CN114298107A - 近红外光谱的净信号提取方法及其系统 - Google Patents
近红外光谱的净信号提取方法及其系统 Download PDFInfo
- Publication number
- CN114298107A CN114298107A CN202111634942.1A CN202111634942A CN114298107A CN 114298107 A CN114298107 A CN 114298107A CN 202111634942 A CN202111634942 A CN 202111634942A CN 114298107 A CN114298107 A CN 114298107A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- near infrared
- signal
- net
- data
- 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
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000001228 spectrum Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 35
- 239000012491 analyte Substances 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 239000000126 substance Substances 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000007689 inspection Methods 0.000 claims abstract description 7
- 238000004497 NIR spectroscopy Methods 0.000 claims abstract 3
- 230000003595 spectral effect Effects 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000010187 selection method Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 20
- 244000269722 Thea sinensis Species 0.000 description 10
- 235000013616 tea Nutrition 0.000 description 8
- 238000009795 derivation Methods 0.000 description 6
- 238000003672 processing method Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000009569 green tea Nutrition 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 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
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
本发明公开了一种近红外光谱的净信号提取方法及其系统，涉及近红外光谱技术领域。本发明包括如下步骤：采集样本，获取样本近红外光谱原始数据；使用化学检测方法检测感兴趣的分析物的含量，将其作为响应变量；将不同的光谱预处理方法以及不同的光谱预处理方法之间的结合应用到原始光谱数据上，并使用十折交叉检验找出最优预处理方案，使用LASSO算法挑选出与响应变量相关的波段。本发明通过提取近红外光谱的净分析信号减少偏最小二乘法最佳模型中的主成分个数，简化模型复杂度的同时提高模型准确度和鲁棒性，预处理方案的引入改变了近红外光谱扰动的方向，使得光谱扰动在净信号方向的投影减少。
Description
技术领域
本发明属于近红外光谱技术领域，特别是涉及一种近红外光谱的净信号提取方法及其系统。
背景技术
近红外光谱由于其波长靠近可见光区，穿透能力较强，能携带较多的样本信息，更适用于物质成分分析，近年来，近红外光谱技术以其在相对准确分析的基础上，兼有快速、简便等优点而迅速发展成为一种新兴的分析与研究手段，近红外光谱分析中应用最为普遍的一种定量分析模型建立方法为偏最小二乘法，与主成分回归一样，偏最小二乘法也属于因子分析方法，在建模过程中需要对光谱矩阵进行分解，分解过程提取出少数几个变量就能代表原光谱的大部分信息，在偏最小二乘回归中这些变量称之为主成分，但偏最小二乘回归在主成分提取过程中不仅考虑了检测目标向量，还要使提取出的主成分与检测目标向量间的协方差最大化，这保证了潜主成分与检测目标向量间有最大的相关性，在使用偏最小二乘法建立校正模型前，需要使用预处理方案对原始近红外光谱数据进行谱图校正，目前应用较广的近红外光谱处理方法主要包括标准正态变换，多元散射校正，基线校正，平滑处理。
现有的预处理虽然可以消除原始光谱数据里包含的多余信息，突出不同样本光谱信号间的差异，简化后续所建模型和提高模型预测精度，但是这些处理方法难以提取近红外光谱中的净分析信号，即只包含我们感兴趣的分析物的信号。
发明内容
本发明的目的在于提供一种近红外光谱的净信号提取方法及其系统，解决了现有的预处理虽然可以消除原始光谱数据里包含的多余信息，突出不同样本光谱信号间的差异，简化后续所建模型和提高模型预测精度，但是这些处理方法难以提取近红外光谱中的净分析信号，即只包含我们感兴趣的分析物的信号的技术问题。
为达上述目的，本发明是通过以下技术方案实现的：
一种近红外光谱的净信号提取方法，包括如下步骤：
采集样本，获取样本近红外光谱原始数据；
使用化学检测方法检测感兴趣的分析物的含量，将其作为响应变量；
将不同的光谱预处理方法(SNV，MSC，S-G，1stderivation)以及不同的光谱预处理方法(SNV，MSC，S-G，1stderivation)之间的结合应用到原始光谱数据上，并使用十折交叉检验找出最优预处理方案，使用LASSO算法挑选出与响应变量相关的波段；
在逆模型的条件下(只知道感兴趣的分析物的含量)，使用秩消方法获取噪声子空间，即由干扰信号(其他化学成分向量)张成的子空间，将测量得到的光谱信号向噪声子空间进行正交投影，垂直于噪声子空间的信号即为被测成份的净信号；
建立预测模型，提取校正数据，利用校正数据检测模型性能。
可选的，净信号求解过程所用的秩消方法的过程如下：假定r(H′1) 为采集的一个光谱向量，X(N′H)包含N个近红外光谱样本，ck(N′1) 为样本对应的感兴趣的分析物浓度向量，则r分解为两部分r＝r//+r^，其中，r//为r在重构矩阵空间的投影，r^为正交于r//的部分。
可选的，近红外光谱的净信号通过
计算，其中 S-k＝span{s1,s2,L sk-1,sk+1,L,sm}，矩阵的每一列为光谱中除去感兴趣分析物的浓度所含成分(即干扰成分)的浓度向量ck，
为只包含kth成分的纯光谱， I为单位矩阵，上标T代表矩阵的转置，上标+代表矩阵的伪逆矩阵，在逆模型条件下，没有先验数据求解S-k矩阵，因此采用秩消的方法来求解，具体描述为：应用主成分分析(PCA)法将原始数据进行重构，产生重构后的矩阵记作R。
可选的，噪声子空间的求解表示为
其中，
为ck在A 维空间的投影
dT为所有校正集的平均光谱，标量a的计算方法为
对于未知样品的近红外光谱数据rk,un，其关于分析物的净分析信号计算方式为
可选的，使用偏最小二乘法(PLS)建立预测模型，使用预测集的测定系数(R2)作为评判标准，在不发生欠拟合和过拟合的条件下选取最佳的预处理方案，使用波长选择方法(Least absolute shrinkage and selection operator，LASSO)选取最优波段，将选取的波段作为输入，提取净分析信号，用作最终的校正数据，最后利用偏最小二乘法(PLS)建立预测模型，并检测模型性能。
可选的，波长选择方法(LASSO)中的惩罚系数由十折交叉检验确定。
一种近红外光谱的净信号提取系统，包括：
采样模块：采样模块采集样本，获取样本近红外光谱原始数据；
预测模块：预测模块使用化学检测方法检测感兴趣的分析物的含量，将其作为响应变量；
处理模块：处理模块将不同的光谱预处理方法(SNV，MSC，S-G，1st derivation)以及不同的光谱预处理方法(SNV，MSC，S-G，1st derivation) 之间的结合应用到原始光谱数据上，并使用十折交叉检验找出最优预处理方案，使用LASSO算法挑选出与响应变量相关的波段；
提取模块：提取模块在逆模型的条件下(只知道感兴趣的分析物的含量)，使用秩消方法获取噪声子空间，即由干扰信号(其他化学成分向量) 张成的子空间，将测量得到的光谱信号向噪声子空间进行正交投影，垂直于噪声子空间的信号即为被测成份的净信号；
检测模块：检测模块建立预测模型，提取校正数据，利用校正数据检测模型性能。
本发明的实施例具有以下有益效果：
本发明的一个实施例通过提取近红外光谱的净分析信号减少偏最小二乘法最佳模型中的主成分个数，简化模型复杂度的同时提高模型准确度和鲁棒性，预处理方案的引入改变了近红外光谱扰动的方向，使得光谱扰动在净信号方向的投影减少，LASSO的引入则减小了扰动向量的模，进一步消除干扰对净分析信号提取的影响，另一方面，波长选择方法的引入解决近红外光谱数据存在的多重相关性的问题，并且缩减了光谱扰动向量的模，这两种处理光谱数据方案的引入增加了净分析信号的信噪比，进而改善模型精度，提高模型鲁棒性。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例1茶叶近红外光谱分析中原始的茶叶光谱数据；
图2为本发明实施例1茶叶近红外光谱分析中原始的茶叶光谱数据；
图3为本发明实施例1使用S-G(9点窗口)+SNV预处理之后的茶叶光谱数据；
图4为本发明实施例1预处理之后的一条茶叶光谱数据的净分析信号；
图5为本发明实施例1中LASSO选取的近红外波段；
图6为本发明实施例1中处理之后的光谱数据的净分析信号；
图7为本发明实施例1中基于最佳预处理方法与LASSO的模型预测结果；
图8为本发明实施例1中基于普通处理方法与LASSO的模型预测结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
为了保持本发明实施例的以下说明清楚且简明，本发明省略了已知功能和已知部件的详细说明。
在本实施例中提供了一种近红外光谱的净信号提取方法，包括如下步骤：
采集样本，获取样本近红外光谱原始数据；
使用化学检测方法检测感兴趣的分析物的含量，将其作为响应变量；
将不同的光谱预处理方法(SNV，MSC，S-G，1stderivation)以及不同的光谱预处理方法(SNV，MSC，S-G，1stderivation)之间的结合应用到原始光谱数据上，并使用十折交叉检验找出最优预处理方案，使用LASSO 算法挑选出与响应变量相关的波段；
使用LASSO算法挑选出与响应变量相关的波段，将其用作输入数据；
在逆模型的条件下(只知道感兴趣的分析物的含量)，使用秩消方法获取噪声子空间，即由干扰信号(其他化学成分向量)张成的子空间，将测量得到的光谱信号向干扰信号张成的空间进行正交投影，垂直于干扰信号张成的空间的信号即为被测成份的净信号；
建立预测模型，提取校正数据，利用校正数据检测模型性能。
一种近红外光谱的净信号提取系统，包括：
采样模块：采样模块采集样本，获取样本近红外光谱原始数据；
预测模块：预测模块使用化学检测方法检测感兴趣的分析物的含量，将其作为响应变量；
处理模块：处理模块将不同的光谱预处理方法(SNV，MSC，S-G，1st derivation)以及不同的光谱预处理方法(SNV，MSC，S-G，1st derivation) 之间的结合应用到原始光谱数据上，并使用十折交叉检验找出最优预处理方案，使用LASSO算法挑选出与响应变量相关的波段光谱数据作为输入；
提取模块：提取模块在逆模型的条件下(只知道感兴趣的分析物的含量)，使用秩消方法获取噪声子空间，即由干扰信号(其他化学成分向量) 张成的子空间，将测量得到的光谱信号向噪声子空间进行正交投影，垂直于噪声子空间的信号即为被测成份的净信号；
检测模块：检测模块建立预测模型，提取校正数据，利用校正数据检测模型性能。
本实施例一个方面的应用为：首先对比使用不同预处理方法下提取的净分析信号建立PLS校正模型，通过对比实验结果获取最优的预处理方案，最后再对预处理过的光谱数据使用LASSO进行波长选择得到最终的光谱校正数据，提取其净信号，进一步提高光谱信号的信噪比并且简化模型。
通过提取近红外光谱的净分析信号减少偏最小二乘法最佳模型中的主成分个数，简化模型复杂度的同时提高模型准确度和鲁棒性，预处理方案的引入改变了近红外光谱扰动的方向，使得光谱扰动在净信号方向的投影减少，LASSO的引入则减小了扰动向量的模，进一步消除干扰对净分析信号提取的影响，另一方面，波长选择方法的引入解决近红外光谱数据存在的多重相关性的问题，并且缩减了光谱扰动向量的模，这两种处理光谱数据方案的引入增加了净分析信号的信噪比，进而改善模型精度，提高模型鲁棒性。
本实施例的净信号求解过程所用的秩消方法的过程如下：假定r(H′1) 为采集的一个光谱向量，X(N′H)包含N个近红外光谱样本，ck(N′1) 为样本对应的感兴趣的分析物浓度向量，则r分解为两部分r＝r//+r^，其中，r//为r在重构矩阵空间的投影，r^为正交于r//的部分，感兴趣的分析物浓度ck只与近红外光谱中的这部分信号有关。
本实施例的近红外光谱的净信号通过
计算，其中 S-k＝span{s1,s2,L sk-1,sk+1,L,sm}，矩阵的每一列为光谱中除去感兴趣分析物的浓度所含成分(即干扰成分)的浓度向量ck，
为只包含kth成分的纯光谱， I为单位矩阵，上标T代表矩阵的转置，上标+代表矩阵的伪逆矩阵。
本实施例的在逆模型条件下，没有先验数据求解S-k矩阵，因此采用秩消的方法来求解，具体描述为：应用主成分分析(PCA)法将原始数据进行重构，产生重构后的矩阵记作R，目的是为了避免RTR不满秩无法计算回归系数同时消除随机噪声。
本实施例的噪声子空间的求解表示为
其中，
为ck在A 维空间的投影
dT为所有校正集的平均光谱。标量a的计算方法为
本实施例的对于未知样品的近红外光谱数据rk,un，其关于分析物的净分析信号计算方式为
本实施例的使用偏最小二乘法(PLS)建立预测模型，使用预测集的测定系数(R2)作为评判标准，在不发生欠拟合和过拟合的条件下选取最佳的预处理方案，使用波长选择方法(Least absolute shrinkage and selection operator，LASSO)选取最优波段，波长选择方法(LASSO)中的惩罚系数由十折交叉检验确定，将选取的波段作为输入，提取净分析信号，用作最终的校正数据，最后利用偏最小二乘法(PLS)建立预测模型，并检测模型性能。
实施例1：
本实施例提供茶叶近红外光谱分析中净分析信号提取的方法，以及选择预测茶叶中糖分含量的模型优化方案的过程(如图1所示)，具体步骤如下：
步骤一：首先制备待测样品，采集绿茶光谱数据为
(如图2 所示)，利用液相色谱法测定样品中的糖分含量数据为
将样本按照7:3的比例随机抽取划分为校正集和预测集；
步骤二：使用不同的预处理方案处理原始的近红外光谱数据，提取其只与糖分含量相关的净分析信号，建立PLS定量分析模型，以预测集的精度作为评价标准，选取最优的预处理方法，最终获得最优的预处理方式为9 点S-G平滑处理结合SNV。预处理之后的近红外光谱图如图3所示，对其提取净分析信号如图4所示；
步骤三：使用LASSO对预处理过的近红外光谱进行波长选择，采用10 折交叉验证确定最优惩罚系数，选取的波段如图5所示，然后提取处理之后的光谱数据的净分析信号如图6所示，将其作为最终的建模数据；
步骤四：基于最终的光谱数据使用PLS建立定量分析模型，分析模型性能，在最优PLS主成分为2的条件下，100次蒙特卡洛模拟实验的结果如图7所示，预测集R2的中位数为0.91，将普通处理方法(S-G+SNV)下的 PLS模型作为对比，100次蒙特卡洛模拟实验的结果如图8所示，在最优PLS 主成分为7的条件下，预测集R2的中位数为0.89。
通过对比可知，本发明所述方法能够通过近红外光谱数据实现高精度绿茶中糖分含量的测量，所得模型精度优于传统的建模方法。
以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种近红外光谱的净信号提取方法，其特征在于，包括如下步骤：
采集样本，获取样本近红外光谱原始数据；
使用化学检测方法检测感兴趣的分析物的含量，将其作为响应变量；
将不同的光谱预处理方法以及不同的光谱预处理方法之间的结合应用到原始光谱数据上，并使用十折交叉检验找出最优预处理方案，使用LASSO算法挑选出与响应变量相关的波段；
在逆模型的条件下，使用秩消方法获取噪声子空间，将测量得到的光谱信号向噪声子空间进行正交投影，垂直于噪声子空间的信号即为被测成份的净信号；
建立预测模型，提取校正数据，利用校正数据检测模型性能。
2.如权利要求1所述的一种近红外光谱的净信号提取方法，其特征在于，净信号求解过程所用的秩消方法的过程如下：假定r(H′1)为采集的一个光谱向量，X(N′H)包含N个近红外光谱样本，ck(N′1)为样本对应的感兴趣的分析物浓度向量，则r分解为两部分r＝r//+r^，其中，r//为r在噪声子空间的投影，r^为正交于r//的部分。
3.如权利要求2所述的一种近红外光谱的净信号提取方法，其特征在于，近红外光谱的净信号通过
计算，其中
矩阵的每一列为光谱中除去感兴趣分析物的浓度所含成分的浓度向量ck，
为只包含kth成分的纯光谱，I为单位矩阵，上标T代表矩阵的转置，上标+代表矩阵的伪逆矩阵。
4.如权利要求3所述的一种近红外光谱的净信号提取方法，其特征在于，在逆模型条件下，没有先验数据求解S-k矩阵，因此采用秩消的方法来求解，具体描述为：应用主成分分析法将原始数据进行重构，产生重构后的矩阵记作R。
5.如权利要求4所述的一种近红外光谱的净信号提取方法，其特征在于，噪声子空间的求解表示为
其中，
为ck在重构矩阵空间的投影
dT为所有校正集的平均光谱。
6.如权利要求5所述的一种近红外光谱的净信号提取方法，其特征在于，标量a的计算方法为
7.如权利要求6所述的一种近红外光谱的净信号提取方法，其特征在于，对于未知样品的近红外光谱数据rk,un，其关于分析物的净分析信号计算方式为
8.如权利要求7所述的一种近红外光谱的净信号提取方法，其特征在于，使用偏最小二乘法建立预测模型，使用预测集的测定系数作为评判标准，在不发生欠拟合和过拟合的条件下选取最佳的预处理方案，使用LASSO选取最优波段，将选取的波段作为输入，提取净分析信号，用作最终的校正数据，最后利用偏最小二乘法建立预测模型，并检测模型性能。
9.如权利要求8所述的一种近红外光谱的净信号提取方法，其特征在于，波长选择方法中的惩罚系数由十折交叉检验确定。
10.一种近红外光谱的净信号提取系统，其特征在于，包括：
采样模块：采样模块采集样本，获取样本近红外光谱原始数据；
预测模块：预测模块使用化学检测方法检测感兴趣的分析物的含量，将其作为响应变量；
处理模块：处理模块将不同的光谱预处理方法以及不同的光谱预处理方法之间的结合应用到原始光谱数据上，并使用十折交叉检验找出最优预处理方案，使用LASSO算法挑选出与响应变量相关的波段；
提取模块：提取模块在逆模型的条件下，使用秩消方法获取噪声子空间，将测量得到的光谱信号向噪声子空间进行正交投影，垂直于噪声子空间的信号即为被测成份的净信号；
检测模块：检测模块建立预测模型，提取校正数据，利用校正数据检测模型性能。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111634942.1A CN114298107A (zh) | 2021-12-29 | 2021-12-29 | 近红外光谱的净信号提取方法及其系统 |
| PCT/CN2021/143614 WO2023123329A1 (zh) | 2021-12-29 | 2021-12-31 | 近红外光谱的净信号提取方法及其系统 |
| US18/109,439 US20230204504A1 (en) | 2021-12-29 | 2023-02-14 | Method and system for extracting net signals of near infrared spectrum |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111634942.1A CN114298107A (zh) | 2021-12-29 | 2021-12-29 | 近红外光谱的净信号提取方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298107A true CN114298107A (zh) | 2022-04-08 |
Family
ID=80971159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111634942.1A Pending CN114298107A (zh) | 2021-12-29 | 2021-12-29 | 近红外光谱的净信号提取方法及其系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114298107A (zh) |
| WO (1) | WO2023123329A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117288692B (zh) * | 2023-11-23 | 2024-04-02 | 四川轻化工大学 | 一种酿酒粮食中单宁含量的检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6697654B2 (en) * | 1999-07-22 | 2004-02-24 | Sensys Medical, Inc. | Targeted interference subtraction applied to near-infrared measurement of analytes |
| CN103239239B (zh) * | 2013-04-23 | 2014-11-26 | 天津大学 | 一种定幅值的动态光谱数据提取方法 |
| CN104255118B (zh) * | 2014-01-22 | 2017-01-18 | 南京农业大学 | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 |
| CN105203498A (zh) * | 2015-09-11 | 2015-12-30 | 天津工业大学 | 一种基于lasso的近红外光谱变量选择方法 |
| CN110006844A (zh) * | 2019-05-22 | 2019-07-12 | 安徽大学 | 基于函数性主元分析的近红外光谱特征提取方法和系统 |
| CN111965137A (zh) * | 2020-08-18 | 2020-11-20 | 山东金璋隆祥智能科技有限责任公司 | 一种感冒清热颗粒中成分含量、水分的测定方法 |
-
2021
- 2021-12-29 CN CN202111634942.1A patent/CN114298107A/zh active Pending
- 2021-12-31 WO PCT/CN2021/143614 patent/WO2023123329A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023123329A1 (zh) | 2023-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mishra et al. | New data preprocessing trends based on ensemble of multiple preprocessing techniques | |
| Biancolillo et al. | SO‐CovSel: A novel method for variable selection in a multiblock framework | |
| Ye et al. | Non-destructive prediction of protein content in wheat using NIRS | |
| Kumar et al. | Bloodstain age estimation through infrared spectroscopy and Chemometric models | |
| CN101620180B (zh) | 近红外技术快速检测茶叶品质的方法 | |
| US20050149300A1 (en) | Method and apparatus for enhanced estimation of an analyte property through multiple region transformation | |
| Jimenez-Carvelo et al. | Data mining/machine learning methods in foodomics | |
| US20060020401A1 (en) | Alignment and autoregressive modeling of analytical sensor data from complex chemical mixtures | |
| Reddy et al. | Accurate histopathology from low signal-to-noise ratio spectroscopic imaging data | |
| US20210270742A1 (en) | Peak-preserving and enhancing baseline correction methods for raman spectroscopy | |
| CN113588847B (zh) | 一种生物代谢组学数据处理方法、分析方法及装置和应用 | |
| Moreira et al. | Analysis of organic acids in wines by Fourier-transform infrared spectroscopy | |
| Bi et al. | Quality evaluation of flue-cured tobacco by near infrared spectroscopy and spectral similarity method | |
| Salvatore et al. | Classification methods of multiway arrays as a basic tool for food PDO authentication | |
| WO2023123329A1 (zh) | 近红外光谱的净信号提取方法及其系统 | |
| Boysworth et al. | Aspects of multivariate calibration applied to near-infrared spectroscopy | |
| CN109214423B (zh) | 一种基于动静态数据融合的食品质量判别分析方法 | |
| CN109856310B (zh) | 基于hplc-ms的去除代谢物离子峰表中假阳性质谱特征的方法 | |
| CN109100315B (zh) | 一种基于噪信比的波长选择方法 | |
| Li et al. | A feasibility study on quantitative analysis of low concentration methanol by FT-NIR spectroscopy and aquaphotomics | |
| CN114611582A (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
| Mrozek et al. | Oligosaccharide identification and mixture quantification using Raman spectroscopy and chemometric analysis | |
| CN109030410B (zh) | 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 | |
| Shao et al. | Extraction of chemical information from complex analytical signals by a non-negative independent component analysis | |
| US20230204504A1 (en) | Method and system for extracting net signals of near infrared spectrum |
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 |