CN109060716B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109060716B CN109060716B CN201811009661.5A CN201811009661A CN109060716B CN 109060716 B CN109060716 B CN 109060716B CN 201811009661 A CN201811009661 A CN 201811009661A CN 109060716 B CN109060716 B CN 109060716B
- Authority
- CN
- China
- Prior art keywords
- window
- variables
- spectrum
- spectral
- windows
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 35
- 238000005070 sampling Methods 0.000 title claims abstract description 14
- 230000002860 competitive effect Effects 0.000 title claims abstract description 13
- 238000010187 selection method Methods 0.000 title claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims abstract description 57
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 22
- 238000002790 cross-validation Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 30
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000014759 maintenance of location Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 241000764238 Isis Species 0.000 claims description 2
- 240000008042 Zea mays Species 0.000 description 9
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 9
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 9
- 235000005822 corn Nutrition 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 241000208125 Nicotiana Species 0.000 description 2
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010987 Kennard-Stone algorithm Methods 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 229930013930 alkaloid Natural products 0.000 description 1
- 150000003797 alkaloid derivatives Chemical class 0.000 description 1
- 238000012630 chemometric algorithm Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
一种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,其将m个样品在n个近红外波长下采集的近红外光谱数据X建立m×n的矩阵,矩阵的每一列代表了m个样品在一波长下的光谱变量;沿着波长方向将n个光谱变量均等分为N个窗口。随机选取m×80%样品的光谱变量和对应的样品目标组分数据y建立PLS模型,得到回归系数,统计每个窗口内的回归系数,使用其绝对值的均值作为是否保留该窗口的依据指标。依次删除回归系数绝对值均值最小窗口的光谱变量,直到保留窗口数为
Description
技术领域
本发明涉及分析化学领域的无损分析,特别涉及一种用于近红外特征光谱变量选择的窗口竞争性自适应重加权采样策略方法(window competitive adaptive reweightedsampling, WCARS)。
背景技术
随着近红外仪器和化学计量学方法的飞速发展,近红外光谱技术得到了广泛应用。近红外光谱反映的是物质吸收的倍频与合频信息,包含了绝大多数类型有机物组成和分子结构的丰富信息。与传统方法相比,近红外光谱具有穿透力强,无需复杂前处理操作,不破坏样品,可通过光纤进行远距离在线检测等优点,因此被广泛用于食品、医药、烟草和环境等多个领域复杂样品的快速分析。由于近红外光谱谱峰较宽,实际样品中各种成分的吸收峰重叠严重,近红外光谱定性和定量分析必须通过建立多元校正模型来实现。
样品光谱中通常包含具有大量冗余信息的冗余光谱变量,且光谱变量之间存在较为严重的共线性关系,如果直接采用全谱建立模型,不仅会增大计算量,且冗余光谱变量会降低模型的准确性。因此需要通过消除光谱中的冗余光谱变量,挑选出代表样品性质特征的光谱变量代替全谱去建立定量模型,以提高近红外光谱分析的准确性。基于进化论中适者生存原理的竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)算法因具有计算速度快、筛选得到的特征光谱变量少等优点,在近红外特征光谱变量筛选领域得到了广泛的应用。然而该方法在计算过程中容易出现校正集和预测集结果不一致情况。这是因为CARS算法过于依赖校正集交叉验证结果,并未考虑相邻变量之间的协同作用。
发明内容
本发明针对CARS算法难以实现相邻光谱变量的选择,提供一种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(window competitive adaptivereweighted sampling,WCARS),其考虑相邻光谱变量之间的协同作用,通过结合“窗口”以及CARS算法的优势,选择样品近红外光谱数据中的特征光谱变量,用于和目标组分数据建立PLS模型,然后使用该模型用于未知样品分析。
为达上述目的,本发明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(window competitive adaptive reweighted sampling,WCARS)包括以下步骤:
步骤l:利用m个样品在n个近红外波长下采集的近红外光谱数据X建立m×n的矩阵,其中,矩阵的每一列代表了m个样品在一波长下的光谱变量,即近红外光谱数据X具有n个光谱变量,沿着波长方向将近红外光谱数据X的n个光谱变量均等分为N个窗口,样品目标组分数据用y表示,迭代次数设置为T,初始化i=0,i≤T,T取100和N两者之间的最小值,计算剔除窗口速率r=N/T,窗口宽度为n/N;
步骤2:i=i+1;
步骤3:随机选取经步骤l划分窗口后的m×80%个样品的近红外光谱数据,使用选取样品的保留窗口中的光谱变量和对应的样品目标组分数据y建立PLS模型,得到多个回归系数,回归系数的个数和保留窗口中的光谱变量数目相同,按照保留窗口中光谱变量的窗口位置将多个回归系数也分成相同窗口;
步骤4:统计步骤3划分得到的窗口内回归系数绝对值的均值;
步骤6:检验保留窗口内的光谱变量,计算使用保留窗口的光谱变量和对应的样品目标组分数据重新建立的PLS模型的RMSECVi;
步骤7:如果i<T,返回步骤2,重复步骤2-7,否则结束循环进入步骤8;
步骤8:基于m个样品,使用RMSECVi最小值对应的光谱变量与对应的样品目标组分数据 y建立PLS模型。
步骤9:使用步骤8建立好的PLS模型用于未知样品分析,即将未知样品的近红外光谱数据带入步骤8的PLS模型,得到其目标组分数据的预测值。
上述方法中,所述窗口数N为100。
上述方法中,所述步骤1的窗口划分方法为,用n表示m个样品的光谱变量数目,计算 1至n+1之间的N+1个等分点,若出现小数,则向下取整,使用I1,I2,I3,…,IN+1表示取整后的等分点,则I1=1,IN+1=n+1,第i个窗口选取变量范围为Ii~Ii+1-1。
上述方法中,i是一个迭代记号,即第i次迭代,比如i=0表示初始化,i=1表示第1次迭代,i=2表示第2次迭代,依此类推,且i≤T,即最多进行T次迭代。假设N个窗口的话,每次扣除个窗口,需要分别计算i=1……T,分别扣除0, 个窗口,剩余窗口变量的表现情况。假设第i次迭代,那么步骤3计算的是保留窗口数为时,光谱变量建模的效果。比如,100个窗口的话,每次扣除一个,需要分别计算i=1……100,分别扣除0,1,2,……,99个窗口,剩余窗口变量的表现情况,每次扣除一个。假设第i次迭代,那么保留的窗口数就是100-i+1。
上述方法中,所述K折交叉验证为10折交叉验证或5折交叉验证。
上述方法中,所述窗口数N使用交叉验证优化,即设定窗口数N为10,20,30,…,500,并计算每个窗口数N对应的最小RMSECVN,取RMSECVN最小对应的N为后续计算的窗口数。
上述方法中,在计算之前使用蒙特卡洛交叉验证确定PLS模型因子数。
上述方法中,PLS模型计算前,使用中心化处理样品光谱变量和建模目标组分数据,也就是使用建模光谱数据减去其平均值,建模目标组分数据减去其平均值。
符号和术语说明:本发明中样品目标组分数据可以是样品所含有的,具有近红外活性的物质的含量,比如玉米中蛋白质含量、玉米中水分含量、烟叶样品中总植物碱的含量。
本发明使用X表示获取的近红外光谱数据,该数据包含了m个样品在n个近红外波长下采集的光谱,为m×n的矩阵,其中,矩阵的每一列代表了m个样品在一波长下的光谱变量,并将X沿着波长方向均等分为多个“窗口”,每个窗口内含有一定数目的光谱变量,将窗口内光谱变量作为一个整体进行选择或剔除。对m×80%样品的近红外光谱数据和样品目标组分数据y进行偏最小二乘(partial least squares,PLS)计算,统计每个“窗口”内的回归系数,使用其绝对值的均值作为是否保留该窗口光谱变量的依据指标。依次剔除绝对值均值最小窗口的光谱变量,直到保留窗口数为停止。使用剩余光谱变量和y建立PLS模型并计算交互验证均方根误差(root mean squared error of cross validation,RMSECV),用于评价剩余变量所建立的模型。将最小RMSECV值对应的光谱变量作为近红外特征光谱变量用于建立最终模型和分析。
本发明方法的交互验证均方根误差(root mean squared error of crossvalidation, RMSECV)和预测均方根误差(root mean squared error of prediction,RMSEP)都较原CARS 方法小,因而其预测效果好;且RMSECV和RMSEP更接近,因而其具有减少过拟合的优势。
附图说明
图1为本发明窗口竞争性自适应重加权采样策略流程图。
图2为光谱变量和回归系数及窗口评价值分布图。
图3为交叉验证均方根误差与保留窗口数的关系图。
图4为交叉验证均方根误差与窗口数的关系图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
实施例1:
本实施例是应用近红外光谱定量分析,对玉米样本中的水分含量值进行建模分析。图1 显示了本发明方法的流程图。具体的步骤如下:
本实施例中采用化学计量学算法验证公开的一组数据,具体为一组玉米样品的数据,其可下载自http://software.eigenvector.com/Data/Corn/index.html,该组数据包含了80 个玉米样品的近红外光谱和水分浓度。光谱测量仪器为M5,样本的近红外光谱波长范围为 1100-2498nm,采样间隔为2nm,包括700个波长点,样品光谱图见图2中的A。本实施例使用常用的数据分组方法Kennard-Stone算法将80个玉米样品分为建模集、预测集,其中53个样本用作建模集,27个样本用作预测集。建模集用于建立模型,预测集用于测试模型优劣。计算之前使用蒙特卡洛交叉验证确定PLS建模因子数为10。
步骤1:初始化,建模集样品光谱数据X为53×700的矩阵,含有53个样品,700个光谱变量。建模集样品目标组分为玉米水分含量,使用y表示,为53×1的向量,设定窗口数N为100,迭代次数T为N和100之间的最小值,所以T=100,剔除窗口速率为r=N/T =100/100=1,将建模集样品的光谱数据X的700个光谱变量分成100个窗口,每个窗口宽度为700/100=7。具体的窗口划分方法为,计算1至700+1的100+1个等分点(可使用matlab 命令linspace或者R语言的seq命令获取),结果为1,8,15,…,701,第1个窗口为1~ 8-1,第二个窗口为8~15-1,……,第100个窗口为694~701-1,划分的窗口见图2中的A,从图看出,样品光谱变量被划分为连续等宽度的窗口;
步骤2:升级i,i=i+1;
步骤3:随机选取建模集样品的80%用于计算,即53×80%≈42个样品。使用选取样品保留窗口中的光谱变量(i=1时为所有光谱变量)和选取样品的玉米水分含量y建立PLS 模型,得到一组模型回归系数。具体的,PLS模型回归系数数目与保留窗口中的光谱变量数目相同,按照保留窗口中光谱变量划分窗口的位置将回归系数也分成相同窗口;样品光谱变量图和窗口划分位置见图2中A。图2中的B为i=1时,根据全部光谱变量计算的回归系数,其窗口划分位置与图2中的A相同;
步骤4:统计每个窗口内回归系数绝对值的均值,图2中的C显示了i=1时,每个窗口内回归系数绝对值的均值的分布;
步骤6:基于建模集样品,使用10折交叉验证,检验剩余的光谱变量,计算模型的RMSECVi;
步骤7:如果i小于T(T=100),返回步骤2,重复步骤2-7,否则执行下一步;
步骤8:基于建模集样品,使用RMSECVi最小值对应的光谱变量建立PLS模型,具体的图 3显示了RMSECV随保留窗口数变化图,结果显示保留2个窗口RMSECV最小,模型最优;
步骤9:使用步骤8建立好的PLS模型用于未知样品分析。具体地是将目标组分未知的样品的光谱数据带入PLS模型,计算得到其目标组分的预测值。
本发明方法使用预测集样品光谱变量,代入模型,得到预测集样品的预测值,然后计算预测集的预测均方根误差(root mean squared error of prediction,RMSEP),用于评价模型。RMSEP越小,表明样品的预测误差越小,模型的预测结果越好。表1列出了500次运算 CARS、WCARS,建模集的RMSECV、预测集的RMSEP及模型使用光谱变量数的平均值,括号中列出了标准偏差。从表中看出,WCARS方法的RMSECV和RMSEP都较原CARS方法小,说明其预测效果好;RMSECV和RMSEP更接近,说明其具有一定的减少过拟合的优势。WCARS保留光谱变量数为14,14/7=2,说明该方法保留了2个窗口的光谱变量,CARS平均使用3个光谱变量用于建模。括号中标准偏差显示了500次计算WCARS选择的光谱变量是相同的,结果没有波动,所以为0,而CARS结果变动幅度比较大,也说明了WCARS的优势。
本发明推荐使用窗口数100,也可以根据具体情况优化窗口数目,图4为RMSECV与窗口数的关系图,图中误差棒显示了不同窗口数下统计的500次运算结果的均值和标准偏差大小。图中可以看出,RMSECV先随着窗口数的增加而快速降低,窗口数约为90后保持缓慢波动,在150以后有缓慢上升趋势,窗口数为90时RMSECV最低,且500次运算变动最小。表1也列出了窗口数为90时的结果,对比可知该参数优于100。
表1 500次运算CARS、WCARS结果统计表
*括号中值为500次计算结果的标准偏差。
Claims (7)
1.一种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,其特征在于包括下列步骤:
步骤l:利用m个样品在n个近红外波长下采集的近红外光谱数据X建立m×n的矩阵,其中,矩阵的每一列代表了m个样品在一波长下的光谱变量,即近红外光谱数据X具有n个光谱变量,沿着波长方向将近红外光谱数据X的n个光谱变量均等分为N个窗口,样品目标组分数据用y表示,迭代次数设置为T,初始化i=0,i≤T,T取100和N两者之间的最小值,计算剔除窗口速率r=N/T,窗口宽度为n/N;
步骤2:i=i+1;
步骤3:随机选取经步骤l划分窗口后的m×80%个样品的近红外光谱数据,使用选取样品的保留窗口中的光谱变量和对应的样品目标组分数据y建立PLS模型,得到多个回归系数,回归系数的个数和保留窗口中的光谱变量数目相同,按照保留窗口中光谱变量的窗口位置将多个回归系数也分成相同窗口;
步骤4:统计步骤3划分得到的窗口内回归系数绝对值的均值;
步骤6:基于m个样品,使用K折交叉验证,检验保留窗口内的光谱变量,计算使用保留窗口的光谱变量和对应的样品目标组分数据重新建立的PLS模型的RMSECVi;
步骤7:如果i<T,返回步骤2,重复步骤2-7,否则结束循环进入步骤8;
步骤8:基于m个样品,使用RMSECVi最小值对应的光谱变量与对应的样品目标组分数据y建立PLS模型;
步骤9:使用步骤8建立好的PLS模型用于未知样品分析,即将未知样品的近红外光谱数据代入步骤8的PLS模型,得到其目标组分数据的预测值。
2.根据权利要求1所述的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,其特征在于,所述窗口数N为100。
3.根据权利要求1所述的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,其特征在于,所述步骤1的窗口划分方法为,用n表示m个样品的光谱变量数目,计算1至n+1之间的N+1个等分点,若出现小数,则向下取整,使用I1,I2,I3,…,IN+1表示取整后的等分点,则I1=1,IN+1=n+1,第i个窗口选取变量范围为Ii~Ii+1-1。
4.根据权利要求1所述的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,其特征在于,所述K折交叉验证为10折交叉验证或5折交叉验证。
5.根据权利要求1所述的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,其特征在于,所述窗口数N使用交叉验证优化,即设定窗口数N为10,20,30,…,500,并计算每个窗口数N对应的最小RMSECVN,取RMSECVN最小对应的N为后续计算的窗口数。
6.根据权利要求1所述的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,其特征在于,在计算之前使用蒙特卡洛交叉验证确定PLS模型因子数。
7.根据权利要求1所述的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,其特征在于,PLS模型计算前,使用中心化处理样品光谱变量和建模目标组分数据,即使用建模光谱数据减去其平均值,建模目标组分数据减去其平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009661.5A CN109060716B (zh) | 2018-08-31 | 2018-08-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009661.5A CN109060716B (zh) | 2018-08-31 | 2018-08-31 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109060716A CN109060716A (zh) | 2018-12-21 |
CN109060716B true CN109060716B (zh) | 2021-03-02 |
Family
ID=64758081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811009661.5A Active CN109060716B (zh) | 2018-08-31 | 2018-08-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109060716B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111163530A (zh) * | 2019-11-18 | 2020-05-15 | 浙江万胜智能科技股份有限公司 | 一种基于神经网络算法的无线局域网性能增强方法 |
CN114199814B (zh) * | 2020-08-28 | 2024-04-26 | 贵州中烟工业有限责任公司 | 一种基于回归系数的近红外定量分析模型更新方法 |
CN115049025B (zh) * | 2022-08-16 | 2022-11-04 | 山东钢铁股份有限公司 | 一种基于弹性分段标准化算法的模型迁移方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009151760A (ja) * | 2007-11-13 | 2009-07-09 | Nec (China) Co Ltd | オブジェクト間競合指標計算方法およびシステム |
CN105136688A (zh) * | 2015-09-18 | 2015-12-09 | 东北大学 | 一种用于分析分子光谱的改进可变移动窗偏最小二乘法 |
CN105630743A (zh) * | 2015-12-24 | 2016-06-01 | 浙江大学 | 一种光谱波数的选择方法 |
CN106596456A (zh) * | 2016-04-01 | 2017-04-26 | 南京理工大学 | 基于可变移动窗口选择溶液近红外光谱谱区的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170213127A1 (en) * | 2016-01-24 | 2017-07-27 | Matthew Charles Duncan | Method and System for Discovering Ancestors using Genomic and Genealogic Data |
-
2018
- 2018-08-31 CN CN201811009661.5A patent/CN109060716B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009151760A (ja) * | 2007-11-13 | 2009-07-09 | Nec (China) Co Ltd | オブジェクト間競合指標計算方法およびシステム |
CN105136688A (zh) * | 2015-09-18 | 2015-12-09 | 东北大学 | 一种用于分析分子光谱的改进可变移动窗偏最小二乘法 |
CN105630743A (zh) * | 2015-12-24 | 2016-06-01 | 浙江大学 | 一种光谱波数的选择方法 |
CN106596456A (zh) * | 2016-04-01 | 2017-04-26 | 南京理工大学 | 基于可变移动窗口选择溶液近红外光谱谱区的方法 |
Non-Patent Citations (2)
Title |
---|
CARSiPLS用于烟煤中水分与挥发分的近红外光谱测定;杨晓丽等;《理化检验(化学分册)》;20170618;第53卷(第06期);636-640页 * |
基于移动窗口-迭代遗传算法的近红外光谱波长选择方法;成飙等;《分析化学》;20061108;第34卷;123-126页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109060716A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109060716B (zh) | 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 | |
Zheng et al. | Stability competitive adaptive reweighted sampling (SCARS) and its applications to multivariate calibration of NIR spectra | |
Ye et al. | Non-destructive prediction of protein content in wheat using NIRS | |
CN101430276B (zh) | 光谱分析中波长变量优选的方法 | |
Liu et al. | Linear and nonlinear multivariate regressions for determination sugar content of intact Gannan navel orange by Vis–NIR diffuse reflectance spectroscopy | |
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 | |
CN103226093A (zh) | 校准曲线制成方法、校准曲线制成装置以及目标成分校准装置 | |
CN110503156B (zh) | 一种基于最小相关系数的多变量校正特征波长选择方法 | |
CN113049507A (zh) | 多模型融合的光谱波长选择方法 | |
CN109839362B (zh) | 基于渐进式去噪技术的红外光谱定量分析方法 | |
Gributs et al. | Parsimonious calibration models for near-infrared spectroscopy using wavelets and scaling functions | |
CN102128805A (zh) | 果品近红外光谱波长选择和快速定量分析方法及装置 | |
Jiang et al. | Molecular spectroscopic wavelength selection using combined interval partial least squares and correlation coefficient optimization | |
CN116559110A (zh) | 一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法 | |
CN108120694B (zh) | 用于晒红烟化学成分分析的多元校正方法及*** | |
CN116026780B (zh) | 基于串联策略波长选择的包衣吸湿率在线检测方法及*** | |
Bjørsvik et al. | Data analysis: calibration of NIR instruments by PLS regression | |
CN116539553A (zh) | 一种提高近红外光谱模型稳健性的方法 | |
CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
Liu et al. | Rapid determination of maturity in apple using outlier detection and calibration model optimization | |
Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA | |
CN116484989A (zh) | 一种基于深度迁移学习的烟叶近红外多组分预测方法 | |
Shan et al. | A nonlinear calibration transfer method based on joint kernel subspace | |
CN115541531A (zh) | 基于二维相关光谱预测饲料中蛋白质含量的方法 | |
EP3892985A1 (en) | System and computer-implemented method for extrapolating calibration spectra |
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 |