SE-PDS增强的NIR频谱转移学习:用于跨仪器喷气式燃料性质量化的机器学习方法
Mingyue Huang1, Hailong Feng1, Jing Liang1
1College of Artificial Intelligence, Nankai University, Tianjin, 300350, China.
这项研究介绍了一种改进的共享嵌入增强分片直接标准化 (SE-PDS) 算法,用于近红外 (NIR) 光谱传输. SE-PDS与随机森林 (RF) 模型相结合,可以准确地预测各种仪器的喷气燃料特性.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 化学测量 化学测量 化学测量
背景情况:
- 近红外 (NIR) 光谱对于分析飞机燃料等复杂混合物至关重要.
- 从不同的仪器获得的光谱数据往往会呈现变化,阻碍了模型的可转移性.
- 准确的跨仪器定量预测需要强大的光谱校准和转移方法.
研究的目的:
- 开发和验证一种改进的光谱传输算法,即共享嵌入增强的切片直接标准化 (SE-PDS),用于近红外 (NIR) 光谱.
- 为了能够在不同的NIR仪器中准确地定量预测喷气式燃料的物理化学特性.
- 评估SE-PDS与随机森林 (RF) 和部分最小平方 (PLS) 模型一起的性能.
主要方法:
- 提出了用于光谱传输的共享嵌入增强零碎直接标准化 (SE-PDS) 算法.
- 集成的SE-PDS与随机森林 (RF) 和部分最小平方 (PLS) 回归模型.
- 使用两个不同的NIR仪器分析的86个喷气式燃料样本验证了这一方法.
主要成果:
- SE-PDS显著改善了光谱校准,实现了仪器之间的0.9999 (平均值) 和0.9997 (最小值) 的相关系数.
- 与SE-PDS相结合的射频模型表现出优异的预测性能 (R2 = 0.9231),与DS (R2 = 0.8102) 和PDS (R2 = 0.7613) 相比.
- SE-PDS-RF组合实现了高预测精度 (R2 0.88580.9851) 和所有属性的相对错误率较低.
结论:
- SE-PDS算法为跨仪器NIR光谱传输提供了一个强大的解决方案,特别是对于复杂的混合物.
- SE-PDS与射频模型的非线性建模能力的结合显著提高了预测性能.
- 这种方法有效地整合了光谱信息并减轻了光谱变异,使得各种仪器能够进行可靠的定量分析.
更多相关视频
08:22Nitrogen Compound Characterization in Fuels by Multidimensional Gas Chromatography
Published on: May 15, 2020
07:24Combustion Chemistry of Fuels: Quantitative Speciation Data Obtained from an Atmospheric High-temperature Flow Reactor with Coupled Molecular-beam Mass Spectrometer
Published on: February 19, 2018
相关概念视频
¹³C NMR: Distortionless Enhancement by Polarization Transfer (DEPT)
Applications of IR Spectroscopy: Overview
Inductively Coupled Plasma Atomic Emission Spectroscopy: Instrumentation
There are three main types of inductively coupled plasma atomic emission spectroscopy (ICP-AES) instruments: sequential, simultaneous multichannel, and Fourier transform instruments, with the latter being less commonly used....
¹³C NMR: ¹H–¹³C Decoupling
A broadband decoupling technique is used to simplify these complex, sometimes overlapping, signals. Broadband decoupling relies on a...
2D NMR: Heteronuclear Single-Quantum Correlation Spectroscopy (HSQC)
Atomic Absorption Spectroscopy: Atomization Methods
