光谱信号分析

1. 学习光谱分析看什么书好呢

多年前看过浙江大学有一本教材《色度学》，里面讲得很好。
可下载的连接没有找到，只找到了书的介绍，希望对你有帮助。

《色度学》荆其诚、焦书兰、喻柏林、胡维生著。科学出版社1979年第1版，1982年第2次印刷。
下面是概述，

色度学是研究人类颜色视觉规律、颜色测量的理论和技术的科学，它涉及到物理光学、视觉生理、视觉心理和心理物理等学科领域，是一门综合性的科学。光源研制、印刷、染织、电影、电视、化工、灯光信号、照明、伪装等都需要对颜色进行测量和控制，因而色度学也是一门应用领域非常广泛的科学。随着经济建设的迅速发展和科学技术水平的提高，人们对色度学知识的了解日益迫切。本书正是为满足这种需要而撰写的，它系统地介绍了颜色视觉的基本规律和颜色测量的方法，是中国第一本色度学的著作。
本书36万字,共分8章。前两章介绍了颜色视觉的生理学和心理学基本知识。第 3章介绍了国际照明委员会(CIE)正式推荐的色度学规定和测色方法。第4章介绍了测色原理和测色的仪器。第 5章说明了同色异谱颜色及其评价。第 6章叙述了一种对表面色进行分类和标定的方法——孟塞尔颜色系统。第 7章介绍了光源的色度学。第 8章说明了色度学在彩色电视、颜色灯光信号及彩色印刷、涂料、摄影等领域中的应用。本书还收集了 9个色度学常用的数据表作为附录，书的正文里对如何运用这些数据表进行有关的色度学计算作了叙述。

2. 光谱分析仪器的基本结构是什么

（1） 光源 提供强度大、稳定、而且发光面积小的连续光谱或线光谱的装置。紫外分子吸版收分光光权度计常用的光源有氢灯和氘灯，可见分子吸收分光光度计常用的光源有钨灯和卤钨灯，红外分子吸收分光光度计常用的光源有硅碳棒，能斯特灯；原子吸收分光光度计常用的光源有空心阴极灯。
（2）单色器 将连续光按波长顺序色散，并从中分离出一定宽度的波带的装置。单色器一般由光栅或棱镜、狭缝、准直镜三部分组成。
（3）样品池 用来存留被测样品的器皿或装置。紫外分子吸收常用石英池，可见分子吸收常用玻璃池，红外分子吸收用岩盐材料制作的液体池、气体池、固体池；原子吸收为原子化器。
（4）检测器 将光信号转换成电信号的装置。紫外-可见吸收常用光电池、光电管、光电倍增管、光二极管阵列检测器。红外吸收常用热电偶、高莱槽和电阻测辐射热计。
（5）讯号处理及显示系统 讯号处理包括讯号放大、数学运算与转换等。显示系统包括电表显示、数字显示、荧光屏显示、结果打印等。

3. 光谱特征分析与提取

6.1.1 基于光谱重排的光谱特征提取方法

首先，针对光谱吸收特征受噪声影响较大的问题，对数据进行最小噪声分量正变换，消除噪声后，再将最小噪声分量特征空间的数据变换回原数据空间，即最小噪声分量反变换；然后针对单个吸收不稳定、光照等对光谱幅值影响较大等问题，提出在连续去除的基础上，利用所有吸收特征并将光谱吸收特征按吸收深度由强至弱重排，从而实现稳定、可靠的光谱特征提取。

（1）最小噪声分量变换

在实际应用中，地物光谱吸收特征对噪声敏感，因此，在进行特征提取之前，研究中引入了最小噪声分量变换（Minimum Noise Fraction，MNF），去除噪声对特征提取影响的同时去除数据相关性。

MNF变换是Green等人在主成分分析理论的基础上改进得到的。通常被用来去除数据中的噪声成分，同时确定高光谱数据的本征维数，从而减少后续处理的运算量。

该方法以噪声协方差的估计矩阵为基础，调整噪声的取值并去除其波段间的相关性。在结果数据中噪声的方差为1，并且在波段间无相关性。假设高光谱数据X＝［x₁，x₂，…，x_m］^T可以表示为

