WO2018010352A1 - 一种定性定量相结合的近红外定量模型构建方法 - Google Patents

一种定性定量相结合的近红外定量模型构建方法 Download PDF

Info

Publication number
WO2018010352A1
WO2018010352A1 PCT/CN2016/106038 CN2016106038W WO2018010352A1 WO 2018010352 A1 WO2018010352 A1 WO 2018010352A1 CN 2016106038 W CN2016106038 W CN 2016106038W WO 2018010352 A1 WO2018010352 A1 WO 2018010352A1
Authority
WO
WIPO (PCT)
Prior art keywords
infrared
quantitative
sample
spectrum
qualitative
Prior art date
Application number
PCT/CN2016/106038
Other languages
English (en)
French (fr)
Inventor
张军
薛庆逾
石超
Original Assignee
上海创和亿电子科技发展有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 上海创和亿电子科技发展有限公司 filed Critical 上海创和亿电子科技发展有限公司
Publication of WO2018010352A1 publication Critical patent/WO2018010352A1/zh

Links

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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods

Definitions

  • the invention relates to a method for constructing a near-infrared quantitative model combining qualitative and quantitative, belonging to the field of near-infrared detection and analysis.
  • Near-infrared spectroscopy is an electromagnetic wave belonging to the 850-2500nm band. Different types of spectra reflect molecular information at different sample levels. Due to the large amount of material information and rapid detection of near-infrared spectroscopy, NIR has achieved on-line production quality monitoring. Widely used; the traditional NIR quantitative model is constructed by taking the near-infrared spectrum information of the sample, using the flow analyzer to detect the basic chemical value information, randomly dividing the spectrum into the calibration level and the verification set, and rejecting the abnormal sample.
  • Band selection or wavelength point selection selects the modeling interval of the wavelength of the spectrum, and then associates the spectrum after the screening wavelength interval with the chemical value using pls (partial least squares) and verifies the verification sample; the above method exists as follows Disadvantages, (1) due to the influence of near-infrared spectroscopy, it is susceptible to the external environment, temperature, and sample type; in the actual use process, when the external spectrum changes and the calibration sample is inconsistent, it is easy to lead to the model.
  • a method for constructing a near-infrared quantitative model combining qualitative and quantitative characterized in that it comprises the following steps:
  • Step 1 Obtain the actual sample of the modeling correction set and test the basic chemical composition
  • Step 2 Scan the spectrum corresponding to the corrected sample, and reject the abnormal sample
  • Step 3 qualitatively projecting the available spectrum after rejecting the abnormal sample
  • Step 4 classify the projected data
  • Step 5 Using each class of near-infrared spectroscopy and chemical values as a verification set, and using the remaining spectra of all other classes and their chemical values as a modeling set, and using the modeling set to predict the verification set and obtain the prediction error;
  • Step 6 randomly select the wavelength point of the near infrared
  • Step 7 solving the overall correction set error of step 5 corresponding to each generated wavelength point
  • Step 8 determining the near-infrared wavelength selection point and the near-infrared spectrum characteristic information according to the minimum overall correction set error in step 7, and establishing an association relationship according to the characteristic information of the near-infrared spectrum;
  • Step IX Re-establishing a regression model for the calibration set spectrum and the chemical value at the selected wavelength point
  • Step 10 Detect and verify the chemical value of the sample and obtain the corresponding spectrum, and return to the regression in step 9.
  • the model was quantitatively evaluated.
  • the qualitative and quantitative combined near-infrared quantitative model construction method of the present invention may further have the feature that, in the first step, the corresponding near-infrared spectrum x and the chemical value nicotine y are respectively obtained.
  • the qualitative and quantitative combined near-infrared quantitative model construction method of the present invention may further have the feature that in step two, the abnormal spectrum in the spectrum of the calibration set sample is discriminated according to the semi-multiple sampling method.
  • the qualitative and quantitative combined near-infrared quantitative model construction method of the present invention may further have such a feature: in the third step, the genetic algorithm is used to solve the projection direction vector.
  • the qualitative and quantitative combined near-infrared quantitative model construction method of the present invention may further have such a feature: in step 4, the projection values are sorted from small to large, and the sorted projection values are divided into k categories.
  • the qualitative and quantitative combined near-infrared quantitative model construction method of the present invention may further have such a feature: in step 5, all samples in the k-type sample that do not include the j1 class are spectral correction sets, and the corresponding originals thereof The chemical values of the samples were subjected to regression modeling.
  • the regression modeling method can be partial least squares, multiple linear regression, principal component regression, or partial least squares artificial neural network, 1 ⁇ j1 ⁇ k; verification set k j near
  • the error of the infrared model is evaluated as follows:
  • the qualitative and quantitative combined near-infrared quantitative model construction method of the present invention performs qualitative projection analysis on the calibration set spectrum in the process of constructing the quantitative model in the calibration set, and the verification samples of each correction set are the same as other in the correction set.
  • the spectra with large spectral differences are then randomly generated by the near-infrared wavelength points, and the selection of wavelength points is continuously optimized according to the prediction error of the category.
  • the whole process has taken into account the large changes in the spectrum when the calibration model is established.
  • the near-infrared quantitative model is adaptable to changes in the spectrum during use, and can maintain the prediction stability of the model.
  • the invention transforms from the traditional "re-calibration and light verification", “validation of similar adaptation, change failure” to "heavy difference, information”, and enhances the adaptability of near-infrared quantitative model construction.
  • the near-infrared qualitative method and the quantitative method are combined in the invention for the extraction and quantitative model construction of near-infrared information, which provides a new way of thinking for the field of near-infrared and chemometrics.
  • Figure 1 is a raw spectrum diagram of a calibration sample
  • Figure 2 is a diagram showing the chemical value nicotine distribution of the sample
  • Figure 3 is the original spectrum of the future verification sample
  • Figure 4 is a diagram showing the chemical value nicotine distribution of future proof samples
  • Figure 5 is a calibration set abnormal sample discrimination map
  • Figure 6 is an iterative optimization diagram of the projection objective function
  • Figure 7 is a vector diagram of the correction set projection direction
  • 11 is a selection diagram of correction set feature information
  • FIG. 12 is a flow chart of a method for constructing a qualitative and quantitative combined near-infrared quantitative model of the present invention.
  • the qualitative and quantitative combined near-infrared quantitative model construction method of the present invention comprises the following steps:
  • Step 101 Acquire a sample
  • Step 102 Acquire a sample of the actual set of the calibration correction set
  • Step 103 Detect the basic chemical composition of the calibration set sample
  • Step 104 Scan the spectrum corresponding to the sample
  • step 105 determine the abnormal sample, and reject the abnormality a sample
  • step 106 qualitative projection of the available spectrum
  • step 107 classifying the spectral projection values after the correction set projection
  • step 108 using each type of near-infrared spectroscopy and chemical values as a verification set, for all remaining The spectrum of the class and its chemical value are used as the modeling set, and the prediction set is predicted by the modeling set to obtain the prediction error
  • step 109 the near-infrared wavelength point is randomly selected
  • step 110 the corresponding wavelength point is generated.
  • Step C Step 111: Determine the near-infrared wavelength selection point and the near-infrared spectrum characteristic information according to the minimum CSE error in step 110, and then establish an association relationship according to the characteristic information of the near-infrared spectrum.
  • step 112 at the selected wavelength point, the calibration set spectrum and the chemical value are re-established into the regression model.
  • Step 113 Acquire an independent verification sample;
  • Step 114 Detect a chemical value of the verification sample;
  • Step 115 Acquire an inspection
  • the spectrum of the sample is certified; step 116: quantitative model evaluation. Specific steps are as follows:
  • the semi-multiple sampling method is calculated as follows: Samples of singular length appear based on random half-number resampling of the original spectrum. A 50% sample is randomly selected from the original spectral matrix as a sampling subset, and the mean and variance of each sample subset matrix are calculated, and then the vector length of each sample in the sampling subset is calculated according to the mean and the variance. Randomly sample the spectral data multiple times and record the length of the vector calculated after each sample. The vector length of the sample is sorted, and the sample with the largest predetermined probability (such as 5% or 10%) has a score of 1 and the rest is 0. Finally, the total score of each sample is counted, and the highest score is the singular sample.
  • the spectral anomaly judgment of the calibration set x1 was performed by the semi-multiple sampling method, and the random number was 5000 times; the result of the abnormal sample is shown in Fig. 5.
  • the number of individuals selecting the genetic algorithm is 30, the dimension of the variable is 226, the number of digits of the variable is 8, and the number of population is 100. See Figure 6.
  • the method for solving the projection direction vector is as follows:
  • x1 is a spectral matrix of n rows and m columns; the corresponding chemical value is y1;
  • i is the ith sample of the spectral matrix x1 and j is the jth column of the spectral matrix x1;
  • a is the initial projection vector
  • Q(a) is the objective function
  • s(a) is the intra-class distance of the initial projection vector
  • d(a) is the intra-class density of the initial projection vector.
  • r ik is the distance between the smoke projection eigenvalues of any two near-infrared samples. The formula is as follows:
  • n is the number of rows of the near-infrared sample spectrum x1;
  • R is the window width parameter for estimating the local scatter density, which is selected according to the principle of including at least one scatter point in the width.
  • the solution to the above formula (8) can be quadratic programming, genetic algorithm, PC (principal component decomposition), SVD (singular value decomposition); the projection direction vector is obtained as a, and the projection value is obtained as ff;
  • Sorting ff according to the projection value from small to large, and marking the sequence number of the original near-infrared sample corresponding to the ff after sorting;
  • the sorted projection values are divided into k types, k is a natural number greater than 1; and the corresponding original sample serial number is marked; according to the division method of the projection values, the projection values of each type do not cross each other.
  • Regression modeling is performed on all the samples in the k-type sample that do not contain the j-class as the spectral correction set and the chemical value of the corresponding original sample.
  • the spectral pre-processing method is the first derivative and the wavelength is full spectrum; (regression modeling The method can adopt PLS (partial least squares), MLR (multiple linear regression), PCR (principal component regression), PLS-BP (partial least squares artificial neural network), 1 ⁇ j ⁇ k; verification set k j
  • the error of the near-infrared model is evaluated as:
  • the correction set error of the class k is divided into CSE according to the projection values of different samples; wherein the CSE is calculated as follows:
  • the average absolute error ASE, the average relative error ARD, the average root mean square error MSE, and the correlation coefficient are used to evaluate the ACO, and the correlation coefficient is the correlation coefficient between the two groups of data in the usual sense;
  • the average absolute error is calculated as:
  • the method of the present invention is compared with the traditional method of different principles under the same parameter conditions, the general prediction error is smaller than the traditional model prediction error, and the average absolute error and the average relative error are generally smaller than the external verification error of the traditional method.
  • the average absolute error decreased by 9.42%, the average relative error decreased by 10.3%, the maximum average absolute error decreased by 15.89%, and the maximum average relative error decreased by 18.39%.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种定性定量相结合的近红外定量模型构建方法，包括以下步骤：获取建模校正集实际的样本，检测其基础化学成分；扫描校正样本所对应的光谱，剔除异常样本；对可用光谱定性投影；对投影数据分类；每类的近红外光谱与化学值作为验证集，用建模集对验证集进行预测，求其预测误差；随机选择近红外的波长点；求解每一次生成波长点所对应的总体校正集误差；根据最小的总体校正集误差确定近红外的波长选择点以及近红外光谱的特征信息；对校正集光谱与化学值重新建立回归模型；检测验证样本的化学值并获取对应光谱，对回归模型进行定量评价。由于对校正集光谱进行了定性投影分析，对于光谱的变化具有适应性，能够保持模型的预测稳定。

