Ep 19 — 定性分析入门：库检索与匹配

系列：红外光谱百科：从原理到实战
篇章：第二篇 · 初级篇 — 走进实验室
适合人群：高中/大学本科生、研究生、刚进入实验室的检测技术人员
前置知识：Ep 04（红外光谱图怎么看）、Ep 17（仪器操作）、Ep 18（谱图处理）
阅读时间：约 38 分钟

引子：一张谱图，一个嫌疑犯，一万次"比对"

2018 年某海关缉私现场，化验员拿到 1 g 白色可疑粉末。GC-MS 要 2 小时，且仪器在外地。现场只有便携 FTIR——1 分钟出谱图。但谱图出来了，这是什么？谱图上有 1700 的 C=O、1200 的 C-O、3000 的 C-H……看着像酯，但具体是哪种酯？

这就是定性分析的"灵魂之问"——谱图已得，归属未明。

答案来自库检索（Library Search）：把未知谱图与已知的"标准谱库"逐一比对，按相似度排序，找出最匹配的几个候选物 [1][2]。

现代 FTIR 软件通常 1–2 秒内完成对几万张标准谱图的检索，给出 Top 10 候选，按"匹配度"从高到低排列。但匹配度高 ≠ 一定正确——库检索只是"嫌疑犯名单"，最终的"定罪"必须由人来做判断 [1][3]。

本集将系统讲解光谱库的概念、主流商业库、检索算法原理、HQI 值含义、混合物检索策略、误判风险与自建库方法。读完本集，你将能正确使用库检索工具，并知道何时该相信结果、何时该怀疑。

💡 本集定位：Ep 1–10 讲了"如何读懂谱图"；Ep 11–18 讲了"如何拿到谱图"；本集起进入"如何用谱图做分析"——首先是定性分析。

一、光谱库的概念

1.1 什么是光谱库？

光谱库（Spectral Library / Database）是收集已知化合物红外谱图的数据库，每个条目包含 [1][2][4]：

• 化合物名称
• CAS 号 / 分子式 / 结构式
• 测量条件（透射/ATR、相态、溶剂）
• 谱图数据（波数-强度对）
• 来源（实验室、文献）

核心价值 [1][2]：

• 提供已知化合物的"指纹"参照
• 快速鉴别未知物
• 提供峰位归属参考

1.2 库的分类

按来源分 [1][2][4]：

按内容分 [1][2]：

• 通用库：覆盖各类化合物（如 Sadtler、Aldrich）
• 专用库：聚焦特定类别（如 Hummel 聚合物库、药典库）
• 官能团库：按官能团分类（如 ftir.fun 官能团库）

1.3 谱库质量的关键指标

① 谱图质量 [1][4]

• SNR > 1000:1
• 峰位精度 ±0.5 cm⁻¹
• 完整光谱范围（4000–400 cm⁻¹）
• 无 flat-top、无 ghost 峰

② 元数据完整 [4]

• 化合物名称（IUPAC + 通用名）
• CAS 号
• 测量条件（透射/ATR、相态）
• 测量者、日期、仪器

③ 多样性 [1][4]

• 覆盖化学结构多样性
• 不同浓度、不同相态
• 包含常见干扰物

二、主流商业库

2.1 Sadtler 光谱库

Sadtler（萨德勒）光谱库由 Sadtler Research Laboratories 创立，是世界最大的红外光谱库之一 [1][2][4]。

• 历史：1950 年代开始建立，已超过 25 万张谱图
• 覆盖：有机物、无机物、聚合物、药物、农药、添加剂等
• 格式：原始为印刷卡片，现代为数字库
• 特色：标准化的样品制备（KBr 压片为主）

子库 [2][4]：

• Sadtler Pure Organic（纯有机物）
• Sadtler Commercial Products（商业产品）
• Sadtler Inorganics（无机物）
• Sadtler Polymers（聚合物）

2.2 Aldrich 光谱库

Aldrich（Aldrich Spectral Library）由 Sigma-Aldrich 公司建立 [1][2]：

• 规模：约 1.5 万张常见有机物谱图
• 特色：覆盖 Sigma-Aldrich 商品化合物
• 格式：纸质 + 数字
• 优势：化学纯度高，适合研究使用

2.3 Hummel 聚合物库

Hummel Polymer Library 由 Dieter Hummel 教授建立，是聚合物鉴别的"圣经" [1][3][5]：

• 历史：1960 年代起
• 规模：约 1900 张聚合物谱图
• 特色：覆盖塑料、橡胶、纤维、涂料、添加剂
• 格式：透射谱图（薄膜、KBr 压片）
• 应用：塑料鉴别、聚合物 QC、失效分析

优势 [5]：

• 收录了大量商业产品的"指纹"
• 含添加剂、共聚物、共混物
• 详细元数据（牌号、来源、用途）

🔗 延伸：聚合物的官能团解析可参考 ftir.fun 烷基 C-H 官能团页。

2.4 药典库

药典库（Pharmacopoeia Library）专为制药行业设计 [1][6]：

• 中国药典库：约 600 张原料药谱图（KBr 压片）
• USP 库：约 1200 张原料药谱图
• 特色：完全按药典方法测量，符合药典合规
• 应用：原料药鉴别、放行检测

2.5 NIST 库

NIST WebBook 由美国国家标准与技术研究院维护 [1][7]：

• 免费在线访问
• 规模：约 7000 张气相红外谱图
• 特色：气相谱图（与凝聚相不同）
• 应用：GC-FTIR 联用、气相物质鉴别

2.6 厂商自带的库

Thermo OMNIC [1][8]：

• 内置基础库（约 1000 张常见化合物）
• 可购买扩展库（Aldrich、Sadtler、Hummel 等）

Bruker OPUS [3][8]：

• 内置基础库
• 可购买 Bruker 自己的库（约 9000 张）

2.7 在线库：ftir.fun

ftir.fun 是面向中文用户的在线红外光谱数据库 [9]：

• 特色：按官能团组织（如 羰基、水分子、烷基 C-H）
• 优势：免费访问、中文界面、含峰位归属说明
• 应用：
  • 学习官能团特征吸收
  • 在线快速对照化合物
  • 辅助谱图解析

🔗 延伸：访问 ftir.fun 主站 浏览完整官能团目录。

三、检索算法

库检索的核心是比较两张谱图的相似度，并以数值（HQI）排序。不同的算法对相似度有不同定义 [1][3][10]。

3.1 相关系数法（Correlation Coefficient）

算法 [1][3][10]：

$$r = \frac{\sum_{i=1}^{n} (A_i - \bar{A})(B_i - \bar{B})}{\sqrt{\sum_{i=1}^{n} (A_i - \bar{A})^2 \cdot \sum_{i=1}^{n} (B_i - \bar{B})^2}}$$

其中 $A_i$ 是未知谱图第 $i$ 个数据点，$B_i$ 是库谱图对应点，$\bar{A}, \bar{B}$ 是平均值。

特点 [1][3]：

• 范围 [-1, 1]，1 = 完全相似
• 对绝对强度不敏感（消除制样差异）
• 对峰位敏感
• 对噪声有一定容忍度

HQI 转换 [3]：

$$\text{HQI} = \frac{(1 + r)}{2} \times 1000$$

将 $r \in [-1, 1]$ 映射到 HQI $\in [0, 1000]$，便于阅读 [3]。

3.2 绝对差值法（Absolute Difference）

算法 [1][3][10]：

$$D = \sum_{i=1}^{n} |A_i - B_i|$$

特点 [1][3]：

• D 越小越相似
• 对强度敏感
• 对峰位敏感
• 对噪声敏感（绝对值会放大噪声）

HQI 转换 [3]：

$$\text{HQI} = \frac{1000}{1 + D/D_0}$$

其中 $D_0$ 是归一化常数。

3.3 第一导数匹配法（First Derivative Match）

算法 [1][3][10]：

1. 对两张谱图分别求一阶导数
2. 计算导数谱的相关系数

特点 [1][3]：

• 对基线漂移不敏感（导数消除常数和线性基线）
• 对峰形敏感
• 对峰位极敏感
• 适合精细峰位分析

优势 [3]：消除基线差异，匹配峰形

劣势 [3]：对噪声敏感（导数放大噪声）

3.4 欧氏距离法（Euclidean Distance）

算法 [1][3]：

$$d = \sqrt{\sum_{i=1}^{n} (A_i - B_i)^2}$$

特点 [1][3]：

• 类似绝对差值法
• 对绝对强度敏感
• 在化学计量学中常用

3.5 算法对比

表 1：主流检索算法对比（综合 [1][3][10]）

推荐选择 [1][3]：

• 常规分析：相关系数法（默认）
• 基线差：第一导数法
• 精细峰位：第一导数法
• 混合：先用相关系数法粗筛，再用第一导数法精筛

四、HQI（Hit Quality Index）值

4.1 HQI 的定义

HQI（命中质量指数）是衡量两张谱图相似度的数值 [1][3][10]：

• 通常范围 0–1000
• 1000 = 完美匹配
• 0 = 完全不匹配
• 不同厂商定义略有差异（如 Bruker 0–1，Thermo 0–100）

4.2 HQI 的解释规则

Bruker OPUS 标准 [3][6]：

表 2：Bruker OPUS 的 HQI 解释规则（参考 [3]）

Thermo OMNIC 标准 [1][8]：

• 用 0–100 范围

• 95：高匹配

• 90–95：良好匹配
• 80–90：可能匹配
• < 80：低匹配

4.3 HQI 的局限

重要警示 [1][3][10]：

① HQI 高 ≠ 一定正确

• 同系物（如丙醇、丁醇、戊醇）谱图非常相似
• HQI 可能都 > 950，但实际是不同化合物
• 必须人工核对峰位

② HQI 受谱图质量影响

• 噪声大的未知谱图，HQI 普遍偏低
• 平滑过度会"虚假提高"HQI
• 应基于原始谱图检索

③ HQI 受算法影响

• 同一对谱图，不同算法 HQI 不同
• 比较时必须用相同算法

④ HQI 不代表浓度

• HQI 只反映"相似度"
• 不反映样品纯度
• 杂质峰会拉低 HQI

4.4 HQI 实际使用建议

经验法则 [1][3][10]：

• 看 Top 5 候选，而非只看 Top 1
• 比较候选之间的"差距"——如果 Top 1 HQI=980、Top 2 HQI=850，差距大，可信
• 如果 Top 1 HQI=950、Top 2 HQI=945，差距小，需人工判断
• 检查 Top 1 的"差谱"（unknown - library）—— 平直则可信，有系统偏差则不可信

五、检索流程

5.1 标准检索流程

1. 准备未知谱图
   │ 已完成 Ep 18 的处理
   │ （基线校正、平滑、ATR 校正等）
   │
   ▼
2. 选择谱库
   │ 通用库 + 专用库
   │ 根据样品类型选
   │
   ▼
3. 选择算法
   │ 相关系数法（默认）
   │ 第一导数法（基线差时）
   │
   ▼
4. 设置参数
   │ 波数范围：4000–400 cm⁻¹（或聚焦官能团区）
   │ 阈值：HQI > 700
   │ Top N：10
   │
   ▼
5. 执行检索
   │ 软件 1–5 秒返回结果
   │
   ▼
6. 分析 Top 5 候选
   │ 看 HQI 值
   │ 比较候选间差距
   │ 检查差谱
   │
   ▼
7. 人工核对
   │ 检查 Top 1 候选的关键峰位
   │ 与未知谱图逐一对照
   │
   ▼
8. 综合判断
   │ HQI > 950 + 关键峰匹配 → 确定
   │ HQI 900–950 + 关键峰匹配 → 很可能
   │ HQI < 900 + 关键峰部分匹配 → 需进一步分析
   │
   ▼
9. 记录结果
   │ 保存检索结果（截图、报告）
   │ 记录算法、库版本、参数

图 1：标准库检索流程（综合 [1][3]）

5.2 检索参数设置

波数范围 [3][10]：

• 全谱检索：4000–400 cm⁻¹（最常用）
• 官能团区：4000–1400 cm⁻¹（更快，但忽略指纹区）
• 指纹区：1400–400 cm⁻¹（指纹区匹配度高更可靠）
• 特定峰：聚焦某一关键峰（如 C=O 区 1750–1650 cm⁻¹）

阈值（Threshold） [3]：

• HQI > 700：列出所有合格候选
• HQI > 800：仅高质量匹配
• 不设阈值：列出 Top N（推荐）

Top N [3]：

• 10（默认，看 Top 5 即可）
• 20（混合物分析时多看几个）

预处理 [3][10]：

• 是否自动 ATR 校正：是
• 是否自动归一化：是
• 是否自动基线校正：是（前提是已做合理处理）

六、混合物检索策略

实际样品常是混合物（如塑料 + 添加剂、聚合物共混物、药物 + 辅料）。单一库检索往往只能给出主成分，需用更复杂的策略 [1][3][10]。

6.1 主成分检索 + 差谱

流程 [3][10]：

1. 全谱检索 → Top 1 候选（主成分）
2. 计算差谱：$D = A{\text{unknown}} - k \cdot A{\text{library}}$
   • $k$ 是最优缩放系数（最小化 $|D|$）
3. 检查差谱——是否还有峰？
4. 对差谱再检索 → 第二成分
5. 重复直到差谱无峰

实例：塑料样品

• 全谱：匹配 PE（聚乙烯），HQI=950
• 差谱：发现 1700 cm⁻¹ C=O 峰
• 差谱再检索：匹配某种抗氧化剂

6.2 多组分检索（Multi-component Search）

部分高级软件支持"多组分同时匹配" [3][10]：

• 用户指定最大组分数（如 3）
• 软件自动尝试组合
• 给出组合匹配度

优势 [3]：

• 自动化
• 适合已知组分数的混合物

劣势 [3]：

• 计算量大
• 需要用户先估计组分数

6.3 化学计量学方法

主成分分析（PCA） [1][3][11]

• 降维
• 找出主要变异方向
• 适合大量样品分类

偏最小二乘（PLS） [1][3][11]

• 适合定量分析
• 处理重叠谱图

SIMCA（Soft Independent Modeling of Class Analogy） [3][11]

• 类别建模
• 适合鉴别 vs 异常检测

软件 [3][11]：

• Thermo TQ Analyst
• Bruker OPUS + OPUS QUANT
• PLS_Toolbox (MATLAB)
• Python scikit-learn

6.4 多维库检索（2D Search）

概念 [10]：同时检索红外谱图 + 质谱 + NMR 等多维数据

• 提高鉴别可靠性
• 适合复杂样品
• 学术研究前沿

七、误判风险：不能完全依赖库检索

7.1 误判的常见来源

① 同系物误判 [1][3]

• 丙醇、丁醇、戊醇谱图高度相似
• HQI 都 > 950，但实际不同化合物
• 解决：看指纹区微小差异（碳链长度影响）

② 异构体误判 [1][3]

• 邻、间、对位取代芳香烃谱图相似
• 解决：看指纹区面外弯曲振动（700–800 cm⁻¹）

③ 共混物误判 [3][10]

• 主成分掩盖次要成分
• 解决：差谱分析、多组分检索

④ 库谱图质量问题 [1][3]

• 库谱图本身有缺陷（KBr 吸潮、SNR 差）
• 解决：使用权威商业库，避免来源不明谱图

⑤ 仪器差异 [1][3]

• 不同仪器分辨率、检测器不同
• 同一物质谱图略有差异
• 解决：用相同仪器测量未知和库

⑥ 制样方法差异 [1][3][10]

• ATR 谱图与透射谱库匹配度低
• 解决：先做 ATR 校正再检索

7.2 经典误判案例

案例 A：邻二甲苯 vs 对二甲苯 [1][3]

• 主峰（C-H 伸缩、苯环 C=C）几乎一致
• HQI > 950
• 但指纹区差异显著：
  • 邻二甲苯：742 cm⁻¹（4 个相邻 H 面外弯曲）
  • 间二甲苯：691 + 767 cm⁻¹
  • 对二甲苯：795 cm⁻¹（2 个相邻 H）

结论：必须人工检查指纹区，不能只看 HQI [3]。

案例 B：PEG + 药物 [3][10]

• 库检索主成分：PEG（聚乙二醇）
• HQI=940，看似确定
• 实际：药品辅料 PEG + 少量药物
• 差谱中发现药物特征峰

结论：主成分检索后必须做差谱分析 [3][10]。

案例 C：降解产物 vs 标准品 [1][3]

• 老化塑料检索匹配纯聚合物
• HQI > 900
• 但实际：聚合物 + 氧化降解产物
• 1700 cm⁻¹ 出现 C=O 峰（降解）

结论：仔细看小峰，识别降解/杂质 [3]。

7.3 减少误判的策略

① 多角度验证 [1][3]

• HQI 高
• 关键峰位匹配
• 差谱干净
• 化学知识一致

② 综合方法 [1][3]

• 红外 + NMR
• 红外 + MS
• 红外 + 元素分析

③ 自建库 [3]

• 含本地常见样品
• 含干扰物、常见杂质

④ 培训经验 [3]

• 理解算法局限
• 熟悉常见误判
• 培养怀疑精神

八、自建库的意义与方法

8.1 为什么要自建库？

商业库的局限 [1][3]：

• 不覆盖本地特定样品
• 不含公司产品/原料
• 不含常见干扰物

自建库的优势 [3][12]：

• 针对性强
• 含本地样品
• 测量条件一致
• 持续积累

8.2 自建库的应用场景

• 制药企业：原料药、辅料、中间体、产品
• 化工企业：原料、产品、副产物
• 食品企业：原料、添加剂、香精
• 法医实验室：毒品、纤维、油漆、爆炸物
• 环保监测：土壤、水、空气中的污染物

8.3 自建库的建立流程

① 库规划 [3][12]

• 确定覆盖范围
• 设计元数据格式
• 选择库管理软件

② 样品准备 [3][12]

• 高纯度标准品
• 已知来源、CAS 号
• 干燥、避光保存

③ 谱图采集 [3][12]

• 固定测量条件（透射 KBr 压片或 ATR）
• 多次平行（≥ 3 次）
• 检查谱图质量（SNR、峰位、基线）
• 处理后保存为标准格式（JCAMP-DX 推荐）

④ 元数据录入 [3][12]

• 化合物名称（中文 + 英文 + IUPAC）
• CAS 号
• 分子式、分子量
• 结构式
• 测量条件
• 测量者、日期、仪器型号
• 备注（如批号、来源）

⑤ 库管理 [3][12]

• 定期备份
• 版本管理
• 访问权限控制
• 持续扩充

8.4 自建库的质量控制

谱图质量 [3][12]：

• SNR > 1000:1
• 峰位精度 ±0.5 cm⁻¹
• 完整光谱范围
• 无 ghost 峰

多样性 [3][12]：

• 每个化合物至少 3 张谱图（不同批次、不同制样）
• 涵盖纯品 + 常见混合物

验证 [3][12]：

• 用已知样品测试检索准确率
• 定期更新（防止库污染）

8.5 自建库的检索策略

结合商业库 [3]：

• 先查自建库（覆盖本地样品）
• 再查商业库（覆盖通用化合物）
• 优先自建库结果（条件一致）

专用算法 [3][10]：

• 自建库谱图条件一致 → 用相关系数法即可
• 不需要导数法（基线差异小）

九、检索案例实战

案例 1：未知白色粉末

样品：实验室发现未知白色粉末，怀疑是某种糖类

检索流程 [1][3]：

1. ATR 测量 → 谱图清晰（SNR > 1000）
2. 全谱检索（4000–400 cm⁻¹，相关系数法）
3. Top 5 候选：
   • 葡萄糖（HQI=965）
   • 果糖（HQI=945）
   • 蔗糖（HQI=920）
   • 麦芽糖（HQI=890）
   • 乳糖（HQI=870）

人工核对 [1][3]：

• 葡萄糖 vs 果糖：指纹区 900–1100 cm⁻¹ 差异明显
• 检查关键峰：葡萄糖有 836 cm⁻¹ 异头碳 C-H 弯曲
• 未知谱图有此峰 → 确认为葡萄糖

最终结论：葡萄糖（HQI 965 + 关键峰匹配）

案例 2：塑料瓶材质鉴别

样品：矿泉水瓶碎片

检索流程 [3][10]：

1. ATR 测量
2. 全谱检索 → Top 1: PET（聚对苯二甲酸乙二醇酯），HQI=985
3. 差谱：几乎无残留峰
4. 人工核对：1720 C=O、1240 C-O、730/720 CH₂ → 与 PET 完全一致

结论：PET（饮料瓶标准材质）

案例 3：药品辅料识别

样品：药片研磨后的粉末

检索流程 [3][10]：

1. ATR 测量
2. 全谱检索 → Top 1: 乳糖（HQI=890）
3. 差谱：发现 1700、1280 cm⁻¹ 峰（药物特征）
4. 差谱再检索 → 匹配某原料药
5. 多组分检索 → 乳糖 + 药物，组合 HQI=920

结论：乳糖（辅料） + 药物（主成分）

案例 4：未知混合物（法医）

样品：缴获可疑粉末

检索流程 [3][10]：

1. ATR 测量
2. 全谱检索 → Top 1: 咖啡因（HQI=870）
3. HQI < 900 → 怀疑混合物
4. 差谱：发现 1730 cm⁻¹ C=O 峰
5. 差谱检索 → 匹配某麻醉剂
6. 多组分检索 → 咖啡因 + 麻醉剂，组合 HQI=950

结论：掺假毒品（咖啡因作为稀释剂 + 麻醉剂）

十、检索结果报告

10.1 报告内容

一份完整的检索报告应包含 [3][12]：

• 样品信息（名称、来源、批号）
• 测量条件（仪器、附件、参数）
• 检索参数（算法、库、范围）
• Top 5 候选列表（名称、CAS、HQI）
• 人工核对结果（关键峰位对比）
• 差谱分析（如有）
• 综合结论
• 操作者、日期

10.2 报告示例

检索报告
========

样品信息：
  名称：未知白色粉末
  编号：CASE-2026-001
  测量日期：2026-07-24

测量条件：
  仪器：Bruker Tensor II
  附件：Platinum ATR（金刚石）
  分辨率：4 cm⁻¹
  扫描次数：32
  范围：4000–400 cm⁻¹

检索参数：
  算法：相关系数法
  库：Bruker Polymer + 自建库
  阈值：HQI > 700
  Top N：10

Top 5 候选：
  1. 葡萄糖（CAS: 50-99-7），HQI=965
  2. 果糖（CAS: 57-48-7），HQI=945
  3. 蔗糖（CAS: 57-50-1），HQI=920
  4. 麦芽糖（CAS: 69-79-4），HQI=890
  5. 乳糖（CAS: 63-42-3），HQI=870

人工核对：
  关键峰 836 cm⁻¹（异头碳 C-H 弯曲）→ 葡萄糖匹配 ✓
  关键峰 994 cm⁻¹ → 葡萄糖匹配 ✓
  与果糖差异：900–1100 cm⁻¹ 区域明显不同

差谱分析：
  葡萄糖差谱：基本无残留峰（< 0.02）

综合结论：
  样品为 D-葡萄糖（匹配度极高，HQI=965，关键峰全部匹配）

操作者：张三
日期：2026-07-24

十一、未来趋势

11.1 云端谱库

趋势 [1][3][9]：

• 在线谱库实时更新
• 全球共享
• ftir.fun 等开放平台
• API 接入实验室系统

优势 [9]：

• 持续更新
• 节省本地存储
• 跨设备访问

11.2 机器学习辅助

深度学习 [3][13]：

• 神经网络直接学习谱图-化合物映射
• 在复杂混合物上表现优于传统算法
• 仍处于研究阶段

迁移学习 [13]：

• 用预训练模型 + 小数据自建库
• 适合小样本场景

11.3 多模态融合

联合检索 [10]：

• 红外 + 拉曼
• 红外 + 质谱
• 红外 + NMR
• 多源信息提高可靠性

11.4 移动端应用

手机 APP [9]：

• 现场快检
• 与便携 FTIR 联用
• 适合海关、应急、食品

🔗 延伸：可在 ftir.fun 主站 体验在线官能团检索。

配图（本集关键示意）

📷 图 2：谱图处理流水线

来源：真实/开源图片 · Project case study — PE spectrum（已加水印 ftir.fun）

📷 图 3：库检索概念

来源：ftir.fun 教学示意图（带水印；非实测谱，仅供理解概念）

📷 图 4：朗伯-比尔定量示意

来源：ftir.fun 教学示意图（带水印；非实测谱，仅供理解概念）

本集小结

思考题

1. 你拿到一张未知粉末的 ATR 谱图，库检索 Top 1 是葡萄糖（HQI=965），Top 2 是果糖（HQI=945）。如何最终确定是哪种糖？应该检查哪些关键峰位？

2. 你怀疑某塑料样品是 PE（聚乙烯）与某种抗氧化剂的混合物。请设计一个完整的检索流程，识别主成分和添加剂。

3. 你的实验室是制药企业 QC 部门。请说明为什么要自建库？自建库应包含哪些化合物？如何管理质量控制？

4. ATR 谱图直接对透射谱库检索，HQI 偏低（约 850）。但人工检查峰位完全一致。这是什么原因？如何改善 HQI？

5. 你怀疑某个谱图是混合物。请说明为什么不能简单依赖 Top 1 HQI？应如何利用差谱分析？给出一个具体的差谱分析流程。

参考文献

[1] Griffiths P R, de Haseth J A. Fourier Transform Infrared Spectrometry. 2nd ed. Wiley, 2007. Chapter 12–13. ISBN: 978-0-471-19404-0.

[2] Sadtler Research Laboratories. The Sadtler Standard Spectra. Bio-Rad Laboratories.
https://www.bio-rad.com/en-...

[3] Smith B C. Fundamentals of Fourier Transform Infrared Spectroscopy. 2nd ed. CRC Press, 2011. Chapter 9–11. ISBN: 978-1420069297.

[4] Bio-Rad Laboratories. "KnowItAll Spectral Library."
https://www.knowitall.com/

[5] Hummel D O, Scholl F. Atlas of Polymer and Plastics Analysis. 3rd ed. Hanser, 1991. ISBN: 978-3446157035.

[6] Bruker Optics. "OPUS Library Search Manual."
https://www.bruker.com/en/p...

[7] NIST. "NIST Chemistry WebBook, IR Spectra." Standard Reference Database Number 69.
https://webbook.nist.gov/ch...

[8] Thermo Fisher Scientific. "OMNIC Specta Software User Guide."
https://www.thermofisher.co...

[9] ftir.fun. "红外光谱官能团数据库."
https://ftir.fun

[10] Lauer H H, McMillan C, Donnelly J R. "Library Searching Algorithms for Infrared Spectroscopy." Applied Spectroscopy, 1994, 48(8): 936–943. DOI:10.1366/0003702944029870.

[11] Lavine B K. "Chemometrics and Chemoinformatics." ACS Symposium Series, 2005, 894: 1–19.

[12] ASTM E168-16. "Standard Practices for General Techniques of Infrared Quantitative Analysis." ASTM International, 2016.

[13] Chan C C, Lee H L, Chen C W. "Deep Learning for Infrared Spectra Recognition." Analytical Chemistry, 2020, 92(13): 8959–8966. DOI:10.1021/acs.analchem.0c01294.

下一集预告：Ep 20 — 定量分析入门：朗伯-比尔定律
我们将进入红外光谱定量分析的世界，从朗伯-比尔定律 A=εbc 的推导与适用条件开始，讲解峰高法 vs 峰面积法、工作曲线法、多组分定量（解联立方程）等核心方法。最后用实例演示如何测定混合物中某组分含量，并对比红外定量与 UV-Vis、色谱的差异。

本文使用 CC BY-NC-SA 4.0 许可。配图来自公开领域或已标注来源的网络资源，版权归原作者所有。