X ＝ Z ＋ N （6.1）

式中：矩阵Z，N分别是理想信号和噪声矩阵，且彼此不相关；第i 波段的噪声分量定义为NF_i ＝

，信噪比定义为SNR_i＝

。

∑_X，∑_Z和∑_N分别为可观测信号、理想信号及噪声的协方差矩阵，并且有

∑_X ＝∑X_Z ＋∑_N （6.2）

假设F为∑_N的白化矩阵，∑_N的特征值矩阵为

＝diag（λ_N1，λ_N2，…，λ_Np），其中p为波段数，则有

高光谱遥感技术原理及矿产与能源勘查应用

高光谱遥感技术原理及矿产与能源勘查应用

式中：I为单位矩阵，矩阵

由∑_N的特征向量组成，且满足

。

假设∑_w＝F ^T∑_X F为噪声白化之后的观测数据的协方差矩阵，∑_w矩阵特征值组成的对角矩阵为

＝d i a g（λ_w1 ，λ_w2 ，…，λ_wp），对矩阵∑_w作主成分变换，可以得到由矩阵∑_w特征向量组成的

，使得

高光谱遥感技术原理及矿产与能源勘查应用

于是得到最小噪声分量变换矩阵：

高光谱遥感技术原理及矿产与能源勘查应用

由式（6.6）得观测信号最小噪声分量变换后的矩阵为

T ＝ M^TX （6.7）

经过式（6.7）变换之后，可观测信号各个波段间彼此不相关，且各个波段按信噪比由大到小排列

。即按变换后数据T的特征值排列，较大的特征值对应信号为主的图像，接近于1的特征值代表噪声占主导的图像。在变换之后，通常可以直接利用T进行数据后续处理，但是Cheriyadat和Bruce等人证明，主成分变换完全依赖于数据整体的协方差，当类内方差占据类间方差的主体时，主成分变换倾向于将数据向不利于分类的方向投影。可见，MNF变换与主成分变换具有相同的特点，因此，研究中提出的算法在利用MNF之后，利用最小噪声分量反变换将数据转换回光谱空间，这样可以最大限度地保证数据的可分性。

（2）光谱重排

不同地物的光谱信息是不相同的，因此，高光谱遥感提供的地物精细的光谱信息可以直接作为特征提取与目标识别的依据，比如利用红边、绿峰、NDVI等特征可以提取植被。但当不同地物之间的光谱在形状、幅值、变化趋势等指标大致相同的时候（即光谱特征相似），提取区分不同地物显著特征是非常困难的，即地物之间的不相关性均匀地分布在各个波段；此外，由于单个光谱吸收特征容易受到光照条件、大气等影响使得提取的光谱特征参量不稳定。因此，针对以上问题，研究中提出了基于光谱重排的特征提取方法，根据光谱吸收深度的由强到弱排列，剩余的没有吸收特征波段则按波长由小到大排列。

光谱重排的实现过程如下：

1）通过不同阶数的微分值确定的光谱弯曲点、最大最小光谱反射率及其波长位置，计算连续统去除后目标光谱的吸收位置λ_M 及其反射率值ρ_M、吸收深度H、吸收左右肩（ρ_L，ρ_R）及其反射值（λ_L，λ_R），并且吸收深度H的计算公式如下：

H ＝ d × ρ_L ＋（1-d）× ρ_R-ρ_M （6.8）

d ＝（λ_L-λ_M）/（λ_R-λ_L） （6.9）

2）将目标光谱按照吸收深度H由强至弱进行排列，若无吸收特征，则按波长由小到大进行排列；

3）以目标光谱为基谱，将图像数据光谱按照目标光谱重排后的波长进行排序。

该方法有效地利用了高光谱遥感数据提供的地物所有吸收特征，增加了特征提取的稳定性和可靠性；并且通过大量的实验发现，任何两种不同地物的光谱通过光谱重排之后，区分不同地物的显著特征更加明显，增加了类别间的可分性。

