红外技术建模方法

仪器信息网红外技术建模方法专题为您提供2024年最新红外技术建模方法价格报价、厂家品牌的相关信息， 包括红外技术建模方法参数、型号等，不管是国产，还是进口品牌的红外技术建模方法您都可以在这里找到。 除此之外，仪器信息网还免费为您整合红外技术建模方法相关的耗材配件、试剂标物，还有红外技术建模方法相关的最新资讯、资料，以及红外技术建模方法相关的解决方案。
当前位置: 仪器信息网 > 行业主题 > >

红外技术建模方法相关的厂商

  • 济南弗莱德科技有限公司 银牌5年
    400-860-5168转4491
    济南弗莱德成品油快检发展介绍油品综合分析仪（近红外光谱仪+成品油数据库）2014年济南弗莱德(前身为山东荣盛科贸有限公司)与中国成品油仲裁单位北京石科院合作，开展近红外仪器在石化领域的应用研究，2016年油品综合分析仪开始在炼油企业应用。2018年初山东省政府受到中央环保督察组反馈意见：“流通领域成品油监管严重缺失，检测时间严重滞后”。省政府要求山东省市场监督管理局创新成品油监管模式，省市场监管局安排弗莱德公司开展流通领域成品油数据库建设。弗莱德公司立足炼化企业数据库基础，在流通领域对数据库的准确性及适用性等方面进行模型补充验证，然后又从硬件、建模算法、收集样品的选择等方面进行提高，在2018年8月份由山东省质检院开始验证成品油快检设备及数据库。2018年10月份-2019年3月份山东省质检院开始在东营市进行验证实验，经过一千多个批次的现场检测实践及数据比对，决定在山东省正式开展成品油快速检测试点，2019年3-9月山东滨州、淄博、潍坊等六地市展开验证工作，主要验证：一、车载仪器特别是近红外数据的准确性及适用性；二、车载近红外主机及数据库的长期稳定性；三、快检执法实施的具体方案。2019年4月，济南弗莱德公司联合山东省质检院申请成品油快检标准立项。2019年9月6日山东省市场监管局正式发布6个成品油快检标准及实施规范，同时宣布山东省正式启动成品油快检。济南弗莱德建成全世界第一个成品油流通领域的数据库；数据库是全世界第一个通过上万批次实际样品验证的数据库。六个标准也是全世界第一个成品油领域的近红外标准。2019年12月山东省市场监管局发布了加强成品油快速检测能力建设的通知，规定至2021年底省、市、县三级全部实施快检模式，成品油监管实现三级全覆盖及三级不定期抽检相结合的强力监管手段。截止2020年12月份，济南弗莱德成品油快检车及快检服务配备到山东十一个省市场监管部门，广东、上海、天津、河南、河北、吉林、辽宁、湖南、山西等十几个省级市场监管及省级质检部门全部采用弗莱德快检车及设备。弗莱德完成全国十几个省的成品油检测批次五万个以上，不合格样品分布十几个省市，不合格数量超一千个，不合格样品复测准确率100%。截止2020年12月份，济南弗莱德合作的国家中心有：国家石油产品质量监督检验中心（北京）国家石油化工产品质量监督检验中心（济南）国家石油化工产品质量监督检验中心（大庆）国家石油化工产品质量监督检验中心（广东）国家石油炼制产品质量监督检验中心（东营）国家车用乙醇汽油质量监督检验中心（河南） 截止到2021年3月份，济南弗莱德参与起草颁布的标准有：山东省：DB37-T 3637-2019车用柴油快速筛查技术规范DB37-T 3638-2019车用柴油快速检测近红外光谱法DB37-T 3639-2019车用乙醇汽油快速筛查技术规范DB37-T 3640-2019车用乙醇汽油快速检测近红外光谱法DB37-T3635-2019车用汽油快速筛查技术规范DB37-T3636-2019车用汽油快速检测近红外光谱法河南省：T/HNPCIA 22-2020车用柴油快速筛查技术规范T/HNPCIA 21-2020车用乙醇汽油（E10）快速筛查 技术规范河北省：DB 13/T —2020车用柴油快速筛查技术规范DB 13/T —2020柴油尿素水溶液（AUS32）快速筛查技术规范DB 13/T —2020车用乙醇汽油（E10）快速筛查技术规范吉林省：DB22-T车用柴油快速筛查技术规范DB22-T车用柴油快速检测近红外光谱法DB22-T车用乙醇汽油快速筛查技术规范DB22-T车用乙醇汽油快速检测近红外光谱法DB22-T车用尿素快速筛查技术规范DB22-T车用尿素快速检测近红外光谱法已经立项的全国标准有：中国石油和化学工业联合会团体标准：车用汽油快速筛查方法 近红外光谱法车用柴油快速筛查方法 近红外光谱法车用乙醇汽油（E10)快速筛查方法 近红外光谱法柴油发动机氮氧化合物还原剂-尿素水溶液（ASU32）快速筛查方法 近红外光谱法中国质量检验协会团体标准：车用汽油快速筛查方法 近红外光谱法车用柴油快速筛查方法 近红外光谱法车用乙醇汽油（E10)快速筛查方法 近红外光谱法柴油发动机氮氧化合物还原剂-尿素水溶液（ASU32）快速筛查方法 近红外光谱法济南弗莱德参与已经立项地方标准的省份还有：广东省、山西省、湖南省、甘肃省、上海市、天津市等。济南弗莱德是中国第一家参与制定近红外成品油快速检测标准的公司，也是中国第一家能提供成品油市场监督检测数据库的公司，是唯一一家经过三年以上近五万批次政府监管部门验证的公司，现阶段在成品油流通检测领域市场占有率95%以上。
    主营产品： 石油组分测定   红外光谱仪   氢气发生器   空气发生器  
    留言咨询
  • 广州飒特红外科技有限公司
    广州飒特电力红外技术有限公司是一家总部设在中国广州的民营红外热像仪跨国企业，公司在法国、爱尔兰、英国分别设有研发、生产和销售中心，是中国红外热像仪制造的龙头企业。 飒特企业目前生产的红外热像仪产品超过11个类别，35种产品。主要应用于电力、军事、警务、钢铁石化、水泥、电子制造业、电信、轨道交通、建筑、消防、教育以及医疗行业的发热人群筛查及人体测温等等。只要涉及到测温的领域（尤其是非接触性的状态检测），红外热像仪都能大展身手。 飒特企业是GB/T 1987-2005《工业检测型红外热像仪》国家标准的起草单位，，是中国红外成像技术的领跑者。公司拥有30几项的国内外专利和独立的知识产权，系列产品被国家科技部、国家商务部、国家质量监督局、国家环保局联合授予国家重点新产品。 飒特企业所制造的红外热像仪产品远销德国、法国、日本、美国、俄罗斯、中东、巴西、韩国、澳大利亚等全世界三十多个国家和地区，获得海内外用户一致的肯定与好评！ 而今，飒特企业已经成为了国际市场上名列前茅的民用红外热成像研发及生产企业，“飒特红外”已成为了国际著名的红外热像仪品牌。 请即拨打020-82227875飒特企业国内销售部。您的需求，正是飒特企业全力以赴的理由！
    留言咨询
  • 湖北久之洋红外系统股份有限公司
    湖北久之洋红外系统股份有限公司主要从事红外热像仪、激光测距仪的研发、生产与销售，是国内少有的、同时具备红外热像仪和激光测距仪自主研发与生产能力的高新技术企业，是中国高科技产业化研究会光电科技产业化专家工作委员会常务理事单位、中国光电子协会红外专业委员会常务理事单位、湖北省光学学会常务理事单位。公司主要产品包括具有先进水平的各型制冷红外热像仪、非制冷红外热像仪以及激光测距仪等产品，在红外热成像技术、激光测距技术、光学技术、电子技术、图像处理技术等方面具有综合学科优势，技术水平居国内领先地位。 公司拥有光学、红外、激光技术领域具备丰富研发经验的研发团队，专项负责相关领域的技术创新和新产品研发，组建有非制冷红外、制冷红外、激光产品三条生产线，能够满足不同客户定制产品或批量产品的需求。 凭借强大的研发实力、丰富的生产经验和过硬的产品质量，公司产品的市场占有率不断提升，产品广泛应用于海洋监察、维权执法、安防监控、森林防火监控、水上交通安全监管和救助、搜索救援、工业检测、检验检疫以及辅助驾驶等领域。
    留言咨询
查看更多厂商

红外技术建模方法相关的仪器

  • 傅里叶变换近红外光谱仪FI-RXM-S 400-628-5299
    FI-RXM-S 是公司经过多年的探索与实践发布的一款全波段的高性能傅里叶变换近红外产品。该产品采用积分球漫反射系统，很好的解决了固体样品漫反射测定时光谱匀化问题，适用于各类固体产品如饲料类、乳制品类、食品类以及纺织品等其它类产品的分析，满足您日常品控的需求。该产品配备了国际同类产品相当水准的积分球漫反射测量通道，为检测固体样品提供了又一解决方案。产品特点● 傅里叶技术的高分辨，近红外全谱区覆盖，适用于绝大部分实验室检测需求；● 内置全镀金积分球、内置自动切换镀金背景；● 光谱具有高度可重复性；● 软件易懂、操作简单；● 快速准确多组分定量定性分析；● 多种光谱预处理方法和自动建模功能，可对多组分含量分别建模以及多组分同时预测；● 良好的密封防潮性能，软件实时显示仪器内部温度和湿度数值，并有湿度自动报警功能；● 以客户需求为导向，可OEM、定制专属产品和不同检测配件。应用方向饲料类：饲料原料常规成分和氨基酸检测； 饲料成品常规成分分析等；乳品类：蛋白质、脂肪、碳水化合物、能量等成分分析；食品类：水分、蛋白、脂肪、氨基酸、脂肪酸等含量分析；纺织类：纺织品中棉、麻、氨纶和锦纶等含量分析。采样附件各种功能的采样附件，满足不同样品的分析需求：自动旋转台+大样品杯：用于测量大颗粒及不均匀的样品，如大豆，玉米和小麦；自动旋转台+培养皿：用于测量酸奶等糊状样品；小样品杯：用于测量白糖、中药粉末等均匀或量少的样品；透反射样品台：用于测量硅胶原油等透明粘稠的样品。傅里叶变换近红外光谱仪FI-RXM-S 主要技术参数项目标准配置优势光谱范围12,500~4,000cm⁻ ¹ (800~2500nm)近红外全波段光谱分辨率优于2cm⁻ ¹ 高分辨波长准确度0.1cm⁻ ¹ 光源卤钨灯使用寿命5年干涉仪立体角镜干涉仪恒久准直分束器氟化钙CaF₂ 检测器电制冷铟镓砷InGaAs样品旋转杯蓝宝石低羟基、高透光率激光器固态激光器使用寿命10年
    留言咨询
    厂商： 北京卓立汉光仪器有限公司
    品牌： 卓立汉光/ZOLIX
    型号： FI-RXM-S
    价格： 面议
  • 海能N500近红外分析仪 400-859-7900
    N500近红外分析仪是一台漫反射式近红外光谱仪，用于对样品进行多组分的快速无损分析。通过采集样品反射的光谱信息，并应用相应样品的模型，给出检测结果。仪器采用了基于MEMS技术微型FPI器件的近红外光谱传感器，集成度高，一致性好，保证了整机优良的可靠性和稳定性。N500近红外分析仪主要应用于饲料、粮食、食品等领域，快速检测样品的主营养成分指标含量。仪器特点-使用简便，无需建模。已内置玉米、豆粕样品模型并定期维护升级，无需用户独建模和维护。-一致性好，采用基于MEMS技术的NIR传感器，台间差小，准确度高。-操作方便，配有大尺寸高分辨率触摸屏，人机交互方便，只需手指轻点，即可完成样品测量。 -扩展性好，支持多种样品测量附件，如液体和粉末类样品测量附件；还可根据客户需求定制不同样品的附件，以方便用户拓展不同应用。-光谱范围宽，应用范围广，覆盖长波近红外波段，最长可扩展至2450nm。软件简介N500近红外分析仪软件通过图文配合操作，易学习，易操作。可很直观的完成添加模型、光谱测量、定量测量等功能；只需手指轻点屏幕即可完成测量功能。 界面友好、操作简便只需轻点屏幕，即可实现样品测量、光谱测量、结果查询、光谱查看等功能。高度集成N500近红外分析仪软件集成模型加载、结果测量、权限管理等所有功能于一体。内置模型仪器内置相应样品模型并定期维护升级，无需用户独建模和维护模型，减少用户工作量。报告功能具有查询历史数据，打印数据，确保测量数据不丢失，方便查找。权限管理可设置不同用户权限，方便实验室数据管理，确保数据安全。仪器技术参数工作模式：漫反射检测器类型：InGaAs波长范围：1750-2150nm。波长分辨率（FWHM）：≤20nm（工作波长的1%）波长准确度：±1nm信噪比：≥3000样品测量时间：＜30秒光源寿命：5000小时操作电脑：Surface平板电脑附件：可配备光纤附件尺寸规格：主机外形尺寸（长×宽×高）：395mm×280mm×215mm重量：5.5kg
    留言咨询
    厂商： 海能未来技术集团股份有限公司
    品牌： 海能/Hanon
    型号： N500
    价格： 面议
  • EXPEC 1360 便携式近红外光谱分析仪（NIR） 400-877-2799
    EXPEC 1360可满足实验室、车载和现场的油品快速分析，主要应用于油品分析领域（车用汽油、乙醇汽油、车用柴油、喷气燃油、车用尿素等）以及液体分析应用领域的检测。整套系统操作简单，无需样品前处理，可10 s内定性油品种类、定量油品指标、判断油品是否合格。产品概述性能优势快：10 s内出结果。准：匹配国标方法的准确性要求。稳：抗震式设计，满足军用可靠性标准。操作简单，测量快速全中文显示和操作软件界面直观、操作简单，将仪器操作、建模和数据处理融合一体。可加入近红外网络系统，实现数据传输，仪器维护，远程诊断，模型升级服务等功能。测量准确，适用性强恒温检测，可设置15-60℃恒温，温控精度达到0.2℃。适用温度范围广，可在-5°C~ 50°C区间内正常工作，仪器控温精度达到0.2℃。应用领域
    留言咨询
    厂商： 聚光科技（杭州）股份有限公司
    品牌： 谱育科技/EXPEC
    型号： EXPEC 1360
    价格： 面议
查看更多仪器

红外技术建模方法相关的资讯

  • 探知建模新方法 洞悉成像新世界——第八届亚洲近红外光谱学术会议圆满落幕
    南开大学化学学院 段潮舒 韩丽 刘煦阳（导师：邵学广）2022年11月28-30日，第八届亚洲近红外光谱会议（ANS2022）以网络会议形式召开。来自6个国家的约70位代表参加了此次大会，中国有9位代表出席。韩国汉阳大学的Hoeil Chung教授在开幕式上致辞，对所有参会的老师、同学和厂商代表表示热烈欢迎。本次会议有大会邀请报告（plenary lecture）2场，主题报告（keynote presentation）和口头报告（oral presentation）34场，墙报（poster）29篇。其中，口头报告分为4个会议单元（session），主题分别是：“农业食品材料”、“高光谱成像”、“基础科学与化学计量学”和“先进技术和药物应用”。本次会议内容丰富，从多角度展现了近红外光谱技术的最新研究和应用进展，以下从四个方面加以概述。1、化学计量学方法与应用研究化学计量学方法是历届近红外光谱会议的重要主题，本次会议安排了一场大会邀请报告，题为“Key aspects to increase the robustness of NIRs prediction models”。报告者强调了数据质量对建模的重要性，介绍了稳健模型建立的四大关键部分，分别是校正集的选择、参考值的质量、光谱数据的质量、预测模型的开发和评估（预处理方法、回归方法等）。在实际应用中，由于近红外光谱预测模型是动态的，应该定期对模型进行监控和更新；来自南开大学的邵学广教授进行了题为“Chemometric studies for analyzing temperature-dependent near-infrared spectra”的报告。报告着重讲述了利用温控近红外光谱技术结合化学计量学方法，可通过提取随温度变化的水光谱信息，从而理解水结构的复杂性以及将水作为探针可以探测溶液或生物体系中分子的定量信息和结构变化；来自日本国家农业和食品研究院的Akifumi Ikehata教授带来了题为“Extended molar absorption coefficients of confined water in reverse micelles”的报告，提出了基于浓度的扩展摩尔吸收系数分析方法，当水与表面活性剂的分子比超过一定值时，可以准确检测到反胶束中核心水的存在，有利于更好地理解限域环境中的分子行为。深度学习是化学计量学领域发展的前沿方向之一，本次会议中也有与深度学习相关的研究。来自新加坡南洋理工大学的Ying Zhu教授带来了题为“Chemometrics and deep learning models for classification of spectroscopic data with application to detection of colon polyps”的报告，介绍了基于CNN的预测模型可用于区分癌前腺瘤状息肉和增生性息肉，优于PCDA和PLSDA模型；来自韩国江原大学的Nam-Wook Kim介绍了利用可见-近红外高光谱成像技术，基于卷积神经网络（CNN）模型预测紫玉米的花青素含量，与高效液相色谱测定结果相比，深度学习模型的预测准确度可以达到93%，有利于后续智能育种技术的应用；同样来自韩国江原大学的Hong-Gu Lee利用3D-卷积神经网络进行蜂螨分类。此外，还有多场化学计量学方面的报告，研究内容涉及了各种定性定量模型的建模方法，对扩展近红外光谱的应用范围和改善模型具有重要作用。总结以上的报告，我们深切体会到：化学计量学方法种类较多，使用者应该从原理入手学习，加强对每类方法原理的理解和学习，更有利于新方法的开发和已有方法的推广应用。2、高光谱成像技术作为近红外光谱技术的发展前沿，高光谱成像技术的发展和应用越来越引起大家的关注。本次会议安排了一场题为“Spectral imaging technologies for agricultural applications” 的大会邀请报告。报告者着重介绍了高光谱成像的原理和仪器技术的发展，以及在苹果损伤、在线家禽检测、蔬菜全表面新鲜度检测等领域的应用；来自韩国忠南大学的Byoung-Kwan Cho教授带来了“Application of hyperspectral imaging for quality measurement of agricultural materials”的报告。报告首先强调了农产品质量控制对于整个农业生产行业的重要性，并介绍了高光谱成像技术在水果瘀伤检测、压力植物监测、种子活力分选和食品掺假检测等农产品质量控制中的应用，最后提出高光谱成像技术作为农产品质量控制的新兴手段，具有快速、准确、无创的检测特点，并有望代替传统检测方法；来自泰国朱拉隆功大学的Sureerat Makmuang报告了其通过改进的自组织图和近红外高光谱成像识别杂草稻的工作，首次对栽培稻种子中的杂草稻进行原位高光谱成像，并通过监督自组织图分类，达到了88%以上的分类准确率。通过以上报告，我们发现，本次会议与高光谱成像技术相关的研究多集中于食品、农产品的质量控制等，极大地拓展了近红外光谱的应用。不过，大家也认识到，虽然高光谱技术是获取综合信息的高效手段，但高光谱的测量及数据处理技术仍需要进一步发展。3、先进技术与药物应用先进技术和药物应用也是本次会议的重要主题。来自泰国农业大学的Sirinad Noypitak教授带来了“A portable moisture content meter using near infrared spectroscopy with real-time data report on a smartphone”的报告。该报告介绍了一种基于近红外光谱技术的新型便携式水分测定仪，在测量的时候可以在智能手机上显示实时数据报告。通过应用程序控制近红外光谱仪，在智能手机上实时采集、显示和处理光谱数据，非常适合在锯木工厂中的实际应用；来自韩国汉阳大学的Eunjin Jang介绍了用近红外透射光谱检测不同病变的胆汁，通过主成分聚类分析可以准确识别出患有胆囊癌的胆汁样品。这些研究大大拓展了近红外光谱技术在疾病诊断、制药方面的应用，未来可逐步实现准确控制药物中的有效成分含量、精准医疗等。4、农业食品材料农业、食品和材料一直是近红外光谱技术的重要应用领域。来自印度贾达普大学的Rajib Bandyoypadhyay教授带来题为“Estimation of total alkaloids in Cinchona bark using a developed portable NIR”的报告，该报告使用便携式近红外光谱仪测定金鸡纳树皮中总生物碱（一种抗疟疾药物）含量，对近红外光谱进行PLS回归分析，与重量法评估的结果相比，达到了很好的预测结果。不仅如此，该研究还开发了包含图形用户界面和校正程序的软件，通过对软件进行适当的修改，便携式光谱仪还可用于植物及其产品中的其他标记分子的含量测定；来自尼泊尔特里布文大学的Milka Nakarmi介绍了近红外光谱检测鸡肉中的微生物菌落的应用，该研究以标准平板计数法检测细菌的污染情况作为参考，对885-1680 nm范围的光谱建立的模型对大肠菌群预测效果最好，这为近红外光谱技术用于提取微生物信息发展了新的应用。在本次会议中，很多研究工作集中在农产品和食品质量评估，实用性的特点较为突出。理论指导实践，实际应用也将当下的需求反馈于理论方法的研究，与此同时研究工作者从需求入手，深入分析了解研究对象的特性，针对这些特性设计了更适用的仪器或测量方法，更好地满足实际的生活生产需要。本次会议利用网络平台进行在线直播，整个会议日程安排紧凑有序。全世界各地参会者通过网络平台交流与学习，无论在学校、在家、还是在公司，都可以聆听专家们的报告，而且还可以在问答区进行发言和提问。除了精彩纷呈的报告，本次会议还采用线上墙报的形式，参会人员采用录制音频配合图像的形式为大家展示墙报，以直观的图像和图表展示主要内容，再配以简洁明了的讲解说明，让大家快速了解研究内容。此外，线上墙报不受展示时间的限制，大家可以在网上多次观看。特别值得一提的是，会议中，数位中国代表给我们带来了精彩的报告，但中国参会代表还是较少，期待更多的国内学者今后为大家带来精彩的报告，继续扩大中国在国际会议的影响力。第八届亚洲近红外光谱会议圆满落幕，探知建模新方法，洞悉成像新世界！下一届亚洲近红外光谱会议将在印度加尔各答举办，让我们共同期待能与大家面对面地交流学习！
    时间： 2022-12-02
    作者： 叶子
  • 2023年度“创和亿杯全国近红外光谱数据建模竞赛”活动评述
    由中国仪器仪表学会近红外光谱分会组织的全国近红外光谱数据建模竞赛已经经历了三年，由于大量建模爱好者或相关领域从业人员的积极参与，已成为我国近红外光谱领域备受关注的重要活动。在前两次的次活动中，分别对实际复杂样品近红外光谱的定量和定性问题进行了建模方法的探讨。第一次活动的数据质量较高，采用常规的方法即可得到比较理想的结果。第二次活动的数据应该是实际工作中积累的数据，但目标值（类别）可能是人工指定的结果，具有很大的不确定性，很难得到较为理想的结果。今年的数据具有较高的挑战性，样品数量不是很大且分布不均匀，光谱的构成也较为复杂，对选手的建模经验和技术都有较高的要求。从整体结果看，参赛的116位选手，评价结果（MAE和SEP的平均值）小于0.4的有56位，小于0.3的有35位，这些模型都具有一定的可用性。但是，也有20位选手的模型评价结果大于1，也说明我们的建模技术还需要继续推广和普及，以避免在实际工作出现问题。从建模方法以及相关的数据处理方法看，应该是各显神通，很难看出方法之间的优劣。在前8名获奖者的模型中，建模方法就包括了偏最小二乘回归（PLSR）、支持向量回归（SVR）、高斯回归、神经网络等。但是，深度学习方法仍没有崭露头角，此方面的研究还需要继续努力。可能是我们对深度学习的本质还没有理解，如何在近红外光谱建模中发挥作用仍需要我们深入思考。另外，参赛模型的建立基本都是自编程序，matlab和python为主，很少采用商业或开放软件。说明近红外光谱建模仍具有灵活性或不确定性，还很难采用固定的程式进行建模，建模流程和方法的规范仍需进一步的探索。建模策略在今年的比赛中显得十分重要，前8位的选手中有5位选手对数据进行了考察并将数据分为两组进行建模，一位选手根据目标值进行了分段建模，一位选手采用了多模型集成建模（PCR+PLS+岭回归），只有一位选手采用了“常规”的建模策略（SNV+一阶导数+MCUVE变量选择+PLS）。充分地显示了数据考察在建模过程中的作用，针对数据的特点进行建模具有关键作用。同时也说明，近红外光谱建模仍需要经验，无法按照“模板”式的统一程序建立较好的模型。因此，加强建模技术的培训和训练仍是我们需要开展的重要工作。强烈建议按照“数据考察、建模方法选择和优化、模型验证”三个步骤进行建模。同时重申我此前的观点：数据质量最重要；建模方法不重要；不要过度优化模型（模型验证很重要）。此外，今年我们课题组的四位参赛选手都得到了很好的成绩。他们的体会是要注重数据的考察和模型的验证。在数据考察阶段，除发现了光谱的分组现象外，还仔细考察了校正集和预测集光谱的奇异样本，仔细分析了奇异样本对模型和预测结果的影响。同时对预测结果的合理性进行了评估，甚至采用了预测集光谱与校正集光谱之间的差异对预测结果进行了评估。同时，他们还体会到了合作交流的重要性，在建模过程中，尽管采用了不同的建模方法，但在建模策略和结果评价方面进行了充分的沟通。充分说明了团队合作的重要性。最后，再次建议将三年的数据集公开，包括样品的构成、光谱与目标值的测试方法等，以便活动结束后大家可以继续开展研究工作，甚至作为建模方法比较的公共数据集。（南开大学化学院 邵学广教授)
    时间： 2023-11-06
    作者： 叶子
  • 首届“创和亿杯全国近红外光谱数据建模竞赛”活动总结及建议
    中国仪器仪表学会近红外光谱分会举办的首届“创和亿杯全国近红外光谱数据建模竞赛”成功举办，本网特邀请我国分析化学和化学计量学专家南开大学邵学广教授，本届竞赛的组织者中石化石油化工科学研究院褚小立教授级高工，以及本届竞赛支持单位上海创和亿电子科技发展有限公司的张军工程师对本届竞赛进行评述，并对未来竞赛活动提出一些设想。　　一、基本情况　　开展近红外光谱建模竞赛是中国仪器仪表学会近红外光谱分会计划已久的一项工作，但因各种原因一直未举办，直到遇到这套建模数据。这套数据来源于真实的应用现场，是便携式近红外光谱仪器，采用漫反射方式测量烟草烟碱的数据集，样品数量多，烟碱浓度分布也相对较宽，具备较好的光谱与浓度定量统计意义。首次进行建模竞赛，选一套稳健的数据集至关重要。这套数据集的稳健之处在于建模算法(线性或非线性)对预测结果的影响较小，光谱变量选取方法影响较小，采用常规的预处理方法便可在很大程度上提高模型的预测能力。可以说，只要参赛者的建模步骤规范，具备基本的建模技巧，通过细心和耐心选择常用的建模算法(包括光谱预处理方法、波长选择方法和定量校正方法)及其参数，采用商品化的化学计量学软件，不需要自己编程，就可以得到优秀的成绩。　　从来自70多个单位，100多名参赛者的结果来看，达到了这个基本目标，尤其是一些来自应用企业一线工程师的建模结果非常优秀，这是近红外光谱技术应用落地的重要基础。本次比赛共收到109个模型的预测结果，通过对200个预测集光谱的预测结果与参考值之间的偏差，即MAE(平均绝对误差)和SEP(预测集均方根误差)，进行计算，采用了二者的均值进行了模型评价。小于0.30的76个，小于0.25的54个，小于0.22的19个，本届的参赛模型大都具有较好的预测结果。　　开展竞赛之前，近红外光谱分会曾小范围对这套数据组织了盲测，数据提供方(上海创和亿)也长时间在公司内部进行盲测，这次竞赛的最优结果已接近了前期盲测的最优值，但没有预想的“实质性”突破。在竞赛前，曾有预想出现“黑马”，把这套数据的MAE降低到0.15以下，把SEP降低到0.20以下，这一目标尚没有实现，希望有兴趣的同行，继续尝试新的建模策略和算法，进一步提高建模能力。　　二、定量建模算法　　多数参赛者的模型采用的建模方法是最常用的PLS回归，部分模型采用了SVM和神经网络等，神经网络方法还包括BP、CNN，但CNN方法的模型并不很多，与当前的人工智能研究热潮有点不符。当然与这套数据集的特点有很大关系，据了解有不少参赛者尝试了很多算法，但PLS效果好，所以只提交了PLS结果。也有采用自行提出的一些算法，预测结果也较好。　　值得说明的是，PLS模型采用的算法和实现方式不尽相同，多数采用了普通的NIPALS和SIMPLS算法，也有人采用了MATLAB系统中的plsregression，或使用了Python scikit-learn包中的PLSRegression，也有采用商业化学计量学软件或仪器公司配套的软件。这些不同的计算方法会导致结果上稍有不同。　　在模型参数的确定与模型验证方面，多数模型采用了各种形式的交叉验证，也有采用K-S分组的方式划分了验证集进行模型验证。不同验证方式的结果都具有合理性和科学性，但也都有各自的局限性。某些模型采用了不同的多种方式同时进行验证，但由于篇幅的限制，提交的报告中几乎没有系统的讨论。　　校正集光谱的考察是建模的首要步骤，如奇异样本的识别与删除，但只有少数模型在建模前进行了数据的考察。模型的适用性考察几乎没有讨论，极少有人对预测集的奇异光谱给予关注。　　三、光谱数据处理方法　　数据处理是建模的关键步骤之一，本次参赛模型几乎全部采用了信号处理技术对光谱进行了散射校正和背景扣除处理，MSC、SNV、SG/CWT求导(1阶、2阶)等常用方法都得到了尝试。某些模型采用了光谱变量选择方法，如MC-UVE、CARS、SPA、波段选择(iPLS)等。对于这套竞赛数据，从预测结果来看，变量选择的作用没有得到体现。上述这些结果具有理论和实践上的合理性。漫反射光谱的散射校正一般认为是必要的，但背景信号是否对模型具有贡献一直没有得到确切答案。对于大多数校正集，当校正集光谱数量大于光谱变量数时，变量选择应该不再是影响模型准确性的关键因素，但变量选择对精简模型和提高模型的解释性等仍具有意义。　　四、建议　　此次建模比赛的参与积极性很高，对促进建模技术的交流与提高具有积极作用，很多专家和同行都建议把这项竞赛持续办下去。由于是首次进行建模比赛，还有许多值得提高改进的地方，例如，本次竞赛只把预测结果的“MAE”和“SEP”作为准确性评判标准，没有考虑界外样本的影响，也没有考虑预测值与参考值的相关性(散点图)、预测结果的相对偏差(包括除奇异点以外的最大偏差)等参数。另外，建议进一步完善参赛文档的完整性，例如建模方法的描述要尽量详细，从原理到计算过程和相关参数，保证模型的可重复性。建议以后竞赛对建模过程的描述赋予一定的权值(例如占20%)，专家小组对此进行评审打分。此外，竞赛方式也有待进一步改进，目前是以个人的形式参赛，存在同一个研究小组多人(5人以上)同时参赛的情况，这是值得鼓励的，但如果其预测水平基本相当且都较为优秀，就会影响所有参赛者的排名，有失竞赛的公平性和多元化，如何规避有待商榷。建议采用初赛和复赛的方式进行，同时进一步提高竞赛的奖金，吸引更多行业高手参与。　　一套合适的数据集是竞赛成功的关键，也是共同提升建模能力的重要生产资料，在此呼吁业内人士积极提供近红外光谱数据集，逐步形成中国近红外光谱竞赛集数据库，公开公布相关信息，供国内外同行开展相关研究工作长期下载使用。
    时间： 2021-04-12
    作者： 叶子
查看更多资讯

红外技术建模方法相关的方案

  • 局部偏最小二乘回归建模参数对近红外检测结果的影响研究
    近红外光谱分析总的流程大体包括三个层次&分析样品的分析层次'建立数学模型的建模层次与优化并确定模型参数的优化层次因此分析技术有别于大多数传统分析方法!是一种间接分析技术!要通过校正模型的建立来实现对未知样本的定性或定量分析建立校正模型时选用的化学计量学方法'采用的建模方法参数以及光谱前处理方法'谱区范围选择等数据处理参数等都会对近红外检测结果产生影响因此光谱化学计量学方法和软件是现代近红外光谱分析技术的一个重要组成部分!将稳定'可靠的近红外光谱分析仪器与功能全面的化学计量学软件相结合也是现代近红外光谱技术的一个明显标志本文报道了自主改进的局部偏最小二乘回归这一化学计量学方法的基本原理!并以云南优质烤烟为例!研究了该化学计量学方法中主成分个数以及局部建模样品数对检测结果的影响!以及该方法在提高近红外分析模型方面的优势"目的在于使近红外分析工作者对UPU-解决实际问题有一个基本的了解%引起近红外分析界对该方法的进一步认识和重视!扩大该方法在化学计量学领域的应用范围。
    厂商： 上海棱光
  • 近红外高光谱成像技术应用于谷物品质检测
    近年来，近红外高光谱成像技术发展迅速，在谷物、种子品质检测方面得到了广泛的应用。如种子化学成分检测、种子品种鉴定、种子活力检测等。利用高光谱成像系统通过对种子进行光谱成像数据采集、进一步处理分析、结合红外热成像及物理化学等方法测量结果构建模型，可对谷物、种子品质进行快速、批量分析与检测。近年来，近红外高光谱成像技术发展迅速，在谷物、种子品质检测方面得到了广泛的应用。如种子化学成分检测、种子品种鉴定、种子活力检测等。利用高光谱成像系统通过对种子进行光谱成像数据采集、进一步处理分析、结合红外热成像及物理化学等方法测量结果构建模型，可对谷物、种子品质进行快速、批量分析与检测。易科泰生态技术公司提供谷物、种子品质检测全面解决方案，高通量、非接触、数字化。
  • 利用激光二极管进行光输出功率的建模方法
    本文提出了一种激光二极管光输出功率的建模方法，包括其对温度的依赖性。本研究使用的设备是一个40W的Monocrom二极管，发射波长为808nm的光，带有一个19个发射器的CS安装激光板条，使用Monocrom的夹紧方法安装。本研究的目的是提出激光二极管器件的Pspice模型，主要关注光学输出功率随温度的变化，并允许其计算机模拟。还要建立一个表征系统，以获得光学模型数学表达式所需的参数值。因此，本文解释了所提出的激光条形二极管光输出功率模型生成方法及其参数值的获取方法、光输出功率测量装置及其校准、所获得的Pspice模型及其仿真，以及能够获得具有短上升时间电流斜率的必要参数的表征系统。最后，给出了评价结果和相关结论。
查看更多方案

红外技术建模方法相关的资料

查看更多资料

红外技术建模方法相关的试剂

查看更多试剂

红外技术建模方法相关的论坛

  • 近红外方法建模问题求助。

    一般来讲，如果使用pls建模得到的预测结果与测量值相关度在0.97左右是不是可以说使用呢，这样的建模效果能否说是成功呢？因为我看到很多材料上这个相关度在0.998左右，所以心里没有底。请大牛指导，不胜感谢。 另外，一般对于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的预处理方法除了导数法以外，还有别的么？谢谢。

  • 【原创大赛】基于“吸光度-浓度变化率”波段选择方法提高近红外光谱建模能力

    【原创大赛】基于“吸光度-浓度变化率”波段选择方法提高近红外光谱建模能力

    [align=center][b]基于“吸光度-浓度变化率”波段选择方法提高[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模能力[/b][/align][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]定量分析是一种二级分析方法，利用校正模型对未知含量或性质参考值的样品基于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]数据进行预测，以测定未知待测样品的浓度或性质参考值，根据预测结果评价模型的预测能力和有效性。由于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]吸收峰严重重叠，信号吸收较弱，背景干扰严重。因此需要运用波段选择方法提取有效波段，常用的波段选择方法包括前向间隔偏最小二乘法（forwardintervalpartialleastsquares, FiPLS）、反向间隔偏最小二乘法（backwardintervalpartialleastsquares, BiPLS），相关系数法（correlationcoefficient, CC）和无信息变量消除算法（uninformativevariableelimination, UVE）等。本实验对近红外建模物质的浓度与吸光度的变化率进行研究，提出了新的波段选择方法：“吸光度-浓度变化率”方法（Ratioof absorbance to concentration，RATC），弥补了常用波段选择的缺陷，构建了血浆蛋白含量检测模型。1材料1.1试剂血浆样品（山东泰邦生物制品有限公司，中国）；去离子水。1.2仪器和软件AntarisⅡ傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]，液体采样附件；液体玻璃小管（4×50mm，KimbleChase 德国）；Matlab2015a（美国Mathworks公司）；PLS_Toolbox工具箱（美国EigenvectorResearch）。2方法2.1光谱采集采用傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]（Antaris II FT-NIR）液体温控透射采样模块，控制温度为37℃下，采集原料人血浆样品光谱。光谱扫描范围和分辨率为10000-4000cm[sup]-1[/sup]和8cm[sup]-1[/sup]，扫描次数为32次，参比为空气，每隔1小时校正背景。实验室环境为温度26℃，湿度30%。2.2 校正集验证集划分方法需要划分校正集和验证集的样品：原料人血浆样品20份，[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模属性为总蛋白含量值；2.3 数据处理及模型建立研究采用MATLAB2015a数学软件以及PLS_Toolbox 1.95工具箱对光谱数据进行处理，对建模物质的吸光度和浓度进行变化率分析，选出用于建模的波数点，针对[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的建模分析，以验证均方根误差（RMSEP）值作为其建模预测能力的主要指标。通过讨论不同物质的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析模型建模结果，验证所提波段选择方法的可行性和应用性。3 “吸光度-浓度变化率”波段选择原理及方法本文提出了一种[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型的波段选择方法，基于“吸光度浓度变化率”对校正样品集中所有样品进行波段选择，其具体过程为：步骤1：预先设定校正样品集中共有n个样品，每个样品光谱中共有N个变量，对于校正样品集所有样品来说，每个变量则有n个吸光值和n个浓度值；其中，N和n均为大于1的正整数；步骤2：依次计算每个变量下相邻样品的吸光值差值和浓度差值的比值V，最终在每个变量下得到（n-1）个比值V，再计算所有比值V的平均值V[sub]mean[/sub]；V[sub]i[/sub]=|(A[sub]i[/sub]-A[sub]i[/sub][sub]+[/sub][sub]1[/sub])|/(C[sub]i[/sub]-C[sub]i[/sub][sub]+[/sub][sub]1[/sub]) （1）V[sub]mean[/sub]=[img=,50,50]https://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img] （2）A[sub]i[/sub]表示第i个样品的吸光值，A[sub]i[/sub][sub]+[/sub][sub]1[/sub]表示第i+1样品的吸光值；C[sub]i[/sub]表示第i个样品的浓度值，C[sub]i[/sub][sub]+[/sub][sub]1[/sub]表示第i+1个样品的浓度值；V[sub]1[/sub]表示第1个样品与其相邻的第2个样品的吸光值差值和浓度差值的比值；V[sub]2[/sub]表示第2个样品与其相邻的第3个样品的吸光值差值和浓度差值的比值；V[sub]3[/sub]表示第3个样品与其相邻的第4个样品的吸光值差值和浓度差值的比值；V[sub]4[/sub]表示第4个样品与其相邻的第5个样品的吸光值差值和浓度差值的比值；V[sub]n[/sub][sub]-[/sub][sub]1[/sub]表示第n-1个样品与其相邻的第n个样品的吸光值差值和浓度差值的比值。步骤3：对于校正样品集中样品光谱的N个变量来说，得到N个V[sub]mean[/sub]值，将N个变量按照其V[sub]mean[/sub]值进行排序；步骤4：按照V[sub]mean[/sub]值由大变小的顺序依次选择出相应变量，直至所有变量全部选完，停止建模，记录所有情况的建模结果。其中，V[sub]mean[/sub]值越大，则代表吸光值因浓度变化所产生的响应越大，同时V[sub]mean[/sub]即为所提出的波段选择方法的关键值，命名为“吸光度-浓度变化率”值。从V[sub]mean[/sub]值最大的变量开始建模，随后按照V[sub]mean[/sub]值由大变小的顺序，采取依次增加一个变量的方法，开始建立[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型，简化流程图如图4-1所示。[align=center][img=,580,560]https://ng1.17img.cn/bbsfiles/images/2019/08/201908161623164821_3386_3237657_3.png!w580x560.jpg[/img][/align][align=center]图4-1“吸光度-浓度变化率”波段选择方法简化流程图[/align]具体应用例证如图4-2所示：校正样品集有20个样品，其浓度值分别为C[sub]1[/sub]，C[sub]2[/sub]，…，C[sub]20[/sub]。[align=center][img=,670,461]https://ng1.17img.cn/bbsfiles/images/2019/08/201908161623371131_5892_3237657_3.png!w670x461.jpg[/img][/align][align=center]图4-2“吸光度-浓度变化率”波段选择方法具体例证过程[/align]本文将所提出的波段选择方法用于血浆蛋白含量检测模型的构建中，讨论血浆蛋白含量变化同样品吸光度之间的变化率，进而选择合适的波段用于建模。[b]4 实验结果4.1 近红外建模样品集划分[/b]对三种样品进行校正集和验证集的划分结果如表4-1所示，其结果全部满足验证集的参数值范围在校正集之内，同时对于不同样品的不同属性的校正集和验证集来说，其平均值和标准偏差值也比较接近，满足[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模校正集和验证集的划分要求。[align=center]表4-1不同样品不同属性的校正集验证集数据统计结果[/align] [table][tr][td] [align=center]样品[/align] [align=center](检测参数) [/align] [/td][td] [align=center]样品集[/align] [/td][td] [align=center]样本数[/align] [/td][td] [align=center]最大值[/align] [/td][td] [align=center]最小值[/align] [/td][td] [align=center]平均值[/align] [/td][td] [align=center]标准偏差[/align] [/td][/tr][tr][td=1,2] [align=center]原料人血浆[/align] [align=center](蛋白含量值)[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]15[/align] [/td][td] [align=center]76.80[/align] [/td][td] [align=center]40.56[/align] [/td][td] [align=center]59.34[/align] [/td][td] [align=center]12.31[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]5[/align] [/td][td] [align=center]73.16[/align] [/td][td] [align=center]41.89[/align] [/td][td] [align=center]57.56[/align] [/td][td] [align=center]11.65[/align] [/td][/tr][tr][td=1,2] [align=center]玉米[/align] [align=center](水分值)[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]60[/align] [/td][td] [align=center]10.99[/align] [/td][td] [align=center]9.38[/align] [/td][td] [align=center]10.22[/align] [/td][td] [align=center]0.39[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]20[/align] [/td][td] [align=center]10.94[/align] [/td][td] [align=center]9.64[/align] [/td][td] [align=center]10.27[/align] [/td][td] [align=center]0.36[/align] [/td][/tr][tr][td=1,2] [align=center]玉米[/align] [align=center](蛋白质含量值)[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]60[/align] [/td][td] [align=center]3.83[/align] [/td][td] [align=center]3.09[/align] [/td][td] [align=center]3.50[/align] [/td][td] [align=center]0.18[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]20[/align] [/td][td] [align=center]3.82[/align] [/td][td] [align=center]3.18[/align] [/td][td] [align=center]3.48[/align] [/td][td] [align=center]0.18[/align] [/td][/tr][tr][td=1,2] [align=center]玉米[/align] [align=center](油脂值)[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]60[/align] [/td][td] [align=center]9.71[/align] [/td][td] [align=center]7.66[/align] [/td][td] [align=center]8.73[/align] [/td][td] [align=center]0.53[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]20[/align] [/td][td] [align=center]9.60[/align] [/td][td] [align=center]8.11[/align] [/td][td] [align=center]8.49[/align] [/td][td] [align=center]0.32[/align] [/td][/tr][tr][td=1,2] [align=center]玉米[/align] [align=center](淀粉值)[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]60[/align] [/td][td] [align=center]66.47[/align] [/td][td] [align=center]62.83[/align] [/td][td] [align=center]64.62[/align] [/td][td] [align=center]0.90[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]20[/align] [/td][td] [align=center]65.60[/align] [/td][td] [align=center]63.63[/align] [/td][td] [align=center]64.91[/align] [/td][td] [align=center]0.48[/align] [/td][/tr][tr][td=1,2] [align=center]汽油[/align] [align=center]（辛烷值）[/align] [/td][td] [align=center]校正集[/align] [/td][td] [align=center]45[/align] [/td][td] [align=center]89.60[/align] [/td][td] [align=center]83.40[/align] [/td][td] [align=center]87.15[/align] [/td][td] [align=center]1.57[/align] [/td][/tr][tr][td] [align=center]验证集[/align] [/td][td] [align=center]15[/align] [/td][td] [align=center]88.70[/align] [/td][td] [align=center]84.50[/align] [/td][td] [align=center]87.25[/align] [/td][td] [align=center]1.46[/align] [/td][/tr][/table][b]4.2 血浆样品[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模结果4.2.1“吸光度-浓度变化率”方法在血浆蛋白含量建模中的应用[/b]利用“吸光度-浓度变化率”方法对血浆样品进行数据分析，得到每个波数点下的V[sub]mean[/sub]值如图4-3所示，按照其V[sub]mean[/sub]值由大到小排列波数点，依次递增波数点个数进行建模，即得到不同[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型结果。[align=center][img=,653,353]https://ng1.17img.cn/bbsfiles/images/2019/08/201908161624210201_7336_3237657_3.png!w653x353.jpg[/img][/align][align=center]图4-3血浆样品不同波数点的V[sub]mean[/sub]值[/align][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]血浆蛋白含量建模结果如图4-4所示，最小的RMSEP值为0.495，模型的RPD值为23.535＞3，无模型过拟合现象，所涉及变量数为50个，具体波数点如表4-2所示。获得最佳模型的波数点大部分都分布在6200-6400cm[sup]-[/sup][sup]1[/sup]，分析此处的特征吸收峰信息，多为N-H的一级倍频信息。[align=center][img=,653,353]https://ng1.17img.cn/bbsfiles/images/2019/08/201908161625411205_2487_3237657_3.png!w653x353.jpg[/img][/align][align=center]图4-4 血浆蛋白样品[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的建模结果[/align][align=center]表4-2血浆蛋白样品进行[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的建模变量[/align] [table][tr][td] [align=center]波数(cm[sup]-[/sup][sup]1[/sup])[/align] [/td][td] [align=center]波数(cm[sup]-[/sup][sup]1[/sup])[/align] [/td][td] [align=center]波数(cm[sup]-[/sup][sup]1[/sup])[/align] [/td][td] [align=center]波数(cm[sup]-[/sup][sup]1[/sup])[/align] [/td][td] [align=center]波数(cm[sup]-[/sup][sup]1[/sup])[/align] [/td][/tr][tr][td] [align=center]6363.940[/align] [/td][td] [align=center]6360.083[/align] [/td][td] [align=center]6321.514[/align] [/td][td] [align=center]6294.515[/align] [/td][td] [align=center]6267.517[/align] [/td][/tr][tr][td] [align=center]6367.797[/align] [/td][td] [align=center]6387.082[/align] [/td][td] [align=center]6317.657[/align] [/td][td] [align=center]6414.080[/align] [/td][td] [align=center]6425.651[/align] [/td][/tr][tr][td] [align=center]6371.654[/align] [/td][td] [align=center]6390.938[/align] [/td][td] [align=center]6313.800[/align] [/td][td] [align=center]6417.937[/align] [/td][td] [align=center]6263.660[/align] [/td][/tr][tr][td] [align=center]6356.226[/align] [/td][td] [align=center]6340.798[/align] [/td][td] [align=center]6402.509[/align] [/td][td] [align=center]6290.658[/align] [/td][td] [align=center]6259.803[/align] [/td][/tr][tr][td] [align=center]6375.511[/align] [/td][td] [align=center]6336.941[/align] [/td][td] [align=center]6309.943[/align] [/td][td] [align=center]6286.801[/align] [/td][td] [align=center]7208.608[/align] [/td][/tr][tr][td] [align=center]6352.369[/align] [/td][td] [align=center]6329.228[/align] [/td][td] [align=center]6406.366[/align] [/td][td] [align=center]6282.944[/align] [/td][td] [align=center]6255.946[/align] [/td][/tr][tr][td] [align=center]6348.512[/align] [/td][td] [align=center]6333.084[/align] [/td][td] [align=center]6306.086[/align] [/td][td] [align=center]6421.794[/align] [/td][td] [align=center]6429.508[/align] [/td][/tr][tr][td] [align=center]6379.368[/align] [/td][td] [align=center]6398.652[/align] [/td][td] [align=center]6302.229[/align] [/td][td] [align=center]6279.087[/align] [/td][td] [align=center]6252.089[/align] [/td][/tr][tr][td] [align=center]6383.225[/align] [/td][td] [align=center]6394.795[/align] [/td][td] [align=center]6410.223[/align] [/td][td] [align=center]6275.230[/align] [/td][td] [align=center]7204.751[/align] [/td][/tr][tr][td] [align=center]6344.655[/align] [/td][td] [align=center]6325.371[/align] [/td][td] [align=center]6298.372[/align] [/td][td] [align=center]6271.374[/align] [/td][td] [align=center]6433.365[/align] [/td][/tr][/table][b]4.2.2 同常规波段选择方法的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模比较[/b]为考察“吸光度-浓度变化率”方法的预测能力高低，将其同其他常规变量选择方法 (FiPLS, BiPLS, CC, UVE) 对相同光谱数据进行处理，建立的近红外模型结果对比如图4-5所示。从图4-5中可明显看出，同其他变量选择方法相比，RATC得到了最小的RMSEP值（RMSEP=0.495g/L）。综上所述，对于原料人血浆样品的总蛋白定量来说，RATC方法减少了参与[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模的变量数，提高了血浆蛋白含量建模的预测能力，是一种有效的变量选择方法。[align=center][img=,622,370]https://ng1.17img.cn/bbsfiles/images/2019/08/201908161626000014_401_3237657_3.png!w622x370.jpg[/img][/align][align=center]图4-5 不同血浆蛋白含量的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模结果比较[/align][align=center][b] [/b][/align][b]5小结[/b]本文基于吸光度浓度变化率来对校正样品集中所有样品进行波段选择；其过程为：预先设定校正样品集中共有n个样品，每个样品光谱中共有N个变量，对于校正样品集所有样品来说，每个变量则有n个吸光值和n个浓度值；其中，N和n均为大于1的正整数；依次计算每个变量下相邻样品的吸光值差值和浓度差值的比值V，最终在每个变量下得到（n-1）个比值V，再计算所有比值V的平均值V[sub]mean[/sub]；对于校正样品集中样品光谱的N个变量，得到N个V[sub]mean[/sub]值，将N个变量按照其V[sub]mean[/sub]值进行排序；按照V[sub]mean[/sub]值由大变小的顺序依次选择出相应变量，直至所有变量全部选完，停止建模，记录所有情况的建模结果。同常规波段选择方法比较，该方法从三个方面进行了改进，不仅减少了参与[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模变量的数目，提高了[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型的预测能力。丰富了[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型的波段选择方法，给[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型使用者提供“吸光度-浓度变化”波段选择方法。同时由于是根据物质的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]吸光度和浓度的关系建立的波段选择方法，某种程度上，该方法更能够反应物质的化学信息，即吸光度随着浓度变化率，使得该波段选择方法具有广泛的可行性和通用性。

查看更多帖子

红外技术建模方法相关的耗材

  • 在线光纤红外拉曼探头
    近红外-拉曼光纤探头产品简介：拉曼光谱和近红外光谱包含了物质化学成份和物理特性的定性和定量信息。两者都能在生产过程中提供关键产品和工艺信息。在线分析光纤探头可与光谱仪配合集成进工艺流程中，从而连续监控工艺过程。德国art photonics公司与分析测量控制公司合作开发了多通道光纤探头(已申请专利)。这是市面上第一款商业设计近红外-拉曼光谱结合光纤探头，可用于现场近红外漫反射检测和固体、粉末或液体的拉曼检测。该探头的优点在于近红外和拉曼通道可以同时工作，使得过去不可能的近红外-拉曼光谱混合建模变成了可能。探头轴是可通电加热，以防止水分凝结在光学镜片上。产品应用：实时反应过程监视 / 过程分析（PAT） / 物质特性分析 / 生物制药分析 产品特点：NIR 和 Raman 通道同时工作 / 在线漫反射光谱 / UV –VIS 和 VIS-NIR 光谱高通光率产品技术参数： NIRaman 光纤探头技术参数 (可按需定制其它光谱组合探头) 探头轴材料: 不锈钢 1.4435 (316L)，哈氏合金C22外部直径: 19,0+0/-0,1mm 长度: 170mm （可定制）镜片: 蓝宝石或立方氧化锆加热胶: Epotek 353ND 或等同NIR and Raman 相互独立通道 Raman – 通道 NIR - 通道光纤: 低 OH 石英光纤，金属涂层抑制激光诱导荧光 激光波长: 785nm 连接头1: FC (发射光纤 - 105μm 纤芯)连接头2: MTP-Male 48 x 105μm 合束支持定制化需求 通过USP 要求(tested on Kaiser RXAndor DVA420A-OE and RXn4 Raman-Spectrometer). 光纤长度： 3+/-0,1m光纤: 低OH石英光纤杂散光: 少于 1%照明光纤束: 32x NIR400/440 NA=0.22 漫反射回收光纤: 1x NIR400/440 NA=0.22 连接头1: SMA905其它接口可定制连接头2: 5mm ferrule通过USP要求(在Sentronic Sentropat 系统上测试)不同浓度布洛芬测试结果：拉曼检测近红外检测
    供应商： 深圳市唯锐科技有限公司
    品牌： 唯锐科技
    价格： 面议
  • 肽分离技术方法验证包
    肽分离技术方法肽分离技术方法验证包**(UPLC和HPLC柱)产品描述粒径柱内径柱长部件号ACQUITYUPLCBEH130C181.7um2.1mm100mm186004896ACQUITYUPLCBEH300C181.7um2.1mm100mm186004897XBridgeBEH130C181.7um2.1mm150mm186006517XBridgeBEH300C181.7um2.1mm150mm186006516XBridgeBEH130C183.5um4.6mm100mm186004904XBridgeBEH300C183.5um4.6mm100mm186004905
    供应商： 北京路达恒宇科技有限公司
    品牌： 沃特世
    价格： 面议
  • 标准a石英尘/红外方法做粉尘中二氧化硅的曲线
    标准物质石英尘红外方法做粉尘中二氧化硅的曲线规格：70g
    供应商： 盐城方圆环保科技有限公司
    品牌： 方圆科技
    价格： 面议
查看更多耗材

看了这个的用户还看了

Instrument.com.cn Copyright©1999- 2023 ，All Rights Reserved版权所有，未经书面授权，页面内容不得以任何形式进行复制