CN113030010A - 一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法 - Google Patents
一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法 Download PDFInfo
- Publication number
- CN113030010A CN113030010A CN202110265444.8A CN202110265444A CN113030010A CN 113030010 A CN113030010 A CN 113030010A CN 202110265444 A CN202110265444 A CN 202110265444A CN 113030010 A CN113030010 A CN 113030010A
- Authority
- CN
- China
- Prior art keywords
- wave number
- near infrared
- infrared spectrum
- decision coefficient
- step length
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 35
- 238000004904 shortening Methods 0.000 title claims abstract description 20
- 238000012216 screening Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 title claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 26
- 238000002790 cross-validation Methods 0.000 claims abstract description 21
- 238000010200 validation analysis Methods 0.000 claims abstract description 3
- 238000012795 verification Methods 0.000 claims description 19
- 239000012634 fragment Substances 0.000 claims description 12
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 14
- 241000209094 Oryza Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 125000000524 functional group Chemical group 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectrometry And Color Measurement (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法，属于近红外光谱快速检测技术领域。该方法采用一定步长分割全波数的近红外光谱图，将分割后的每段光谱，分别采用偏最小二乘法建立模型，选择交叉验证决定系数和外部验证决定系数同时大于等于K值的波数段为优选波数段；再进一步地缩短步长，将优选的波数段进行分割，然后进行优选。如此多次缩短步长进行优中选优，最终获得近红外光谱的特征波数。本发明所述方法易实现、操作简单，不用编写程序代码，在常用的近红外光谱数据处理软件中就可以操作完成，获得的优选波数段与y值(即样品的真实值)的相关度和精准度更高。
Description
技术领域
本发明属于近红外光谱快速检测技术领域，具体涉及一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法。
背景技术
近红外(Near Infrared，NIR)光的本质是一种电磁波，按照美国材料试验学会的定义，其波长在780-2526nm之间，对应波数范围为12800cm-1-4000cm-1之间，主要反映的是O-H、N-H和C-H等化学键振动的倍频和合频信息。近红外光谱与其吸收光谱按照朗伯—比耳定律作定量分析，研究样品光谱与质量参数间的关系，建立两者之间的数学模型，然后用该数学模型预测未知样品的相关质量系数，对样品进行定量分析。近红外光谱分析技术是由硬件、化学计量学软件和模型三部分构成，傅里叶变换近红外光谱仪用于采集样品的近红外光谱，化学计量学软件用于建立预测模型，预测模型用于待测样品的定量和定性预测分析。近红外光谱技术分析样品具有方便、快速、高效、准确和成本较低，不破坏样品，不消耗化学试剂，不污染环境等优点，因此该技术受到越来越多人的青睐。
目前，在近红外光谱快速检测技术领域，由于近红外光谱吸收谱带共线性严重、信息冗余和含有噪音干扰波数，导致建立的模型预测能力差。通过用特殊的方法选择特征波数代替全波数，不仅可以降低全光谱的数据量，还能够提高模型的运算速度，而且可以提高模型的性能。
发明内容
有鉴于此，为了解决近红外光谱吸收谱带共线性严重、信息冗余和含有噪音干扰，导致建立的模型预测能力差的技术难题，本发明提供一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法。该方法通过选择与响应值相关性高的波数段，舍去相关性不高的波数段，减少模型的输入变量，减少干扰变量，缩短模型的计算时间，提升模型的预测能力。
为了实现上述目的，本发明采用如下技术方案：
一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法，该方法包括以下步骤：
S1、将全波数的近红外光谱按照步长200～500cm-1划分成若干段，将每一段命名为1、2、3、4……M，M为逐步分割近红外光谱图时获得片段的自然排序编号，分别采用偏最小二乘法建立模型，选择交叉验证决定系数R2cv和外部验证决定系数R2val同时大于等于K的波数段为优选波数段；
S2、将步骤S1中获得的优选波数段，进一步缩短步长，按照步长50～200cm-1划分成若干段，将每一段命名为M.1、M.2、M.3、M.4……M.N，N为逐步分割近红外光谱图时获得片段的自然排序编号，分别采用偏最小二乘法建立模型，选择交叉验证决定系数R2cv和外部验证决定系数R2val同时大于等于K的波数段为优选波数段；
S3、将步骤S2中获得的优选波数段，进一步缩短步长，按照步长10～50cm-1划分成若干段，将每一段命名为M.N.1、M.N.2、M.N.3、M.N.4……M.N.P，P为逐步分割近红外光谱图时获得片段的自然排序编号，分别采用偏最小二乘法建立模型，选择交叉验证决定系数R2cv和外部验证决定系数R2val同时大于等于K的波数段为优选波数段；
S4、将步骤S3中获得的优选波数段，进一步缩短步长，按照步长1～10cm-1划分成若干段，将每一段命名为M.N.P.1、M.N.P.2、M.N.P.3、M.N.P.4……M.N.P.Q，Q为逐步分割近红外光谱图时获得片段的自然排序编号，分别采用偏最小二乘法建立模型，选择交叉验证决定系数R2cv和外部验证决定系数R2val同时大于等于K的波数段为优选波数段。
进一步，步骤中所述的交叉验证决定系数
式中y值均来自建立模型的样品集。
进一步，所述的外部验证决定系数
式中y值均来自外部验证样品集。
进一步，所述K的取值范围为：0.70≤K≤1.0。
与现有技术相比，本发明具有以下优点：
(1)易实现。不用编写程序代码，不需要使用MATLAB运行编写的程序。对于近红外光谱技术和化学计量学知识缺乏的科研工作者，也可以非常好的领会和使用本发明所述的近红外光谱筛选特征波数的方法。
(2)操作简单。在常用的近红外光谱数据处理软件中就可以操作完成。
(3)优选的评价指标少。近红外光谱筛选特征波数的目的是筛选出与y值(即样品真实值)相关度高的波数段，本发明所述方法以交叉验证决定系数(R2cv)、外部验证决定系数(R2val)和K值为评价指标搜索优选相关度高的波数段。
(4)与y值(即样品的真实值)相关度高的优选波数段精准度更高。本发明所述方法在于采用逐步缩短步长的方法，将每一步获得的优选波数段，再进一步进行缩短步长分割并进行优选，因此，本发明所述的方法获得的优选波数段更精确。
附图说明
图1为本发明所述方法实施步骤流程示意图。
图2为稻谷样品的近红外光谱图。
图3为用本发明所述方法筛选出的判别稻谷样品霉菌污染的特征波数。
图4为用本发明所述方法筛选出的预测稻谷样品水分含量的特征波数。
具体实施方式
下面结合附图对本发明具体实施例进行详细说明。
实施例1
图2为稻谷样品的近红外光谱图，采用近红外光谱技术快速判别稻谷样品是否污染霉菌，使用Bruker MPA型傅立叶变换近红外光谱仪，近红外光谱扫描区域选用3594.9～12790.3cm-1，分辨率为16cm-1，共有2307个波数点。谱图的两端一般为噪音，谱图中含有信息冗长复杂，且含有很多与分析目标不相关的信息。为了得到一个输入变量少、分析速度快、性能稳定和预测能力强的模型，采用本发明所述方法，筛选出与分析目标相关度高的特征波数。图1为本发明所述方法实施步骤流程示意图。
将样品近红外光谱图按照步长为200cm-1进行分割，共获得12段光谱，分别采用偏最小二乘法建立模型，选择交叉验证决定系数(R2cv)和外部验证决定系数(R2val)同时大于等于0.80的波数段为优选波数段。由表1可知，第7～12个波数段为优选波数段，共1107个波数点，占全光谱47％。
表1步长200cm-1特征波数筛选结果
注：“-”代表，相关性极低。
将第7～12个波数段按照步长为50cm-1进行分割，共获得22段光谱，分别采用偏最小二乘法建立模型，选择交叉验证决定系数(R2cv)和外部验证决定系数(R2val)同时大于等于0.80的波数段为优选波数段。由表2可知，第7.2、8.1、8.2、8.4、9.1、9.3、10.1、10.3、11.1、11.3、12.1和12.2共12个波数段为优选波数段，共607个波数点，占全光谱26.31％。
表2步长50cm-1特征波数筛选结果
注：“-”代表，相关性极低。
将第7.2、8.1、8.2、8.4、9.1、9.3、10.1、10.3、11.1、11.3、12.1和12.2共12个波数段按照步长为25cm-1进行分割，共获得24段光谱，分别采用偏最小二乘法建立模型，选择交叉验证决定系数(R2cv)和外部验证决定系数(R2val)同时大于等于0.80的波数段为优选波数段。由表3可知，第7.2.1、8.1.1、8.1.2、8.2.2、8.4.1、8.4.2、9.3.2、11.1.1、11.3.2、12.1.2和12.2.1共11个波数段为优选波数段，共275个波数点，占全光谱11.92％。
表3步长25cm-1特征波数筛选结果
注：“-”代表，相关性极低。
将第7.2.1、8.1.1、8.1.2、8.2.2、8.4.1、8.4.2、9.3.2、11.1.1、11.3.2、12.1.2和12.2.1共11个波数段按照步长为5cm-1进行分割，共获得55段光谱，分别采用偏最小二乘法建立模型，选择交叉验证决定系数(R2cv)和外部验证决定系数(R2val)同时大于等于0.80的波数段为优选波数段。由表4可知，第7.2.1.2、8.1.1.1、8.1.1.2、8.1.1.3、8.1.2.1、8.1.2.2、8.4.1.2、8.4.1.3、8.4.1.4、8.4.1.5、8.4.2.1、8.4.2.2、8.4.2.3、8.4.2.4、8.4.2.5、11.3.2.2、11.3.2.4、12.2.1.2和12.2.1.3共19个波数段为优选波数段，共95个波数点，占全光谱4.12％。
表4步长5cm-1特征波数筛选结果
注：“-”代表，相关性极低。
将最终获得的优选波数段，标注在样品的近红外光谱图中，结果见图3。由图3可知，与分析目标相关的特征波数段，与样品近红外光谱图的强吸收峰并没有重合，这说明仅仅依靠近红外光谱进行谱图解析，并不能获得理想的结果。近红外光谱图所反映的官能团谱带吸收重叠严重，而且含有噪音等干扰因素，因此需要使用化学计量学软件进行更深层次的分析才能获得与分析成分相关的特征波数，从建立有效的鉴别模型。
最终步长为5cm-1时，获得优选波数点95个，占全光谱4.12％，所建立的鉴别模型，其R2cv为0.9220和R2val为0.9184，表明仅利用全光谱4.12％的信息，就可以准确鉴别92.20％的样品。采用逐步缩短步长优中选优的方法，筛选出来的波数段为7652.42～7636.99cm-1、7093.14～7039.15cm-1、6996.72～6962cm-1、6945.3～6325.59cm-1、4277.49～4262.06cm-1、4238.92～4223.49cm-1和3795.35～3760.64cm-1，一共7段合计95个波数点，即95个输入变量。
实施例2
采用近红外光谱技术快速预测稻谷样品中水分含量，使用Bruker MPA型傅立叶变换近红外光谱仪，近红外光谱扫描区域选用3594.9～12790.3cm-1，分辨率为16cm-1，共有2307个波数点。谱图的两端一般为噪音，谱图中含有信息冗长复杂，且含有很多与分析目标不相关的信息。为了得到一个输入变量少、分析速度快、性能稳定和预测能力强的模型，采用本发明所述方法，筛选出与分析目标相关度高的特征波数。
将样品近红外光谱图按照步长为300cm-1进行分割，共获得8段光谱，分别采用偏最小二乘法建立模型，选择交叉验证决定系数(R2cv)和外部验证决定系数(R2val)同时大于等于0.90的波数段为优选波数段。由表5可知，第2～8个波数段为优选波数段，共2007个波数点，占全光谱87％。
表5步长300cm-1特征波数筛选结果
注：“-”代表，相关性极低。
将第2～8个波数段按照步长为150cm-1进行分割，共获得14段光谱，分别采用偏最小二乘法建立模型，选择交叉验证决定系数(R2cv)和外部验证决定系数(R2val)同时大于等于0.90的波数段为优选波数段。由表6可知，第2.2、4.1、5.1、5.2、6.1、7.1、7.2和8.1共8个波数段为优选波数段，共1200个波数点，占全光谱52.02％。
表6步长150cm-1特征波数筛选结果
注：“-”代表，相关性极低。
将第2.2、4.1、5.1、5.2、6.1、7.1、7.2和8.1共8个波数段按照步长为50cm-1进行分割，共获得24段光谱，分别采用偏最小二乘法建立模型，选择交叉验证决定系数(R2cv)和外部验证决定系数(R2val)同时大于等于0.90的波数段为优选波数段。由表7可知，第5.1.1、5.1.2、5.1.3、5.2.1、5.2.3、6.1.2、7.1.1、7.1.2、7.2.1、7.2.2和8.1.1共11个波数段为优选波数段，共550个波数点，占全光谱23.84％。
表7步长50cm-1特征波数筛选结果
注：“-”代表，相关性极低。
将第5.1.1、5.1.2、5.1.3、5.2.1、5.2.3、6.1.2、7.1.1、7.1.2、7.2.1、7.2.2和8.1.1共11个波数段按照步长为10cm-1进行分割，共获得55段光谱，分别采用偏最小二乘法建立模型，选择交叉验证决定系数(R2cv)和外部验证决定系数(R2val)同时大于等于0.90的波数段为优选波数段。由表8可知，第5.2.1.2、5.2.1.3、7.1.1.4、7.1.1.5、7.1.2.2、7.2.1.4、7.2.1.5和7.2.2.1共8个波数段为优选波数段，共80个波数点，占全光谱3.47％。
表8步长10cm-1特征波数筛选结果
注：“-”代表，相关性极低。
将最终获得的优选波数段，标注在样品的近红外光谱图中，结果见图4。由图4可知，与分析目标相关的特征波数段，与样品近红外光谱图的强吸收峰并没有重合，这说明仅仅依靠近红外光谱进行谱图解析，并不能获得理想的结果。近红外光谱图所反映的官能团谱带吸收重叠严重，而且含有噪音等干扰因素，因此需要使用化学计量学软件进行更深层次的分析才能获得与分析成分相关的特征波数，从建立有效的鉴别模型。
最终步长为10cm-1时，获得优选波数点80个，占全光谱3.47％，所建立的鉴别模型，其R2cv为0.9781和R2val为0.9700，表明仅利用全光谱3.47％的信息，就可以准确预测97.81％的样品。采用逐步缩短步长优中选优的方法，筛选出来的特征波数段为7247.465～7174.18cm-1、5434.634～5361.35cm-1、5318.922～5284.208cm-1和4856.071～4744.216cm-1，一共4段合计80个波数点，即80个输入变量。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法，其特征在于，该方法包括以下步骤：
S1、将全波数的近红外光谱按照步长200～500cm-1划分成若干段，将每一段命名为1、2、3、4……M，M为逐步分割近红外光谱图时获得片段的自然排序编号，分别采用偏最小二乘法建立模型，选择交叉验证决定系数R2cv和外部验证决定系数R2val同时大于等于K的波数段为优选波数段；
S2、将步骤S1中获得的优选波数段，进一步缩短步长，按照步长50～200cm-1划分成若干段，将每一段命名为M.1、M.2、M.3、M.4……M.N，N为逐步分割近红外光谱图时获得片段的自然排序编号，分别采用偏最小二乘法建立模型，选择交叉验证决定系数R2cv和外部验证决定系数R2val同时大于等于K的波数段为优选波数段；
S3、将步骤S2中获得的优选波数段，进一步缩短步长，按照步长10～50cm-1划分成若干段，将每一段命名为M.N.1、M.N.2、M.N.3、M.N.4……M.N.P，P为逐步分割近红外光谱图时获得片段的自然排序编号，分别采用偏最小二乘法建立模型，选择交叉验证决定系数R2cv和外部验证决定系数R2val同时大于等于K的波数段为优选波数段；
S4、将步骤S3中获得的优选波数段，进一步缩短步长，按照步长1～10cm-1划分成若干段，将每一段命名为M.N.P.1、M.N.P.2、M.N.P.3、M.N.P.4……M.N.P.Q，Q为逐步分割近红外光谱图时获得片段的自然排序编号，分别采用偏最小二乘法建立模型，选择交叉验证决定系数R2cv和外部验证决定系数R2val同时大于等于K的波数段为优选波数段。
2.根据权利要求1所述的一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法，其特征在于，步骤中所述的交叉验证决定系数
式中y值均来自建立模型的样品集。
3.根据权利要求1所述的一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法，其特征在于，所述的外部验证决定系数
式中y值均来自外部验证样品集。
4.根据权利要求1所述的一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法，其特征在于，所述K的取值范围为：0.70≤K≤1.0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110265444.8A CN113030010A (zh) | 2021-03-11 | 2021-03-11 | 一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110265444.8A CN113030010A (zh) | 2021-03-11 | 2021-03-11 | 一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113030010A true CN113030010A (zh) | 2021-06-25 |
Family
ID=76469690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110265444.8A Pending CN113030010A (zh) | 2021-03-11 | 2021-03-11 | 一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113030010A (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003098262A1 (fr) * | 2002-05-17 | 2003-11-27 | Leonid Viktorovich Volkov | Systeme de formation d'images 3d dans des gammes d'ondes millimetriques et submillimetriques (variantes) et procede de formation d'images en 3d dans des gammes d'ondes millimetriques et submillimetriques (variantes) |
| US6754543B1 (en) * | 1998-06-22 | 2004-06-22 | Umetri Aktiebolag | Method and arrangement for calibration of input data |
| CN101825567A (zh) * | 2010-04-02 | 2010-09-08 | 南开大学 | 一种近红外光谱和拉曼光谱波长的筛选方法 |
| CN102053072A (zh) * | 2010-11-26 | 2011-05-11 | 西南大学 | 基于最小偏二乘法的酿造酱油和配制酱油的鉴别方法 |
| CN102252995A (zh) * | 2011-06-22 | 2011-11-23 | 中国林业科学研究院林产化学工业研究所 | 一种近红外透射光谱(nits)快速检测原味茶油脂肪酸及鉴伪方法 |
| CN102353643A (zh) * | 2011-06-22 | 2012-02-15 | 中国林业科学研究院林产化学工业研究所 | 一种近红外漫反射光谱(nirs)快速测定油茶籽含油率的方法 |
| CN102711605A (zh) * | 2009-12-24 | 2012-10-03 | 休姆迪奇有限责任公司 | 用于通过红外吸收光谱法来分析试样气体的测量装置和方法 |
| CN104374731A (zh) * | 2014-11-18 | 2015-02-25 | 湖南省食品测试分析中心 | 用于鉴别稻米镉含量超标的mir光谱分析模型及鉴别方法 |
| CN105630743A (zh) * | 2015-12-24 | 2016-06-01 | 浙江大学 | 一种光谱波数的选择方法 |
| CN106644983A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 一种基于pls‑vip‑aco算法的光谱波长选择方法 |
| WO2017084118A1 (zh) * | 2015-11-19 | 2017-05-26 | 江南大学 | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 |
| CN108107019A (zh) * | 2017-12-15 | 2018-06-01 | 暨南大学 | 一种基于近红外光谱法快速检测玉米中杂色曲菌素含量的方法 |
| CN109030410A (zh) * | 2018-10-24 | 2018-12-18 | 吉林省现代中药工程研究中心有限公司 | 蜂王浆近红外定量校正模型的构建方法及蜂王浆的检测方法 |
| CN109211829A (zh) * | 2018-07-31 | 2019-01-15 | 湖南省水稻研究所 | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 |
| CN110210005A (zh) * | 2019-06-11 | 2019-09-06 | 浙江中烟工业有限责任公司 | 一种无参考值的光谱波数选择方法 |
| CN110503156A (zh) * | 2019-08-27 | 2019-11-26 | 黑龙江八一农垦大学 | 一种基于最小相关系数的多变量校正特征波长选择方法 |
| US20200104651A1 (en) * | 2018-09-28 | 2020-04-02 | Hartford Steam Boiler Inspection & Insurance Compa | Dynamic outlier bias reduction system and method |
| CN111965135A (zh) * | 2020-06-05 | 2020-11-20 | 贵州省生物技术研究所(贵州省生物技术重点实验室、贵州省马铃薯研究所、贵州省食品加工研究所) | 基于近红外光谱的面条中马铃薯全粉含量快速测定的方法 |
-
2021
- 2021-03-11 CN CN202110265444.8A patent/CN113030010A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6754543B1 (en) * | 1998-06-22 | 2004-06-22 | Umetri Aktiebolag | Method and arrangement for calibration of input data |
| WO2003098262A1 (fr) * | 2002-05-17 | 2003-11-27 | Leonid Viktorovich Volkov | Systeme de formation d'images 3d dans des gammes d'ondes millimetriques et submillimetriques (variantes) et procede de formation d'images en 3d dans des gammes d'ondes millimetriques et submillimetriques (variantes) |
| CN102711605A (zh) * | 2009-12-24 | 2012-10-03 | 休姆迪奇有限责任公司 | 用于通过红外吸收光谱法来分析试样气体的测量装置和方法 |
| CN101825567A (zh) * | 2010-04-02 | 2010-09-08 | 南开大学 | 一种近红外光谱和拉曼光谱波长的筛选方法 |
| CN102053072A (zh) * | 2010-11-26 | 2011-05-11 | 西南大学 | 基于最小偏二乘法的酿造酱油和配制酱油的鉴别方法 |
| CN102252995A (zh) * | 2011-06-22 | 2011-11-23 | 中国林业科学研究院林产化学工业研究所 | 一种近红外透射光谱(nits)快速检测原味茶油脂肪酸及鉴伪方法 |
| CN102353643A (zh) * | 2011-06-22 | 2012-02-15 | 中国林业科学研究院林产化学工业研究所 | 一种近红外漫反射光谱(nirs)快速测定油茶籽含油率的方法 |
| CN104374731A (zh) * | 2014-11-18 | 2015-02-25 | 湖南省食品测试分析中心 | 用于鉴别稻米镉含量超标的mir光谱分析模型及鉴别方法 |
| WO2017084118A1 (zh) * | 2015-11-19 | 2017-05-26 | 江南大学 | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 |
| CN105630743A (zh) * | 2015-12-24 | 2016-06-01 | 浙江大学 | 一种光谱波数的选择方法 |
| CN106644983A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 一种基于pls‑vip‑aco算法的光谱波长选择方法 |
| CN108107019A (zh) * | 2017-12-15 | 2018-06-01 | 暨南大学 | 一种基于近红外光谱法快速检测玉米中杂色曲菌素含量的方法 |
| CN109211829A (zh) * | 2018-07-31 | 2019-01-15 | 湖南省水稻研究所 | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 |
| US20200104651A1 (en) * | 2018-09-28 | 2020-04-02 | Hartford Steam Boiler Inspection & Insurance Compa | Dynamic outlier bias reduction system and method |
| CN109030410A (zh) * | 2018-10-24 | 2018-12-18 | 吉林省现代中药工程研究中心有限公司 | 蜂王浆近红外定量校正模型的构建方法及蜂王浆的检测方法 |
| CN110210005A (zh) * | 2019-06-11 | 2019-09-06 | 浙江中烟工业有限责任公司 | 一种无参考值的光谱波数选择方法 |
| CN110503156A (zh) * | 2019-08-27 | 2019-11-26 | 黑龙江八一农垦大学 | 一种基于最小相关系数的多变量校正特征波长选择方法 |
| CN111965135A (zh) * | 2020-06-05 | 2020-11-20 | 贵州省生物技术研究所(贵州省生物技术重点实验室、贵州省马铃薯研究所、贵州省食品加工研究所) | 基于近红外光谱的面条中马铃薯全粉含量快速测定的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 严衍䘵等: "《近红外光谱分析的原理、技术与应用》", 31 January 2013, 中国轻工业出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Megavariate data analysis of mass spectrometric proteomics data using latent variable projection method | |
| CN110243806B (zh) | 拉曼光谱下基于相似度的混合物组分识别方法 | |
| CN109299501B (zh) | 一种基于工作流的振动光谱分析模型优化方法 | |
| CN105158200B (zh) | 一种提高近红外光谱定性分析准确度的建模方法 | |
| CN110068544B (zh) | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 | |
| CN111089856B (zh) | 一种拉曼光谱弱信号提取的后处理方法 | |
| CN105630743A (zh) | 一种光谱波数的选择方法 | |
| CN104020135A (zh) | 基于近红外光谱的校正模型建模方法 | |
| CN108489929A (zh) | 人参、三七和西洋参三种法定基源人参属多糖的鉴别方法 | |
| Ruan et al. | A novel hybrid filter/wrapper method for feature selection in archaeological ceramics classification by laser-induced breakdown spectroscopy | |
| CN115565004A (zh) | 一种基于二维拉曼图结合深度学习的拉曼光谱分析方法 | |
| Pan et al. | Identification of softwood species using convolutional neural networks and raw near-infrared spectroscopy | |
| CN114783539A (zh) | 一种基于光谱聚类的中药成分分析方法及系统 | |
| CN109883990A (zh) | 一种药用真菌近红外光谱分析方法 | |
| CN117538287A (zh) | 一种无损检测黄冠梨果磷含量的方法及装置 | |
| CN105806803A (zh) | 一种多指标协同分析波长组合及其选择方法 | |
| CN113030010A (zh) | 一种基于逐步缩短步长优中选优的近红外光谱特征波数的筛选方法 | |
| CN116879224A (zh) | 一种快速筛选近红外定标模型有效光谱预处理方案的方法及其应用 | |
| CN115452758A (zh) | 大米类别鉴别模型及其构建方法以及鉴别大米类别的方法 | |
| CN115795225A (zh) | 一种近红外光谱校正集的筛选方法及装置 | |
| CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
| CN114897031A (zh) | 一种可视化条件下混合物nmr波谱的解析方法及系统 | |
| CN104462751B (zh) | 一种基于多元高斯拟合的近红外光谱建模方法 | |
| CN114414523A (zh) | 一种基于自动波段选择的纺织纤维成分定性方法 | |
| CN116660207B (zh) | 一种油品快检中特征谱段确定方法和辛烷含量检测系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |