在光谱多变量校准中,对波长的优化进行同等和互补变量选
Honghong Wang1, Shuming Lan1,2, Lingbo Wei1
1School of Chemistry and Molecular Engineering & Shanghai Key Laboratory of Functional Materials Chemistry, and Research Centre of Analysis and Test, East China University of Science and Technology, Shanghai 200237, China.
确定了等效变量 (EV) 和补充变量 (CV),以改进多变量校准模型. 这种策略通过找到可互换和补充的数据点来优化变量选择,从而在不同的光谱数据集中增强模型性能.
科学领域:
- 化学测量 化学测量 化学测量
- 频谱学是一种光谱学.
- 数据分析数据分析
背景情况:
- 多变量校准依赖于有效的变量选择.
- 识别同等和互补的变量可以提高模型的稳定性和预测能力.
研究的目的:
- 引入和验证一种新的变量选择策略,使用等效变量 (EV) 和补充变量 (CV).
- 评估该策略在改善各种光谱数据类型 (NIR,MIR,UV-vis) 的多变量校准模型方面的有效性.
主要方法:
- 使用了三个变量选择算法:稳定性竞争性适应性重权取样 (SCARS),竞争性适应性重权取样 (CARS) 和蒙特卡洛和非信息变量消除 (MC-UVE).
- 从NIR,MIR和UV-vis光谱数据集中对EV和CV进行选.
- 通过使用RMSEC和RMSEP (预测误差) 评估模型性能.
主要成果:
- 使用SCARS从玉米NIR光谱中确定了54个EV,证明了与基本变量 (BVs) 具有最小预测误差偏差 (<0.003 RMSEP) 的可比建模性能.
- 从CARS和MC-UVE的EV中选了15个CV,与BV结合时显著改善了SCARS模型 (RMSEC从0.0207降至0.0109,RMSEP从0.0290降至0.0136).
- 在其他光谱数据集中观察到一致的性能改进.
结论:
- 使用EV和CV的开发策略提供了一个有效的方法来优化多变量校准中的变量选择.
- 从不同算法的EV中选CV并将其与BV结合,可以明显提高模型性能和预测准确性.
更多相关视频
10:22Split Point Analysis and Uncertainty Quantification of Thermal-Optical Organic/Elemental Carbon Measurements
Published on: September 7, 2019
07:11ARL Spectral Fitting as an Application to Augment Spectral Data via Franck-Condon Lineshape Analysis and Color Analysis
Published on: August 19, 2021
相关概念视频
Ultraviolet and Visible (UV–Vis) Spectroscopy: Overview
UV–Vis Spectrometers
UV–Vis Spectroscopy: Woodward–Fieser Rules
Calibration Curves: Linear Least Squares
For data that follow a straight line, the standard method for fitting is the linear...
Calibration Curves: Correlation Coefficient
Instrument Calibration
Analytical Balance Calibration
An analytical balance measures mass and requires regular calibration to...
