CN112903625B - 基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法 - Google Patents
基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法 Download PDFInfo
- Publication number
- CN112903625B CN112903625B CN202110092929.1A CN202110092929A CN112903625B CN 112903625 B CN112903625 B CN 112903625B CN 202110092929 A CN202110092929 A CN 202110092929A CN 112903625 B CN112903625 B CN 112903625B
- Authority
- CN
- China
- Prior art keywords
- model
- api
- spectrum
- value
- spectral
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 239000003814 drug Substances 0.000 title claims abstract description 17
- 239000013543 active substance Substances 0.000 title claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 230000003595 spectral effect Effects 0.000 claims description 30
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000002835 absorbance Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000002203 pretreatment Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000002329 infrared spectrum Methods 0.000 abstract description 8
- 229940079593 drug Drugs 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 3
- 238000004090 dissolution Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- ZKLPARSLTMPFCP-OAQYLSRUSA-N 2-[2-[4-[(R)-(4-chlorophenyl)-phenylmethyl]-1-piperazinyl]ethoxy]acetic acid Chemical compound C1CN(CCOCC(=O)O)CCN1[C@@H](C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 ZKLPARSLTMPFCP-OAQYLSRUSA-N 0.000 description 1
- 238000010987 Kennard-Stone algorithm Methods 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 229940088679 drug related substance Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004433 infrared transmission spectrum Methods 0.000 description 1
- 229960001508 levocetirizine Drugs 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012845 near infrared spectroscopy analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000004611 spectroscopical 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法，引入相关系数找到活性物质含量与光谱指数之间的线性关系，对不同光谱预处理方法得到的各种光谱参数进行了组合运算，综合考虑不同预处理提供的不同贡献，将光谱预处理、变量选择、潜在因子集合到光谱参数、潜在因子。光谱系数有一维相关系数(皮尔逊相关)和组合波段相关系数，建立潜在因子数1‑6的全连接PLS组合模型。模型性能通过均方根误差、R2和预测标准误差与标准偏差之比进行评估。该方法采用所有可能参数组合的全局最优策略和轨迹路径，分析不同药物的近红外光谱数据集，该模型可作为药物活性物质含量的测定。
Description
技术领域
本发明属于近红外光谱分析中标定模型建模的参数优化领域。具体是一种基于偏最小二乘法，在对预测药物中活性物质含量问题建模时对预处理、变量选择、潜在因子这三个可调参数进行集成参数优化的建模方法。
背景技术
近红外光谱分析技术以其高效、快速、无损伤检测等优点被广泛运用于有机物定量分析中。然而近红外光谱具有谱带宽、峰重叠严重以及信息解析复杂等特点，因此常常需要建立数学模型对近红外光谱数据进行分析。偏最小二乘法(PLS)是一种多元变量回归方法，其校正模型质量好，易于实现。PLS已经在快速光谱分析筛选方法的发展中充分证明了它的有效性，成功应用的领域包括油品、啤酒、土壤和药品等。由于近红外光谱分析方法在很大程度上依赖于为回归分析选择合适的预处理策略和变量提取技术，这给模型带来参数优化的问题，包括光谱预处理、变量选择、PLS中的潜在因子等。
