CN105787518A - 一种基于零空间投影的近红外光谱预处理方法 - Google Patents
一种基于零空间投影的近红外光谱预处理方法 Download PDFInfo
- Publication number
- CN105787518A CN105787518A CN201610153879.2A CN201610153879A CN105787518A CN 105787518 A CN105787518 A CN 105787518A CN 201610153879 A CN201610153879 A CN 201610153879A CN 105787518 A CN105787518 A CN 105787518A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- infrared spectrum
- spectrum
- projection
- chemical score
- 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 46
- 238000002203 pretreatment Methods 0.000 title abstract 2
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000001228 spectrum Methods 0.000 claims abstract description 70
- 239000000126 substance Substances 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000000513 principal component analysis Methods 0.000 claims abstract description 4
- 239000000203 mixture Substances 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 30
- 238000012937 correction Methods 0.000 description 9
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 244000061176 Nicotiana tabacum Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 229960002715 nicotine Drugs 0.000 description 1
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于零空间投影的近红外光谱预处理方法,包括:步骤1,采集训练样本的近红外光谱以及化学值;步骤2,对近红外光谱进行排序;步骤3,利用相邻两个训练样本的化学值,计算拟合权重;步骤4,利用拟合权重生成虚拟近红外光谱;步骤5,计算差谱矩阵;步骤6,对差谱矩阵进行主成分分析,选取投影向量P;步骤7,将训练样本矩阵在P的正交方向进行投影,得到Xp;步骤8,利用偏最小二乘算法建模;步骤9,对待测样本Xnew,在P的正交方向进行投影,将投影结果代入步骤8所建模型中,得到预测物质的含量。本发明在建模之前,对训练样本和后续预测样本进行零空间的正交投影,消除干扰因素,提高建模结果的鲁棒性,降低模型的维护频率。
Description
技术领域
本发明涉及近红外光谱技术领域,具体涉及一种基于零空间投影的近红外光谱预处理方法。
背景技术
近红外光谱能够表征待测物中的多种含氢基团信息,具有采样方便、无损伤、无污染、能够在线检测等优点,非常适合用于各种复杂混合物的检测。近红外光谱检测技术目前已广泛应用于制药、烟草、石油化工及农业等领域。
近年来,近红外光谱技术结合多元校正技术,如偏最小二乘算法(PartialLeastSquares,PLS)等进行定量分析越来越普遍,然而,在实际应用中,在模型建立之后,由于时间间隔的原因,测试样本与训练样本的状态可能不一致。例如,测试温度,湿度(水分),光谱基线漂移等不一致。当测试样本中的干扰程度不在训练样本包含的范围之内时,其模型不能很好的应对这些新的干扰,导致预测精度降低。
常用的近红外光谱预处理技术主要有求导(一阶导数谱,二阶导数谱),多元散射校正(Multiplicativescattercorrection,MSC)(参见文献H.Martens,S.A.Jensen,andP.Geladi,“Multivariatelinearitytransformationsfornearinfraredreflectancespectroscopy,”inProc.NordicSymp.AppliedStatistics,1983,pp.205–234.)和标准正态变量校正(Standardnormalvariate,SNV)(参见文献R.J.Barnes,M.S.Dhanoa,andS.J.Lister,“Standardnormalvariatetransformationandde-trendingofnear-infrareddiffusereflectancespectra,”Appliedspectroscopy,vol.43,no.5,pp.772–777,1989.)等。