（3）算法实现

基于光谱重排的抗噪声光谱特征提取方法的实现流程如图6.1所示。该方法中为了消除噪声对光谱吸收特征参数提取的影响，引入了MNF变换；为了有效抑制由于光照条件、传感器等因素产生的光谱幅值变化对光谱特征提取的影响，引入了连续统去除操作；为了克服单一特征不稳定、不同地物光谱特征相似等问题，提出了光谱重排的方法。

（4）实验分析

为了验证上述研究中方法的有效性和可行性，采用AVIRIS航空高光谱数据进行实验分析，并利用光谱之间的光谱角进行可分性的定量化分析。

实验数据为1995年7月在美国内华达州Cuprite矿区AVIRIS航空高光谱数据，并且使用ATREM方法校正得到了地表反射率，波段范围为1990～2480nm，空间分辨率20m，光谱分辨率10nm，数据大小为255 × 350 × 50。

图6.1 光谱特征提取方法实现流程

该研究区域的矿物分布图如图6.2（a）所示，从数据中提取高岭石光谱曲线如图6.2（b）所示，光谱重排后的光谱如图6.2（c）所示。高岭石、明矾石、布丁石及热液硅石特征提取前的光谱比较如图6.3（a）所示，以高岭石光谱为基谱，光谱重排后四种矿物的光谱特征如图6.3（b）（图中的光谱曲线纵坐标做了平移处理）所示。利用光谱角的方法进行四种矿物光谱重排前后可分性的比较，结果如表6.1和表6.2所示。

图6.2 高岭石矿物光谱比较

图6.3 四种矿物光谱比较

表6.1 原始光谱数据四种矿物的可分性

表6.2 重排后光谱数据四种矿物的可分性

由图6.2和图6.3可以看出，经光谱重排后，高岭石矿物光谱吸收特征按吸收深度的强弱进行了重新排列，较好的显现了高光谱所有吸收特征及主次吸收特征的变化；并且明矾石与高岭石矿物在2200 nm的光谱特征由于吸收宽度等不同而能将二者较好的区分。由图6.3与表6.2可以看出，经过光谱重排后，高岭石与其他三种矿物的可分性均存在不同程度的增大，特别是，高岭石与明矾石的可分性从0.1978增加为0.225；为后续矿物识别与分类等处理奠定了良好的基础。

图6.4 SAM方法矿物识别结果

为了进一步验证该方法的性能，进行了利用该方法以及基于SAM方法的矿物识别结果比对分析。利用原始光谱进行光谱角匹配识别的结果如图6.4所示。利用基于光谱重排的抗噪声特征提取方法得到的数据进行矿物识别，结果如图6.5 所示。可以看出，两种方法均能实现四种主要蚀变矿物的识别，但是，采用原始光谱进行识别的结果中存在着一定程度的矿物混淆，并且布丁石的识别结果混淆尤其明显；而在研究方法中进行特征提取基础上得到的矿物识别结果矿物混淆明显降低，取得了较好的识别结果，证明了上述研究中提出的方法的优越性能。

图6.5 基于光谱重排特征提取方法矿物识别结果

6.1.2 吸收波长加权匹配方法

光谱曲线往往包含了许多由噪声引入的无效特征，利用同类地物光谱特征求交，实现了有效吸收波长、吸收深度的提取；常用的SAFP匹配方法中，只有参考光谱和测试光谱的特征在相同的波长位置时，两条光谱才被判为相同，匹配准则比较苛刻，导致由于噪声等因素影响光谱特征而无法匹配，吸收波长加权匹配法利用偏移加权矩阵实现了吸收波长的容偏匹配，大大增加了匹配的准确性，降低了外界因素对吸收参量特征的影响。

