近红外建模与模型评价

1、近红外检测技术的建模(校正)、联络人、侧勇3360 m e-mail : MSN : ni _ Yong _ QQ :609293453、校正=教会仪器。 近红外间接检测所需的校准需要参考分析方法，近红外技术的应用前提条件，一般来说，能否应用近红外技术定量检测某种成分的含量，主要取决于检测的样品是否具有良好的近红外光谱反应特性，即“红外活性”三个因素。 仪器本身的特性和相关技术指标：检测中光谱的重复精度、信噪比和波长范围等因素。 用于缩放的样本的化学值的正确度。 描述了检测、精度=重现性精度=达到真值的能力、高精度精准性高、高精度精准性差、精度差、不同实验室比较、资料

2、源： CCFRA合作研究项目、1997、校准是什么、特定近红外光波长光的吸收特性与样本组的关系。 Y=C0 C1*A1 C2*A2 Cn*An、红外光谱量化分析流、光谱量化分析流、修改模型训练收集样本的选择，以便尽可能复盖要分析的样本的范围，并且对于要测量的物理性质，样本必须均匀分布样品化学性质的测定，对于人工合成样品，对于比较简单复杂的天然产品，必须选择受大家权威的分析方法。 模型预测结果的精准性很大程度上依赖于标准测定结果的精准性。 用多次分析结果的平均值降低误差，影响近红外分析结果的精准性因素，实验室化学分析的精度代表样本采集光谱信噪比光谱信息的代表环境与样本前处理模型优化条件包括：光谱

3、区域选择、光谱预处理方法和分数因子维数等。 将化学计算方法应用于近红外光谱，且频谱预处理和频带选择方法：应用于最近的滑动窗偏差最小二乘回归方法，该方法包括傅立叶变换、日式榻榻米捕获、反卷积和导数光谱预处理和波长的优选方法在近红外光谱分析技术中非常重要，并且目标是利用这些个化学计算方法实现稳定的主成分分析法(PCA )、高碳马氏体距离(MD )、聚类分析(CA )、多元线性回归(MLR )、偏最小二乘法(PLS )、人工神经网络(ALS )。 建构可靠的定性或量化分析模型，对近红外光谱进行快速实时的定性量化分析、近红外光谱定性和定量校准方法：常用化学计算方法、多元线性回归(简称MLR ) 主成分

4、分析法(Principle Component Analysis，缩写为PCA )主成分回归(Principle Component Regression，缩写为PCR )偏最小二乘法(partial化学计算是近红外光谱分析中不可缺少的重要组成部分。 主成分分析法和最小均方是经典的化学计算方法，也是近红外光谱分析中最常用的方法。PCA是近红外定性和量化分析中常用的方法，其主要目的是降低数据维数，消除近红外光谱信息的重叠，向协方差最大方向心理投射光谱数据，获得最大限度地反映被测样品组成和结构信息的新变量，因为心理投射过程与因素变量无关可以在PLS中建立模型、利用完整频谱信息来分析样本以及交替地执

5、行频谱矩阵分解和回归，并且对近红外光谱的应用可能受限制，因为频谱非线性将引起过拟合。 将支持向量机用于近红外光谱可以有效地改善过拟合现象，并且可以将高维数据作为输入向量，能够很好地解决由温度等变量引起的频谱非线性变化问题，因此，每一种化学计算方法都具有各自的优缺点，使得在用于近红外光谱时不会有所不同目前有研究者将这些个方法相互结合，取长补缺，应用于近红外光谱分析技术。 化学计算方法用于近红外光谱，一盏茶地发挥近红外的独特优势。 建模方法的研究，基于SVM的近红外定性建模方法将近红外光谱技术(NIR )和基于统一校正学习理论的支持向量机(SVM )结合，建构了识别合格/差配方奶粉的近红外定性模型

6、。 实验结果表明，利用SVM-NIR建立配方奶粉安全定性分析模型的方法可行，为配方奶粉安全判别分析提供了更方便、非破坏性的绿色分析技术。SVM分类器、NIR建模中的化学计算方法研究、建模方法PLS、SVR、一致建模光谱预处理背景扣除、数据压缩小波变换(WT )变量筛选/波长筛选WT-UVE、WT-IPOW建模样本筛选数据压缩噪声、不同极限分辨率分量提取、一致算法、诸如PLS、PCR的传统多变量校正技术通常采用单个模型，即首先以恒定的训练定径套创建最佳模型，然后用于预测的共识策略或通过使用同一训练定径套的不同子定径套向云同步预测多个模型，并且使多个预测结果作为简单的平均值或加权分数作为最终预测结

7、果，可获得更高的预报准确率和稳定性。快速建模的基本过程1、选择少量样本(如20个)的基础模型(注意实时性、样本选择、环境控制、化学参考值精度控制等) 2、使用基础模型预测新样本，粗略选择特异点，补充基础数据库。 3 .使用新的数据库创建新的校准，更新模型，提高精度和适用度。 4 .使用初期应养成将比较样品放入基础数据库的习惯。 5、本地化模式最好是100200个样品。 保证模型的精度条件、实时性：多数样品的部分成分随时间和环境变化而变化，最常见的水分含量受环境温湿度的影响。 因此，要求建模过程尽可能保证实时性，即要求扫描和化学分析同步进行。 一些常见的样本集中建模方法是不科学的。 对DA720

8、0来说，制作基础模型只需要很少的样本，但今后可以阶段性地补充新的样本，由于这个过程自然地完成分析验证和云同步，所以不要把建模看作是突发性的短期行为。 样品筛选：用于建模的样品并不是越多越好，样品的收集过程也不是无限的过程。 样品的化学值复盖了将来要分析的未知样品的范围，在该范围内分布均匀，样品品种本身具有很强的代表性，这样制作的模型不一定要使用很多样品(通常100个左右)，可以长期使用良好的适用度化学结果的精度保证：对用户来说，这个环节是建模过程中最重要的一头地。 由于化学结果是近红外检测的数据基础，所以化学结果的精度直接决定了近红外的精度，根据过去的经验，建模样本的化学值必须尽可能来自同一化

9、学检验科，在使用多个实验室的结果的情况下，也可以使用统一标准后的检测结果(如、 实验室间的小组环比结果好还是先用标准样品统一结果消除，2、实验室的双重试验结果必须符合国家标准，如果结果不好，为了验证结果需要多次检验。 但是，这是保证检测结果精准性的不一盏茶，不同检查人员盲二样品检测的重复精度也必须满足要求。 如果不满足，最好选择有经验的检查人员进行独立检查，为机器提供建模基础数据。 3 .为了减少建模工作量，可以用初步模型粗选样品，然后选取具有代表性、梯度含量好的样品进行化学法检验。 4、对于没有条件的实验室，可以先采集样品，然后与有条件的实验室合作建立实用的检验模型。 5、由于任何模型都有其

10、适用范围，不存在万能的通用模型，适用度往往以牺牲精度为前提，因此建议尽量建立适用于本公司的近红外模型。 测量条件：测量条件的控制影响仪器的自我精度，主要包括检测环境条件控制样品的预处理方法检测样品过程控制等，特别注意，1，好曲线需要持续维护：增加新样品以提高适用度。 但是，不需要特别追加通常的数据，追加的样本应该是影响模型的精度的样本(截距调整的节点)，只要将日常匹配的标准化学值的样本存入数据库即可。 2 .为了建构基础收集数据库，建议为后续查询养成统一的命名习惯。 特别注意，3、样品的收集周期最好从半年持续到一年。 这样不仅可以扩大曲线的范围，还可以很好地克服环境变化的影响。 多个品种的样品

11、必须收集在云同步。 4 .检测温差变化较大的实验室环境和液体样品时，需要加入温度补偿样品以克服温度的影响。 5、特别注意，可以为有条件的自我建模用户创建自己的校准模型。 但是，如果使用Grams没有一盏茶的熟练程度，就可以把基础的数据库发送给我们公司。 我们虽然帮助建模，但是必须保证数据库完整性和合理性。 6 .收集数十个样本(30个以上)后，建立一次模型，从一次模型中找出误差源加以解决，避免造成工作上不必要的浪费。 模特儿不好！ 模特儿一般！ 模型可以，异黄烷酮曲线，选择49个样品制备的液态赖氨酸发酵液中赖氨酸含量预测模型的近红外值与实验室值的相关性R2=0.999，浓缩磷脂复合物丙酮不溶物

12、近红外检测值与实验室值的相关性R20.917，花生整体含油近红外预测值与实验室值小麦蛋白曲线分析结果与真值之差的误差精度表示各分析结果相互接近的程度的精度， 再现性Repeatability和再现性Reproducibility的再现性表示同一分析者在同一条件下得到的分析结果的精度再现性在不同的分析者或不同的实验室间在不同的条件下得到的精度，进行近红外和标准方法的分析， 近红外的分析精度无论如何都不比定标样本集标准分析法的分析精度高.标准方法和近红外方法的精度是实验室方法的精度的1.2-1.5倍近红外方法的精度优于实验室标准方法(显着特征)，精度和精度、精度表明了分析结果和真值之间的接近程度。将分析结果和真值的差称为误差精度，将各分析结果相互接近程度的精度分为再现性Repeatability和再现性Reproducibility，表示再现性的同一分析者在同一条件下得到的分析结果的精度再现性表示在不同的分析者或不同的实验室间在各个条件下得到的精度、标准离差和离散系数， 通过采用标准离差，可以显着反应更大的偏差，数据的离散程度标准离差离均差/0.8相对标准偏差也被称为离散系数，在没有系统误差的前提下，标准方法的精度近似精度， 校