CN106596456A - 基于可变移动窗口选择溶液近红外光谱谱区的方法 - Google Patents
基于可变移动窗口选择溶液近红外光谱谱区的方法 Download PDFInfo
- Publication number
- CN106596456A CN106596456A CN201610203632.7A CN201610203632A CN106596456A CN 106596456 A CN106596456 A CN 106596456A CN 201610203632 A CN201610203632 A CN 201610203632A CN 106596456 A CN106596456 A CN 106596456A
- Authority
- CN
- China
- Prior art keywords
- pls
- wavelength
- near infrared
- solution
- 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.)
- Pending
Links
- 230000003595 spectral effect Effects 0.000 title claims abstract description 33
- 238000010187 selection method Methods 0.000 title abstract 3
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 238000002329 infrared spectrum Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 14
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 9
- 239000008103 glucose Substances 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 22
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 235000021419 vinegar Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 229940050561 matrix product Drugs 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000000052 vinegar Substances 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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
本发明公开了一种基于可变移动窗口选择溶液近红外光谱谱区的方法，步骤如下：首先应用近红外光谱仪采集溶液的近红外光谱数据，并对其进行预处理；然后在上述全谱波长范围内，依次选取不同的光谱波长点作为起点波长，从起点波长开始，将不同点数的连续光谱数据作为当前提取的窗口，对提取的起点波长及其对应的窗口数，分别建立 PLS 模型，并根据PLS模型确定其对应的最佳 PLS因子数；最后再通过比较所有子波段所建立的局部最优 PLS 模型，挑出全局最优的分析模型。本发明通过移动窗口偏最小二乘法可以选出信息含量丰富的最佳分析波段，通过最佳分析波段的选取可以减少建模时间，剔出噪声过大的谱区，使最终建立溶液的近红外光谱模型的预测能力和精度更高。
Description
技术领域
本发明属于生物组织参数检测领域，具体涉及一种基于可变移动窗口选择溶液近红外光谱谱区的方法。
背景技术
随着近红外光谱技术和化学计量方法的发展，近红外光谱技术应用到血糖检测的分析中越来越广泛，近红外光谱分析技术以其快速、精确和非接触等特点使其成为上世纪九十年代以来发展最快和最引人关注的光谱分析技术。近红外光谱分析常用的化学计量学方法为多元校正法，主要包括多元线性回归、主成分回归、偏最小二乘法和间隔偏最小二乘法等。
目前，运用间隔偏最小二乘法进行近红外光谱数学模型分析多运用于农产品和食品领域，如中国专利200510038528.9公开了一种基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法，该方法是将整个光谱数据等分为多个等宽的波段区间，然后分别对每一个子区间PLS运算，根据模型评价找出最优模型，但是该方法的建模效果几乎取决于间隔宽度，不能灵活的选取一个波段区间。
黄晓玮在其论文《近红外光谱结合不同偏最小二乘法无损检测食醋中总酸含量》中探讨了快速、无损检测食醋中总酸含量的建模方法，利用近红外光谱法分别结合间隔偏最小二乘法、反向区间偏最小二乘法、联合间隔偏最小二乘法进行建模。但该建模方法依然会错失含有重要信息的波段的缺点。因此，本文提出基于可变移动窗口选择溶液近红外光谱谱区的方法。
发明内容
本发明的目的在于提供一种基于可变移动窗口选择溶液近红外光谱谱区的方法，克服了现有方法实现近红外光谱溶液含量预测精度低的问题。
实现本发明目的的技术解决方案为：一种基于可变移动窗口选择溶液近红外光谱谱区的方法，包括如下步骤：
步骤1：配置等间隔浓度的待测溶液，应用近红外光谱仪采集葡萄糖溶液的近红外光谱数据。
步骤2：对测得的近红外光谱数据进行预处理。
步骤3：在上述全谱波长范围内，依次选取不同的光谱波长点作为起点波长，从所选的对应的起点波长开始，将不同点数的连续光谱数据作为当前提取的窗口，对提取的起点波长及其对应的窗口数，分别建立PLS模型。
步骤4：对每个PLS模型利用交互验证法确定最佳主成分数，并根据PLS模型确定其对应的最佳PLS因子数；最后再通过比较所有子波段所建立的局部最优PLS模型，挑出全局最优的分析模型。
所述步骤1的近红外光谱仪的采样方式为透射，光谱扫描范围为900-2500nm，波长间隔为1～10nm，对每一个样品重复扫描至少三次，取平均值作为样品近红外光谱。
所述步骤2中近红外光谱数据的预处理方法包括噪声滤除、归一化处理、数据筛选、光谱范围的优化选择、中心化及标准化处理。
所述步骤3中，将全谱波长范围内的波段划分为若干个大小不一样的波段窗口，上述不同波段窗口所含波长个数是连续的，并且所包含的波长也是连续的。
所述步骤3中，采用偏最小二乘法对提取的起点波长及其对应的窗口数分别建立PLS模型，并获得PLS因子数，即预测均方根误差RMSEP和相关系数R。
所述步骤4中，最佳PLS因子数是由每个PLS子模型中的预测均方根误差RMSEP和相关系数R所筛选出的，全局最优的分析模型是基于可变移动窗口在最佳分析波段所建立的模型。
本发明与现有技术相比，其显著优点：
(1)运用偏最小二乘法(PLS)构建溶液浓度预测的数学模型，并用交互验证法确定主成分数，极大程度地保证了本发明中数学模型的精度，为以后的无创血糖检测提供了精度保障。
(2)通过移动窗口偏最小二乘法可以选出信息含量丰富的最佳分析波段，通过最佳分析波段的选取可以减少建模时间，剔出噪声过大的谱区，使最终建立溶液的近红外光谱模型的预测能力和精度更高。
附图说明
图1为本发明的基于可变移动窗口选择溶液近红外光谱谱区的方法流程图。
图2为实施例1中预处理后27组葡萄糖溶液的近红外光谱数据。
图3为实施例1中每个起点波长对应的局部最优模型的RMSEP。
图4为实施例1中每个波长个数对应的局部最优模型的RMSEP。
图5为实施例1中移动窗口偏最小二乘法模型的建模情况。
具体实施方式
下面结合附图对本发明作进一步详细描述。
结合图1，一种基于可变移动窗口选择溶液近红外光谱谱区的方法，包括如下步骤：
步骤1：配置等间隔浓度的待测溶液，应用近红外光谱仪采集葡萄糖溶液的近红外光谱数据：
所述步骤1的近红外光谱仪的采样方式为透射，光谱扫描范围为900-2500nm，波长间隔为1～10nm，对每一个样品重复扫描至少三次，取平均值作为样品近红外光谱。
步骤2：对测得的近红外光谱数据进行预处理：
近红外光谱数据的预处理方法包括噪声滤除、归一化处理、数据筛选、光谱范围的优化选择、中心化及标准化处理。
步骤3：在上述全谱波长范围内，依次选取不同的光谱波长点作为起点波长，从所选的对应的起点波长开始，将不同点数的连续光谱数据作为当前提取的窗口，对提取的起点波长及其对应的窗口数，分别建立PLS模型，并获得PLS因子数，即预测均方根误差RMSEP和相关系数R：
将全谱波长范围内的波段划分为若干个大小不一样的波段窗口，上述不同波段窗口所含波长个数是连续的，并且所包含的波长也是连续的。
步骤4：对每个PLS模型利用交互验证法确定最佳主成分数，并根据PLS模型确定其对应的最佳PLS因子数；最后再通过比较所有子波段所建立的局部最优PLS模型，挑出全局最优的分析模型。
偏最小二乘法(PLS)能够在自变量存在严重多重相关性的条件下进行回归建模，并且更易于辨识***信号和噪声。其原理可分为两步：矩阵分解和线性回归。首先对光谱矩阵X和浓度矩阵Y进行分解，即分解为得分矩阵和载荷矩阵的乘积，并加上一个残差矩阵：
X＝TP+E
Y＝UQ+F
式中，T为X矩阵的得分矩阵，U为Y矩阵的得分矩阵，P为X矩阵的载荷矩阵，Q为Y矩阵的载荷矩阵，E为X矩阵的偏最小二乘拟合残差矩阵，F为Y矩阵的偏最小二乘拟合残差矩阵。
第二步是将T和U矩阵作线性回归：
U＝TB
B＝(TTT)-1TTY
由此，我们便可构建出运用关联矩阵B来实现光谱矩阵和浓度矩阵的关联关系。在进行未知浓度预测时，首先根据其光谱矩阵X和载荷矩阵P求出未知样品光谱矩阵X未知的得分矩阵T未知，然后根据上式得到浓度预测值：
Y未知＝T未知BQ
移动窗口偏最小二乘法是基于波段优选的方法，对原来全谱范围直接PLS方法的一种改进。在使用直接PLS方法建立全谱的直接PLS模式时，波段范围覆盖了全谱。
移动窗口偏最小二乘法方法是在全谱范围内选出很多个子波段用来建立模型，子波段的范围用窗口内的点数来表示。其中，窗口可以在全谱范围内移动，窗口内的点数也可以选择。对选出来的子波段分别建立模型，调试模型的不同因子数，选出信息含量丰富的最佳分析波段。方法有三个重要的参数，窗口的起点波长、窗口内波长点的个数以及因子数。固定窗口的起点波长，而窗口内的波长点数变化以及固定窗口的波长点数，而窗口的起点波长变化都会得到不同的模型，计算每个模型的RMSEP和R。
预测模型采用相关系数R和参与建模的预测样本的均方根误差(RMSEP)作为评价数学模型质量的主要指标，计算公式如下：
式中，通过校正数学模型预测得到的溶液浓度值，yi为配制的溶液浓度的真实值，nP为校正集的样本个数。RMSEP为校正数学模型对预测样本进行预测所得到的均方根误差，表示建立的数学模型用于预测时，预测值与真实值的平均误差。这两组参数分别用来评价模型的拟合能力和预测能力。相关系数R越接近1，并且RMSEP值越小，说明数学模型的预测精度越高。
实施例1以葡萄糖溶液为例
结合图1～图5，一种基于可变移动窗口选择溶液近红外光谱谱区的方法，包括如下步骤：
步骤1：配置40-300mg/dl葡萄糖溶液，间隔10mg/dl，应用分光光度计采集葡萄糖溶液的近红外光谱数据。
所述步骤1的近红外光谱仪的采样方式为透射，光谱扫描范围为900-2500nm，波长间隔为2nm，对每一个样品重复扫描三次，取平均值作为样品近红外光谱。
步骤2：对测得的近红外光谱数据进行预处理：
近红外光谱数据的预处理方法包括噪声滤除、归一化处理、数据筛选、光谱范围的优化选择、中心化及标准化处理。
步骤3：在上述全谱波长范围内，依次选取不同的光谱波长点作为起点波长，从所选的对应的起点波长开始，将不同点数的连续光谱数据作为当前提取的窗口，对提取的起点波长及其对应的窗口数，分别建立PLS模型，并获得PLS因子数，即预测均方根误差RMSEP和相关系数R。
步骤4：对每个PLS模型利用交互验证法确定最佳主成分数，并根据PLS模型确定其对应的最佳PLS因子数；最后再通过比较所有子波段所建立的局部最优PLS模型，挑出全局最优的分析模型。
表1建模结果
本发明应用移动窗口偏最小二乘法将已知的葡萄糖浓度结果与经光谱预处理过的样品近红外光谱数据相关联而建立起来的，并利用预测集均方根误差RMSEP和相关系数R对模型的预测能力进行评价。表1给出了偏最小二乘法和移动窗口偏最小二乘法建模结果，其结果表明，当最佳主成分数为2时，PLS模型的预测集均方根误差REMSEP＝19.139，相关系数R为0.9757，移动窗口偏最小二乘法模型的预测集均方根误差REMSEP＝10.396，相关系数R为0.9856。模型的预测集均方根和相关系数都得到改进，模型的预测精度满足对未知葡萄糖溶液浓度进行检测的精度要求。
Claims (6)
1.一种基于可变移动窗口选择溶液近红外光谱谱区的方法，其特征在于：包括如下步骤：
步骤1：配置等间隔浓度的待测溶液，应用近红外光谱仪采集葡萄糖溶液的近红外光谱数据；
步骤2：对测得的近红外光谱数据进行预处理；
步骤3：在上述全谱波长范围内，依次选取不同的光谱波长点作为起点波长，从所选的对应的起点波长开始，将不同点数的连续光谱数据作为当前提取的窗口，对提取的起点波长及其对应的窗口数，分别建立 PLS 模型；
步骤4：对每个PLS模型利用交互验证法确定最佳主成分数，并根据PLS模型确定其对应的最佳 PLS因子数；最后再通过比较所有子波段所建立的局部最优 PLS 模型，挑出全局最优的分析模型。
2.根据权利要求1所述的基于可变移动窗口选择溶液近红外光谱谱区的方法，其特征在于：所述步骤1的近红外光谱仪的采样方式为透射，光谱扫描范围为900-2500 nm，波长间隔为1~10 nm，对每一个样品重复扫描至少三次，取平均值作为样品近红外光谱。
3.根据权利要求1所述的基于可变移动窗口选择溶液近红外光谱谱区的方法，其特征在于：所述步骤2中近红外光谱数据的预处理方法包括噪声滤除、归一化处理、数据筛选、光谱范围的优化选择、中心化及标准化处理。
4.根据权利要求1所述的基于可变移动窗口选择溶液近红外光谱谱区的方法，其特征在于：所述步骤3中，将全谱波长范围内的波段划分为若干个大小不一样的波段窗口，上述不同波段窗口所含波长个数是连续的，并且所包含的波长也是连续的。
5.根据权利要求1所述的基于可变移动窗口选择溶液近红外光谱谱区的方法，其特征在于：所述步骤3中，采用偏最小二乘法对提取的起点波长及其对应的窗口数分别建立 PLS 模型，并获得PLS因子数，即预测均方根误差RMSEP和相关系数R。
6.根据权利要求1所述的基于可变移动窗口选择溶液近红外光谱谱区的方法，其特征在于：所述步骤4中，最佳PLS因子数是由每个PLS子模型中的预测均方根误差RMSEP和相关系数R所筛选出的，全局最优的分析模型是基于可变移动窗口在最佳分析波段所建立的模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610203632.7A CN106596456A (zh) | 2016-04-01 | 2016-04-01 | 基于可变移动窗口选择溶液近红外光谱谱区的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610203632.7A CN106596456A (zh) | 2016-04-01 | 2016-04-01 | 基于可变移动窗口选择溶液近红外光谱谱区的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106596456A true CN106596456A (zh) | 2017-04-26 |
Family
ID=58555856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610203632.7A Pending CN106596456A (zh) | 2016-04-01 | 2016-04-01 | 基于可变移动窗口选择溶液近红外光谱谱区的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106596456A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108593594A (zh) * | 2018-04-27 | 2018-09-28 | 浙江大学 | 一种苹果硬度无损检测方法 |
| CN109060716A (zh) * | 2018-08-31 | 2018-12-21 | 湖南农业大学 | 基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法 |
| CN111466869A (zh) * | 2020-04-10 | 2020-07-31 | 中南大学湘雅二医院 | 一种近红外光无创测量人眼房水组分浓度的方法及*** |
| CN111795944A (zh) * | 2020-06-30 | 2020-10-20 | 江南大学 | 一种改进团队进步算法的近红外光谱波长筛选方法 |
| CN112233721A (zh) * | 2020-09-30 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于血红蛋白浓度分析预测***及其设备 |
| CN113094892A (zh) * | 2021-04-02 | 2021-07-09 | 辽宁石油化工大学 | 一种基于数据剔除与局部偏最小二乘的石油浓度预测方法 |
| CN113702305A (zh) * | 2021-08-17 | 2021-11-26 | 燕山大学 | 基于自适应差分吸收光谱技术的气体浓度线性测量方法 |
| CN116026780A (zh) * | 2023-03-28 | 2023-04-28 | 江西中医药大学 | 基于串联策略波长选择的包衣吸湿率在线检测方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6919566B1 (en) * | 1999-08-31 | 2005-07-19 | Nir Diagnostics Inc. | Method of calibrating a spectroscopic device |
| CN1657907A (zh) * | 2005-03-23 | 2005-08-24 | 江苏大学 | 基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法 |
| JP4636762B2 (ja) * | 1999-08-31 | 2011-02-23 | シーエムイー テレメトリックス インク． | 分光装置を較正する方法 |
| CN102841069A (zh) * | 2011-06-23 | 2012-12-26 | 中国石油化工股份有限公司 | 一种由中红外光谱识别原油种类的方法 |
| CN105334186A (zh) * | 2015-12-10 | 2016-02-17 | 山东大学 | 一种近红外光谱分析方法 |
-
2016
- 2016-04-01 CN CN201610203632.7A patent/CN106596456A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6919566B1 (en) * | 1999-08-31 | 2005-07-19 | Nir Diagnostics Inc. | Method of calibrating a spectroscopic device |
| JP4636762B2 (ja) * | 1999-08-31 | 2011-02-23 | シーエムイー テレメトリックス インク． | 分光装置を較正する方法 |
| CN1657907A (zh) * | 2005-03-23 | 2005-08-24 | 江苏大学 | 基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法 |
| CN102841069A (zh) * | 2011-06-23 | 2012-12-26 | 中国石油化工股份有限公司 | 一种由中红外光谱识别原油种类的方法 |
| CN105334186A (zh) * | 2015-12-10 | 2016-02-17 | 山东大学 | 一种近红外光谱分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘玉兰: "《现代植物油料油脂加工技术》", 30 June 2015, 河南科学技术出版社 * |
| 史智佳等: ""移动窗口偏最小二乘法优选猪油丙二醛近红外光谱波段"", 《中国食品学报》 * |
| 陈雨振等: "《现代实验客观化诊断 下》", 31 August 2006, 西安地图出版社 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108593594A (zh) * | 2018-04-27 | 2018-09-28 | 浙江大学 | 一种苹果硬度无损检测方法 |
| CN109060716B (zh) * | 2018-08-31 | 2021-03-02 | 湖南农业大学 | 基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法 |
| CN109060716A (zh) * | 2018-08-31 | 2018-12-21 | 湖南农业大学 | 基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法 |
| CN111466869A (zh) * | 2020-04-10 | 2020-07-31 | 中南大学湘雅二医院 | 一种近红外光无创测量人眼房水组分浓度的方法及*** |
| CN111795944B (zh) * | 2020-06-30 | 2021-06-25 | 江南大学 | 一种改进团队进步算法的近红外光谱波长筛选方法 |
| CN111795944A (zh) * | 2020-06-30 | 2020-10-20 | 江南大学 | 一种改进团队进步算法的近红外光谱波长筛选方法 |
| WO2022001829A1 (zh) * | 2020-06-30 | 2022-01-06 | 江南大学 | 一种改进团队进步算法的近红外光谱波长筛选方法 |
| US11340160B2 (en) | 2020-06-30 | 2022-05-24 | Jiangnan University | Method for near-infrared spectral wavelength selection based on improved team progress algorithm |
| CN112233721A (zh) * | 2020-09-30 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于血红蛋白浓度分析预测***及其设备 |
| CN113094892A (zh) * | 2021-04-02 | 2021-07-09 | 辽宁石油化工大学 | 一种基于数据剔除与局部偏最小二乘的石油浓度预测方法 |
| CN113702305A (zh) * | 2021-08-17 | 2021-11-26 | 燕山大学 | 基于自适应差分吸收光谱技术的气体浓度线性测量方法 |
| CN113702305B (zh) * | 2021-08-17 | 2022-07-15 | 燕山大学 | 基于自适应差分吸收光谱技术的气体浓度线性测量方法 |
| CN116026780A (zh) * | 2023-03-28 | 2023-04-28 | 江西中医药大学 | 基于串联策略波长选择的包衣吸湿率在线检测方法及*** |
| CN116026780B (zh) * | 2023-03-28 | 2023-07-14 | 江西中医药大学 | 基于串联策略波长选择的包衣吸湿率在线检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106596456A (zh) | 基于可变移动窗口选择溶液近红外光谱谱区的方法 | |
| US6560546B1 (en) | Remote analysis system | |
| CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| CN101308086B (zh) | 基于近红外光谱技术的水果内部品质在线检测装置 | |
| CN101620180B (zh) | 近红外技术快速检测茶叶品质的方法 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN105424641B (zh) | 一种原油种类的近红外光谱识别方法 | |
| CN107703097B (zh) | 利用近红外光谱仪构建快速预测原油性质的模型的方法 | |
| CN100357725C (zh) | 近红外技术快速检测牛肉嫩度的方法和装置 | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| CN111999258B (zh) | 一种面向光谱基线校正的加权建模局部优化方法 | |
| CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
| CN101788459B (zh) | 一种准连续方式的分光波长组合方法 | |
| CN106018331B (zh) | 多通道光谱***的稳定性评价方法及预处理优化方法 | |
| CN105181606A (zh) | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 | |
| CN109100315B (zh) | 一种基于噪信比的波长选择方法 | |
| CN106018329A (zh) | 一种近红外光谱快速检测白砂糖指标的方法 | |
| CN111157484A (zh) | 用于水果糖度检测设备的近红外光谱模型传递方法 | |
| CN114414521A (zh) | 基于红外多光谱传感器的牛奶主要成分测量方法 | |
| CN109946246A (zh) | 一种苹果可溶性固形物的检测方法及装置 | |
| CN113030011A (zh) | 水果糖度快速无损检测方法及检测*** | |
| CN102788796A (zh) | 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法 | |
| CN116718613A (zh) | 基于太赫兹谱的环氧玻璃纤维复合材料内部缺陷检测方法 | |
| CN115236024A (zh) | 测定酒总酸和总酯含量模型的训练方法、测定方法及装置 | |
| CN106645018A (zh) | 建立人眼房水葡萄糖含量近红外光谱预测数学模型的方法 |
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: 20170426 |