对同类地物光谱曲线特征求交，得出识别地物的有效特征；地物光谱的诊断吸收特征总是出现在特定的波段上，在某些情况下会有局部的偏移；对吸收特征的中心波长进行匹配，并容许一定程度的波段偏移，容许程度用偏移加权矩阵来度量，能够对地物光谱实现精确的识别。考虑到实际应用噪声及系统误差引入的干扰，用吸收深度对单个中心波长进行加权，吸收深度小的吸收特征对整体相似度的贡献小，吸收深度大的吸收特征对整体相似度的贡献大，这样一定程度上抑制了无法去除的非有效特征的影响。

（1）吸收波长加权匹配的实现

有效吸收特征的精确提取和容偏匹配实现流程如图6.6所示，具体包含以下几个步骤：

1）对参考光谱连续统去除。利用导数法确定各吸收特征的中心位置和左右肩对应的波长后，利用下列公式提取吸收特征中心波长和吸收深度：

高光谱遥感技术原理及矿产与能源勘查应用

式中：

和

分别为吸收左肩端、右肩端、吸收谷点的反射率和波长位置；d＝

为吸收的对称性参数。

没有标准参考光谱时，参考光谱通过训练样本得到。通过上述方法提取各条参考光谱的吸收中心波长和吸收深度后，对所有训练样本的吸收特征参数求交，方法如下：

光谱A和B的所有吸收特征为feature_a，feature_b，A的第i个波段上存在特征，对feature_b计算：

judge ＝ Weight·feature_b（［i-BandOffset：i ＋ BandOffset］） （6.11）

如果，judge＞0 ，则光谱A的第i个波段上的特征为有效特征。

得到参考光谱共有的有效特征，此处需要记录的是有效特征的位置和吸收深度的大小，保存在向量EffFeatureIndex和Depth中。

2）提取未知光谱所有吸收位置和对应的吸收深度特征，记录在FeaturePos和FeatureDepth；

图6.6 中心波长加权匹配流程图

未知光谱特征与参考光谱有效特征按位匹配，匹配方法包含两个参数，容许波段偏移数BandOffset和偏移加权矩阵Weight。

3）找到参考光谱第i个特征位置，生成特征检验区间：

TestIndex ＝（i-BandOffset）：（i ＋ BandOffset） （6.12）

计算特征检验值：

TestValue ＝ Weight·FeatureDepth（TestIndex） （6.13）

TestValue不为0 ，则说明未知光谱对应位置存在有效特征，反之则不存在，未知光谱中的识别特征所在波段记录在向量EffIndex中。

4）重复3）的过程，直到对未知光谱的所有有效特征进行了检测，未知光谱中识别特征存在的波段记录在向量EffIndex中。

5）对吸收位置用吸收深度加权匹配，匹配度的计算公式如下：

高光谱遥感技术原理及矿产与能源勘查应用

6）根据匹配度degree的值判断未知光谱与参考光谱的近似程度，阈值Thresh手动选择，根据经验，在用吸收深度加权的匹配方法中，Thresh＝0.8就能获得较高的识别率。

用吸收深度加权对吸收特征中心波长进行容偏匹配的关键在于：有效吸收特征的准确提取和偏移加权矩阵Weight或容许波段偏移数目BandOffset的选择，反射率曲线所有吸收特征的精确提取是前提，偏移加权矩阵的确定需要根据对像光谱的采样间隔来确定，Weight的分量的个数为2 × BandOffset＋1；并且有效特征提取和特征识别过程使用的偏移加权矩阵Weight可以不同，光谱采样间隔较大时，可以选择Weight的各个分量服从高斯分布。

（2）基于USGS光谱库数据的实验与结果分析

图6.7（a）为USGS矿物光谱库中六条绿泥石连续统去除后反射率曲线；波段偏移参数BandOffset＝1，对应的容偏矩阵Weight＝［1，1，1］；即两条光谱的特征相差一个波段以下认为该特征为有效特征；绿泥石的有效特征见图6.7（b），用方框标记出了吸收谷的波长位置；图6.7（c）给出了利用吸收波长加权匹配方法得到的绿泥石有效特征；图6.7（d）给出了绿泥石和阳起石反射率光谱。