2016年，王琴等人在光谱学与光谱分析杂志上发表的文章中利用近红外光谱结合偏最小二乘法实现对不同品牌盐酸左西替利嗪片剂有效成分进行定量分析，经内部交叉验证，确定最佳波数范围和光谱预处理方法，以及最佳主成分数，建立最优PLS校正模型。2019年，Yukteshwar Baranwal等人在International Journal ofPharmaceutics上发表的文章中建立了一个多元偏最小二乘校正模型，将其溶出曲线与光谱数据联系起来用来预测双层片的溶出度，药片的实验数据集由两种活性药物成分组成，在三种硬度下进行物理分离，该校准模型用于预测独立测试集的溶出曲线，并使用无模型方法(即差异性和相似性因子对预测结果进行比较，以确保溶解性能的相似性。但是，上述建模过程没有考虑到三个参数之间的联系，只是采用光谱预处理、变量选择、潜在因子三步法建立了针对特定数据集的单一分析模型，而单一模型往往不具有鲁棒性。
2015年，Na Zhao等人在Scientific Reports上发表的文章中提出了一种创新的、综合不同建模参数的全可能性方法(All-possibilities'approach，APA)，以证明多路径在PLS模型开发和优化中的重要性。参数包括不同的光谱预处理、变量选择和PLS中的潜在因子。PLS模型采用加工路径优化建模参数，结果表明，描述的稳健模型比其他已发表的论文具有更好的效率。随后，2018年，Na Zhao等人在Frontiers in Chemistry上发表的文章中将光谱预处理、潜在因子和变量选择这三个参数优化扩展到光谱预处理、潜在因子、变量选择和校准方法，提升了模型性能。2018年，Chenzhao Du等人在SpectrochimicaActa PartA上发表的文章中针对近红外建模中三个参数优化问题，运用两类误差检测理论，表明模型参数选择不当所引起的误差会传递给下游过程，强调了误差权重的传递在PLS建模过程中的重要性，在不同数据集上验证了误差传播的程度，该方法为利用误差传播理论选择APA参数提供一种新的工具。但是上述路径方法并没有考虑到光谱预处理和变量选择间的潜在联系，由于光谱预处理的不同对后续建模路径上的误差传播极大，因此，如何减少由光谱预处理的不同选择带来的误差极为重要。
发明内容
针对现有技术存在的上述不足，本发明引入相关系数，旨在找到感兴趣的药物活性物质含量(API)与光谱指数之间的线性关系。然后，提出组合波段系数，包括归一化差分系数(NDI)、差分系数(DI)和比值系数(RI)。对不同光谱预处理方法得到的处理光谱进行相关系数的计算，随后提取相关系数值最大的波长部分建立新的数据集，新的数据集综合考虑了不同预处理对原始光谱产生的不同贡献，通过此步骤将光谱预处理、变量选择这两个非系统参数缩减到光谱组合这一个参数，减少了模型前需要优化的参数数量，从而减少了因参数选择带来的在后续建模路径上的误差。相关系数有一维相关系数(皮尔逊相关)和组合波段相关系数，建立PLS潜在因子为1-6的组合PLS模型。模型性能通过均方根误差(RMSE)、R2和预测标准误差与标准偏差之比(RPD)进行评估。分析了两个开源的药物近红外光谱数据集，将该方法应用于预测药物中的活性物质含量分析研究。
药物近红外光谱数据集的简要介绍：
数据集A：“Tablet”数据集。原料药的近红外透射光谱由Dyrby等人在2002年发表的文章中首次公开，并在http://www.models.life.ku.dk/plates上开源。该药片数据集包含310个样本，用Kennard Stone(KS)算法将数据集分为校准集和验证集，分别包含207个样本和103个样本。测量范围为7000–10500cm-1，分辨率为16cm-1，即每个样本总共有404个变量。
数据集B：“Shootout”数据集。2002年，国际漫反射会议公开了一个“Shootout”数据集，在https://eigenvector.com/data/tablets上开源，该数据集包含655个样本，校准、验证和测试集被KS算法划分155、40和460个样本。光谱测量范围为600-1898nm，分辨率为2nm，每个样本有650个变量。
数据集介绍如表1，每个样本对应一个API值。
表1-数据集介绍
为实现上述目的，本发明采用的技术方案为基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法，包括以下步骤：
步骤1，首先，以数据集A为例，对药物的近红外校准集光谱(记为矩阵A[207,404]，表示207个样本，每个样本有404个变量，每个变量代表对应波数上的光谱吸光度值)进行光谱预处理。采用的光谱预处理方法有Savitzky–Golay导数滤波、光谱散射矫正、一阶导、二阶导、光谱散射矫正后跟二阶导。得到五个不同的预处理光谱数据集，分别记为SGD[207,404]、MSC[207,404]、FD[207,403]、SD[207,402]、MSCSD[207,402]。
步骤2，根据皮尔逊相关r：
Ri是波数i上的光谱吸光度值，μR是样本吸光度值的算术平均值，而Ci和μC是相同波数i下样品的API值和API平均值。
计算A[207,404]中每个样本同一波数上的吸光度值与API的皮尔逊相关系数值，得到向量P_A[1,404]。P_A中的最大值即为A中吸光度值与API相关性的最高值。同理，对SGD[207,404]、MSC[207,404]、FD[207,403]、SD[207,402]、MSCSD[207,402]进行同样的计算，分别得到向量P_SGD[1,404]、P_MSC[1,404]、P_FD[1,403]、P_SD[1,402]、P_MSCSD[1,402]。
