CN101832922A - 一种有机肥产品近红外模型转移方法 - Google Patents

一种有机肥产品近红外模型转移方法 Download PDF

Info

Publication number
CN101832922A
CN101832922A CN 201010183413 CN201010183413A CN101832922A CN 101832922 A CN101832922 A CN 101832922A CN 201010183413 CN201010183413 CN 201010183413 CN 201010183413 A CN201010183413 A CN 201010183413A CN 101832922 A CN101832922 A CN 101832922A
Authority
CN
China
Prior art keywords
sample
near infrared
instrument
collection
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN 201010183413
Other languages
English (en)
Other versions
CN101832922B (zh
Inventor
黄光群
韩鲁佳
刘贤
王晓燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN 201010183413 priority Critical patent/CN101832922B/zh
Publication of CN101832922A publication Critical patent/CN101832922A/zh
Application granted granted Critical
Publication of CN101832922B publication Critical patent/CN101832922B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种有机肥产品近红外模型转移方法,其特征在于:1)选择并设定主仪器和从仪器,进行两仪器间光谱数据匹配;2)用光谱数据匹配前、后主仪器光谱阵与样品化学真值浓度阵建立基于偏最小二乘法的留一法全交互验证近红外模型,并进行预测效果差异比较;3)在校正集样品中选出若干代表性样品组成标准化样品集;4)利用主仪器所建近红外校正模型分别计算主仪器和从仪器标准化样品集预测值浓度阵,并进行最小二乘拟合;5)利用主仪器近红外校正模型计算从仪器验证集样品浓度阵,并利用最小二乘拟合关系式进行校正,得到模型转移后从仪器验证集样品浓度阵;6)对主仪器近红外校正模型转移后的预测效果进行评价分析。

Description

一种有机肥产品近红外模型转移方法
技术领域
本发明涉及一种模型转移方法,特别是关于一种有机肥产品近红外模型转移方法。
背景技术
近年来,近红外光谱分析技术以其高效、无损、无污染和可同时进行多组分或性质的测定分析等优点在各个行业得到了广泛应用,其在有机肥技术指标的测定分析中的应用研究,始于20世纪90年代,且显现了良好的应用效果。但是,近红外光谱分析技术是一种间接的分析方法,在建立校正模型时,往往需要测定分析大量样品的化学值或基础性质数据作为建立校正模型的基础,这个过程不仅费时费力,且投入较大,所以对所建立的模型在动态适应性方面提出了较高的要求。其不仅要求模型的预测范围广,而且要求在一台仪器上建立的模型能够在其它仪器上应用,即要求进行近红外光谱分析模型的转移。这样可实现资源的共享和模型的有效利用,大大减少因重复建模所造成的人力、物力和财力的浪费。但是,目前对有机肥近红外光谱分析模型的转移还没有一种有效的方法。
发明内容
针对上述问题,本发明的目的是提供一种可有效、精确地对近红外模型进行转移,进而可实现资源共享和模型有效利用的有机肥产品近红外模型转移方法。
为实现上述目的,本发明采取以下技术方案:一种有机肥产品近红外模型转移方法,其包括以下步骤:1)选择并设定两个近红外光谱仪作为对有机肥样品进行光谱分析的主仪器和从仪器,以从仪器获得的有机肥样品光谱数据格式为标准,将主仪器获得的有机肥样品光谱数据格式向从仪器获得的有机肥样品光谱数据格式进行匹配,使其光谱阵横坐标一致;2)用光谱数据匹配前和匹配后主仪器测得的光谱阵与有机肥样品的化学真值浓度阵,建立基于偏最小二乘法的留一法全交互验证近红外模型,并对这两个近红外模型的预测效果进行比较,验证光谱数据匹配前、后,主仪器测得的近红外光谱阵间的差异;3)对有机肥样品异常样品进行剔除,对校正集样品和验证集样品进行分集,并对光谱数据进行预处理,利用校正集样品,采用偏最小二乘法作为回归方法,建立光谱数据匹配后主仪器近红外校正模型,并利用该近红外校正模型对主仪器验证集和从仪器验证集的预测效果进行比较;4)在校正集样品中选出若干个样品,分别在主仪器和从仪器上扫描其光谱,得到主仪器标准化样品集光谱阵和从仪器标准化样品集光谱阵,以用于计算近红外模型的转移参数;5)采用步骤3)所建近红外校正模型分别对主仪器和从仪器在步骤4)中选用的标准化样品集进行光谱扫描,并计算出对应的标准化样品集预测值浓度阵,对其进行最小二乘拟合,得到主仪器上预测的标准化样品集浓度阵Cmp与从仪器上预测的标准化样品集浓度阵Csp的最小二乘拟合关系式:
                 Cmp=bias+slope*Csp                        (1)
采用最小二乘法求出bias和slope;其中,slope为最小二乘法拟合得到的斜率值,bias为最小二乘法拟合得到的截距值;6)利用步骤3)所建近红外校正模型获得从仪器验证集样品浓度阵,并利用步骤5)所得到的最小二乘拟合关系式(1)中求出的斜率值和截距值进行校正,得到最终主仪器近红外校正模型预测从仪器验证集样品浓度阵;7)对近红外校正模型转移后的预测效果进行评价分析。
所述步骤2)中,根据校正决定系数
Figure GSA00000138643900021
交互验证决定系数校正均方差RMSEC、交互验证均方差RMSECV和系统偏差bias这四个指标评价光谱数据匹配前、后主仪器所建模型的预测效果,并验证光谱数据匹配前、后主仪器测得的近红外光谱阵间的差异;其中,校正决定系数
Figure GSA00000138643900023
交互验证决定系数
Figure GSA00000138643900024
表示光谱数据匹配前、后,主仪器近红外预测值浓度阵与化学真值浓度阵之间的拟合程度:
R C 2 = [ 1 - Σ i = 1 n c ( y i - z i ) 2 Σ i = 1 n c ( y i - y ‾ ) 2 ] - - - ( 2 )
R CV 2 = [ 1 - Σ i = 1 n ( y i - z i ) 2 Σ i = 1 n ( y i - y ‾ ) 2 ] - - - ( 3 )
式中,nc为校正集样品数,n为全部样品数,yi(i=1,2,.....n)为第i个样品的化学真值,zi为第i个样品的近红外预测值,
Figure GSA00000138643900027
为全部样品化学真值的平均值;校正均方差RMSEC、交互验证均方差RMSECV,表示光谱数据匹配前、后,主仪器近红外预测值与化学真值之间的偏差:
RMSEC = 1 n C Σ i = 1 n C ( y i - z i ) 2 - - - ( 4 )
RMSECV = 1 n Σ i = 1 n ( y i - z i ) 2 - - - ( 5 )
系统偏差bias,表示全部样品化学真值平均值与近红外预测值平均值的差:
bias = y ‾ - y ^ ‾ - - - ( 6 )
式中,
Figure GSA00000138643900031
为近红外预测值的平均值;评定原则是:
Figure GSA00000138643900032
Figure GSA00000138643900033
越接近1,并且RMSEC、RMSECV和bias越小,模型的预测精度越高;若光谱数据匹配前后主仪器所建模型的评价参数
Figure GSA00000138643900034
Figure GSA00000138643900035
RMSEC、RMSECV和bias,前后参数差异不显著,则可以利用主仪器数据匹配后的近红外光谱阵与从仪器近红外光谱阵进行模型转移。
所述步骤3)中,根据验证集决定系数
Figure GSA00000138643900036
均方差RMSEP和系统偏差bias评价近红外校正模型对主仪器验证集和从仪器验证集的预测效果;其中:验证集决定系数表示验证集预测值与化学真值关系的拟合程度:
R v 2 = [ 1 - Σ i = 1 n v ( y i - z i ) 2 Σ i = 1 n v ( y i - y ‾ ) 2 ] - - - ( 7 )
验证均方差RMSEP,表示验证集预测值与化学真值之间的偏差:
RMSEP = 1 n v Σ i = 1 n v ( y i - z i ) 2 - - - ( 8 )
式中,nV为验证集样品数;评定原则是:
Figure GSA000001386439000310
越接近1,并且RMSEP和bias越小,模型的预测精度越高。
所述步骤4)中,标准化样品集的选用原则为以下所列方法中的一种:①根据校正集样品浓度大小进行梯度排列,等间隔选取样品作为标准化样品集;②根据校正集样品光谱间的马氏距离大小,等间隔选取样品作为标准化样品集;③由校正集样品随机抽取一定数量的样品作为标准化样品集。
所述步骤7)中,采用验证均方差RMSEP和系统偏差bias两个指标,综合比较模型转移后,主仪器近红外校正模型对从仪器验证集预测结果和从仪器近红外校正模型对自身验证集预测结果的接近程度。
本发明由于采取以上技术方案,其具有以下优点:1、本发明在将主仪器和从仪器获得的有机肥样品的光谱阵进行数据格式匹配后,首先对主仪器光谱数据匹配前和匹配后所建立的近红外校正模型预测效果进行比较,因此,可以先粗略判断主仪器近红外光谱分析模型是否可进行模型转移。2、本发明在建立光谱数据匹配后主仪器近红外校正模型前,对有机肥样品异常样品进行剔除,对校正集样品和验证集样品进行分集,并优选光谱数据预处理方法,利用校正集样品,采用偏最小二乘法作为回归方法,建立光谱数据匹配后主仪器近红外校正模型,通过校正模型对主仪器和从仪器验证集预测效果进行比较,因此,可精确获取主仪器数据匹配前后近红外模型转移前对主从仪器预测效果差异。3、本发明将主仪器上预测的标准化样品集浓度阵和从仪器上预测的标准化样品集浓度阵进行最小二乘拟合,通过求解斜率和截距值,可对近红外校正模型进行转移,该方法简便易行,并可确保模型转移后的预测精度。4、本发明提供的将近红外校正模型进行转移的方法,可使所建立的有机肥重要技术指标近红外校正模型在其它仪器上应用,实现模型的有效利用和资源共享;并且利于所建近红外校正模型的扩容和升级维护,提高模型的精度和适用能力。本发明构思巧妙,操作方便,通过对基于不同近红外光谱仪所建立的有机肥产品近红外校正模型的稳定转移,大大减少了因不同仪器重复建模所造成的人力、物力和财力的浪费,因此,可广泛应用于有机固体废弃物经高温好氧发酵所得有机肥产品近红外模型间的传递,提高模型的适用能力,节本增效,实现资源共享。
附图说明
图1是本发明实施例的有机肥样品的近红外光谱图
图2是本发明实施例中主仪器光谱数据匹配前近红外模型预测散点图
图3是本发明实施例中主仪器光谱数据匹配后近红外模型预测散点图
图4是本发明实施例中基于主仪器近红外校正模型的主仪器和从仪器标准化样品集浓度阵最小二乘拟合图
图5是本发明实施例中模型转移后主仪器对从仪器的验证散点图
图6是本发明实施例中从仪器模型验证散点图
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明包括以下步骤:
1)选择并设定两个近红外光谱仪作为对有机肥样品进行光谱分析的主仪器和从仪器,将主仪器和从仪器获得的有机肥样品的光谱阵进行数据格式匹配。
由于不同近红外光谱仪其分辨率等参数设置不同,所以获取的光谱数据间格式不匹配,本实施例在进行光谱数据匹配时,以从仪器光谱数据格式为标准,将主仪器光谱数据格式向从仪器光谱数据格式进行匹配,使其光谱阵横坐标一致。如主仪器光谱数据波长范围为4002~9998cm-1,数据点间隔为4cm-1;从仪器光谱数据波长范围为4000~10000cm-1,数据点间隔为2cm-1;主仪器光谱数据插值后波长范围应为4000~10000cm-1,数据点间隔为2cm-1。光谱数据匹配使用Matlab(软件名称)7.0中三次样条插值方法实现。
2)对主仪器光谱数据匹配前和匹配后所建立的近红外校正模型预测效果进行比较。
采用标准方法测得有机肥样品各项指标的化学真值浓度阵;
用光谱数据匹配前主仪器测得的光谱阵和有机肥样品的化学真值浓度阵建立基于偏最小二乘法的留一法全交互验证近红外模型;
用光谱数据匹配后主仪器测得的光谱阵和有机肥样品的化学真值浓度阵建立基于偏最小二乘法的留一法全交互验证近红外模型。
上述建模时,不对主仪器数据匹配前后测得的光谱阵做任何预处理。根据校正决定系数
Figure GSA00000138643900051
交互验证决定系数
Figure GSA00000138643900052
校正均方差RMSEC、交互验证均方差RMSECV和系统偏差bias等指标评价光谱数据匹配前、后主仪器所建模型,并验证光谱数据匹配前、后主仪器测得的近红外光谱阵间的差异。
留一法全交互验证近红外模型评价指标如下:
①校正决定系数
Figure GSA00000138643900053
交互验证决定系数
Figure GSA00000138643900054
表示光谱数据匹配前、后,主仪器近红外预测值浓度阵与化学真值浓度阵之间的拟合程度:
R C 2 = [ 1 - Σ i = 1 n c ( y i - z i ) 2 Σ i = 1 n c ( y i - y ‾ ) 2 ] - - - ( 1 )
R CV 2 = [ 1 - Σ i = 1 n ( y i - z i ) 2 Σ i = 1 n ( y i - y ‾ ) 2 ] - - - ( 2 )
其中,nc为校正集样品数,n为全部样品数,yi(i=1,2,.....n)为第i个样品的化学真值,zi为第i个样品的近红外预测值,
Figure GSA00000138643900057
为全部样品化学真值的平均值。
②校正均方差RMSEC、交互验证均方差RMSECV,表示光谱数据匹配前、后,主仪器近红外预测值与化学真值之间的偏差:
RMSEC = 1 n C Σ i = 1 n C ( y i - z i ) 2 - - - ( 3 )
RMSECV = 1 n Σ i = 1 n ( y i - z i ) 2 - - - ( 4 )
③系统偏差bias,表示全部样品化学真值平均值与近红外预测值平均值的差:
bias = y ‾ - y ^ ‾ - - - ( 5 )
其中,
Figure GSA000001386439000511
为近红外预测值的平均值。
评定原则是:
Figure GSA000001386439000512
Figure GSA000001386439000513
越接近1,并且RMSEC、RMSECV和bias越小,模型的预测精度越高。
若光谱数据匹配前后主仪器所建模型的评价参数
Figure GSA000001386439000514
RMSEC、RMSECV和bias,前后参数差异不显著,则可以利用主仪器数据匹配后的近红外光谱阵与从仪器近红外光谱阵进行模型转移。
3)光谱数据匹配后,主仪器近红外校正模型的建立及其对主仪器和从仪器验证集预测效果的比较。
建立光谱数据匹配后主仪器近红外校正模型前,对有机肥样品异常样品进行剔除,对校正集样品和验证集样品进行分集,并优选光谱数据预处理方法,利用校正集样品,采用偏最小二乘法作为回归方法,建立光谱数据匹配后主仪器近红外校正模型。
近红外校正模型建立后对验证集样品进行测定,并评价所建模型。预测效果的评价指标为:验证集决定系数
Figure GSA00000138643900061
均方差RMSEP和系统偏差bias。其中:
①验证集决定系数
Figure GSA00000138643900062
表示验证集预测值与化学真值关系的拟合程度:
R v 2 = [ 1 - Σ i = 1 n v ( y i - z i ) 2 Σ i = 1 n v ( y i - y ‾ ) 2 ] - - - ( 6 )
②验证均方差RMSEP,表示验证集预测值与化学真值之间的偏差:
RMSEP = 1 n v Σ i = 1 n v ( y i - z i ) 2 - - - ( 7 )
其中,nV为验证集样品数。
评定原则是:越接近1,并且RMSEP和bias越小,模型的预测精度越高。
4)模型转移用标准化样品集的选用。
标准化样品集用于计算近红外模型的转移参数,它是由校正集样品中选出的30~50个样品,需分别在主仪器和从仪器上扫描其光谱,得到主仪器标准化样品集光谱阵和从仪器标准化样品集光谱阵。
标准化样品集的选用原则可为以下所列方法中的一种:①根据校正集样品浓度大小进行梯度排列,等间隔选取样品作为标准化样品集;②根据校正集样品光谱间的马氏距离大小,等间隔选取样品作为标准化样品集;③由校正集样品随机抽取一定数量的样品作为标准化样品集。
5)光谱数据匹配后,用主仪器所建近红外校正模型对主仪器和从仪器在步骤4)中选用的标准化样品集,分别计算对应的标准化样品集预测值浓度阵,对其进行最小二乘拟合,求解斜率和截距值,获得两者间函数关系:
                    Cmp=bias+slope*Csp                    (8)
用最小二乘法求出bias和slope。其中,Cmp代表主仪器上预测的标准化样品集浓度阵,Csp代表从仪器上预测的标准化样品集浓度阵。slope为最小二乘法拟合得到的斜率值,bias为最小二乘法拟合得到的截距值。
6)利用主仪器近红外校正模型获得从仪器验证集样品浓度阵,利用求得的斜率和截距值进行校正,计为最终主仪器近红外校正模型预测从仪器验证集样品浓度阵。
7)近红外校正模型转移效果的评价。
模型转移效果评价采用验证均方差RMSEP和系统偏差bias两个指标,综合比较模型转移后,主仪器近红外校正模型对从仪器验证集预测结果和从仪器近红外校正模型对自身验证集预测结果的接近程度。
下面列举一具体实施例。
将本发明应用在畜禽粪便堆肥产品有机质含量近红外校正模型的转移。
(1)模型转移用样品、主仪器和从仪器及其近红外光谱。
模型转移用样品为畜禽粪便堆肥产品样品120份,主要来自我国黑龙江、北京、山东、广东、宁夏、新疆等22省(市)。堆肥产品呈粒状或粉末状,粒径均小于1cm,原料种类主要有鸡粪、牛粪、猪粪等,所涉及填充料以农作物秸秆为主。
以Nicolet公司的ANTARIS傅里叶变换型近红外光谱仪作为主仪器,采集光谱时仪器工作参数为:漫反射光谱范围为10000~4000cm-1,单样品扫描次数为32次,每条光谱含1557个数据点。
以美国Perkin Elmer公司生产的SPECTRUM ONE NTS傅里叶变换近红外光谱仪(漫反射积分球附件,InGaAs检测器)作为从仪器,光谱范围为10000~4000cm-1,单样品扫描次数为32次,每条光谱含3001个数据点。
如图1所示,为畜禽粪便堆肥产品代表性样品的近红外光谱图。
(2)畜禽粪便堆肥样品化学真值的测定。样品有机质(0M)含量的测定采用马弗炉燃烧法(540℃)烧至恒重,具体参见TMECC 03.02A(此为标准方法,在此不赘述)。
(3)光谱数据匹配前、后,主仪器近红外建模效果比较。
表1所示为120个样品主仪器光谱数据匹配前、后的建模结果,由表1可知,所用主仪器在匹配前和匹配后的交互验证建模效果差异不显著,可进行模型转移,如图2、图3所示,为主仪器在光谱数据匹配前、后交互验证散点图。
表1
Figure GSA00000138643900071
(4)模型转移前主仪器近红外校正模型预测主、从仪器验证集结果比较
表2所示为数据匹配前、后,主仪器建立的近红外校正模型分别预测主仪器和从仪器验证集的结果。直接用Nicolet上建立的模型预测PE仪器上的验证集,其RMSEP、bias值与表中所列前三种预测结果相比差异较大,预测效果较差,且bias至偏大导致模型不稳定,波动性较大,因此,需进行模型转移。
表2
Figure GSA00000138643900081
(5)最小二乘拟合求斜率/截距
根据光谱数据匹配后Nicolet模型对本仪器验证集的预测值和Nicolet模型对PE仪器验证集的预测值用最小二乘法拟合得出slope和Bias值,如图4所示。
(6)近红外校正模型转移效果评价
利用MATLAB7.0软件,模型转移后主仪器模型对从仪器验证集进行预测后,对
Figure GSA00000138643900082
RMSEP和bias值进行统计分析,结果如表3所示,模型转移获得了较好的效果,与从仪器校正模型对其自身验证集进行预测的RMSEP值相当,但bias值有较大幅度减小。模型转移后,主仪器近红外校正模型对从仪器验证集预测值散点图和从仪器近红外校正模型对其自身验证集预测值散点图,如图5、图6所示。
表3
上述各实施例仅用于说明本发明,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。

Claims (7)

1.一种有机肥产品近红外模型转移方法,其包括以下步骤:
1)选择并设定两个近红外光谱仪作为对有机肥样品进行光谱分析的主仪器和从仪器,以从仪器获得的有机肥样品光谱数据格式为标准,将主仪器获得的有机肥样品光谱数据格式向从仪器获得的有机肥样品光谱数据格式进行匹配,使其光谱阵横坐标一致;
2)用光谱数据匹配前和匹配后主仪器测得的光谱阵与有机肥样品的化学真值浓度阵,建立基于偏最小二乘法的留一法全交互验证近红外模型,并对这两个近红外模型的预测效果进行比较,验证光谱数据匹配前、后,主仪器测得的近红外光谱阵间的差异;
3)对有机肥样品异常样品进行剔除,对校正集样品和验证集样品进行分集,并对光谱数据进行预处理,利用校正集样品,采用偏最小二乘法作为回归方法,建立光谱数据匹配后主仪器近红外校正模型,并利用该近红外校正模型对主仪器验证集和从仪器验证集的预测效果进行比较;
4)在校正集样品中选出若干个样品,分别在主仪器和从仪器上扫描其光谱,得到主仪器标准化样品集光谱阵和从仪器标准化样品集光谱阵,以用于计算近红外模型的转移参数;
5)采用步骤3)所建近红外校正模型分别对主仪器和从仪器在步骤4)中选用的标准化样品集进行光谱扫描,并计算出对应的标准化样品集预测值浓度阵,对其进行最小二乘拟合,得到主仪器上预测的标准化样品集浓度阵Cmp与从仪器上预测的标准化样品集浓度阵Csp的最小二乘拟合关系式:
Cmp=bias+slope*Csp    (1)
采用最小二乘法求出bias和slope;其中,slope为最小二乘法拟合得到的斜率值,bias为最小二乘法拟合得到的截距值;
6)利用步骤3)所建近红外校正模型获得从仪器验证集样品浓度阵,并利用步骤5)所得到的最小二乘拟合关系式(1)中求出的斜率值和截距值进行校正,得到最终主仪器近红外校正模型预测从仪器验证集样品浓度阵;
7)对近红外校正模型转移后的预测效果进行评价分析。
2.如权利要求1所述的一种有机肥产品近红外模型转移方法,其特征在于:所述步骤2)中,根据校正决定系数
Figure FSA00000138643800011
交互验证决定系数
Figure FSA00000138643800012
校正均方差RMSEC、交互验证均方差RMSECV和系统偏差bias这四个指标评价光谱数据匹配前、后主仪器所建模型的预测效果,并验证光谱数据匹配前、后主仪器测得的近红外光谱阵间的差异;
其中,校正决定系数
Figure FSA00000138643800021
交互验证决定系数
Figure FSA00000138643800022
表示光谱数据匹配前、后,主仪器近红外预测值浓度阵与化学真值浓度阵之间的拟合程度:
R C 2 = [ 1 - Σ i = 1 n c ( y i - z i ) 2 Σ i = 1 n c ( y i - y ‾ ) 2 ] - - - ( 2 )
R CV 2 = [ 1 - Σ i = 1 n ( y i - z i ) 2 Σ i = 1 n ( y i - y ‾ ) 2 ] - - - ( 3 )
式中,nc为校正集样品数,n为全部样品数,yi(i=1,2,......n)为第i个样品的化学真值,zi为第i个样品的近红外预测值,
Figure FSA00000138643800025
为全部样品化学真值的平均值;
校正均方差RMSEC、交互验证均方差RMSECV,表示光谱数据匹配前、后,主仪器近红外预测值与化学真值之间的偏差:
RMSEC = 1 n C Σ i = 1 n C ( y i - z i ) 2 - - - ( 4 )
RMSECV = 1 n Σ i = 1 n ( y i - z i ) 2 - - - ( 5 )
系统偏差bias,表示全部样品化学真值平均值与近红外预测值平均值的差:
bias = y ‾ - y ^ ‾ - - - ( 6 )
式中,
Figure FSA00000138643800029
为近红外预测值的平均值;
评定原则是:
Figure FSA000001386438000210
Figure FSA000001386438000211
越接近1,并且RMSEC、RMSECV和bias越小,模型的预测精度越高;若光谱数据匹配前后主仪器所建模型的评价参数
Figure FSA000001386438000213
RMSEC、RMSECV和bias,前后参数差异不显著,则可以利用主仪器数据匹配后的近红外光谱阵与从仪器近红外光谱阵进行模型转移。
3.如权利要求1所述的一种有机肥产品近红外模型转移方法,其特征在于:所述步骤3)中,根据验证集决定系数
Figure FSA000001386438000214
均方差RMSEP和系统偏差bias评价近红外校正模型对主仪器验证集和从仪器验证集的预测效果;
其中:验证集决定系数
Figure FSA000001386438000215
表示验证集预测值与化学真值关系的拟合程度:
R V 2 = [ 1 - Σ i = 1 n v ( y i - z i ) 2 Σ i = 1 n v ( y i - y ‾ ) 2 ] - - - ( 7 )
验证均方差RMSEP,表示验证集预测值与化学真值之间的偏差:
RMSEP = 1 n v Σ i = 1 n v ( y i - z i ) 2 - - - ( 8 )
式中,nv为验证集样品数;
评定原则是:越接近1,并且RMSEP和bias越小,模型的预测精度越高。
4.如权利要求2所述的一种有机肥产品近红外模型转移方法,其特征在于:所述步骤3)中,根据验证集决定系数均方差RMSEP和系统偏差bias评价近红外校正模型对主仪器验证集和从仪器验证集的预测效果;
其中:验证集决定系数
Figure FSA00000138643800034
表示验证集预测值与化学真值关系的拟合程度:
R V 2 = [ 1 - Σ i = 1 n v ( y i - z i ) 2 Σ i = 1 n v ( y i - y ‾ ) 2 ] - - - ( 7 )
验证均方差RMSEP,表示验证集预测值与化学真值之间的偏差:
RMSEP = 1 n v Σ i = 1 n v ( y i - z i ) 2 - - - ( 8 )
式中,nv为验证集样品数;
评定原则是:
Figure FSA00000138643800037
越接近1,并且RMSEP和bias越小,模型的预测精度越高。
5.如权利要求1或2或3或4所述的一种有机肥产品近红外模型转移方法,其特征在于:所述步骤4)中,标准化样品集的选用原则为以下所列方法中的一种:①根据校正集样品浓度大小进行梯度排列,等间隔选取样品作为标准化样品集;②根据校正集样品光谱间的马氏距离大小,等间隔选取样品作为标准化样品集;③由校正集样品随机抽取一定数量的样品作为标准化样品集。
6.如权利要求1或2或3或4所述的一种有机肥产品近红外模型转移方法,其特征在于:所述步骤7)中,采用验证均方差RMSEP和系统偏差bias两个指标,综合比较模型转移后,主仪器近红外校正模型对从仪器验证集预测结果和从仪器近红外校正模型对自身验证集预测结果的接近程度。
7.如权利要求5所述的一种有机肥产品近红外模型转移方法,其特征在于:所述步骤7)中,采用验证均方差RMSEP和系统偏差bias两个指标,综合比较模型转移后,主仪器近红外校正模型对从仪器验证集预测结果和从仪器近红外校正模型对自身验证集预测结果的接近程度。
CN 201010183413 2010-05-19 2010-05-19 一种有机肥产品近红外模型转移方法 Expired - Fee Related CN101832922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201010183413 CN101832922B (zh) 2010-05-19 2010-05-19 一种有机肥产品近红外模型转移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201010183413 CN101832922B (zh) 2010-05-19 2010-05-19 一种有机肥产品近红外模型转移方法

Publications (2)

Publication Number Publication Date
CN101832922A true CN101832922A (zh) 2010-09-15
CN101832922B CN101832922B (zh) 2012-04-18

Family

ID=42717067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201010183413 Expired - Fee Related CN101832922B (zh) 2010-05-19 2010-05-19 一种有机肥产品近红外模型转移方法

Country Status (1)

Country Link
CN (1) CN101832922B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018178A (zh) * 2012-12-06 2013-04-03 江苏省质量安全工程研究院 基于局部保持投影的红外光谱仪校准方法
CN103411916A (zh) * 2013-07-29 2013-11-27 中国热带农业科学院分析测试中心 一种利用近红外光谱即时测定干胶含量的方法
CN103575680A (zh) * 2013-11-22 2014-02-12 南京农业大学 一种评估有机肥质量指标的光谱学方法
CN105628645A (zh) * 2015-12-28 2016-06-01 贵州中烟工业有限责任公司 一种近红外分析模型的转移方法
CN106769981A (zh) * 2016-11-18 2017-05-31 北京化工大学 一种沥青蜡含量红外光谱校正模型双向传递方法
CN106845548A (zh) * 2017-01-24 2017-06-13 清华大学 基于高光谱数据的模型转移方法
CN106872397A (zh) * 2016-12-29 2017-06-20 深圳市芭田生态工程股份有限公司 一种基于已有校正模型快速检测农产品化学组分的方法
CN106934416A (zh) * 2017-02-23 2017-07-07 广州讯动网络科技有限公司 一种基于大数据的模型匹配方法
CN108548794A (zh) * 2018-04-16 2018-09-18 山东大学 一种生物制品近红外模型转移方法
CN109444066A (zh) * 2018-10-29 2019-03-08 山东大学 基于光谱数据的模型转移方法
CN110736707A (zh) * 2019-09-16 2020-01-31 浙江大学 一种主仪器向从仪器光谱模型传递的光谱检测优化方法
CN111579526A (zh) * 2020-06-08 2020-08-25 贵州中烟工业有限责任公司 一种表征近红外仪器差异和校正的方法
CN112414966A (zh) * 2019-08-21 2021-02-26 东北大学秦皇岛分校 基于仿射变化的近红外光谱多目标标定迁移方法
CN112683816A (zh) * 2020-12-25 2021-04-20 中船重工安谱(湖北)仪器有限公司 一种光谱模型传递的光谱识别方法
CN113158575A (zh) * 2021-04-29 2021-07-23 晶格码(青岛)智能科技有限公司 一种假定标样的在线近红外光谱模型的转移方法
CN117647498A (zh) * 2023-11-08 2024-03-05 中国农业大学 一种牛奶的中红外光谱不同仪器标准化参数的获取方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106872396B (zh) * 2016-12-28 2019-06-07 南京农业大学 一种不同近红外仪器测定葡萄糖度模型转换的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004325135A (ja) * 2003-04-22 2004-11-18 Hiroaki Ishizawa 残留農薬分析法
CN1657907A (zh) * 2005-03-23 2005-08-24 江苏大学 基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法
CN1749734A (zh) * 2004-09-15 2006-03-22 中国农业大学 建立玻璃瓶装食品成分关联模型的方法及食品检测方法
CN101393122A (zh) * 2008-10-31 2009-03-25 中国农业大学 蜂蜜品质快速检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004325135A (ja) * 2003-04-22 2004-11-18 Hiroaki Ishizawa 残留農薬分析法
CN1749734A (zh) * 2004-09-15 2006-03-22 中国农业大学 建立玻璃瓶装食品成分关联模型的方法及食品检测方法
CN1657907A (zh) * 2005-03-23 2005-08-24 江苏大学 基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法
CN101393122A (zh) * 2008-10-31 2009-03-25 中国农业大学 蜂蜜品质快速检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《光学学报》 20091231 黄光群等 基于非线性径向基核函数支持向量机的堆肥产品近红外光谱分析研究 3556-3560 1-7 第29卷, 第12期 2 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018178A (zh) * 2012-12-06 2013-04-03 江苏省质量安全工程研究院 基于局部保持投影的红外光谱仪校准方法
CN103411916A (zh) * 2013-07-29 2013-11-27 中国热带农业科学院分析测试中心 一种利用近红外光谱即时测定干胶含量的方法
CN103575680A (zh) * 2013-11-22 2014-02-12 南京农业大学 一种评估有机肥质量指标的光谱学方法
CN105628645A (zh) * 2015-12-28 2016-06-01 贵州中烟工业有限责任公司 一种近红外分析模型的转移方法
CN106769981B (zh) * 2016-11-18 2019-04-26 北京化工大学 一种沥青蜡含量红外光谱校正模型双向传递方法
CN106769981A (zh) * 2016-11-18 2017-05-31 北京化工大学 一种沥青蜡含量红外光谱校正模型双向传递方法
CN106872397A (zh) * 2016-12-29 2017-06-20 深圳市芭田生态工程股份有限公司 一种基于已有校正模型快速检测农产品化学组分的方法
CN106845548A (zh) * 2017-01-24 2017-06-13 清华大学 基于高光谱数据的模型转移方法
CN106934416A (zh) * 2017-02-23 2017-07-07 广州讯动网络科技有限公司 一种基于大数据的模型匹配方法
CN106934416B (zh) * 2017-02-23 2021-03-30 广州讯动网络科技有限公司 一种基于大数据的模型匹配方法
CN108548794A (zh) * 2018-04-16 2018-09-18 山东大学 一种生物制品近红外模型转移方法
CN109444066A (zh) * 2018-10-29 2019-03-08 山东大学 基于光谱数据的模型转移方法
CN109444066B (zh) * 2018-10-29 2020-04-14 山东大学 基于光谱数据的模型转移方法
CN112414966A (zh) * 2019-08-21 2021-02-26 东北大学秦皇岛分校 基于仿射变化的近红外光谱多目标标定迁移方法
CN110736707A (zh) * 2019-09-16 2020-01-31 浙江大学 一种主仪器向从仪器光谱模型传递的光谱检测优化方法
CN111579526A (zh) * 2020-06-08 2020-08-25 贵州中烟工业有限责任公司 一种表征近红外仪器差异和校正的方法
CN111579526B (zh) * 2020-06-08 2023-05-30 贵州中烟工业有限责任公司 一种表征近红外仪器差异和校正的方法
CN112683816A (zh) * 2020-12-25 2021-04-20 中船重工安谱(湖北)仪器有限公司 一种光谱模型传递的光谱识别方法
CN112683816B (zh) * 2020-12-25 2021-08-06 中船重工安谱(湖北)仪器有限公司 一种光谱模型传递的光谱识别方法
CN113158575A (zh) * 2021-04-29 2021-07-23 晶格码(青岛)智能科技有限公司 一种假定标样的在线近红外光谱模型的转移方法
CN117647498A (zh) * 2023-11-08 2024-03-05 中国农业大学 一种牛奶的中红外光谱不同仪器标准化参数的获取方法

Also Published As

Publication number Publication date
CN101832922B (zh) 2012-04-18

Similar Documents

Publication Publication Date Title
CN101832922B (zh) 一种有机肥产品近红外模型转移方法
Allison et al. Genotypic variation in cell wall composition in a diverse set of 244 accessions of Miscanthus
WO2016150130A1 (zh) 一种基于近红外光谱的杂交种纯度鉴别方法
CN106596416A (zh) 一种基于高光谱成像技术的冷鲜肉品质无损检测方法
Mekbib Infra-specific folk taxonomy in sorghum (Sorghum bicolor (L.) Moench) in Ethiopia: folk nomenclature, classification, and criteria
Jiang et al. Rapid determination of pH in solid-state fermentation of wheat straw by FT-NIR spectroscopy and efficient wavelengths selection
CN101210875A (zh) 基于近红外光谱技术的无损测量土壤养分含量的方法
CN104749134A (zh) 一种检测叶菜类作物冠层水分含量的方法
McDowell et al. Effects of subsetting by carbon content, soil order, and spectral classification on prediction of soil total carbon with diffuse reflectance spectroscopy
CN102313712B (zh) 一种纤维类物料不同分光方式近红外光谱差异的校正方法
Liu et al. Rapid detection of carbon-nitrogen ratio for anaerobic fermentation feedstocks using near-infrared spectroscopy combined with BiPLS and GSA
CN104778349B (zh) 一种用于水稻表土氮肥施用等级评定方法
CN107655851A (zh) 一种基于近红外光谱技术快速检测赖氨酸含量的方法
CN109520965A (zh) 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法
CN106290240A (zh) 一种基于近红外光谱分析技术对酵母菌生长曲线测定的方法
Sedlar et al. Physical properties of juvenile wood of two paulownia hybrids
Hao et al. Farmland use right transfer and its driving factors in agro-pastoral interlaced region
Liu et al. Rapid determination of rice protein content using near-infrared spectroscopy coupled with feature wavelength selection
CN105158177A (zh) 高光谱图像技术定量检测固态发酵水分分布均匀性的方法
CN109507143A (zh) 沼液理化指标近红外光谱同步快速检测方法
CN101942483A (zh) 一种强化菌种发酵五碳糖制备丁醇的方法
CN111521568B (zh) 一种基于光谱角的土壤含水量预测方法
CN106226265B (zh) 基于光谱分析的生物炭炭化温度快速鉴别方法
Zhang et al. A comparative study on wheat leaf area index by different measurement methods
Li et al. Multi-model fusion stacking ensemble learning method for the prediction of berberine by FT-NIR spectroscopy

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20120418

CF01 Termination of patent right due to non-payment of annual fee