Description

一种定性定量相结合的近红外定量模型构建方法 技术领域
本发明涉及一种定性定量相结合的近红外定量模型构建方法，属于近红外检测分析领域。
背景技术
近红外光谱是属于850-2500nm波段的电磁波，不同类型光谱反映了不同样本层次的分子信息，由于近红外光谱包含大量的物质信息，快速检测等优势，使得近红外在在线生产质量监控上取得了广泛的应用；传统的近红外定量模型的构建方法为：获取样本的近红外光谱信息，运用流动分析仪检测基础的化学值信息，把光谱随机分为校正级与验证集，剔除异常样本，采用波段选择或者波长点选择对光谱的波长进行选取建模区间，然后把筛选波长区间之后的光谱与化学值运用pls(偏最小二乘)建立关联关系并对验证样本进行验证；上述的方法存在如下的缺点，(1)由于近红外光谱的影响因素比较多，易受外界环境，温度，以及样本类型的影响；在实际的使用过程中，当外界的光谱发生变化与校正样本不一致时容易导致模型的外部预测误差偏大；(2)对于复杂样本类型的近红外模型的构建，在传统的建模方式中会产生重校正轻验证，使得对于在实际的质量监控过程中，当实际取样样本的化学值及相对应的光谱发生微弱的变化，传统的建模方式会出现不具备实际样本变化趋势的一致性。
如何在实际的近红外定量模型的构建过程中，提取近红外光谱有效 的信息，构建定量模型的表达形式，建立稳定的，适应于外界光谱变化的近红外定量模型实已成为近红外领域亟需解决的技术问题。
发明内容
本发明的目的在于提供一种定性定量相结合的近红外定量模型构建方法，以解决上述问题。
本发明采用了如下技术方案：
一种定性定量相结合的近红外定量模型构建方法，其特征在于，包括以下步骤：
步骤一、获取建模校正集实际的样本，检测其基础化学成分；
步骤二、扫描校正样本所对应的光谱，剔除异常的样本；
步骤三、对剔除异常样本后的可用的光谱进行定性投影；
步骤四、对投影的数据进行分类；
步骤五，运用每类的近红外光谱与化学值作为验证集，对剩余的所有其它类的光谱及其化学值作为建模集，并运用建模集对验证集进行预测，求其预测误差；
步骤六：随机选择近红外的波长点；
步骤七，求解每一次生成波长点所对应的步骤五的总体校正集误差；
步骤八，根据步骤七中最小的总体校正集误差来确定近红外的波长选择点以及近红外光谱的特征信息，进而根据近红外光谱的特征信息来建立关联关系；
步骤九、在上述选择的波长点下，对校正集光谱与化学值重新建立回归模型；
步骤十、检测验证样本的化学值并获取对应光谱，对步骤九中的回归 模型进行定量评价。
进一步，本发明的定性定量相结合的近红外定量模型构建方法，还可以具有这样的特征：其中，步骤一中，分别获取对应的近红外光谱x与化学值尼古丁y。
进一步，本发明的定性定量相结合的近红外定量模型构建方法，还可以具有这样的特征：步骤二中，根据半重数采样法来判别校正集样本的光谱中的异常光谱。
进一步，本发明的定性定量相结合的近红外定量模型构建方法，还可以具有这样的特征：步骤三中，运用遗传算法求解投影方向向量。
进一步，本发明的定性定量相结合的近红外定量模型构建方法，还可以具有这样的特征：步骤四中，将投影值从小到大排序，将排序后的投影值划分为k类。
进一步，本发明的定性定量相结合的近红外定量模型构建方法，还可以具有这样的特征：步骤五中，以k类样本中所有不包含j1类的样本为光谱校正集，与其所对应的原始样本的化学值进行回归建模，回归建模的方式可以采用偏最小二乘,多元线性回归、主成分回归、或者偏最小二乘人工神经网络，1≤j1≤k；验证集kj的近红外模型的误差的评价方式为：
Figure PCTCN2016106038-appb-000001
进一步，本发明的定性定量相结合的近红外定量模型构建方法，还可以具有这样的特征：步骤十中，对验证样本的对应光谱，运用如下方式求解其预测值pxtest:pxtext＝fxtest(MC(j2))。
发明的有益效果
本发明的定性定量相结合的近红外定量模型构建方法由于在校正集构建定量模型的过程中，对校正集光谱进行了定性投影分析，每次校正集的验证样本均是与校正集内的其它光谱差异很大的光谱，然后通过近红外波长点的随机生成，依据类别的预测误差，不断的优化波长点的选择，整个过程在校正模型建立的时候就已经考虑到光谱的较大变化，对近红外定量模型的使用过程中对于到光谱的变化具有适应性，能够保持模型的预测稳定。
本发明在化学计量学的研究过程中从传统的”重校正轻验证”，“验证相似适应，变化失效”的情况转变成“重差异，提信息”，增强了近红外定量模型构建的适应能力，在本发明专利中首次把近红外定性的方法与定量的方法融合在一块用于近红外信息的提取与定量模型的构建，为近红外与化学计量学领域提供了一种新的思考方式。
附图说明
图1是校正样本的原始光谱图；
图2是校正样本的化学值尼古丁分布图；
图3是未来验证样本的原始光谱图；
图4是未来验证样本的化学值尼古丁分布图；
图5是校正集异常样本判别图；
图6是投影目标函数迭代优化图；
图7是校正集投影方向向量图；
图8是校正集样本的投影特征值图；
图9是校正集样本的投影值分类图；
图10是不同信息选择下的投影特征值分类预测平均绝对误差分布图；
图11是校正集特征信息的选择图；
图12是本发明的定性定量相结合的近红外定量模型构建方法流程图。
具体实施方式
以下结合附图来说明本发明的具体实施方式。
如图12所示，本发明的定性定量相结合的近红外定量模型构建方法包括以下步骤：
步骤101：获取样本；步骤102：获取建模校正集实际的样本；步骤103：检测校正集样本的基础化学成分；步骤104：扫描样本所对应的光谱；步骤105，判定异常样本，剔除异常的样本；步骤106，对可用的光谱进行定性投影；步骤107，对校正集投影后的光谱投影值进行分类；步骤108，运用每类的近红外光谱与化学值作为验证集，对剩余的所有其它类的光谱及其化学值作为建模集，并运用建模集对验证集进行预测，求其预测误差；步骤109随机选择近红外的波长点，步骤110，求解每一次生成波长点所对应的步骤108的CSE；步骤111，根据步骤110中最小的CSE误差来确定近红外的波长选择点以及近红外光谱的特征信息，进而根据近红外光谱的特征信息来建立关联关系。步骤112，在上述选择的波长点下，校正集光谱与化学值重新建立回归模型。步骤113，获取独立验证样本；步骤114：检测验证样本的化学值；步骤115：获取验 证样本的光谱；步骤116：定量模型评价。具体步骤如下：
一、获取样本