图6.7 有效特征提取

匹配加权矩阵Weight＝［1，1，1］表示容许两端偏移，Weight＝［0.1，1，0.1］表示不容许偏移；两情况对应的相似度见表6.3和表6.4。对比表6.3和表6.4的相似度值可以看出，容许波段偏移后，绿泥石光谱间的相似度明显变大。利用图6.7（c）的有效特征对图6.7（d）所示的阳起石和绿泥石光谱进行Weight＝［1，1，1］匹配，近似度见表6.5，用绿泥石的有效光谱能有效的识别出绿泥石光谱与阳起石光谱的差异。

表6.3 绿泥石光谱识别Weight＝［1，1，1］

表6.4 绿泥石光谱识别Weight＝［0.1，1，0.1］

表6.5 阳起石和绿泥石识别Weight＝［1，1，1］

（3）基于AVIRIS数据的实验与结果分析

利用内华达州Cuprite矿区的AVIRIS数据进行基于吸收波长加权提取方法实现矿物匹配识别研究。利用的矿物端元光谱如图6.8所示，识别结果如图6.9所示。

从地质图6.2（a）与结果图6.9比较可以看出，该方法对具有明显光谱吸收特征的明矾石和高岭石矿物具有较高精度的识别效果，但是对于吸收特征较宽、较浅的白云母和布丁石的识别效果则较差。

图6.8 算法中用到的端元光谱

图6.9 基于吸收波长加权特征提取的矿物匹配识别结果

4. 红外光谱分析时 采集背景信号的目的是什么

对于非复纯净物样品而言，制例如溶液样品，固体粉末(红外光谱中用KBr 作为压模基质)，采集背景信号的目的都是为了获得本底光谱，用来对样品溶液、或者粉末样品进行做差减掉溶剂、空气中的水分、二氧化碳等干扰信号，获得待测的溶质，或者待测固体的光谱。

5. 光谱分析

现代近红外光谱（NIR）分析技术是近年来分析化学领域迅猛发展的高新分析技术，越来越引起国内外分析专家的注目，在分析化学领域被誉为分析“巨人”，它的出现可以说带来了又一次分析技术的革命。

近红外区域按ASTM定义是指波长在780～2526nm范围内的电磁波，是人们最早发现的非可见光区域。由于物质在该谱区的倍频和合频吸收信号弱，谱带重叠，解析复杂，受当时的技术水平限制，近红外光谱“沉睡” 了近一个半世纪。直到20世纪50年代，随着商品化仪器的出现及Norris等人所做的大量工作，使得近红外光谱技术曾经在农副产品分析中得到广泛应用。到60年代中后期，随着各种新的分析技术的出现，加之经典近红外光谱分析技术暴露出的灵敏度低、抗干扰性差的弱点，使人们淡漠了该技术在分析测试中的应用，从此，近红外光谱进入了一个沉默的时期。80年代后期，随着计算机技术的迅速发展，带动了分析仪器的数字化和化学计量学的发展，通过化学计量学方法在解决光谱信息提取和背景干扰方面取得的良好效果，加之近红外光谱在测样技术上所独有的特点，使人们重新认识了近红外光谱的价值，近红外光谱在各领域中的应用研究陆续展开。进入90年代，近红外光谱在工业领域中的应用全面展开，有关近红外光谱的研究及应用文献几乎呈指数增长，成为发展最快、最引人注目的一门独立的分析技术。由于近红外光在常规光纤中具有良好的传输特性，使近红外光谱在在线分析领域也得到了很好的应用，并取得良好的社会效益和经济效益，从此近红外光谱技术进入一个快速发展的新时期。

我国对近红外光谱技术的研究及应用起步较晚，除一些专业分析工作人员以外，近红外光谱分析技术还鲜为人知。但1995年以来已受到了多方面的关注，并在仪器的研制、软件开发、基础研究和应用等方面取得了较为可喜的成果。但是目前国内能够提供整套近红外光谱分析技术（近红外光谱分析仪器、化学计量学软件、应用模型）的公司仍是寥寥无几。随着中国加入WTO及经济全球化的浪潮，国外许多大型分析仪器生产商纷纷登陆中国，想在第一时间占领中国的近红外光谱分析仪器市场。由此也可以看出近红外光谱分析技术在分析界炙手可热的发展趋势。在不久的未来，近红外光谱分析技术在分析界必将为更多的人所认识和接受。

现代近红外光谱分析是将光谱测量技术、计算机技术、化学计量学技术与基础测试技术的有机结合。是将近红外光谱所反映的样品基团、组成或物态信息与用标准或认可的参比方法测得的组成或性质数据采用化学计量学技术建立校正模型，然后通过对未知样品光谱的测定和建立的校正模型来快速预测其组成或性质的一种分析方法。

与常规分析技术不同，近红外光谱是一种间接分析技术，必须通过建立校正模型（标定模型）来实现对未知样品的定性或定量分析。具体的分析过程主要包括以下几个步骤：一是选择有代表性的样品并测量其近红外光谱；二是采用标准或认可的参考方法测定所关心的组分或性质数据；三是将测量的光谱和基础数据，用适当的化学计量方法建立校正模型；四是未知样品组分或性质的测定。由近红外光谱分析技术的工作过程可见，现代近红外光谱分析技术包括了近红外光谱仪、化学计量学软件和应用模型三部分。三者的有机结合才能满足快速分析的技术要求，是缺一不可的。

与传统分析技术相比，近红外光谱分析技术具有诸多优点，它能在几分钟内，仅通过对被测样品完成一次近红外光谱的采集测量，即可完成其多项性能指标的测定（最多可达十余项指标）。光谱测量时不需要对分析样品进行前处理；分析过程中不消耗其它材料或破坏样品；分析重现性好、成本低。对于经常的质量监控是十分经济且快速的，但对于偶然做一两次的分析或分散性样品的分析则不太适用。因为建立近红外光谱方法之前必须投入一定的人力、物力和财力才能得到一个准确的校正模型。

近红外光谱主要是反映C-H、O-H、N-H、S-H等化学键的信息，因此分析范围几乎可覆盖所有的有机化合物和混合物。加之其独有的诸多优点，决定了它应用领域的广阔，使其在国民经济发展的许多行业中都能发挥积极作用，并逐渐扮演着不可或缺的角色。主要的应用领域包括：石油及石油化工、基本有机化工、精细化工、冶金、生命科学、制药、医学临床、农业、食品、饮料、烟草、纺织、造纸、化妆品、质量监督、环境保护、高校及科研院所等。在石化领域可测定油品的辛烷值、族组成、十六烷值、闪点、冰点、凝固点、馏程、MTBE含量等；在农业领域可以测定谷物的蛋白质、糖、脂肪、纤维、水分含量等；在医药领域可以测定药品中有效成分，组成和含量；亦可进行样品的种类鉴别，如酒类和香水的真假辨别，环保废弃物的分检等。

6. 近红外光谱分析技术中信号如何处理分析

对于非纯净物样品而言，例如溶液样品，固体粉末(红外光谱中用KBr 作为压模基质)，采集背景信号的目的版都是为了获得本底光谱，用来对样品溶液、或者粉末样品进行做差减掉溶剂、空气中的水分、二氧化碳等干扰信号，获得待测的溶质，权或者待测固体的光谱。

7. 四大光谱法解析化合物结构时分别利用哪些信号特征和参数

这样实在很庞大 难以简单说完
只能给你大概的印象
1紫外光谱
基本上用处很小 只能拿来观察共轭系统大小 长短
大概以200nm为界线 数字越大 那么共轭系统越长
如果共振结构多 也会使最大吸收波长变长
本环本身约在200上下 若有双键取代基团
像是烯 醛 酸 NO2 有电子对可供共振 则吸收波长偏右
虽然可以有细部计算方式 但并不实际
2红外光谱
CH3-3000 尖锐
C=O 1630-1850
C=C 1620-1680
O-H 3650-3200 宽广
N-H 3500-3300 尖锐
其实还有很多 但是一般图谱都是复杂难辨认
只有以上的几个 还算是具有特色的特征
3质谱
质谱的用处就大多了 不过主要还是得到分子量
以及异原子 像是Cl Br
质谱得到的分子量为M+ 具有同位素的原子
会在母峰M+旁出现另外一个峰
若是在M++2位置有波峰 通常考虑Cl Br
Cl35:Cl37 3:1 Br79:Br81 1:1
也就是说母峰比M+2峰高度比 若是3:1 考虑有Cl存在
另外像是断裂点 假设分子量M+
若有M+ - 15的峰 代表可能有CH3+的断片存在
若有M+ -31的峰 代表可能有OCH3+ 甲氧基的支链
也就是根据断裂峰的大小推断分子的可能存在基团
4氢谱
化学位移 所接基团负电性越强 吸电子能力越强
共轭系统上的H 都会逐步增加化学位移
CH3 -1-2
CH2-Cl 2-3
C=C 4-6
苯环 7左右
醛 9-10
酸 11-12
这些很好记 重点是COUPLING CONSTANT 偶合常数
具有相同偶合常数的峰 代表邻接
代具有共轭系 则可能长距离耦合
像是苯环邻位取代 偶合常数>间位>对位
这也要看所用的机器分辨率 90MHz 则不见得看得到耦合
若是300 MHz 600 MHz 900 MHz 越高则解晰越清础
耦合关系也会比较好计算
另外要考虑所用溶剂 像是酸化合物
若是使用的溶剂不够干燥除水 则可能会发生看不到酸上的H

一般考试所给的图谱 一定会具有代表性 清晰 干净
只要背熟了 其实很容易解析结构
若是真的要解化合物结构
那紫外光 红外光谱 恐怕一点用途也没有
只能靠经验啰 多看图谱

8. 光谱分析基础

光源所发出的光谱和原子外层电子所激发出的光谱性质是不一样的 分析测试网络网乐版意为你权解答实验中碰到的各种问题，基本上问题都能得到解答，有问题可去那提问，网络上搜下就有。

在激发和跃迁过程中，元素灯发光是有方向的，原子发光是无方向的，

你说的是原子吸收光谱吧??原子吸收光谱中,检测器检测的是透过的光,是经过火焰原子吸收后透过的光,即阴极灯本身发出的光,仪器上显示的是吸光度,是被原子吸收的那部分.元素浓度越高,被吸收的部分越大,也就是吸光度越大,那么到达检测器的透光其实是越小.因为透光率和吸光率成倒数关系.
而原子发射光谱检测的是待测原子去激发时发出的光,不会再有吸收的环节,所以发射光谱中的仪器信号不叫吸光度,而是发射强度.

9. 光谱分析仪与分光光度计的详细区别

个人抄理解如下，请参考：袭
1）区别：
光谱分析仪：用于测量发光体的辐射光谱，即发光体本身的指标参数。
分布光度计：用于产生单色光，并对某物质对该单色光的吸收进行分析。即 使用某种发光体通过单色仪产生某一波长的单色光，并将该单色光照射于被测量物质上，再通过光电传感器接收照射在物质后的光信号，根据此光信号分析该物质。

2)应用：
光谱分析仪：照明灯具厂家（节能灯\LED\白炽灯\荧光粉\紫外光源\红外光源等等的发光参数）。
分布光度计：医药环境等的物质检定（纯度检验\推测化合物的分子结构\氢键强度的测定\络合物组成及稳定常数的测定等等）。

3）精度：
与仪器的配置有关，无法做简单比较，包括单色仪的分光精度\光电传感器的灵敏度等\电路放大等等。