这些方法都假设光谱干扰项可由一常数项a和一乘性项b组成,通过对两种干扰项进行消除来达到校正目的。例如,一阶导数谱可以消除常数性的基线漂移,二阶导数谱在一阶导数之上,还可以消除乘性项的基线漂移。MSC和SNV分别通过估计近红外光谱中的干扰项a和b,从而对其进行校正。
现有的预处理方法的缺点主要是:在校正中没有考虑实际的干扰因素及其幅度,当测试样本的干扰项幅度超出训练样本范围时,会导致模型对新样本的预测精度降低。
现有的预处理方法只针对近红外光谱,没有考虑到建模对象的信息,预处理对建模对象的影响是未知的,可能出现由于预处理不当导致的预测效果不理想,甚至预测偏差超出设定阈值的现象。
发明内容
本发明提供了一种基于零空间投影的近红外光谱预处理方法,在建模之前,对训练样本和后续预测样本进行零空间的正交投影,消除干扰因素,提高建模结果的鲁棒性,降低模型的维护频率。
一种基于零空间投影的近红外光谱预处理方法,包括:
步骤1,采集训练样本的近红外光谱以及感兴趣成分的化学值;
步骤2,依据训练样本化学值由小到大的顺序,对近红外光谱进行排序;
步骤3,除化学值最大和化学值最小的训练样本外,对其余训练样本,利用相邻两个训练样本的化学值,计算拟合权重;
步骤4,除化学值最大和化学值最小的训练样本外,对其余训练样本,利用拟合权重生成虚拟近红外光谱;
步骤5,除化学值最大和化学值最小的训练样本外,对其余训练样本,用真实近红外光谱减去虚拟近红外光谱,得到差谱,所有差谱构成差谱矩阵;
步骤6,对差谱矩阵进行主成分分析,选取表征总体95%以上的投影向量,记为P;
步骤7,将训练样本矩阵在P的正交方向进行投影,得到Xp;
步骤8,对Xp和相对应的感兴趣成分的化学值Y,利用偏最小二乘算法建模;
步骤9,对待测样本Xnew,在P的正交方向进行投影,将投影结果代入步骤8所建模型中,得到预测物质的含量。
本发明针对给定物质的定量建模问题,构造建模光谱基于该物质含量的零空间,该零空间表征了训练样本中的干扰因素,例如温度,湿度(水分),基线漂移等。建模之前,对训练样本和后续测试样本进行该零空间的正交投影,以消除这些干扰因素。在训练样本和测试样本干扰因素不一致的情况下,通过零空间投影可以显著消除两者差异,从而提高模型的鲁棒性,降低维护频率。
步骤1中的训练样本感兴趣成分的测量采用国际标准,或者国内标准,或者其他成熟的化学方法测量得到。感兴趣的成分如:总糖含量,烟碱含量等。
作为优选,步骤3中,利用下式计算拟合权重:
式中,yi-1yiyi+1分别为第i-1,i,i+1个训练样本的感兴趣成分的化学值,i=2...N-1。
作为优选,步骤4中,第i个样本的虚拟近红外光谱的计算公式如下:
zi=wxi-1+(1-w)xi+1
其中,xi-1xi+1分别表示第i-1个和第i+1个训练样本的真实近红外光谱,w为拟合权重。
作为优选,步骤5中的差谱矩阵为:E=[e2;e3;...;eN-1],ei=xi-zi。
本发明提供的基于零空间投影的近红外光谱预处理方法,在预处理过程中,考虑了与建模对象无关的信息(干扰因素),预先在光谱中对这些干扰因素进行正交投影,以消除这些干扰因素。由于消除的是整个干扰因素的零空间,因此,在测试样本受干扰幅度与训练样本不一致的情况下,仍然可以通过投影对其进行消除,从而使利用投影后光谱建立的模型可以长久适用,降低模型的维护频率和成本。
附图说明
图1a为训练集和测试集的原始近红外光谱;
图1b为测试集光谱在训练集光谱中的PCA投影;
图2a为训练集和测试集的二阶导数谱;
图2b为测试集二阶导数谱在训练集二级导数谱中的PCA投影;
图3a为训练集和测试集经标准校正后的光谱;
图3b为测试集经标准校正后的光谱在训练集经标准校正后的光谱中的PCA投影;
图4a为训练集和测试集经零空间投影后的光谱;
图4b为测试集经零空间投影后的光谱在训练集经零空间投影后的光谱中的PCA投影。
具体实施方式
下面结合附图,对本发明基于零空间投影的近红外光谱预处理方法做详细描述。
一种基于零空间投影的近红外光谱预处理方法,包括:
步骤1,利用近红外光谱采集训练样本的近红外光谱数据,同时利用其它方法测量训练样本中感兴趣成分的含量。近红外光谱数据已2维矩阵形式存储,矩阵的行列分别代表训练样本的数量以及光谱维数。
步骤2,对步骤1中的获取的感兴趣成分的含量值(即化学值),将含量值按升序排序,同时,将光谱按同样的方式排序,以保证光谱与化学值的一一对应。
步骤3,除化学值最大和化学值最小的训练样本外,对其余训练样本,利用相邻两个训练样本的化学值以及下式计算拟合权重:
式中,yi-1yiyi+1分别为第i-1,i,i+1个训练样本的感兴趣成分的化学值,i=2...N-1。
步骤4,除化学值最大和化学值最小的训练样本外,对其余训练样本,利用拟合权重生成虚拟近红外光谱。
第i个样本的虚拟近红外光谱的计算公式如下:
zi=wxi-1+(1-w)xi+1
其中,xi-1xi+1分别表示第i-1个和第i+1个训练样本的真实近红外光谱,w为拟合权重。
步骤5,生成零空间。除化学值最大和化学值最小的训练样本外,对其余训练样本,用真实近红外光谱减去虚拟近红外光谱,得到差谱,所有差谱构成差谱矩阵,差谱矩阵为:E=[e2;e3;...;eN-1],ei=xi-zi。
步骤6,对差谱矩阵进行主成分分析,选取表征总体95%以上的投影向量,记为投影矩阵P。
步骤7,将训练样本矩阵X在P的正交方向进行投影,得到Xp;Xp=X(I-PP'),P’为投影矩阵P的转置。
步骤8,对Xp和相对应的感兴趣成分的化学值Y,利用偏最小二乘算法建模;
步骤9,对待测样本Xnew,在P的正交方向进行投影,Xnewp=Xnew(I-PP'),将投影结果Xnewp代入步骤8所建模型中,得到预测物质的含量。
本发明提供的方法与现有技术(未经预处理的原始数据建模,导数方法(一阶导数谱,二阶导数谱)、标准正态校正SNV)进行对比,通过预测集建模精度来说明本发明的有效性。
样品制备与实验设计:选取云南、湖南、湖北、山东、福建、河南等不同省份的2014年的复烤片烟111个作为训练样本。将片烟烟叶入切丝机切丝,将切好后的烟丝置于烘箱中,在40℃下干燥4h,用旋风磨(FOSS)磨碎过40目筛(泰勒制),密封平衡1d后,每个样本分为两份:一份进行近红外光谱测量,另一份利用流动分析仪按国标检测方法测得烟叶样本的总糖含量。过30天后,另取不同省份的2013年的复烤片烟57个作为测试样本,采用同样的方式进行近红外光谱和化学值采集。
图1a展示了未经预处理的训练集光谱(深色)与测试集光谱(浅色),图1b展示了测试集光谱在训练集光谱中的投影。由图中可以看出,在较长的时间间隔下,训练集光谱与测试集光谱的形态出现了一定的差异,直观而言,测试集光谱的吸收值较训练集光谱低。在PCA投影中可以发现同样的现象,即训练集光谱与测试集光谱的二维投影并不在同一区域内。
图2a展示了进行二阶导数运算的训练集光谱(深色)与测试集光谱(浅色),图2b展示了测试集光谱在训练集光谱中的投影(注意到训练集光谱在投影中非常集中)。由图中可以看出,二阶导数谱在光谱中可以消除低次项的光谱差异,但是,在投影中可以看出,二阶导运算未消除预测样本与训练样本的差异。
图3a展示了进行标准正交校正预处理后的训练集光谱(深色)与测试集光谱(浅色),图3b展示了测试集光谱在训练集光谱中的投影。由图中可以看出,标准正交校正预处理后的测试集光谱投影涵盖在训练集光谱投影的范围之内,然而,其分布与训练集光谱的投影并不一致,因此,在后期的预测中,仍会出现预测不精确的问题。
图4a展示了本发明提出的基于零空间投影预处理的训练集光谱(深色)与测试集光谱(红色),图4b展示了测试集光谱在训练集光谱中的投影。由图中可以看出,本发明方法预处理后的测试集光谱投影与训练集光谱投影的分布较为相似。这表明,虽然训练集和测试集光谱的干扰程度并不一致,但是通过构造干扰项的零空间,可以涵盖已有的干扰因素,从而降低由于采样时间导致的温度,湿度,基线漂移等因素对光谱的影响。
本发明方法与其他方法在烟叶总糖化学值模型预测效果对比,如表1所示。
表1
表1中:RMSEC:训练集根均方误差,RMSECV:训练集交叉验证根均方误差(计算方法采用5折交叉验证),RMSEP:测试集根均方误差。
由表1可以看出,本发明采用构造零空间的方法,用零空间的方式表征与研究成分无关的因素,通过投影的方式将整个干扰空间完全消除,从而提高模型的鲁棒性,提高对新样本的预测精度。
Claims (4)
1.一种基于零空间投影的近红外光谱预处理方法,其特征在于,包括:
步骤1,采集训练样本的近红外光谱以及感兴趣成分的化学值;
步骤2,依据训练样本化学值由小到大的顺序,对近红外光谱进行排序;
步骤3,除化学值最大和化学值最小的训练样本外,对其余训练样本,利用相邻两个训练样本的化学值,计算拟合权重;
步骤4,除化学值最大和化学值最小的训练样本外,对其余训练样本,利用拟合权重生成虚拟近红外光谱;
步骤5,除化学值最大和化学值最小的训练样本外,对其余训练样本,用真实近红外光谱减去虚拟近红外光谱,得到差谱,所有差谱构成差谱矩阵;
步骤6,对差谱矩阵进行主成分分析,选取表征总体95%以上的投影向量,记为P;
步骤7,将训练样本矩阵在P的正交方向进行投影,得到Xp;
步骤8,对Xp和相对应的感兴趣成分的化学值Y,利用偏最小二乘算法建模;
步骤9,对待测样本Xnew,在P的正交方向进行投影,将投影结果代入步骤8所建模型中,得到预测物质的含量。
2.如权利要求1所述的基于零空间投影的近红外光谱预处理方法,其特征在于,步骤3中,利用下式计算拟合权重:
式中,yi-1yiyi+1分别为第i-1,i,i+1个训练样本的感兴趣成分的化学值,i=2…N-1。
3.如权利要求2所述的基于零空间投影的近红外光谱预处理方法,其特征在于,步骤4中,第i个样本的虚拟近红外光谱的计算公式如下:
zi=wxi-1+(1-w)xi+1
其中,xi-1xi+1分别表示第i-1个和第i+1个训练样本的真实近红外光谱,w为拟合权重。
4.如权利要求3所述的基于零空间投影的近红外光谱预处理方法,其特征在于,步骤5中的差谱矩阵为:E=[e2;e3;...;eN-1],ei=xi-zi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610153879.2A CN105787518B (zh) | 2016-03-17 | 2016-03-17 | 一种基于零空间投影的近红外光谱预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610153879.2A CN105787518B (zh) | 2016-03-17 | 2016-03-17 | 一种基于零空间投影的近红外光谱预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787518A true CN105787518A (zh) | 2016-07-20 |
CN105787518B CN105787518B (zh) | 2019-04-23 |
Family
ID=56393880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610153879.2A Active CN105787518B (zh) | 2016-03-17 | 2016-03-17 | 一种基于零空间投影的近红外光谱预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787518B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163276A (zh) * | 2019-05-15 | 2019-08-23 | 浙江中烟工业有限责任公司 | 一种近红外光谱建模样本的筛选方法 |
CN111989747A (zh) * | 2018-04-05 | 2020-11-24 | 伊耐斯克泰克-计算机科学与技术系统工程研究所 | 用于预测样品中的成分的定量的分光光度法和装置 |
CN112432917A (zh) * | 2019-08-08 | 2021-03-02 | 北京蓝星清洗有限公司 | 一种光谱差异校正方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852725A (zh) * | 2010-04-30 | 2010-10-06 | 北京航空航天大学 | 一种全谱段透射式植物生化参数无损检测装置和方法 |
CN102313712A (zh) * | 2011-05-30 | 2012-01-11 | 中国农业大学 | 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 |
-
2016
- 2016-03-17 CN CN201610153879.2A patent/CN105787518B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852725A (zh) * | 2010-04-30 | 2010-10-06 | 北京航空航天大学 | 一种全谱段透射式植物生化参数无损检测装置和方法 |
CN102313712A (zh) * | 2011-05-30 | 2012-01-11 | 中国农业大学 | 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 |
Non-Patent Citations (2)
Title |
---|
ZENG-PING CHEN 等: "Extracting Chemical Information from Spectral Data with Multiplicative Light Scattering Effects by Optical Path-Length Estimation and Correction", 《ANALYTICAL CHEMISTRY》 * |
张倩暄 等: "一种植物叶片生化成分光谱无损检测的光程长校正方法", 《光谱学与光谱分析》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111989747A (zh) * | 2018-04-05 | 2020-11-24 | 伊耐斯克泰克-计算机科学与技术系统工程研究所 | 用于预测样品中的成分的定量的分光光度法和装置 |
CN110163276A (zh) * | 2019-05-15 | 2019-08-23 | 浙江中烟工业有限责任公司 | 一种近红外光谱建模样本的筛选方法 |
CN112432917A (zh) * | 2019-08-08 | 2021-03-02 | 北京蓝星清洗有限公司 | 一种光谱差异校正方法及系统 |
CN112432917B (zh) * | 2019-08-08 | 2023-02-28 | 北京蓝星清洗有限公司 | 一种光谱差异校正方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105787518B (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves | |
Ruthenburg et al. | Determination of organic matter and organic matter to organic carbon ratios by infrared spectroscopy with application to selected sites in the IMPROVE network | |
CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
CN105445217B (zh) | 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 | |
CN104569263B (zh) | 一种快速准确评价卷烟产品质量稳定性的方法 | |
An et al. | Eliminating the interference of soil moisture and particle size on predicting soil total nitrogen content using a NIRS-based portable detector | |
CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
CN107796782A (zh) | 基于烟叶特征光谱一致性度量的复烤质量稳定性评价方法 | |
Xiao et al. | Discrimination of organic and conventional rice by chemometric analysis of NIR spectra: a pilot study | |
WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
CN105486663B (zh) | 一种利用近红外光谱检测土壤的稳定碳同位素比值的方法 | |
CN106198446A (zh) | 近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法 | |
CN105787518A (zh) | 一种基于零空间投影的近红外光谱预处理方法 | |
CN110455726A (zh) | 一种实时预测土壤水分和全氮含量的方法 | |
CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
CN106525761A (zh) | 基于太赫兹光谱扫描的亚硝酸盐检测方法 | |
CN105158201A (zh) | 一种基于ft-nir技术的糙米中黄曲霉毒素含量的快速检测方法 | |
Chen et al. | Rapid identification of three varieties of Chrysanthemum with near infrared spectroscopy | |
CN103822899A (zh) | 基于太赫兹时域光谱检测小麦粉中害虫碎片的方法 | |
CN104596975A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶木质素的方法 | |
CN104596979A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 | |
CN104596976A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 | |
CN104132904B (zh) | 一种测定烟叶燃烧性的方法 | |
Jie et al. | Determination of Nitrogen Concentration in Fresh Pear Leaves by Visible/Near‐Infrared Reflectance Spectroscopy | |
CN105699314B (zh) | 一种利用中红外光谱检测土壤稳定碳同位素比值的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |