仪器信息网APP
选仪器、听讲座、看资讯

模型传递、更新与维护

  • Insm_68f50e17
    2024/06/26
  • 私聊

近红外光谱(NIR)

  • 一、模型传递

    近红外光谱容易受外界因素干扰而发生扰动或者变化,例如温度、湿度、样本形态、仪器漂移或仪器更换等,导致建立的模型难以适应新的应用场景。通过建立不同条件下光谱、模型系数或预测结果的关系,从而消除预测偏差的方法称为模型转移[68],常见的方法包括斜率截距法(Slope/bias,S/B)、专利算法Shenks algorithm、直接标准化Direct standardization, DS、分段直接标准化Piecewise direct standardization, PDS、光谱空间转换Spectral space transformation, SST、典型相关性分析Canonical correlation analysis, CCA,交替三线性分解Alternating tri-linear decomposition, ATLD光谱标准化和多级同时成分分析Multi-level simultaneous component analysis,MSCA[69]

    因子分析是将数据在低维空间中表示的一类方法,利用因子分析将高维空间中的光谱转移转化为低维空间中的抽象因子,这能够有效降低模型转移的复杂程度。例如,联合独立分块分析Joint and unique multiblock analysis[70]、域不变偏最小二乘Domain-invariant partialleastsquares[71]等仿射不变式Affine invariance[72]等。张等[73]在此基础上提出了一种基于权重系数的模型转移方法Calibration transfer based on the weight matrix,该方法在偏最小二乘权重系数的基础上构造模型转移函数,转化偏最小二乘权重为得分,将光谱间的转化关系变换为光谱与得分矩阵间的转化,简化了模型转移的复杂程度,提高了模型转移的可靠性。

    基于拉格朗日乘子法的正则化方法不但能够实现模型的平滑、稀疏等特性,还能够自由结合多种约束实现模型转移和模型更新。此类方法通过超参Hyper-parameter来平衡效率目标函数和模型复杂程度约束条件的关系,但需要通过交互验证或者外部验证决定合适的参数。张等[74]在此基础上提出了一种基于岭回归的模型更新方法,将预测优化目标和模型系数的2范数约束结合起来,实现了模型系数的更新,解决了由于仪器漂移或样本变化引起的模型预测能力和可靠性变差的问题。

    通常,使用标准样本的模型转移方法的结果相对更加准确,然而,其应用性受到限制。邵学广课题组提出了一系列无需标准样本的模型转移方法,例如,双模型策略Dualmodelstrategy[75]、偏最小二乘校正PLS-corrected[76]和线性模型校正Linear model correction, LMC[77]方法。这些算法不需要使用在不同仪器或者不同条件下采集的标准样本的近红外光谱,因此,可以用于无标准光谱的模型维护和增强。张等[78]LMC基础上提出的修正线性模型校正Modified linear model correction,mLMC方法利用拉格朗日乘子法,将预测优化目标函数与不同条件下模型系数相关性约束相结合,实现了对不同仪器设备基础上建立的分析模型高效、快速的无标准样本转移。此外,张等[79]提出了利用相关系数约束结合全局游湖算法实现了无参数的模型增强(Parameter-free calibration enhancement框架,包括无监督、半监督和全监督的模型转移、维护和增强等多种应用情况。

    以上所介绍的这些方法,又称为“软拷贝”转移模型,值得近红外用户关注的是,随着仪器制造技术的不断提高,近红外仪器之间的光学性能差异越来越小,仪器之间的光谱测量结果具有很好的重现性,将原机模型或光谱“硬拷贝”到新光谱仪上就能正常使用,省去了复杂的“软拷贝”计算工作。
猜你喜欢最新推荐热门推荐更多推荐
举报帖子

执行举报

点赞用户
好友列表
加载中...
正在为您切换请稍后...