• 本文目录导读：
• 1、介绍
• 2、区别与联系
• 3、傅里叶红外分析
• 4、总结

介绍

傅里叶变换是一种常见的信号分析方法，它可以将一个时间域上的波形转化为频率域上的谱。在光谱学领域中，这种变换经常被用于处理各类电磁辐射（包括可见光、紫外线、X射线以及红外线等）所产生的光谱。

其中，对于红外光谱而言，我们通常会采用两个不同但相关联的术语来描述使用了傅里叶变换技术进行处理后得到的结果：即“傅里叶红外”与“傅立叶红外”。

区别与联系

虽然在核心原理上这两者并没有本质差异，并且往往可以互相替代地使用。但从技术应用角度而言，“傅里叶红外”更多地指涉了一类依赖四极振动模型计算识别谱图中共振频率或强度参数信息建模方法；而“傅立叶红外”则主要指涉直接基于数据分析获得样品光谱信息的方法。

傅里叶红外

傅里叶变换将时间或空间域上的波形分解为一系列不同频率（即周期）的正弦波和余弦波，通过将这些不同频率成分进行加权合成，进而复原出原本信号在时/空域上的机理特征与物理参数。在利用IR光谱提取低浓度溶液中材料组份及表面活性剂含量等问题中，我们常常采用基于Nelder-Mead优化算法寻找最小均方根误差（RMSE）值逼近拟合结果来实现对其测定。

除此之外，在聚集态产生共振效应、衍射、色散作用下所产生的“分子指纹图”以及塑料制品符号检验等其他领域也普遍使用了这种建模方法。

傅立叶红外

然而相比于传统基于经验参数假设求解组份对接数据稳定性较差并且容易欠拟合。因此随着数学理论以及计算能力日益高效化,人们开始逐步转向直接通过多元线性回归 / 神经网络 / 支持向量机等方法，基于样本数据集来建立光谱与物理组份的关系模型——傅立叶变换红外法。

在这种分析方法中，量化结构指纹 / 振动波数 / 化学键强度等信息，则被使用了以Tanimoto相似性系数、偏最小二乘回归（PLS）、支持向量机（SVM）或深度学习技术等为代表的现代计算手段综合挖掘揭示。从而一定程度上减轻了对体验知识和复杂仪器技术依赖性要求，并且在实际工业质检生产环节中应用更加方便场普适。

傅里叶红外分析

采取傅里叶变换进行处理后所获得的图谱大多呈现出高斯曲线状，在拟合时需要注意初始位置选取以及进一步优化结果的宽度拓展运算调整项。同时由于IR传感器自身不稳定因素影响较大, 在制作比较精密要求下对其预处理方式选择也需经过认真考虑。

在实际工作流程中，通常会先将待测样品放入专门设计好的光路管道内，在标准温度/湿度以及压力条件下进行光谱检测。通过先期预处理对数据集进行降噪、归一化、滤波，之后采用第1类或2类聚合算法等筛选出具有代表性的特征变量并在此基础上建立分析模型。

总结

综上所述，在红外光谱领域中，“傅里叶红外”与“傅立叶红外”虽然从理论和操作角度而言无明显界限，但它们却各自有着适应于不同实际问题场景的优劣点。因此在进行相关工作时需要根据其物理片段来选择更加精准高效的方法，并且将多种技术手段相互借鉴配合起来才能获得最为优质有效的红外分析结果。

微信号：Leeyo931201
咨询采购，报价（傅里叶红外光谱，应急，非道路，污染源排放，温室气体等检测，定量），请点击下方按钮。
复制微信号