CN104165861A - 一种基于主成分分析的近红外光谱定量模型精简方法 - Google Patents
一种基于主成分分析的近红外光谱定量模型精简方法 Download PDFInfo
- Publication number
- CN104165861A CN104165861A CN201410418151.9A CN201410418151A CN104165861A CN 104165861 A CN104165861 A CN 104165861A CN 201410418151 A CN201410418151 A CN 201410418151A CN 104165861 A CN104165861 A CN 104165861A
- Authority
- CN
- China
- Prior art keywords
- wavelength variable
- matrix
- component
- sample
- concentration
- 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
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000001228 spectrum Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000007689 inspection Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 12
- 238000010238 partial least squares regression Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 4
- 238000003705 background correction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004611 spectroscopical analysis Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 15
- 238000012937 correction Methods 0.000 abstract description 4
- 238000004445 quantitative analysis Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 241000208125 Nicotiana Species 0.000 description 25
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 25
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 description 17
- 229960002715 nicotine Drugs 0.000 description 17
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 17
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 4
- 101000797262 Mus musculus N-acyl-aromatic-L-amino acid amidohydrolase (carboxylate-forming) Proteins 0.000 description 3
- 238000003556 assay Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005206 flow analysis Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010561 standard procedure Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012113 quantitative test Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于主成分分析的近红外光谱定量模型精简方法。把采集的近红外光谱进行预处理之后将光谱及对应的待测组分浓度数据分成训练集、检测集和预测集；将处理后的光谱矩阵和待测组分浓度矩阵联立组成联立矩阵，并进行主成分分解，得到每个波长变量和待测组分的载荷；计算每个波长变量与待测组分浓度载荷的夹角；夹角值满足最优夹角值的波长变量被保留；利用保留的波长变量建立最优模型，对预测集样品待测组分浓度进行预测。该方法可准确提取含有浓度信息的波长变量，在保证精度的同时最大限度的简化定量分析模型，为近红外光谱多元校正分析提供了一种新的定量模型精简方法。
Description