随后，提取各相关系数值最高处的波数作为PCC光谱参数P_wave(见表2)。
步骤3，采用组合波段系数：
NDI(Ri,Rj)＝(Ri-Rj)/(Ri+Rj) (2)
DI(Ri,Rj)＝Ri-Rj (3)
RI(Ri,Rj)＝Ri/Rj (4)
Ri和Rj分别是波数i和j上的吸光度值。
分别计算A[207,404]的NDI、DI、RI变化，例如，进行NDI计算后，每个样本都得能到维度为[404,404]的NDI变换矩阵NDIp_A。同理，可得到DIp_A[404,404]，RIp_A[404,404]。同理，对SGD[207,404]、MSC[207,404]、FD[207,403]、SD[207,402]、MSCSD[207,402]进行同样的计算。
步骤4，以A[207,404]举例，分别计算NDIp_A，DIp_A，RIp_A的光谱值与API的皮尔逊相关系数。得到二维相关系数值矩阵NDI_A[404,404]，DI_A[404,404]，RI_A[404,404]，矩阵中每一个点代表一对波长上对应的吸光度值与API的相关系数值。同理，预处理矩阵SGD、MSC、FD、SD、MSCSD做同样计算。
随后，提取最大值的坐标作为CCC的光谱参数NDI_wave、DI_wave、RI_wave(见表2)。
步骤5，根据步骤3和步骤4提取的光谱参数和校正数据集中的API值重构输入和输出数据集，建立参数优化路径和潜在因子数为1-6的全连接网络，运行为所有参数优化建立的PLS模型，对每个模型的评价指标的结果进行了登记。
步骤6，建立了包括RMSE、R2在内的模型评价指标，为保证模型评估，还包括了RPD重要参数。并对结果进行了分析，确定了PLS建模的轨迹路径。
步骤7，确立系统参数优化的PLS模型。
表2-一维和组合波段相关系数选择最敏感的光谱参数
与现有技术相比，本发明具有以下优势：
(1)提出组合波段相关系数，以选择与API更为敏感的光谱带组合，增强了光谱的特征表达。
(2)利用相关系数(包括皮尔逊相关和组合波段相关)，组合了各个预处理光谱不同的特征表达，使得模型无需考虑光谱预处理这一变量，即：将光谱预处理、变量选择、潜在因子集合到光谱参数、潜在因子，缩减了模型前需要优化的参数数量。
附图说明
图1样品的各预处理光谱图
图2 API与波数的PCC系数值图
图3 API与波数的CCC系数值计算示意图
图4建模步骤流程图
图5加工多路径示意图
图6模型RPD评价指标结果图
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
本发明公开了基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法。近红外分析方法在很大程度上依赖于为回归分析选择合适的预处理策略和变量提取技术，现有的基于偏最小二乘法的标定模型建立往往只考虑预处理、变量提取和潜在因子这三个参数的逐步优化，只能建立针对特定数据集的单一分析模型，而单一模型往往不具有鲁棒性，或者只考虑三个参数的统一路径优化，而每个参数的选择都会往后传播较大的误差。针对上述不足，本发明引入相关系数，找到活性物质含量与光谱指数之间的线性关系，对不同光谱预处理方法得到的各种光谱参数进行了组合运算，综合考虑不同预处理提供的不同贡献，将光谱预处理、变量选择、潜在因子集合到光谱参数、潜在因子。光谱系数有一维相关系数(皮尔逊相关)和组合波段相关系数，建立潜在因子数1-6的全连接PLS组合模型。模型性能通过均方根误差(RMSE)、R2和预测标准误差与标准偏差(RPD)之比进行评估。该方法采用了所有可能参数组合的全局最优策略和轨迹路径，分析了不同药物的近红外光谱数据集。结果表明，数据集A中使用NDI组合变量提取和PLS在6个潜在因子下模型的性能最好，验证集的RMSEP，R2和RPD值分别为0.3098％，0.9400和4.68，数据集B中得到RI组合变量提取并在PLS的6个潜在因子下选择变量，RMSEP、R2和RPD分别为0.1020％、0.9639和5.2794，该模型可作为药物活性物质含量的测定。
图1，由于近红外光谱图中常常存在噪声，为消除光散射引起的非线性显著影响和光谱中加性和乘法效应，选取Savitzky–Golay导数滤波(SGD)，光谱散射矫正(MSC)，一阶导(FD)，二阶导(SD)，光谱散射矫正后跟二阶导(MSCSD)共五种不同的预处理方式对原谱的全谱进行处理。
图2，分别对不同预处理之后的光谱进行API与波数值的皮尔逊相关系数计算，找到图中最高或最低点的位置，作为PCC光谱参数。
图3，分别对不同预处理之后的光谱进行API与波数值的组合波段相关系数计算，找到图中最亮的点的波长组合位置，作为CCC光谱参数。
图4，利用表2中所选的光谱参数和校正数据集中的API重构输入和输出数据集，同时设置潜在因子为1-6的全连接网络，形成参数优化路径。
图5，以数据集A为例，通过图4的建模路径，展示了具体的多路径建模图，最后以RMSE、R2及RPD为评价指标评价模型好坏。
图6，结果表明，不止一条建模路径可以确保一个成功的模型。从不同的建模路径和模型预测获得的数据来看。以数据集A为例，有7个RPD在3.5到4之间的很好模型，还有13个RPD值大于4的非常好的模型路径(图6A)。RPD的临界值为2，越高表示模型越好。图6A显示，建立API模型时，采用NDI组合变量提取和PLS在6个潜在因子下模型的性能最好，验证集的RMSEP，R2和RPD值分别为0.3098％，0.9400和4.68。同样，得到RI组合变量提取并在PLS的6个潜在因子下选择变量，得到了最优B数据集模型，RMSEP、R2和RPD分别为0.1020％、0.9639和5.2794。结果表明，模型在药物的API预测分析中表现优异。表3比较了同一数据集下前人工作与本方法的结果对比，结果表明基于偏最小二乘法分析药物中活性物质含量的集成参数优化模型性能有所提高。
表3-结果对比
Claims (1)
1.基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法，其特征在于：
步骤1，首先，对药物数据集A的近红外校准集光谱进行光谱预处理；采用的光谱预处理方法有Savitzky–Golay导数滤波、光谱散射矫正、一阶导、二阶导、光谱散射矫正后跟二阶导；得到五个不同预处理光谱数据集，分别记为SGD[207,404]、MSC[207,404]、FD[207,403]、SD[207,402]、MSCSD[207,402]；
步骤2，根据皮尔逊相关r：
Ri是波数i上的光谱吸光度值，μR是样本吸光度值的算术平均值，而Ci和μC是相同波数i下样品的API值和API平均值；
计算A[207,404]中每个样本同一波数上的吸光度值与API的皮尔逊相关系数值，得到向量P_A[1,404]；P_A中的最大值即为A中吸光度值与API相关性的最高值；对SGD[207,404]、MSC[207,404]、FD[207,403]、SD[207,402]、MSCSD[207,402]进行同样的计算，分别得到向量P_SGD[1,404]、P_MSC[1,404]、P_FD[1,403]、P_SD[1,402]、P_MSCSD[1,402]；
随后，提取各相关系数值最高处的波数作为PCC光谱参数P_wave；
步骤3，采用组合波段系数：
NDI(Ri,Rj)＝(Ri-Rj)/(Ri+Rj) (2)
DI(Ri,Rj)＝Ri-Rj (3)
RI(Ri,Rj)＝Ri/Rj (4)
Ri和Rj分别是波数i和j上的吸光度值；
分别计算A[207,404]的NDI、DI、RI变化；NDI的计算中，每个样本都得能到维度为[404,404]的NDI变换矩阵NDIp_A；同理，得到DIp_A[404,404]，RIp_A[404,404]；同理，对SGD[207,404]、MSC[207,404]、FD[207,403]、SD[207,402]、MSCSD[207,402]进行同样的计算；
步骤4，A[207,404]中，分别计算NDIp_A，DIp_A，RIp_A的光谱值与API的皮尔逊相关系数；得到二维相关系数值矩阵NDI_A[404,404]，DI_A[404,404]，RI_A[404,404]，矩阵中每一个点代表一对波长上对应的吸光度值与API的相关系数值；预处理矩阵SGD、MSC、FD、SD、MSCSD做同样计算；
随后，提取最大值的坐标作为CCC的光谱参数NDI_wave、DI_wave、RI_wave；
步骤5，根据步骤3和步骤4提取的光谱参数和校正数据集中的API值重构输入和输出数据集，建立参数优化路径和潜在因子数为1-6的全连接网络，运行为所有参数优化建立的PLS模型，对每个模型的评价指标的结果进行登记；
步骤6，建立包括RMSE、R2在内的模型评价指标，为保证模型评估，还包括RPD重要参数；并对结果进行分析，确定PLS建模的轨迹路径；
步骤7，确立系统参数优化的PLS模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110092929.1A CN112903625B (zh) | 2021-01-25 | 2021-01-25 | 基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110092929.1A CN112903625B (zh) | 2021-01-25 | 2021-01-25 | 基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112903625A CN112903625A (zh) | 2021-06-04 |
| CN112903625B true CN112903625B (zh) | 2024-01-19 |
Family
ID=76118708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110092929.1A Active CN112903625B (zh) | 2021-01-25 | 2021-01-25 | 基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112903625B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113607683A (zh) * | 2021-08-09 | 2021-11-05 | 天津九光科技发展有限责任公司 | 一种近红外光谱定量分析的自动建模方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6114699A (en) * | 1997-11-26 | 2000-09-05 | The United States Of America As Represented By The Secretary Of Agriculture | Prediction of total dietary fiber in cereal products using near-infrared reflectance spectroscopy |
| WO2009114591A1 (en) * | 2008-03-11 | 2009-09-17 | Smithkline Beecham Corporation | Method and apparatus for screening drugs for predictors of quantitatively measured events |
