做[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]霉变检测,运用特征提取方法获取了一些波段,如1172nm,1902nm等,看文献中都有对波段的分析,比如该波段是由哪个基团的什么运动引起的,对应于什么物质(碳水化合物,水分,油),想请教下这些东西是怎么分析出来的,或者有大牛能否帮忙分析下我的特征波段,万分感谢!
[color=#555555]微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url](Near Infrared Microspectrometer, NIM)是一种运用光学原理对物质的组分和含量进行定性、定量分析的微型无损检测仪器,具有小体积、低功耗、低成本、可现场在线分析、便于二次开发等优点,在农业生产、食品安全、生物医药、石油化工、航空航天以及国防安全等众多领域获得了广泛的应用。例如,Zeltex公司的手持式近红外粮食分析仪可直接显示出蛋白质等成分的含量。[/color][color=#555555]传统的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]体积大、功耗高、价格昂贵、难以二次开发,这极大地限制了其应用范围。直到上世纪90年代,随着微光机电系统(MOEMS)技术的兴起,微型化的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]器逐渐出现并不断发展,开启了[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]器的微型化进程。[/color][color=#555555]不论哪种类型的光谱仪,都需要将复色光色散为单色光,所以分光是光谱仪最基本的功能。文章根据不同的分光技术,主要介绍了光栅扫描型、傅里叶变换型和阿达玛变换型三种类型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url],并进行了分析及总结。[/color][align=center][color=#333333] [img=,650,234]http://www.gdkjfw.com/images/image/95851544146319.jpg[/img][/color][/align][align=center][color=#888888]图1 典型的微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url][/color][/align][color=#ffffff]光栅扫描型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url][/color][color=#555555]为了降低微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]的成本,德国夫朗禾费光学微系统研究所(IPMS)率先提出了以MOEMS扫描光栅为核心元器件的光栅扫描型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url],以集分光与扫描于一体,可以用价格低廉的单管探测器取代昂贵的阵列探测器,仪器的性能不再取决于阵列探测器而主要取决于扫描光栅(如图2所示)。[/color][align=center][color=#333333][img=,650,207]http://www.gdkjfw.com/images/image/9751544146319.jpg[/img] [/color][/align][align=center][color=#888888]图2 MOEMS扫描光栅型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]工作原理[/color][/align][color=#555555]随着MEMS技术的发展,微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]向超小型、宽光谱发展的趋势越来越大。[/color][color=#555555]2016年IPMS报道了一种体积只有方糖大小,可集成于手机的光栅扫描型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url],如下图所示,光谱范围950~1900 nm,分辨率10 nm,其核心元器件为集成了入射狭缝和出射狭缝的MOEMS扫描光栅芯片。扫描光栅面大小为3 mm×3 mm,采用静电梳齿驱动,并集成了压电式角传感器进行闭环控制,以实现高精度扫描。但由于镜面厚度只有数十微米,在扫描过程中,镜面容易出现动态变形的问题,影响光谱仪的信噪比。基于IPMS的核心技术,德国HiperScan公司在市场上推出了相应商品化的光栅扫描型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]。[/color][align=center][color=#333333] [img=,650,226]http://www.gdkjfw.com/images/image/45711544146319.jpg[/img][/color][/align][align=center][color=#888888]图3 德国IPMS研究所研制的超小型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url][/color][/align][color=#555555]国内相关科研团队也进行了光栅扫描型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]的研究。[/color][color=#555555]西北工业大学乔大勇团队研制的MOEMS扫描光栅,采用SOI制作,静电梳齿方式驱动,但同样存在镜面动态变形的问题,且静电驱动方式所需驱动电压较高。[/color][color=#555555]重庆大学温志渝团队提出的MOEMS扫描光栅,利用偏晶向硅片制作大面积闪耀光栅,具有较高的衍射效率和分辨率,采用较厚的光栅面能够有效地解决动态变形的问题,但同时带来了稳健性较弱的问题。扫描光栅采用电磁式驱动和传感,便于一体化集成,且所需驱动电压较低,但存在电磁干扰的问题。[/color][color=#555555]由于光栅扫描型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]有MOEMS扫描光栅这一可动部件,抗震性较差,因此开发出高性能的MOEMS扫描光栅是光栅扫描型仪器发展所需突破的关键技术问题,而且在拓宽光谱范围的同时需考虑解决二级光谱重叠的问题。[/color][color=#ffffff]傅里叶变换型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url][/color][color=#555555]傅里叶变换型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]是基于光干涉和傅里叶变换原理设计的,一般采用迈克尔逊干涉仪为核心部件。迈克尔逊干涉仪主要由定镜、分束器和动镜组成,而其中的动镜尤为关键。动镜主要做活塞式运动,其可动行程(即扫描位移)的大小直接决定了仪器性能。[/color][align=center][color=#333333] [img=,650,286]http://www.gdkjfw.com/images/image/80411544146319.jpg[/img][/color][/align][align=center][color=#888888]图4 迈克尔逊干涉仪工作原理及MOEMS工艺制成的干涉仪[/color][/align][color=#555555]2[/color][color=#555555]015年,德国夫朗禾费ISIT研究所提出了基于PZT薄膜的压电驱动MOEMS活塞镜,在163Hz谐振频率下扫描位移最大可达±800 μm ,但在扫描位移较大时存在镜面倾斜的问题。镜面倾斜限制了可用的扫描范围,而且会影响干涉信号,因此降低了分辨率。[/color][color=#555555]美国佛罗里达大学谢会开团队对电热驱动MOEMS活塞镜进行了深入研究,其采用双闭环控制的方法不仅有效减小了大位移扫描过程中的镜面倾斜幅度,同时实现了恒定速度的线性扫描,降低了信号处理的难度,使得光谱分辨率和抗干扰能力等性能大为提升。[/color][color=#555555]另一种类型的微型傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]则是以层状光栅干涉仪为核心元件,利用单管探测器对零级光谱进行探测。相较于迈克尔逊干涉仪,层状光栅干涉仪不需要分束器、定镜等光学元件,结构更加简单、紧凑。[/color][color=#555555]土耳其科克大学Urey团队提出了一种基于垂直梳齿驱动器的层状光栅干涉仪,同时梳齿电极作为驱动器和可动光栅,产生的位移达到106 μm。[/color][color=#555555]随后,该团队又提出了稳健性更好的基于FR4板材的电磁驱动层状光栅干涉仪,及基于MOEMS技术更大位移的静电驱动层状光栅干涉仪,后者可动光栅的最大位移可扩展至±356 μm,并引入机械闭锁装置以提高抗冲击能力。新加坡国立大学周光亚团队也做了相应的研究。[/color][color=#555555]微型傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]具有结构紧凑、光通量大、波长精度高、高分辨率等优势,适用于对分辨率要求较高的场合,但仍存在抗震性差的固有缺陷以及仪器性能受限于动镜或可动光栅所能实现的活塞位移等问题。目前,瑞士Arcoptix公司、日本滨松、埃及的Si-Ware Systems和国内的无锡微奥公司均推出了商品化的微型傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]。[/color][color=#ffffff]阿达玛变换型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url][/color][color=#555555]阿达玛变换型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]是一种在色散光谱仪中引入阿达玛变换的数字变换型仪器,通过光的多路复用提高信噪比,而且一般采用单管探测器使成本较低,无移动部件使抗冲击能力也优于傅里叶变换型光谱仪。[/color][align=center][color=#333333] [img=,650,214]http://www.gdkjfw.com/images/image/76961544146320.jpg[/img][/color][/align][align=center][color=#888888]图5 微型阿达玛变换光谱仪工作原理及数字阵列微镜[/color][/align][color=#555555]基于数字微镜阵列的微型阿达玛变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]通过控制微镜单元的选通实现对光信号的开关调制,既减小了光谱能量损失,也抑制了杂散光的干扰,是近年来研究的热点。[/color][color=#555555]为了进一步减小光能量损失,重庆大学张智海等人结合H矩阵与S矩阵的优点,提出了一种互补S矩阵编码调制方案,在S矩阵的基础上将信噪比提升约1.4倍。[/color][color=#555555]2014年,长春光学精密机械与物理研究所刘华团队设计了一种光谱折叠式微型阿达玛变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url],采用两个子光栅使光谱范围有效拓宽为800~2000 nm,光谱分辨率也得到了提升,但杂散光较大。为了避免这一缺陷并降低光谱仪的复杂度,该团队又提出了一种采用自由曲面透镜准直的光谱折叠式光谱仪来拓宽光谱,光谱范围达800~2400 nm,可覆盖几乎整个近红外波段,仿真结果显示分辨率优于10 nm,提升了光能利用率,降低了消除二次光谱的难度。[/color][color=#555555]微型阿达玛变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]具有光通量大、信噪比高、成本低、抗震性较好等优点,适用于微弱光谱信号的检测,编码技术和光谱拓宽仍是近年研究的热点。目前,Polychromix公司、Aspectrics公司和国内的北京华夏科创仪器公司均有相应的商品化仪器出现在市场上。[/color][color=#555555]由于近红外探测器在整台微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]成本中占的比重较大,所以采用单管探测器的微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]成本较低。在MOEMS技术的推动下,微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]的体积也大为缩小。因此,微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]可以走出实验室,应用到越来越多的领域中。如近年来出现的SCIO、TellSpec等廉价小巧的专用型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]。[/color][color=#555555]微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]一直朝着宽光谱、高分辨率、高信噪比、高集成度、小体积、低成本、快速检测等方向发展,国内外的科研机构一直在新原理、新工艺、新材料等方面进行着不懈的探索和努力。今后,微纳技术的发展势必会给微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]的发展提供有力的技术支撑,而且随着对微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]的二次开发和应用领域的拓宽,光谱与人类生产生活的联系将会更加密切。[/color]
如题, 最近看了近红外的应用, 对于不同的测量对象,利用的近红外的波段也不同? 那么选取波段上依据什么进行?另外有人知道怎么从OPUS 中得到具体的化学成分的含量?大牛指导下,谢谢了
能否推荐几款光谱仪型号,用于定量测量,测量对象是液体,要求工作在短波近红外波段即700~1100nm,仪器要有较好的稳定性,价格在7万元以内,谢谢
[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。
如题,在近红外定量的建模过程中,是先固定一个波段,然后在确定预处理方法,还是先确定预处理方法在选择优化波段呢?因为不同的预处理方法,软件推荐的 波段是不同的。我用的是TQ软件。大家一起交流啊。这个在写的时候又该怎么写呢。比如说我要优选预处理方法,是先按全波段优选好预处理方法,然后在优化波段吗?
请教各位朋友:仪器:UV-3600+积分球1:我们测过自己的样品固体材料(200-3300Nm),发现在近红外区谱线震荡非常厉害,不成峰型。是否是因为红外区有空气水分子干扰?需要充氮气循环?2:确实小虫知识不足,我想请教UV-VIS-NIR+积分球主要测试材料漫反射的作用是什么呢? 是不是检测A-H基团的?3.问个初级问题,人体发出的红外波段大概是哪个范围呢?
请教各位朋友:仪器:UV-3600+积分球 1:我们测过自己的样品固体材料(200-3300Nm),发现在近红外区谱线震荡非常厉害,不成峰型。是否是因为红外区有空气水分子干扰?需要充氮气循环?2:确实小虫知识不足,我想请教UV-VIS-NIR+积分球主要测试材料漫反射的作用是什么呢? 是不是检测A-H基团的?3.问个初级问题,人体发出的红外波段大概是哪个范围呢?
[font=宋体][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]器在小型化和微型化的道路上从未止步,从实验室台式[/font][font=宋体]([/font][font='Times New Roman']Benchtop[/font][font=宋体])[/font][font=宋体]、车载便携式[/font][font=宋体]([/font][font='Times New Roman']Portable[/font][font=宋体])[/font][font=宋体]、手持式[/font][font=宋体]([/font][font='Times New Roman']Hand-held[/font][font=宋体])[/font][font=宋体],发展到袖珍式[/font][font=宋体]([/font][font='Times New Roman']Pocket-sized[/font][font=宋体])[/font][font=宋体]和微型[/font][font=宋体]([/font][font='Times New Roman']Miniature[/font][font=宋体])[/font][font=宋体],用了不到[/font][font='Times New Roman'][font=宋体]十[/font][/font][font=宋体]年的时间。尤其是[/font][font='Times New Roman'][font=宋体]集成了机、电、光、磁、化学[/font][/font][font=宋体]和[/font][font='Times New Roman'][font=宋体]传感等多种机械、微电子与信息技术的微光学电子机械系[/font][/font][font=宋体]统,促进了近红外[/font][font='Times New Roman'][font=宋体]光谱分析仪的微型化。微型[/font][/font][font=宋体]近红外[/font][font='Times New Roman'][font=宋体]光谱仪具有重量轻、体积小、检测速度快、使用方便、可集成化[/font][/font][font=宋体]、[/font][font='Times New Roman'][font=宋体]可批量制造以及成本低廉等优点,可以应用在实验室化学分析、工业监测、航空航天遥感[/font][/font][font=宋体]和[/font][font='Times New Roman'][font=宋体]临床医学检验等领域。[/font][/font][font='Times New Roman'][font=宋体]美国[/font][/font][font=宋体][font=Times New Roman]B[/font][/font][font='Times New Roman']RIMROSE[font=宋体]公司与[/font][font=Times New Roman]JETPROPULSION[/font][font=宋体]实验室联合设计和制造的一种新型[/font][/font][font=宋体]声光可调滤光器[/font][font='Times New Roman'][font=宋体]近红外[/font][/font][font=宋体]([/font][font='Times New Roman']AOTF-[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url][/font][font=宋体])[/font][font='Times New Roman'][font=宋体]光谱仪,就是采用微型窄带滤光片技术,通过改善施加在特殊晶体上的波长覆盖范围来调节波长分辨率和通光波长的[/font][/font][font=宋体]反射型近红外微型光谱仪,其[/font][font=宋体]制造[/font][font=宋体]结构简单、性能良好、成本低廉。该[/font][font='Times New Roman'][font=宋体]微型光谱仪使用发光二极管阵列作为光源,光纤作为光波传输介质,重量小[/font][/font][font=宋体]([/font][font='Times New Roman']250[font=宋体]克[/font][/font][font=宋体])[/font][font='Times New Roman'][font=宋体],外观尺寸小[/font][/font][font=宋体]([/font][font='Times New Roman'][font=宋体]约为[/font]9.2cm×5.4cm×3.2[/font][font=宋体][font=Times New Roman]cm[/font][/font][font=宋体])[/font][font='Times New Roman'][font=宋体],扫描速度快[/font][/font][font=宋体]([/font][font='Times New Roman'][font=宋体]可达[/font]4000[font=宋体]波长每秒[/font][/font][font=宋体])[/font][font='Times New Roman'][font=宋体]。它的分辨率高[/font][/font][font=宋体]([/font][font='Times New Roman'][font=宋体]达到[/font]0.0125[/font][font=宋体][font=Times New Roman]nm[/font][/font][font=宋体])[/font][font='Times New Roman'][font=宋体],波长调节速度快,灵活性高,可靠性好,将光谱分析从实验室搬入日常生[/font][/font][font=宋体]活[/font][font='Times New Roman'][font=宋体]。[/font][/font][font=宋体]我国是农业大国,具有悠久的农业生产历史,而且传统的农业领域一向是劳动密集型行业。生产技术的不断进步与农具的革新推动了农业领域的发展,如粮食种植产业呈现出规模化、集约化、专业化、机械化的趋势,并从中解放出大量的农业劳动力。但是,像在云南、贵州、四川等西南山区的柑橘、刺梨、[/font][font=宋体]枇杷等果品种植行业,仍然依赖人工作业,效率低,成本高。传统的植保作业方式消耗高水量、高肥量和高剂量[/font][font=宋体]([/font][font=宋体]施用农药及各种生长剂等[/font][font=宋体])[/font][font=宋体],同时造成高污染,这也成为行业的痛点。精细农业、数字农业、智慧农业的迅猛发展,使得集约化、精准化、数据化和智能化的农业新模式渐行渐近、触手可及,为植保行业的绿色发展带来了前所未有的机遇。[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术与无人机、机器人的[/font][font=宋体]结合将扮演越来越重要的角色。传统果园为防治果树的病虫害,几乎每个月都需要施撒农药[/font][font='Times New Roman'][font=宋体]两次[/font][/font][font=宋体]以上。若以人工作业为主,弥漫的药雾对人体伤害较大。而且由于人工喷药的雾化程度不高,会造成大量的农药浪费,[/font][font='Times New Roman'][font=宋体]甚至[/font][/font][font=宋体]土壤污染。无人机携带光谱仪,可先对果树的病虫害进行评估,然后根据虫病的危害程度,通过无人机或地面机器人实施特定条件下的药剂与药量喷洒。植保无人机进行覆盖树冠部分的精准农药喷洒,精度可以达到厘米级,极大地节省用药量以及人力。此外,植保机器人还可帮助完成果树的修剪和授粉等任务;在果实管理方面,果实采摘机器人上的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析仪可实时判断果实的成熟度,适时采摘,有效提高水果质量。