间无相互作用或相互作用很小。 例1：亮氨酸(组分1),异亮氨酸(组分2)均能与茚三酮发生显色反应，形成有色络合物。在546nm到590nm间每隔4nm测定纯组分1、2溶液的吸光度。用单变量校正曲线方法求得组分1、2在对应波长下的吸收系数，见表1。配制4个由组分1、2构成的混合物样本，经显色反应后在相同条件下分别测定4个样本的吸光度，吸光度值见表2。试用MLR法求4个混合物样品中组分1、2的浓度。 由（5－4）可求出4个混合物的浓度矩阵， 结果见表5－3。 MLR法预测的组分浓度值与实测值相差很大，甚至出现负值，为什么？ 这两种氨基酸的 光谱曲线形状十 分相似，矩阵B 的行接近相关， 使得BBT病态， 求逆时会带来很 大误差，造成 MLR模型预测 值不合理。 间接校正法—K矩阵法 基本思路 根据混合物的校正矩阵X、Y，借助最小二 乘法求得灵敏度系数矩阵B，然后根据B去 求得未知待测混合物的各组分的浓度。 基本模型 优点 可消除由纯组分物性代替其在混合物中物性 带来的误差。 基本算法 缺点 需要求两次逆，在各组分响应信号重叠较多时难免会增大计算误差 例2：对不同浓度的亮氨酸、异亮氨酸组成的16个混合样品，采用与例1相同条件测其吸光度。利用实验所得的16个样本的吸光度数值,由（5-12）可得K矩阵为： 配制3个混合物样本作为检验集，测定这3个样本在对应波长下的吸光度矩阵Y。由（5-13）有： X3*2=YKT(KKt)-1 , X3*2的结果见表5-4。 结果比K矩阵法有所改进，但误差仍然较大。 原因：Y接近相关造成K的行接近相关，对 KKt求逆带来很大