| CN105608296A (zh) * | 2016-01-29 | 2016-05-25 | 广州地理研究所 | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 |
| CN107064054A (zh) * | 2017-02-28 | 2017-08-18 | 浙江大学 | 一种基于cc‑pls‑rbfnn优化模型的近红外光谱分析方法 |
| CN107167446A (zh) * | 2017-05-16 | 2017-09-15 | 武汉大学 | 一种土壤重金属可见及近红外反射光谱特征诊断方法 |
| 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 |
| CN111650129A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1696660A (zh) * | 2005-04-05 | 2005-11-16 | 中国药品生物制品检定所 | 利用近红外光谱分析方法识别药物的方法与装置 |
-
2021
- 2021-01-25 CN CN202110092929.1A patent/CN112903625B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6114699A (en) * | 1997-11-26 | 2000-09-05 | The United States Of America As Represented By The Secretary Of Agriculture | Prediction of total dietary fiber in cereal products using near-infrared reflectance spectroscopy |
| WO2009114591A1 (en) * | 2008-03-11 | 2009-09-17 | Smithkline Beecham Corporation | Method and apparatus for screening drugs for predictors of quantitatively measured events |
| CN105608296A (zh) * | 2016-01-29 | 2016-05-25 | 广州地理研究所 | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 |
| CN107064054A (zh) * | 2017-02-28 | 2017-08-18 | 浙江大学 | 一种基于cc‑pls‑rbfnn优化模型的近红外光谱分析方法 |
| CN107167446A (zh) * | 2017-05-16 | 2017-09-15 | 武汉大学 | 一种土壤重金属可见及近红外反射光谱特征诊断方法 |
| 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 |
| CN111650129A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于高光谱的冬油菜叶片磷含量诊断模型;李岚涛等;《农业工程学报》;20160723;第32卷(第14期);全文 * |
| 油砂光谱特性及其含油率遥感估算研究;尤金凤等;《光谱学与光谱分析》;20150415;第35卷(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112903625A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mishra et al. | New data preprocessing trends based on ensemble of multiple preprocessing techniques | |
| WO2020073737A1 (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
| Hoang | Wavelet-based spectral analysis | |
| CN104897607A (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
| Yu et al. | Nondestructive determination of SSC in Korla fragrant pear using a portable near-infrared spectroscopy system | |
| Zhao et al. | Deep learning assisted continuous wavelet transform-based spectrogram for the detection of chlorophyll content in potato leaves | |
| Huang et al. | Using one-class autoencoder for adulteration detection of milk powder by infrared spectrum | |
| CN112903625B (zh) | 基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法 | |
| Li et al. | Optimization of COD determination by UV–vis spectroscopy using PLS chemometrics algorithms | |
| Ochoa et al. | Class comparison enabled mass spectrum purification for comprehensive two-dimensional gas chromatography with time-of-flight mass spectrometry | |
| Yang et al. | Piecewise preprocessing of near-infrared spectra for improving prediction ability of a PLS model | |
| Ng et al. | Estimation of effective calibration sample size using visible near infrared spectroscopy: Deep learning vs machine learning | |
| Nespeca et al. | Multivariate filters combined with interval partial least square method: A strategy for optimizing PLS models developed with near infrared data of multicomponent solutions | |
| Zhu et al. | Interval combination iterative optimization approach coupled with SIMPLS (ICIOA-SIMPLS) for quantitative analysis of surface-enhanced Raman scattering (SERS) spectra | |
| Tavakoli et al. | Predicting key soil properties from Vis-NIR spectra by applying dual-wavelength indices transformations and stacking machine learning approaches | |
| Zheng et al. | Enhancing model robustness through different optimization methods and 1-D CNN to eliminate the variations in size and detection position for apple SSC determination | |
| Jiang et al. | Detecting total acid content quickly and accurately by combining hyperspectral imaging and an optimized algorithm method | |
| Chen et al. | Detection of the alcohol fermentation process in vinegar production with a digital micro-mirror based NIR spectra set-up and chemometrics | |
| Liu et al. | Series fusion of scatter correction techniques coupled with deep convolution neural network as a promising approach for NIR modeling | |
| Li et al. | Quantitative analysis of aflatoxin B1 of peanut by optimized support vector machine models based on near-infrared spectral features | |
| Wang et al. | A Lightweight convolutional neural network for nicotine prediction in tobacco by near-infrared spectroscopy | |
| Zhao et al. | Laser-induced breakdown spectroscopy (LIBS) for the detection of exogenous contamination of metal elements in lily bulbs | |
| Du et al. | Quantitative detection of azodicarbonamide in wheat flour by near-infrared spectroscopy based on two-step feature selection | |
| Sanogo et al. | Capability of visible-near infrared spectroscopy in estimating soils carbon, potassium and phosphorus | |
| Linker | Soil classification via mid-infrared spectroscopy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |