温度和 top-p 到底在调什么：采样参数入门
2026/10/10 15:12:02
目录
1. 光谱学基础：认识光的本质
2. 化学计量学：数据中的科学
3. 光谱数据处理全流程（以拉曼光谱为例）
4. 数据预处理：质量保证的第一步
4.1 归一化处理
(1) min-max标准化（线性函数归一化）
(2) 0均值标准化（Z-score标准化）
4.2 滤波去噪
(1) 滑动中值滤波
(2) 滑动均值滤波
(3) 滑动多项式滤波（S-G滤波）
4.3 基线校正
5. 特征量提取：关键信息的挖掘
6. 数学模型建立：从数据到预测
结语
光谱分析技术作为现代分析化学的重要组成部分，结合化学计量学方法，已成为物质定性定量分析的有力工具。本文将系统介绍光谱分析的基本原理、数据处理流程及关键技术，为相关领域研究人员提供实用参考。
1. 光谱学基础：认识光的本质
光是一种由不同波长（或频率）的电磁波叠加而成的电磁辐射。光谱分析借助光栅、棱镜、傅里叶变换等分光技术，将复合电磁辐射分解为各个波长组分，并以图表形式展示各波长对辐射特性的贡献程度。
这种分析手段能够揭示物质的内部信息，因为不同物质与光的相互作用具有特异性，从而产生独特的光谱"指纹"。
2. 化学计量学：数据中的科学
化学计量学是跨学科领域，综合运用计算机科学、数学和统计学方法，旨在优化化学测量过程并从测量数据中提取最大价值的信息。当化学计量学与分子光谱技术相结合，能够充分发挥光谱数据的潜力，建立高效可靠的分析检测模型。
3. 光谱数据处理全流程（以拉曼光谱为例）
拉曼光谱定量分析的标准处理流程如下图所示：
在整个测量系统中，算法处理分为两条路径：
一是提取已知样品（校准品）的特征量，通过回归算法建立特征量与浓度之间的数学模型
二是提取待测样品的特征量，代入已建立的数学模型计算其浓度值
据此，光谱算法可分为三大核心模块：数据预处理、特征量提取和数学模型建立。常用算法汇总如下：
4. 数据预处理：质量保证的第一步
4.1 归一化处理
问题背景：不同条件下采集的光谱数据往往具有不同的量纲和单位，直接影响数据分析结果的可靠性。
解决方案：通过归一化算法将数据限定在特定范围内（如[0,1]或[-1,1]），使不同浓度的光谱数据具有可比性。
(1) min-max标准化（线性函数归一化）
原理：将数据线性变换到[0,1]区间
转换函数：(X-Min)/(Max-Min)
特点：X为原始数据，Min为数据最小值，Max为数据最大值
(2) 0均值标准化（Z-score标准化）
原理：将数据转换为均值为0、标准差为1的分布
转换函数：(X-Mean)/SD
特点：Mean为数据均值，SD为数据标准差
归一化方法对比表：
序号 | 方法名称 | 应用场景 | 缺点 |
|---|---|---|---|
1 | Min-Max归一化 | 不涉及距离度量、协方差计算、数据非正态分布 | 1. 新数据加入需重新计算极值 |
2 | Z-score标准化 | 距离度量、聚类分析、PCA降维、数据正态分布 | / |
4.2 滤波去噪
问题背景：光谱数据中存在多种噪声源（光源噪声、CCD噪声、暗电流等），影响数据分析准确性。
解决方案：采用数字滤波算法抑制随机噪声，提高信噪比。
(1) 滑动中值滤波
原理：使用滑动窗口计算中值替代中心点原始值
MATLAB代码：
yy = medfilt1(y, framelen)参数说明：y为输入信号，framelen为窗口长度
(2) 滑动均值滤波
原理：使用滑动窗口计算均值替代中心点原始值
MATLAB代码：
yy = smooth(y, span)参数说明：span为奇数窗宽（如span=2对应窗宽5）
(3) 滑动多项式滤波（S-G滤波）
原理：对窗口内数据进行多项式最小二乘拟合
MATLAB代码：
yy = sgolayfilt(y, order, framelen)参数说明：order为多项式阶数，framelen为窗口长度
滤波效果对比图：
4.3 基线校正
问题背景：荧光背景、黑体辐射等因素导致光谱基线漂移，表现为缓慢变化的曲线，严重影响分析结果。
解决方案：通过算法估计并消除基线干扰。
多项式拟合法流程：
实现步骤：
峰值消除：初步去除明显峰位
多项式拟合：迭代拟合逼近真实基线
基线扣除：从原始光谱中减去拟合基线
残差计算公式：
DEV = sqrt(∑(O(x) - P(x))² / N)其中O(x)为原始光谱，P(x)为拟合光谱，DEV为残差。
收敛条件：
首次迭代：|DEV₁ - DEV₀|/DEV₁ < 0.05
后续迭代：|DEVᵢ - DEVᵢ₋₁|/DEVᵢ < 0.05
MATLAB实现代码：
x=[];%拉曼位移 y=[];%原始光谱 n=5;%多项式阶数 y_uniform = (y-min(y))/(max(y)-min(y)) %归一化 [p0,s0,mu0]=polyfit(x,y_uniform,n);%多项式拟合 y_fit0=polyval(p0,x,[],mu0);%计算拟合值 r0=y_uniform-y_fit0; dev0=sqrt(sum((r0-mean(r0)).^2)/length(r0));%计算残差 y_remove0=y_uniform(find(y_uniform<=y_fit0));%峰值消除 x_remove0=x(find(y_uniform<=y_fit0));%峰值消除 i=1; judge=1; while(judge) [p1,s1,mu1]=polyfit(x_remove0,y_remove0,n);%多项式拟合 y_fit1=polyval(p1,x_remove0,[],mu1);%计算拟合值 r1=y_remove0-y_fit1; dev(i)=sqrt(sum((r1-mean(r1)).^2)/length(r1));%计算残差 if i==1 judge=abs(dev(i)-dev0)/dev(i)>0.05; else judge=abs((dev(i)-dev(i-1))/dev(i))>0.05;%残差判断条件 end index=find(y_remove0>=y_fit1); y_remove0(index)=y_fit1(index);%光谱重建,大于拟合值的数据用拟合值代替，小于拟合值的数据采用原始数据 i=i+1; end y_baseline=polyval(p1,x,[],mu1);%基线 y_baseline_correction=y_uniform-y_baseline;%基线校正后 figure(1) h=plot(x,y_uniform,'k',x,y_baseline,'r',x,y_baseline_correction,'b') set(h,'Linewidth',2,'Markersize',2)%设置线宽和点的大小 title('基线校正效果','fontsize',20)%图形标题 xlabel('波数','fontsize',15)%x轴名称 ylabel('幅值','fontsize',15)%y轴名称 grid on %打开网格线 legend('原始光谱(归一化后)','基线','基线校正后的光谱')%添加图例 %axis([1 10 30 45]) axis tight "done"基线校正效果图：
5. 特征量提取：关键信息的挖掘
为建立与浓度的函数关系，最常用的特征量是谱线峰值强度或谱线与坐标轴围成的面积。这些特征量与样品浓度通常存在明确的数学关系，是定量分析的基础。
6. 数学模型建立：从数据到预测
通过回归分析确定特征量与浓度值的函数关系式，是光谱定量分析的最后一步。常用的回归方法包括线性回归、主成分回归(PCR)、偏最小二乘回归(PLSR)等，可根据数据特性选择适当方法。
结语
光谱分析结合化学计量学方法，形成了完整的分析检测体系。从数据预处理到模型建立，每个环节都至关重要。随着算法技术的不断发展，光谱分析的精度和可靠性将持续提升，为科学研究和工业应用提供更强有力的支持。
延伸阅读建议：对于实际应用，建议进一步研究变量选择、模型验证和不确定性评估等高级主题，以构建更加稳健的光谱分析模型。
MATLAB代码：
PCR：主成分分析(PCA)原理分析&Python实现_Dfreedom.的博客-CSDN博客_pca python
PLS：偏最小二乘(PLS)原理分析&Python实现_Dfreedom.的博客-CSDN博客_偏最小二乘回归分析python