文章目录一、引言二、数据介绍三、算法流程四、结果分析4.1 基线校正的影响4.2 不同主成分个数的影响4.3 不同特征提取方式的对比五、总结附录：Python代码一、引言光谱分析通常分为两步：物质识别（定性）和定量分析。在实际软件系统中，先通过识别算法确定物质种类，再调用对应的定量模型进行浓度预测。本报告以PCA（主成分分析）作为核心识别算法，结合完整的预处理流程（平滑滤波、归一化、基线校正），探讨不同因素对物质区分效果的影响，并对比多种特征提取方法的表现。二、数据介绍样本构成：4种不同物质，每种物质包含4个浓度梯度，每个浓度重复测量15次，共计240条光谱。波长范围：400–1800 nm。原始数据格式：每条光谱由波长和强度两列组成，存储为.txt或.csv文件。目录结构：按物质名称 → 浓度文件夹 → 光谱文件的层级组织。三、算法流程输入光谱数据 → 平滑滤波(Savitzky-Golay) → 归一化(min-max) → 基线校正(ModPoly) → PCA降维 → 可视化展示对应的代码模块：load_spectral_data()：加载数据preprocess_single_spectrum()