技术领域
本发明属于近红外光谱无损分析技术领域，具体是涉及一种基于主成分分析技术的近红外光谱定量模型精简方法。
背景技术
近红外光谱(NIR)无损分析技术，具有样品处理简单、分析速度快、环境友好、易在线分析、稳定性好等优点，已被广泛应用于农业、石化、医疗、制药、食品、烟草、生命科学、环保等行业。但是，复杂样品的近红外光谱吸收峰数目多、重叠严重、谱带复杂；除了自身信息外，往往常含有大量噪音和背景信息；容易受到测量条件(如温度、仪器)、样品状态(如溶剂效应)、测量异常值和冗余波长的负面影响。这些因素导致依靠传统的一元校正方法很难实现准确的定量分析，必须借助化学计量学(chemometrics)多元校正方法才能完成定量分析。因此，化学计量学方法已成为复杂样品近红外光谱分析中的研究热点，实践证明，多元校正方法结合近红外光谱分析方法非常实用有效。
在近红外光谱分析中，定量模型精简一直是多元校正分析中的重要内容，可以减少光谱中背景、噪声等信息对模型的干扰。定量模型精简的基本方法之一就是找到一种评价波长变量对模型重要性的方法，根据波长变量评价值来提取波长变量，保留对建模贡献大的波长变量。大量的研究工作表明，有效的定量模型精简可以改善模型的预测能力和减少模型的运算复杂程度。目前，光谱分析中定量模型精简的方法主要包括：遗传算法(GA)、无信息变量消除法(UVE)、间隔偏最小二乘法(iPLS)、基于随机检验的变量提取方法(RT-PLS)、连续投影算法(SPA)以及特征投影图(LPG)算法等。但是这些方法都还有各自的不足，比如遗传算法(GA)计算周期较长而且容易陷入局部最优的局限；无信息变量消除法(UVE)中采用留一交叉验证法，使模型具有过拟合的风险。因此，如何建立预测能力好、稳健性强的模型，且在模型构建中避免过拟合现象都是现有方法中需要解决的问题和努力的方向。
主成分分析(principal component analysis,PCA)是化学计量学的基础方法，许多多元校正和模式识别方法都是在PCA的基础上形成和发展起来的。PCA的主要目标是将数据降维，以排除众多化学信息中相互重叠的信息，进而简化分析。该方法将数据中的原始变量转化为几个新变量(主成分)，这些新变量是原始变量的线性组合，它们彼此正交并且最大限度地保留了原始变量的信息。其中，第一主成分解释原变量的信息量最大，其后的主成分按解释信息量的大小降序排列。PCA方法在数据分析上具有强大的优势，在数据降维、特征提取等方面都有广泛的应用。将PCA方法用于近红外光谱定量模型精简是一条可行的道路。
发明内容
本发明的目的在于针对现有方法的不足，提供一种基于主成分分析的近红外光谱定量模型精简方法。以改善模型的预测能力、增强模型的稳健性、避免过拟合现象。
本发明的目的通过以下技术方案予以实现。
除非另有说明，本发明所采用的百分数均为质量百分数。
本发明的技术思路是：将光谱与待测组分联立后进行PCA分解，通过对分解得到的载荷进行分析来评价波长变量，实现近红外光谱定量模型精简。
一种基于主成分分析的近红外光谱定量模型精简方法，具体包括以下步骤：
(1)采集待测物样品的近红外光谱数据，测定样品中待测组分的浓度含量；
(2)对采集到的光谱数据使用连续小波变换(Haar小波，尺度系数20)进行预处理，扣除背景漂移的影响；使用Kennard-Stone(KS)算法将样品分成训练集、检验集和预测集样品三部分，其中训练集样品用来建立模型、检验集样品用来确定模型参数、预测集样品用来检验模型的预测能力；
(3)将训练集样品的光谱矩阵和待测组分浓度矩阵联立，得到联立矩阵K(n×(m+1))并进行标准化(减平均值后除以标准偏差)处理，其中n为样品数，m为波长变量总数；联立矩阵K前m列为原光谱矩阵，第m+1列为原待测组分浓度矩阵；
(4)对上述标准化处理后的联立矩阵K进行主成分分解，得到得分矩阵T(n×(m+1))和载荷矩阵P((m+1)×(m+1))；载荷矩阵P中前m行为波长变量载荷，第m+1行为待测组分浓度载荷；
(5)取载荷矩阵P的前两列，计算每个波长变量与待测组分浓度第1、2主成分载荷所组成向量的夹角，得到每个波长变量与待测组分浓度载荷的夹角；
(6)根据夹角值来对波长变量进行选择，每次保留不同夹角值以内的波长变量分别建模对检验集样品待测组分浓度进行测定，考察预测均方根误差(RMSEP)值与选定夹角值的关系，从而确定最优夹角值；保留夹角值满足最优夹角值的波长变量；
(7)根据保留的波长变量的位置，仅保留训练集光谱矩阵相应的波长变量，得到新的光谱矩阵X1，并且与训练集样品待测组分浓度向量建立偏最小二乘回归模型；
(8)利用已建立的偏最小二乘回归模型，测定预测集样品待测组分的浓度含量。
与现有方法相比，本发明的优点是：本发明通过将光谱与待测组分联立后进行PCA分解来实现对定量模型的精简，与传统方法相比可以从更多方面考虑光谱与待测组分浓度间的关系，准确提取含有有效信息的波长变量而不存在过拟合风险。该方法结果可靠，可准确提取含有浓度信息的波长变量，简化定量模型，为近红外光谱多元校正分析提供一种新的定量模型精简方法，具有很高的实用价值。
附图说明