在复烤厂在线取样样本300个原烟样本作为检测样本，并在接下的两个月中每周在生产线上取15个烟叶样本，共获取100个烟叶样本，作为独立验证样本；对上述两种样本进行去梗，切丝磨粉过40目筛；分别获取对应的近红外光谱x，见图1；化学值尼古丁y,见图2；未来光谱fxtest，见图3；以及化学值尼古丁fytest，见图4。
二、根据RHM(半重数采样法)来判别光谱x中的异常光谱，
半重数采样法的计算方法如下：基于对原始光谱的随机半数重采样统计出现奇异长度的样本。从原始光谱矩阵中随机选择50％样本作为采样子集，计算每个采样子集矩阵的均值和方差，再根据均值和方差计算采样子集中每个样本的向量长度。对光谱数据进行多次随机采样，并记录每次采样后计算的向量长度。对样本的向量长度进行排序，距离最大的预定概率(如5％或10％)的样本得分为1，其余为0。最后对各样本的总得分进行统计，得分最高的部分样本就为奇异样本。
采用半重数采样法对校正集x1进行光谱异常性判断，随机次数采用5000次；异常样本的结果见图5。
三、运用遗传算法求解投影方向向量，选择遗传算法的个体数目为30，变量的维数为226，变量的二进制位数为8，种群数目为100。见图6。
求得X1的投影方向向量a的结果，见图7
校正集的投影特征值ff的结果，见图8。
求解投影方向向量的方法具体如下：
标记剩余的正常光谱记作x1,x1为n行m列的光谱矩阵；其所对应的化学值为y1；
对x1进行光谱投影，光谱投影的计算方法如下：
1)光谱x1进行归一化；
Figure PCTCN2016106038-appb-000002
其中i为光谱矩阵x1的第i个样本，j为光谱矩阵x1的第j列；
2)确定投影目标函数Q(a)。
Q(a)＝s(a)*d(a)                (2)
其中，a为所述初始投影向量，Q(a)为所述目标函数，s(a)为所述初始投影向量的类内距离，d(a)为所述初始投影向量的类内密度。
Figure PCTCN2016106038-appb-000003
其中，zi为第i个烟叶样本序列的投影特征值，
Figure PCTCN2016106038-appb-000004
为序列zi的均值。
zi＝x1*a              (4)
Figure PCTCN2016106038-appb-000005
rik为任意两个近红外样本的烟投影特征值间的距离，计算公式如下：
rik＝|zi-zk|，(i,k＝1:n)；              (6)
n为近红外样本光谱x1的行数；
Figure PCTCN2016106038-appb-000006
R为估计局部散点密度的窗宽参数，按宽度内至少包括一个散点的原则选定，其取值与样本数据结构有关，可基本确定它的合理取值范围为rmax＜R≤2n，其中，rmax＝max(rik),(i,k＝1,2...n)。
3)求解线性投影的方向可转化为下列优化问题：
Figure PCTCN2016106038-appb-000007
对上述公式(8)的求解可以采用二次规划，遗传算法，PC(主成分分解),SVD(奇异值分解)；求得投影方向向量为a,求得投影值记为ff；
四、把特征值排序后，进行分类。
分类过程如下，分类结果见图9。
按照投影值从小到大对ff进行排序，并标记排序后ff所对应的原始近红外样本的序号；
把排序后的投影值均分为k类，k为大于1的自然数；并标记其相对应的原始样本的序号；按照此投影值的分法，每类的投影值互不交叉。
选取波长筛选系数xi＝0.7；重复次数MC＝1000；近红外光谱分类数k＝6；
以k类样本中所有不包含j类的样本为光谱校正集与其所对应的原始样本的化学值进行回归建模，光谱预处理的方式为一阶导数，波长采用全谱；(回归建模的方式可以采用PLS(偏最小二乘),MLR(多元线性回归),PCR(主成分回归)，PLS-BP(偏最小二乘人工神经网络))，1≤j≤k；验证集kj的近红外模型的误差的评价方式为：
Figure PCTCN2016106038-appb-000008
在该波长点依据不同样本的投影值划分k类的总体的校正集误差记为CSE；其中CSE的计算方式如下：
Figure PCTCN2016106038-appb-000009
生成[1：1：m]的一维向量矩阵；随机从[1：1：m]的一维向量矩阵中筛选出xi*m取整的数组；此过程重复MC次；把x1按照上述步骤依据投影值划分为k类，在MC(i)组的波长点的基础下，求解CSE(i)；求解的CSE如图10所示：其中，最小CSE为0.25；最大CSE为0.2848。
五、找出CSE最小的值所在的j，选取该组的波长点为MC(j)
最小CSE对应的坐标为1999；MC(1999)所筛选出的近红外波长点如图11：
六、对校正集分别在全谱以及上述筛选出的波长点下进行光谱的导数预处理，PLS(偏最小二乘)，PPLS(校正偏最小二乘)，PCR(主成分回归)，CCAR(典型相关回归)，MLR逐步加权回归等分别建立近红外光谱的定量分析模型；并对预测集fxtest进行预测，以平均绝对误差以及相对误差对未来预测样本的预测结果进行评价：
具体而言：在上述MC(j)的基础上，选取x1中MC(j)的波长点矩阵记作xcal；ycal＝y1；
对xcal进行一阶导数处理，建立xcal与ycal的校正模型；求得校正系数Beta；校正模型求解的方式可以采用PLS(偏最小二乘)，MLR(多元线性回归),PCR(主成分回归)，PLS-BP(偏最小二乘人工神经网络)；
对未来光谱fxtest，运用如下方式求解其预测值pxtest；
pxtest＝fxtest(MC(j))*Beta(11)
对未来光谱预测结果的评价采用，平均绝对误差ASE，平均相对误差ARD，平均均方根误差MSE，相关系数进行评价ACO，相关系数为通常意义上两组数据的相关系数；
其中平均绝对误差的计算方式为：
Figure PCTCN2016106038-appb-000010
Figure PCTCN2016106038-appb-000011
Figure PCTCN2016106038-appb-000012
如表1所示，本发明方法在同等参数条件下与传统的不同原理的方法对比，普遍预测误差小于传统的模型预测误差，平均绝对误差与平均相对误差普遍小于传统的方法的外部验证误差，平均绝对误差下降9.42％，平均相对误差下降10.3％，最大平均绝对误差下降15.89％，最大平均相对误差下降18.39％。
表1 本发明的方法与传统定量模型方法对比表
Figure PCTCN2016106038-appb-000013

Claims (7)

  1. 一种定性定量相结合的近红外定量模型构建方法，其特征在于，包括以下步骤：
    步骤一、获取建模校正集实际的样本，检测其基础化学成分；
    步骤二、扫描校正样本所对应的光谱，剔除异常的样本；
    步骤三、对剔除异常样本后的可用的光谱进行定性投影；
    步骤四、对投影的数据进行分类；
    步骤五，运用每类的近红外光谱与化学值作为验证集，对剩余的所有其它类的光谱及其化学值作为建模集，并运用建模集对验证集进行预测，求其预测误差；
    步骤六：随机选择近红外的波长点；
    步骤七，求解每一次生成波长点所对应的步骤五的总体校正集误差；
    步骤八，根据步骤七中最小的总体校正集误差来确定近红外的波长选择点以及近红外光谱的特征信息，进而根据近红外光谱的特征信息来建立关联关系；
    步骤九、在上述选择的波长点下，对校正集光谱与化学值重新建立回归模型；
    步骤十、检测验证样本的化学值并获取对应光谱，对步骤九中的回归模型进行定量评价。
  2. 如权利要求1所述的定性定量相结合的近红外定量模型构建方法，其特征在于：
    其中，步骤一中，分别获取对应的近红外光谱x与化学值尼古丁y。
  3. 如权利要求1所述的定性定量相结合的近红外定量模型构建方法，其特征在于：
    步骤二中，根据半重数采样法来判别校正集样本的光谱中的异常光谱。
  4. 如权利要求1所述的定性定量相结合的近红外定量模型构建方法，其特征在于：
    步骤三中，运用遗传算法求解投影方向向量。
  5. 如权利要求1所述的定性定量相结合的近红外定量模型构建方法，其特征在于：
    步骤四中，将投影值从小到大排序，将排序后的投影值划分为k类。
  6. 如权利要求1所述的定性定量相结合的近红外定量模型构建方法，其特征在于：
    步骤五中，以k类样本中所有不包含j1类的样本为光谱校正集，与其所对应的原始样本的化学值进行回归建模，回归建模的方式可以采用偏最小二乘，多元线性回归、主成分回归、或者偏最小二乘人工神经网络，1≤j1≤k；验证集kj的近红外模型的误差的评价方式为：
    Figure PCTCN2016106038-appb-100001
  7. 如权利要求1所述的定性定量相结合的近红外宣模型构建方法，其特征在于：
    步骤十中，对验证样本的对应光谱，运用如下方式求解其预测值pxtest：
    pxtext＝fxtest(MC(j2))。
PCT/CN2016/106038 2016-07-11 2016-11-16 一种定性定量相结合的近红外定量模型构建方法 WO2018010352A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610541477.XA CN105928901B (zh) 2016-07-11 2016-07-11 一种定性定量相结合的近红外定量模型构建方法
CN201610541477.X 2016-07-11

Publications (1)

Publication Number Publication Date
WO2018010352A1 true WO2018010352A1 (zh) 2018-01-18

Family

ID=56827767

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/106038 WO2018010352A1 (zh) 2016-07-11 2016-11-16 一种定性定量相结合的近红外定量模型构建方法

Country Status (2)

Country Link
CN (1) CN105928901B (zh)
WO (1) WO2018010352A1 (zh)

Cited By (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108318447A (zh) * 2018-05-04 2018-07-24 山东大学 一种基于近红外光谱技术快速测定吡喹酮对映体组成的方法
CN109241637A (zh) * 2018-09-13 2019-01-18 四川长虹电器股份有限公司 一种可适用于光谱分析的智能建模***及方法
CN109615145A (zh) * 2018-12-27 2019-04-12 中国海洋石油集团有限公司 一种快速预测不同老化程度基质沥青的物理性能的方法
CN109992861A (zh) * 2019-03-21 2019-07-09 温州大学 一种近红外光谱建模方法
CN110909470A (zh) * 2019-11-25 2020-03-24 光钙(上海)高科技有限公司 一种红外光谱化学计量学分析***及方法
CN110967313A (zh) * 2019-12-12 2020-04-07 云南拓宝科技有限公司 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用
CN111289463A (zh) * 2020-02-24 2020-06-16 天津商业大学 苹果冲击损伤面积的高光谱无损预测方法
CN111476320A (zh) * 2020-05-09 2020-07-31 河南科技大学 基于可见近红外光谱的孵化早期受***蛋判别模型的建立方法
CN111912815A (zh) * 2019-12-20 2020-11-10 南开大学 一种评估油料作物品质的近红外光谱分析方法
CN111965139A (zh) * 2020-08-18 2020-11-20 山东金璋隆祥智能科技有限责任公司 一种酚咖麻敏胶囊中的盐麻含量的分析方法
CN111965138A (zh) * 2020-08-18 2020-11-20 山东金璋隆祥智能科技有限责任公司 一种低聚麦芽糖中水分含量的测定方法
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
CN112085342A (zh) * 2020-08-14 2020-12-15 北京农业质量标准与检测技术研究中心 农业投入品复合品质评价方法
CN112198122A (zh) * 2020-09-29 2021-01-08 浙江农林大学 一种山核桃内部黑斑的快速无损检测方法
CN112213282A (zh) * 2020-09-15 2021-01-12 吉林省农业科学院 应用近红外谷物分析仪建立油莎豆中粗脂肪含量的检测方法
CN112229816A (zh) * 2020-09-04 2021-01-15 江苏东晟辉科技开发有限公司 基于opls-spa-mix-pls的木材弹性模量预测方法
CN112240876A (zh) * 2019-07-17 2021-01-19 华东理工大学 一种基于近红外实时检测发酵过程参数的方法
CN112432917A (zh) * 2019-08-08 2021-03-02 北京蓝星清洗有限公司 一种光谱差异校正方法及***
CN112461782A (zh) * 2019-10-17 2021-03-09 山东金璋隆祥智能科技有限责任公司 一种基于gsa近红外光谱仪的光谱校正技术
CN112649390A (zh) * 2020-12-22 2021-04-13 内蒙合成化工研究所 一种基于近红外光谱的粘合剂水分含量监测方法
CN112669915A (zh) * 2020-11-06 2021-04-16 西安理工大学 一种基于神经网络与近红外光谱的梨无损检测方法
CN112836340A (zh) * 2020-12-31 2021-05-25 武汉网锐检测科技有限公司 一种基于红外光谱的pe塑料管断裂伸长率的识别方法
CN112861416A (zh) * 2019-11-27 2021-05-28 国能生物发电集团有限公司 基于近红外光谱主成分和神经网络的生物质固定碳测量与建模方法
CN112924412A (zh) * 2021-01-22 2021-06-08 中国科学院合肥物质科学研究院 基于近红外光谱的单籽粒水稻品种真实性判别方法及装置
CN113092406A (zh) * 2021-04-08 2021-07-09 晨光生物科技集团股份有限公司 一种快速预判辣椒红外观品质变化的方法
CN113125375A (zh) * 2019-12-30 2021-07-16 北京中医药大学 一种智能制造提取过程沸腾时间检测方法
CN113189038A (zh) * 2021-05-13 2021-07-30 上海雷允上药业有限公司 一种基于近红外漫反射光谱的丹参片中间体含量检测方法
CN113484278A (zh) * 2021-05-21 2021-10-08 北京农业智能装备技术研究中心 一种基于光谱和主成分分析的番茄综合品质无损检测方法
CN113762208A (zh) * 2021-09-22 2021-12-07 山东大学 一种近红外光谱与特征图谱的图谱转换方法及其应用
CN113887493A (zh) * 2021-10-21 2022-01-04 河北工业大学 一种基于id3算法的黑臭水体遥感影像识别方法
CN113945539A (zh) * 2021-10-18 2022-01-18 江西农业大学 基于gwas筛选后近红外光谱特征波段预测品质的方法及***
CN113960241A (zh) * 2021-09-18 2022-01-21 安康市食品药品检验检测中心(药械不良反应监测中心) 基于薄层色谱-近红外光谱联用技术快速筛查保健品中非法添加违禁化学物的方法
CN113984708A (zh) * 2021-10-22 2022-01-28 浙江中烟工业有限责任公司 一种化学指标检测模型的维护方法和装置
CN114018836A (zh) * 2021-09-27 2022-02-08 中国科学院合肥物质科学研究院 一种糖度检测方法和***
CN114062306A (zh) * 2021-10-25 2022-02-18 华东理工大学 一种近红外光谱数据分段预处理方法
CN114088659A (zh) * 2021-10-09 2022-02-25 池明旻 织物纤维成分的异常近红外光谱波形检测方法
CN114166764A (zh) * 2021-11-09 2022-03-11 中国农业科学院农产品加工研究所 基于特征波长筛选的光谱特征模型的构建方法及装置
CN114199814A (zh) * 2020-08-28 2022-03-18 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
CN114371144A (zh) * 2021-12-31 2022-04-19 中国农业科学院草原研究所 基于近红外光谱成像技术检测羊肉生物胺含量的数据库的建立方法和应用
CN114384039A (zh) * 2020-10-20 2022-04-22 贵州中烟工业有限责任公司 一种基于光谱投影残差的卷烟加料均匀性检测方法
CN114384040A (zh) * 2020-10-21 2022-04-22 江苏康缘药业股份有限公司 一种建立固体制剂中间体物理性质指标的通用测试模型的方法
CN114441468A (zh) * 2022-02-10 2022-05-06 合肥工业大学 一种基于近红外-中红外融合算法的窖泥品质检测方法
CN114486805A (zh) * 2020-10-23 2022-05-13 中国石油化工股份有限公司 一种确定过氧化氢生产过程的过程参数的方法
CN114863286A (zh) * 2022-06-02 2022-08-05 青岛科技大学 一种基于多算法协同选优的混合废塑料分类方法
CN115031643A (zh) * 2022-05-19 2022-09-09 山东大学 流化床包衣过程中包衣膜厚度在线测量方法及***
CN115049025A (zh) * 2022-08-16 2022-09-13 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***
CN115184298A (zh) * 2022-05-26 2022-10-14 广东美味鲜调味食品有限公司 一种基于近红外光谱在线监测酱油品质的方法
CN115248193A (zh) * 2021-04-26 2022-10-28 中国石油天然气股份有限公司 催化重整工艺生成油的在线多通道测量方法
CN115274001A (zh) * 2022-07-25 2022-11-01 江南大学 基于近红外光谱的有机物在线检测结果的可靠性评价方法
CN115308135A (zh) * 2022-08-06 2022-11-08 福州大学 一种基于光谱成像的海洋甲藻细胞浓度检测变量选择方法
CN115372311A (zh) * 2022-08-19 2022-11-22 江西农业大学 一种用近红外光谱技术预测湿地松微纤丝角的方法及***
CN115656074A (zh) * 2022-12-28 2023-01-31 山东省科学院海洋仪器仪表研究所 一种海水cod光谱变量特征自适应选择估计方法
CN116202991A (zh) * 2023-05-05 2023-06-02 江西中医药大学 一种片剂包衣吸湿率在线检测方法及***
CN117708719A (zh) * 2023-12-12 2024-03-15 彩谱科技(浙江)有限公司 基于波段数量约束的近红外高光谱塑料分选***及方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105928901B (zh) * 2016-07-11 2019-06-07 上海创和亿电子科技发展有限公司 一种定性定量相结合的近红外定量模型构建方法
CN106290231B (zh) * 2016-07-29 2019-04-19 西安近代化学研究所 硝酸酯类火***装药安全贮存寿命预估方法
CN106706558B (zh) * 2017-01-10 2019-03-22 南京富岛信息工程有限公司 一种剔除校正集异常样本的方法
CN108267422B (zh) * 2017-12-29 2021-01-12 广州讯动网络科技有限公司 基于近红外光谱分析的异常样本剔除法
JP7273844B2 (ja) * 2018-04-05 2023-05-15 イーエニエーエスセー テック － インスティチュート デ エンゲンハリア デ システマス エ コンピュータドレス テクノロジア エ シエンシア 試料からの成分の定量化値を予測する分光測光方法及び装置
CN112304918B (zh) * 2019-07-30 2022-04-01 同方威视技术股份有限公司 基于拉曼光谱识别混合物的方法和装置及拉曼光谱检测设备
CN110907383A (zh) * 2019-11-22 2020-03-24 光钙(上海)高科技有限公司 一种基于迈克尔逊型红外光谱技术的气体探测方法
CN111999258B (zh) * 2020-07-03 2022-06-17 桂林理工大学 一种面向光谱基线校正的加权建模局部优化方法
CN112345489B (zh) * 2020-10-29 2022-12-13 南开大学 基于多元光学计算的近红外光谱测试方法
CN112525855B (zh) * 2020-11-20 2021-11-02 广东省农业科学院蔬菜研究所 南瓜果实品质参数的检测方法、装置、计算机设备
CN113917003A (zh) * 2021-08-30 2022-01-11 浙江工业大学 一种白芷饮片中欧前胡素含量的检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020109093A1 (en) * 2000-12-13 2002-08-15 Kelley Stephen S. Method of predicting mechanical properties of decayed wood
WO2002080767A1 (en) * 2001-04-03 2002-10-17 Sensys Medical, Inc. A multi-tier method of developing localized calibration models for non-invasive blood analyte prediction
CN103927438A (zh) * 2014-04-11 2014-07-16 中国科学院重庆绿色智能技术研究院 基于连续投影算法的近红外波长变量选择方法
CN105067558A (zh) * 2015-07-22 2015-11-18 中国科学院半导体研究所 近红外定性鉴别特征提取方法
CN105136736A (zh) * 2015-09-14 2015-12-09 上海创和亿电子科技发展有限公司 在线近红外样本量确定方法
CN105928901A (zh) * 2016-07-11 2016-09-07 上海创和亿电子科技发展有限公司 一种定性定量相结合的近红外定量模型构建方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663418B (zh) * 2012-03-21 2014-04-23 清华大学 一种基于回归模型的图像集合建模与匹配方法
CN104616022B (zh) * 2015-01-13 2018-08-10 浙江科技学院 一种近红外光谱的分类方法
CN105181619A (zh) * 2015-08-31 2015-12-23 深圳华中科技大学研究院 一种具有变量选择功能的红外光谱定量分析方法
CN105334185B (zh) * 2015-09-14 2018-04-03 上海创和亿电子科技发展有限公司 基于光谱投影判别的近红外模型维护方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020109093A1 (en) * 2000-12-13 2002-08-15 Kelley Stephen S. Method of predicting mechanical properties of decayed wood
WO2002080767A1 (en) * 2001-04-03 2002-10-17 Sensys Medical, Inc. A multi-tier method of developing localized calibration models for non-invasive blood analyte prediction
CN103927438A (zh) * 2014-04-11 2014-07-16 中国科学院重庆绿色智能技术研究院 基于连续投影算法的近红外波长变量选择方法
CN105067558A (zh) * 2015-07-22 2015-11-18 中国科学院半导体研究所 近红外定性鉴别特征提取方法
CN105136736A (zh) * 2015-09-14 2015-12-09 上海创和亿电子科技发展有限公司 在线近红外样本量确定方法
CN105928901A (zh) * 2016-07-11 2016-09-07 上海创和亿电子科技发展有限公司 一种定性定量相结合的近红外定量模型构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TU, BIN ET AL.: "Qualitative-Quantitative Analysis of Rice Bran Oil Adulteration Based on Laser Near Infrared Spectroscopy", SPECTROSCOPY AND SPECTRAL ANALYSIS, vol. 35, no. 6, 30 June 2015 (2015-06-30), pages 1539 - 1544 *

Cited By (84)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108318447A (zh) * 2018-05-04 2018-07-24 山东大学 一种基于近红外光谱技术快速测定吡喹酮对映体组成的方法
CN109241637B (zh) * 2018-09-13 2022-04-15 四川长虹电器股份有限公司 一种可适用于光谱分析的智能建模***及方法
CN109241637A (zh) * 2018-09-13 2019-01-18 四川长虹电器股份有限公司 一种可适用于光谱分析的智能建模***及方法
CN109615145A (zh) * 2018-12-27 2019-04-12 中国海洋石油集团有限公司 一种快速预测不同老化程度基质沥青的物理性能的方法
CN109992861A (zh) * 2019-03-21 2019-07-09 温州大学 一种近红外光谱建模方法
CN109992861B (zh) * 2019-03-21 2022-12-27 温州大学 一种近红外光谱建模方法
CN112240876A (zh) * 2019-07-17 2021-01-19 华东理工大学 一种基于近红外实时检测发酵过程参数的方法
CN112432917A (zh) * 2019-08-08 2021-03-02 北京蓝星清洗有限公司 一种光谱差异校正方法及***
CN112432917B (zh) * 2019-08-08 2023-02-28 北京蓝星清洗有限公司 一种光谱差异校正方法及***
CN112461782A (zh) * 2019-10-17 2021-03-09 山东金璋隆祥智能科技有限责任公司 一种基于gsa近红外光谱仪的光谱校正技术
CN112461782B (zh) * 2019-10-17 2022-11-01 山东金璋隆祥智能科技有限责任公司 一种基于gsa近红外光谱仪的光谱校正技术
CN110909470A (zh) * 2019-11-25 2020-03-24 光钙(上海)高科技有限公司 一种红外光谱化学计量学分析***及方法
CN110909470B (zh) * 2019-11-25 2023-08-11 光钙(上海)高科技有限公司 一种红外光谱化学计量学分析***及方法
CN112861416A (zh) * 2019-11-27 2021-05-28 国能生物发电集团有限公司 基于近红外光谱主成分和神经网络的生物质固定碳测量与建模方法
CN110967313A (zh) * 2019-12-12 2020-04-07 云南拓宝科技有限公司 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用
CN111912815B (zh) * 2019-12-20 2023-03-14 南开大学 一种评估油料作物品质的近红外光谱分析方法
CN111912815A (zh) * 2019-12-20 2020-11-10 南开大学 一种评估油料作物品质的近红外光谱分析方法
CN113125375A (zh) * 2019-12-30 2021-07-16 北京中医药大学 一种智能制造提取过程沸腾时间检测方法
CN111289463A (zh) * 2020-02-24 2020-06-16 天津商业大学 苹果冲击损伤面积的高光谱无损预测方法
CN111476320B (zh) * 2020-05-09 2023-03-24 河南科技大学 基于可见近红外光谱的孵化早期受***蛋判别模型的建立方法
CN111476320A (zh) * 2020-05-09 2020-07-31 河南科技大学 基于可见近红外光谱的孵化早期受***蛋判别模型的建立方法
CN112085342A (zh) * 2020-08-14 2020-12-15 北京农业质量标准与检测技术研究中心 农业投入品复合品质评价方法
CN112085342B (zh) * 2020-08-14 2023-09-01 北京市农林科学院 农业投入品复合品质评价方法
CN111965139A (zh) * 2020-08-18 2020-11-20 山东金璋隆祥智能科技有限责任公司 一种酚咖麻敏胶囊中的盐麻含量的分析方法
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
CN111965138A (zh) * 2020-08-18 2020-11-20 山东金璋隆祥智能科技有限责任公司 一种低聚麦芽糖中水分含量的测定方法
CN114199814A (zh) * 2020-08-28 2022-03-18 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
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
CN112229816B (zh) * 2020-09-04 2022-06-07 江苏东晟辉科技开发有限公司 基于opls-spa-mix-pls的木材弹性模量预测方法
CN112229816A (zh) * 2020-09-04 2021-01-15 江苏东晟辉科技开发有限公司 基于opls-spa-mix-pls的木材弹性模量预测方法
CN112213282A (zh) * 2020-09-15 2021-01-12 吉林省农业科学院 应用近红外谷物分析仪建立油莎豆中粗脂肪含量的检测方法
CN112198122B (zh) * 2020-09-29 2023-07-25 浙江农林大学 一种山核桃内部黑斑的快速无损检测方法
CN112198122A (zh) * 2020-09-29 2021-01-08 浙江农林大学 一种山核桃内部黑斑的快速无损检测方法
CN114384039A (zh) * 2020-10-20 2022-04-22 贵州中烟工业有限责任公司 一种基于光谱投影残差的卷烟加料均匀性检测方法
CN114384039B (zh) * 2020-10-20 2024-03-01 贵州中烟工业有限责任公司 一种基于光谱投影残差的卷烟加料均匀性检测方法
CN114384040A (zh) * 2020-10-21 2022-04-22 江苏康缘药业股份有限公司 一种建立固体制剂中间体物理性质指标的通用测试模型的方法
CN114486805B (zh) * 2020-10-23 2024-01-05 中国石油化工股份有限公司 一种确定过氧化氢生产过程的过程参数的方法
CN114486805A (zh) * 2020-10-23 2022-05-13 中国石油化工股份有限公司 一种确定过氧化氢生产过程的过程参数的方法
CN112669915A (zh) * 2020-11-06 2021-04-16 西安理工大学 一种基于神经网络与近红外光谱的梨无损检测方法
CN112669915B (zh) * 2020-11-06 2024-03-29 西安理工大学 一种基于神经网络与近红外光谱的梨无损检测方法
CN112649390A (zh) * 2020-12-22 2021-04-13 内蒙合成化工研究所 一种基于近红外光谱的粘合剂水分含量监测方法
CN112836340A (zh) * 2020-12-31 2021-05-25 武汉网锐检测科技有限公司 一种基于红外光谱的pe塑料管断裂伸长率的识别方法
CN112924412B (zh) * 2021-01-22 2022-11-04 中国科学院合肥物质科学研究院 基于近红外光谱的单籽粒水稻品种真实性判别方法及装置
CN112924412A (zh) * 2021-01-22 2021-06-08 中国科学院合肥物质科学研究院 基于近红外光谱的单籽粒水稻品种真实性判别方法及装置
CN113092406A (zh) * 2021-04-08 2021-07-09 晨光生物科技集团股份有限公司 一种快速预判辣椒红外观品质变化的方法
CN113092406B (zh) * 2021-04-08 2022-08-02 晨光生物科技集团股份有限公司 一种快速预判辣椒红外观品质变化的方法
CN115248193B (zh) * 2021-04-26 2024-05-28 中国石油天然气股份有限公司 催化重整工艺生成油的在线多通道测量方法
CN115248193A (zh) * 2021-04-26 2022-10-28 中国石油天然气股份有限公司 催化重整工艺生成油的在线多通道测量方法
CN113189038A (zh) * 2021-05-13 2021-07-30 上海雷允上药业有限公司 一种基于近红外漫反射光谱的丹参片中间体含量检测方法
CN113484278A (zh) * 2021-05-21 2021-10-08 北京农业智能装备技术研究中心 一种基于光谱和主成分分析的番茄综合品质无损检测方法
CN113960241A (zh) * 2021-09-18 2022-01-21 安康市食品药品检验检测中心(药械不良反应监测中心) 基于薄层色谱-近红外光谱联用技术快速筛查保健品中非法添加违禁化学物的方法
CN113762208A (zh) * 2021-09-22 2021-12-07 山东大学 一种近红外光谱与特征图谱的图谱转换方法及其应用
CN113762208B (zh) * 2021-09-22 2023-07-28 山东大学 一种近红外光谱与特征图谱的图谱转换方法及其应用
CN114018836A (zh) * 2021-09-27 2022-02-08 中国科学院合肥物质科学研究院 一种糖度检测方法和***
CN114018836B (zh) * 2021-09-27 2024-04-26 中国科学院合肥物质科学研究院 一种糖度检测方法和***
CN114088659B (zh) * 2021-10-09 2024-04-16 池明旻 织物纤维成分的异常近红外光谱波形检测方法
CN114088659A (zh) * 2021-10-09 2022-02-25 池明旻 织物纤维成分的异常近红外光谱波形检测方法
CN113945539B (zh) * 2021-10-18 2023-07-04 江西农业大学 基于gwas筛选后近红外光谱特征波段预测品质的方法及***
CN113945539A (zh) * 2021-10-18 2022-01-18 江西农业大学 基于gwas筛选后近红外光谱特征波段预测品质的方法及***
CN113887493A (zh) * 2021-10-21 2022-01-04 河北工业大学 一种基于id3算法的黑臭水体遥感影像识别方法
CN113887493B (zh) * 2021-10-21 2024-06-07 河北工业大学 一种基于id3算法的黑臭水体遥感影像识别方法
CN113984708B (zh) * 2021-10-22 2024-03-19 浙江中烟工业有限责任公司 一种化学指标检测模型的维护方法和装置
CN113984708A (zh) * 2021-10-22 2022-01-28 浙江中烟工业有限责任公司 一种化学指标检测模型的维护方法和装置
CN114062306A (zh) * 2021-10-25 2022-02-18 华东理工大学 一种近红外光谱数据分段预处理方法
CN114062306B (zh) * 2021-10-25 2024-04-05 华东理工大学 一种近红外光谱数据分段预处理方法
CN114166764A (zh) * 2021-11-09 2022-03-11 中国农业科学院农产品加工研究所 基于特征波长筛选的光谱特征模型的构建方法及装置
CN114371144A (zh) * 2021-12-31 2022-04-19 中国农业科学院草原研究所 基于近红外光谱成像技术检测羊肉生物胺含量的数据库的建立方法和应用
CN114441468B (zh) * 2022-02-10 2023-06-27 合肥工业大学 一种基于近红外-中红外融合算法的窖泥品质检测方法
CN114441468A (zh) * 2022-02-10 2022-05-06 合肥工业大学 一种基于近红外-中红外融合算法的窖泥品质检测方法
CN115031643B (zh) * 2022-05-19 2024-03-08 山东大学 流化床包衣过程中包衣膜厚度在线测量方法及***
CN115031643A (zh) * 2022-05-19 2022-09-09 山东大学 流化床包衣过程中包衣膜厚度在线测量方法及***
CN115184298B (zh) * 2022-05-26 2024-04-16 广东美味鲜调味食品有限公司 一种基于近红外光谱在线监测酱油品质的方法
CN115184298A (zh) * 2022-05-26 2022-10-14 广东美味鲜调味食品有限公司 一种基于近红外光谱在线监测酱油品质的方法
CN114863286B (zh) * 2022-06-02 2024-03-08 青岛科技大学 一种基于多算法协同选优的混合废塑料分类方法
CN114863286A (zh) * 2022-06-02 2022-08-05 青岛科技大学 一种基于多算法协同选优的混合废塑料分类方法
CN115274001A (zh) * 2022-07-25 2022-11-01 江南大学 基于近红外光谱的有机物在线检测结果的可靠性评价方法
CN115308135A (zh) * 2022-08-06 2022-11-08 福州大学 一种基于光谱成像的海洋甲藻细胞浓度检测变量选择方法
CN115049025A (zh) * 2022-08-16 2022-09-13 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***
CN115372311A (zh) * 2022-08-19 2022-11-22 江西农业大学 一种用近红外光谱技术预测湿地松微纤丝角的方法及***
CN115656074A (zh) * 2022-12-28 2023-01-31 山东省科学院海洋仪器仪表研究所 一种海水cod光谱变量特征自适应选择估计方法
CN115656074B (zh) * 2022-12-28 2023-04-07 山东省科学院海洋仪器仪表研究所 一种海水cod光谱变量特征自适应选择估计方法
CN116202991B (zh) * 2023-05-05 2023-08-15 江西中医药大学 一种片剂包衣吸湿率在线检测方法及***
CN116202991A (zh) * 2023-05-05 2023-06-02 江西中医药大学 一种片剂包衣吸湿率在线检测方法及***
CN117708719A (zh) * 2023-12-12 2024-03-15 彩谱科技(浙江)有限公司 基于波段数量约束的近红外高光谱塑料分选***及方法

Also Published As

Publication number Publication date
CN105928901A (zh) 2016-09-07
CN105928901B (zh) 2019-06-07

Similar Documents

Publication Publication Date Title
WO2018010352A1 (zh) 一种定性定量相结合的近红外定量模型构建方法
CN105630743B (zh) 一种光谱波数的选择方法
CN109253985B (zh) 基于神经网络的近红外光谱识别古筝面板用木材等级的方法
CN102305772A (zh) 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法
CN112924412B (zh) 基于近红外光谱的单籽粒水稻品种真实性判别方法及装置
CN109115692B (zh) 一种光谱数据分析方法及装置
CN110687072A (zh) 一种基于光谱相似度的校正集和验证集选择及建模方法
Yun et al. Identification of tea based on CARS‐SWR variable optimization of visible/near‐infrared spectrum
Xiao et al. Discrimination of organic and conventional rice by chemometric analysis of NIR spectra: a pilot study
CN110749565A (zh) 一种快速鉴别普洱茶存储年份的方法
CN111693487A (zh) 基于遗传算法和极限学习机的水果糖度检测方法及***
CN110186871A (zh) 一种茶鲜叶产地的判别方法
CN108663334B (zh) 基于多分类器融合寻找土壤养分光谱特征波长的方法
CN105223140A (zh) 同源物质的快速识别方法
CN113030007B (zh) 基于相似度学习算法快速检验烟用香精质量稳定性的方法
Du et al. Quantitative detection of azodicarbonamide in wheat flour by near-infrared spectroscopy based on two-step feature selection
CN113655027A (zh) 一种近红外快速检测植物中单宁含量的方法
Liu et al. Detection of Apple Taste Information Using Model Based on Hyperspectral Imaging and Electronic Tongue Data.
Huang et al. Optimal wavelength selection for hyperspectral scattering prediction of apple firmness and soluble solids content
CN110186870B (zh) 一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法
CN116662751A (zh) 一种基于主成分分析与杠杆值法剔除异常样本的烟叶含水率检测方法
CN108267422B (zh) 基于近红外光谱分析的异常样本剔除法
CN114062305B (zh) 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及***
CN111693488B (zh) 基于ds证据理论融合的水果等级分类方法及***
CN112763448A (zh) 一种基于atr-ftir技术的米糠中多糖含量的快速检测方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16908675

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16908675

Country of ref document: EP

Kind code of ref document: A1