图1为不同大小的夹角值与检验集样品总糖组分浓度RMSEP值的关系图。
图2为烟草样品近红外光谱波长变量位置、选择波长变量和总糖组分的在1、2主成分上的载荷分布图。
图3为烟草样品近红外光谱总糖模型保留的波长变量分布图。
图4为烟草样品近红外光谱波长变量位置、选择波长变量和尼古丁组分的在1、2主成分上的载荷分布图。
图5为烟草样品近红外光谱尼古丁模型保留的波长变量分布图。
图6为烟草样品近红外光谱波长变量位置、选择波长变量和总氮组分的在1、2主成分上的载荷分布图。
图7为烟草样品近红外光谱总氮模型保留的波长变量分布图。
具体实施方式
以下结合附图和实施例对本发明作进一步的详细说明，但附图和实施例并不是对本发明技术方案的限定。
实施例1：
应用近红外光谱分析，对烟草样品中的总糖组分含量值进行测定。具体的步骤如下：
1)通过测定1003个烟草样品的近红外光谱建立定量分析模型，光谱采用MPA FT-NIR光谱仪(Bruker,Germany)测定，波数范围为3999.8-11996cm-1(2500.2-833.7nm)，采样间隔约为4个波数，共2074个波长变量。采用AAIII型连续流动分析仪(BRAN+LUBBE,Germany)按照标准方法测定样品中总糖的含量；
2)对采集的样品光谱使用连续小波变换(Haar小波，尺度系数20)进行预处理，扣除背景漂移的影响。使用KS算法把预处理后的样品光谱分成训练集、检验集和预测集三个部分，其中训练集样品数为803，检验集和预测集样品数均为100；
3)将训练集样品的光谱矩阵和总糖组分浓度矩阵联立，得到联立矩阵K(800×2075)并进行标准化处理；
4)对上述联立矩阵K进行主成分分解，得到得分矩阵T(800×2075)和载荷矩阵P(2075×2075)；
5)取载荷矩阵P的前两列，计算每个变量与总糖组分浓度第1、2主成分载荷所组成向量的夹角。得到每个波长变量与总糖组分浓度载荷的夹角；
6)根据夹角值来对波长变量进行选择，每次保留不同夹角值以内的波长变量分别建模对检验集样品总糖组分浓度进行测定。考察预测均方根误差(RMSEP)值与选定夹角值的关系，从而确定最优夹角值。图1为不同大小的夹角值与检验集样品总糖组分浓度RMSEP值的关系图。从图1中可以看出最优夹角值为小于15度或大于165度。保留夹角值满足最优夹角值的波长变量；
7)根据保留的波长变量的位置，仅保留训练集光谱矩阵相应的波长变量，得到新的光谱矩阵X1，并且与训练集样品总糖组分浓度向量建立偏最小二乘回归模型，模型因子数为12；
8)利用已建立的偏最小二乘回归模型，测定预测集样品总糖组分的含量。预测的精确度的评价采用相关系数(R)和预测均方根误差(RMSEP)2个参数来表示；
图2为烟草样品近红外光谱波长变量、选择波长变量和总糖组分的在1、2主成分上的载荷分布图。图2中圆圈为近红外光谱波长变量，圆点为选择波长变量，黑实线为总糖组分载荷。图3所示为烟草样品近红外光谱总糖模型保留的波长变量分布图。图3中的圆点横坐标对应步骤6保留的夹角值小于最优夹角值的波长变量。从图3可以看出，采用该方法可以有效的进行波长变量提取，只需要保留少量的波长变量，使模型更加精简。利用模型对总糖组分含量未知的检测集样品进行浓度测定，结果显示：利用传统PLS建模，需要2074个波长变量，对烟草中总糖组分含量进行预测分析，其预测均方根误差RMSEP＝0.7758，相关系数R＝0.9686；通过该技术精简后仅需要保留203个波长变量，对烟草中总糖组分含量进行测定，其预测均方根误差RMSEP＝0.8471，相关系数R＝0.9632。通过比较可以得出，该方法虽然使预测精度略微降低，但整个模型变得更加精简，总糖组分预测结果与化学测定结果之间的线性关系令人满意。
实施例2：
应用近红外光谱分析，对烟草样品中的尼古丁组分含量值进行测定。具体的步骤如下：
1)通过测定1003个烟草样品的近红外光谱建立定量分析模型，光谱采用AntarisTM II FT-NIR光谱仪(Thermo Electron Corporation,USA)测定，波数范围为4000-10000cm-1(2500-1000nm)，采样间隔约为4个波数，共1557个波长变量。采用AAIII型连续流动分析仪(BRAN+LUBBE,Germany)按照标准方法测定样品中尼古丁的含量；
2)对采集的样品光谱使用连续小波变换(Haar小波，尺度系数20)进行预处理，扣除背景漂移的影响。使用KS算法把预处理后的样品光谱分成训练集、检验集和预测集三个部分，其中训练集样品数为803，检验集和预测集样品数均为100；
3)将训练集样品的光谱矩阵和尼古丁组分浓度矩阵联立，得到联立矩阵K(800×1558)并进行标准化处理；
4)对上述联立矩阵K进行主成分分解，得到得分矩阵T(800×1558)和载荷矩阵P(1558×1558)；
5)取载荷矩阵P的前两列，计算每个波长变量与尼古丁组分浓度第1、2主成分载荷所组成向量的夹角。得到每个波长变量与尼古丁组分浓度载荷的夹角；
6)根据夹角值来对波长变量进行选择，每次保留不同夹角值以内的波长变量分别建模对检验集样品尼古丁组分浓度进行测定；考察预测均方根误差(RMSEP)值与选定夹角值的关系，从而确定最优夹角值。本实施例中通过考察得到最优夹角值为小于20度或大于160度。保留夹角值满足最优夹角值的波长变量；
7)根据保留的波长变量的位置，仅保留训练集光谱矩阵相应的波长变量，得到新的光谱矩阵X1，并且与训练集样品尼古丁组分浓度向量建立偏最小二乘回归模型，模型因子数为12；
8)利用已建立的偏最小二乘回归模型，测定预测集样品尼古丁组分的含量。预测的精确度的评价采用相关系数(R)和预测均方根误差(RMSEP)这2个参数来表示。
图4为烟草样品近红外光谱波长变量、选择波长变量和尼古丁组分的在1、2主成分上的载荷分布图。图4中圆圈为近红外光谱波长变量，圆点为选择波长变量，黑实线为尼古丁组分载荷。图5所示为烟草样品近红外光谱尼古丁模型保留的波长变量分布图。图5中的圆点横坐标对应步骤6保留的夹角值小于最优夹角值的波长变量。从图5可以看出，采用该方法可以有效的进行波长变量提取，只需要保留少量的波长变量，使模型更加精简。利用模型对尼古丁组分含量未知的检测集样品进行浓度测定，结果显示：利用传统PLS建模，需要1557个波长变量，对烟草中尼古丁组分含量进行预测分析，其预测均方根误差RMSEP＝0.0941，相关系数R＝0.9897；通过该技术精简后仅需要保留303个波长变量，对烟草中尼古丁组分含量进行测定，其预测均方根误差RMSEP＝0.1024，相关系数R＝0.9877。通过比较可以得出，该方法虽然使预测精度略微降低，但整个模型变得更加精简，尼古丁组分预测结果与化学测定结果之间的线性关系令人满意。
实施例3：
应用近红外光谱分析，对烟草样品中的总氮组分含量值进行测定。通过测定1003个烟草样品的近红外光谱建立定量分析模型，光谱采用AntarisTMII FT-NIR光谱仪(Thermo Electron Corporation,USA)测定，波数范围为4000-10000cm-1(2500-1000nm)，采样间隔约为4个波数，共1557个波长变量。采用AAIII型连续流动分析仪(BRAN+LUBBE,Germany)按照标准方法测定样品中总氮的含量。实施步骤与实施例1和2基本相同，其中偏最小二乘回归的模型因子数为12。
图6为烟草样品近红外光谱波长变量、选择波长变量和总糖组分的在1、2主成分上的载荷分布图。图6中圆圈为近红外光谱波长变量，圆点为选择波长变量，黑实线为总氮组分载荷。图7所示为烟草样品近红外光谱总氮模型保留波长变量分布图。图7中的圆点最终提取得到的波长变量。从图6和7可以看出，采用该方法可以有效的进行波长变量提取，只需利用少量的波长变量建模，使模型更加精简。利用模型对烟草样品总氮组分含量未知的检测集样品进行浓度测定，结果发现，采用传统PLS建模，需要1557个波长变量，对总氮组分含量测定的预测均方根误差RMSEP＝0.0780，相关系数R＝0.9535；通过该方法精简后仅需要保留165个波长变量，对总氮组分含量测定的预测均方根误差RMSEP＝0.0804，相关系数R＝0.9503。通过比较可以得出，该方法虽然使预测精度略微降低，但整个模型变得更加精简，总氮组分预测结果与化学测定结果之间的线性关系令人满意。
上述实施例中所采用的以PCA为基础的定量模型精简方法，结果可靠，而且能够更好的发掘光谱中的特征信息。在保证预测精度的同时能够最大限度的简化烟草近红外光谱定量模型，具有较高的实用价值。
Claims (1)
1.一种基于主成分分析的近红外光谱定量模型精简方法，具体包括以下步骤：
(1)采集待测物样品的近红外光谱数据，测定样品中待测组分的浓度含量；
(2)对采集到的光谱数据使用连续小波变换进行预处理，扣除背景漂移的影响；使用Kennard-Stone算法将样品光谱分成训练集、检验集和预测集样品三部分，其中训练集样品用来建立模型、检验集样品用来确定模型参数、预测集样品用来检验模型的预测能力；
(3)将训练集样品的光谱矩阵和待测组分浓度矩阵联立，得到联立矩阵K(n×(m+1))并进行标准化处理，其中n为样品数，m为波长变量总数；联立矩阵K前m列为原光谱矩阵，第m+1列为原待测组分浓度矩阵；
(4)对上述标准化处理后的联立矩阵K进行主成分分解，得到得分矩阵T(n×(m+1))和载荷矩阵P((m+1)×(m+1))；载荷矩阵P中前m行为波长变量载荷，第m+1行为待测组分浓度载荷；
(5)取载荷矩阵P的前两列，计算每个波长变量与待测组分浓度第1、2主成分载荷所组成向量的夹角，得到每个波长变量与待测组分浓度载荷的夹角；
(6)根据夹角值来对波长变量进行选择，每次保留不同夹角值以内的波长变量分别建模对检验集样品待测组分浓度进行测定，考察预测均方根误差值与选定夹角值的关系，从而确定最优夹角值；保留夹角值满足最优夹角值的波长变量；
(7)根据保留的波长变量位置，仅保留训练集光谱矩阵相应的波长变量，得到新的光谱矩阵X1，并且与训练集样品待测组分浓度向量建立偏最小二乘回归模型；
(8)利用已建立的偏最小二乘回归模型，测定预测集样品待测组分的浓度含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410418151.9A CN104165861B (zh) | 2014-08-22 | 一种基于主成分分析的近红外光谱定量模型精简方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410418151.9A CN104165861B (zh) | 2014-08-22 | 一种基于主成分分析的近红外光谱定量模型精简方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104165861A true CN104165861A (zh) | 2014-11-26 |
| CN104165861B CN104165861B (zh) | 2016-11-30 |
Family
ID=
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104502305A (zh) * | 2014-12-09 | 2015-04-08 | 西北师范大学 | 基于小波变换的近红外光谱有用信息分辨方法 |
| CN105334185A (zh) * | 2015-09-14 | 2016-02-17 | 上海创和亿电子科技发展有限公司 | 基于光谱投影判别的近红外模型维护方法 |
| CN105891147A (zh) * | 2016-03-30 | 2016-08-24 | 浙江中烟工业有限责任公司 | 一种基于典型相关系数的近红外光谱信息提取方法 |
| CN105891141A (zh) * | 2016-03-30 | 2016-08-24 | 南京富岛信息工程有限公司 | 一种汽油性质数据的快速测定方法 |
| CN106404699A (zh) * | 2016-12-02 | 2017-02-15 | 南京农业大学 | 一种梨树叶片氮素含量的无损测量方法 |
| CN106442365A (zh) * | 2016-12-02 | 2017-02-22 | 南京农业大学 | 一种梨树精准施氮技术 |
| CN107635476A (zh) * | 2015-05-27 | 2018-01-26 | 宫井郎 | 脑活动反馈系统 |
| CN109374556A (zh) * | 2018-12-14 | 2019-02-22 | 中国科学院合肥物质科学研究院 | 基于可见-近红外光谱的复合肥中水分含量快速检测方法 |
| CN109409350A (zh) * | 2018-10-23 | 2019-03-01 | 桂林理工大学 | 一种基于pca建模反馈式载荷加权的波长选择方法 |
| CN110646373A (zh) * | 2019-10-25 | 2020-01-03 | 陕西中烟工业有限责任公司 | 一种烟用香精香料糖分含量测定方法 |
| CN110646403A (zh) * | 2019-10-25 | 2020-01-03 | 陕西中烟工业有限责任公司 | 一种烟用香精香料挥发分总量测定方法 |
| CN111289451A (zh) * | 2020-02-27 | 2020-06-16 | 欧梯恩智能科技(苏州)有限公司 | 复杂光谱组分浓度定量计算的方法 |
| 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 |
| CN115791694A (zh) * | 2022-12-02 | 2023-03-14 | 北京理工大学 | 一种乌洛托品-醋酸溶液中乌洛托品浓度预测方法 |
| CN116959628A (zh) * | 2023-07-25 | 2023-10-27 | 安及义实业（上海）有限公司 | 用于细胞培养全过程的物质成分分析方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008145341A (ja) * | 2006-12-12 | 2008-06-26 | Green Foods Co Ltd | 生魚体品質検量線作成方法及び生魚体品質判別法 |
| CN101251471A (zh) * | 2008-03-12 | 2008-08-27 | 湖南中烟工业有限责任公司 | 一种基于烟叶近红外光谱的相似烟叶搜索方法 |
| CN101866368A (zh) * | 2009-04-17 | 2010-10-20 | 湖北中烟工业有限责任公司 | 利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法 |
| CN102866127A (zh) * | 2012-09-17 | 2013-01-09 | 福建中烟工业有限责任公司 | 一种基于近红外光谱信息的simca辅助卷烟配方的方法 |
| CN103528990A (zh) * | 2013-10-31 | 2014-01-22 | 天津工业大学 | 一种近红外光谱的多模型建模方法 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008145341A (ja) * | 2006-12-12 | 2008-06-26 | Green Foods Co Ltd | 生魚体品質検量線作成方法及び生魚体品質判別法 |
| CN101251471A (zh) * | 2008-03-12 | 2008-08-27 | 湖南中烟工业有限责任公司 | 一种基于烟叶近红外光谱的相似烟叶搜索方法 |
| CN101866368A (zh) * | 2009-04-17 | 2010-10-20 | 湖北中烟工业有限责任公司 | 利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法 |
| CN102866127A (zh) * | 2012-09-17 | 2013-01-09 | 福建中烟工业有限责任公司 | 一种基于近红外光谱信息的simca辅助卷烟配方的方法 |
| CN103528990A (zh) * | 2013-10-31 | 2014-01-22 | 天津工业大学 | 一种近红外光谱的多模型建模方法 |
Non-Patent Citations (2)
| Title |
|---|
| 田高友等: "结合小波变换与微分法改善近红外光谱分析精度", 《光谱学与光谱分析》 * |
| 石雪: "近红外光谱非线性建模方法研究", 《南开大学硕士学位论文》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104502305A (zh) * | 2014-12-09 | 2015-04-08 | 西北师范大学 | 基于小波变换的近红外光谱有用信息分辨方法 |
| CN104502305B (zh) * | 2014-12-09 | 2017-02-22 | 西北师范大学 | 基于小波变换的近红外光谱有用信息分辨方法 |
| CN107635476B (zh) * | 2015-05-27 | 2021-04-06 | 宫井一郎 | 脑活动反馈系统 |
| CN107635476A (zh) * | 2015-05-27 | 2018-01-26 | 宫井郎 | 脑活动反馈系统 |
| CN105334185B (zh) * | 2015-09-14 | 2018-04-03 | 上海创和亿电子科技发展有限公司 | 基于光谱投影判别的近红外模型维护方法 |
| CN105334185A (zh) * | 2015-09-14 | 2016-02-17 | 上海创和亿电子科技发展有限公司 | 基于光谱投影判别的近红外模型维护方法 |
| CN105891147A (zh) * | 2016-03-30 | 2016-08-24 | 浙江中烟工业有限责任公司 | 一种基于典型相关系数的近红外光谱信息提取方法 |
| CN105891141A (zh) * | 2016-03-30 | 2016-08-24 | 南京富岛信息工程有限公司 | 一种汽油性质数据的快速测定方法 |
| CN106404699A (zh) * | 2016-12-02 | 2017-02-15 | 南京农业大学 | 一种梨树叶片氮素含量的无损测量方法 |
| CN106442365A (zh) * | 2016-12-02 | 2017-02-22 | 南京农业大学 | 一种梨树精准施氮技术 |
| CN109409350A (zh) * | 2018-10-23 | 2019-03-01 | 桂林理工大学 | 一种基于pca建模反馈式载荷加权的波长选择方法 |
| CN109374556A (zh) * | 2018-12-14 | 2019-02-22 | 中国科学院合肥物质科学研究院 | 基于可见-近红外光谱的复合肥中水分含量快速检测方法 |
| CN110646373A (zh) * | 2019-10-25 | 2020-01-03 | 陕西中烟工业有限责任公司 | 一种烟用香精香料糖分含量测定方法 |
| CN110646403A (zh) * | 2019-10-25 | 2020-01-03 | 陕西中烟工业有限责任公司 | 一种烟用香精香料挥发分总量测定方法 |
| CN111289451A (zh) * | 2020-02-27 | 2020-06-16 | 欧梯恩智能科技(苏州)有限公司 | 复杂光谱组分浓度定量计算的方法 |
| 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 |
| CN115791694A (zh) * | 2022-12-02 | 2023-03-14 | 北京理工大学 | 一种乌洛托品-醋酸溶液中乌洛托品浓度预测方法 |
| CN116959628A (zh) * | 2023-07-25 | 2023-10-27 | 安及义实业（上海）有限公司 | 用于细胞培养全过程的物质成分分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105388123B (zh) | 一种由近红外光谱预测原油性质的方法 | |
| CN104020127B (zh) | 一种利用近红外光谱快速测量烟叶中无机元素的方法 | |
| Ghosh et al. | Application of VIS-NIR spectroscopy for estimation of soil organic carbon using different spectral preprocessing techniques and multivariate methods in the middle Indo-Gangetic plains of India | |
| CN105352895A (zh) | 高光谱遥感数据植被信息提取方法 | |
| CN101915744A (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| CN104596957A (zh) | 基于可见光近红外光谱技术的土壤铜含量估算方法 | |
| CN101825567A (zh) | 一种近红外光谱和拉曼光谱波长的筛选方法 | |
| Che et al. | Application of visible/near‐infrared spectroscopy in the prediction of azodicarbonamide in wheat flour | |
| CN111999258B (zh) | 一种面向光谱基线校正的加权建模局部优化方法 | |
| Li et al. | Nondestructive detection of frying times for soybean oil by NIR-spectroscopy technology with Adaboost-SVM (RBF) | |
| CN111488926A (zh) | 一种基于优化模型的土壤有机质测定方法 | |
| CN104062258A (zh) | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 | |
| Xu et al. | Combining local wavelength information and ensemble learning to enhance the specificity of class modeling techniques: Identification of food geographical origins and adulteration | |
| CN103308475A (zh) | 一种同时测量后处理料液中Pu（Ⅳ）及HNO3含量的方法 | |
| CN101788459B (zh) | 一种准连续方式的分光波长组合方法 | |
| CN108398400B (zh) | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 | |
| CN109283153B (zh) | 一种酱油定量分析模型的建立方法 | |
| CN107271389B (zh) | 一种基于指标极值的光谱特征变量快速匹配方法 | |
| Nkansah et al. | Determination of concentration of ACQ wood preservative components by UV-Visible spectroscopy coupled with multivariate data analysis | |
| CN108627498A (zh) | 一种多光谱数据融合的面粉掺杂定量检测方法 | |
| CN107356556A (zh) | 一种近红外光谱定量分析的双集成建模方法 | |
| Ghosh et al. | Regional soil organic carbon prediction models based on a multivariate analysis of the Mid-infrared hyperspectral data in the middle Indo-Gangetic plains of India | |
| CN104165861A (zh) | 一种基于主成分分析的近红外光谱定量模型精简方法 | |
| Li et al. | Comparison of two methods for estimation of soil water content from measured reflectance | |
| Arroyo-Cerezo et al. | Chemometric enhancement for blind signal resolution from non-invasive spatially offset Raman spectra |
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 |