采摘后的水果通过智能分拣系统,实现果品的大小和品质自动分选,整个分拣过程包括上料、卸料、分选、装箱、包装、码垛等。施肥机器人上的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]对果园土壤的水分和肥力进行实时测定,根据其水分及各种元素组成等结果适量、变量施肥施水。通过分析土壤水分、果树的长势以及近期的气象预报等大数据,制订出短期的灌溉计划,并利用现代化的装置便能实现精准灌溉和科学施肥,从而节省大量的水资源,有效地减少了施肥量,降低农业成本的同时保护环境。[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]能与无人机、机器人、自动驾驶、人工智能、物联网、区块链、大数据等技术融合,形成感知、互联、分析、自学习、预测、决策、控制的全生态链智慧农业。果农无论在何方,都可以用智能端,多角度调转,对每块田甚至每棵树的长势进行云端管理,争取让每颗果树达到理想生长曲线,真正实现智慧果园的[/font][font='Times New Roman']“[/font][font=宋体]标准化种植[/font][font='Times New Roman']”[/font][font=宋体]和[/font][font='Times New Roman']“[/font][font=宋体]无人值守[/font][font='Times New Roman']”[/font][font=宋体]。[/font][font='Times New Roman'][font=宋体]采用复合光纤传感阵列设计的微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url],可以通过波长、相位、衰减分布、偏振和强度调制、时间分辨、收集瞬时信息等真正实现多通道光谱分析,同时检测、鉴定和量化复杂待测物成分。[/font][/font][font=宋体]目前市场上[/font][font='Times New Roman']SI-WARE[font=宋体]公司的[/font][/font][font=宋体][font=Times New Roman]NeoSpectra[/font][font=宋体]系列光谱仪,外观精巧、成本低、光谱覆盖范围广、能耗低,能够提供透反射、吸光度、颜色、激光多种[/font][/font][font='Times New Roman'][font=宋体]连续[/font][/font][font=宋体]测量。[/font][font=宋体]食品是人们最基本的生活需求,其营养与安全不仅直接关系人类的健康生存,还关系到国计民生、建设和谐社会的大事,甚至还严重影响着经济与社会的发展。随着生活水平的不断提高,人们愈发注重身体健康,对食物的追求已经不只局限于简单的吃饱、吃好,对食品的营养安全提出了更高的要求。如果要真正做到精准营养、健康饮食,那么搞清楚食物中的营养成分是必不可少的环节。掌控食品营养成分的质和量,不但可以指导人们合理控制营养膳食,也可对食品的生产、加工、运输、贮藏等过程进行合理控制,为及时了解食品品质的变化、保障个人饮食健康,提供了可靠、科学的依据。[/font][font=宋体]传统食物分析仪器往往是放置在实验室里的昂贵设备,例如凯氏定氮仪、[url=https://insevent.instrument.com.cn/t/Mp][color=#3333ff]气相色谱仪[/color][/url]、[url=https://insevent.instrument.com.cn/t/5p][color=#3333ff]液相色谱仪[/color][/url]等。而市场上的食物种类繁多,质量检测人员以及消费者往往需要耗费大量的时间和精力才能搞清楚每样食物中的成分和营养。那么能否发展和应用[/font][font=宋体]移动式、便携式、嵌入式和可穿戴式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url][/font][font=宋体]来解决这一常规分析问题呢?日本科学家发明了世界首台卡路里测量仪[/font][font='Times New Roman']Calory Answer[/font][font=宋体],采用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]原理,可以在不接触、不破坏食物的条件下,全自动直接测量单一食品材料和混合类食物的指标,分析时间为[/font][font='Times New Roman']6[/font][font=宋体][font=Times New Roman]min[/font][font=宋体]。测量指标包括热量、蛋白质、脂肪、碳水化合物、水分、酒精等。其简单快捷的特性可充分体现在餐饮服务业的日常检测中,诸如菜肴、盒饭等复杂混合食物是无法用传统方法快速准确得到其卡路里值的。该仪器被普遍应用在日本各大超市、食品加工厂和营养机构等场所,国内很多健身机构、营养配餐机构也配备了这样的设备。[/font][/font][font=宋体]加拿大科学家发明的一款只有钥匙链大小的[/font][font='Times New Roman']“Tellspec”[/font][font=宋体]手持式食物热量扫描仪,需与智能手机应用程序配合使用。这个扫描仪装有一个分光计,用户只需扫一扫便可获知食物的热量,可以帮助用户了解食物内的过敏源、化学物质、营养物质、热量和配料,甚至能够穿透塑料扫描食物,让购物者在超市选购食品时先扫描,再决定是否购买。扫描食物后,扫描仪将获取的数据上传到网络服务器。随后,经过特定的算法创建一份报告,并传输给智能手机应用程序,显示食物的成分,从而帮助消费者选择食物。以色列科学家发明的一种拇指大小的近红外线光谱扫描仪[/font][font='Times New Roman']SCiO[/font][font=宋体],可用于探测食物、药品和其他物品中的化学成分。只要拿着扫描仪对准目标物品按下按键,使用者就可以获取其内部成分含量。比如查看一块奶酪含有多少卡路里,或确定一只挂在枝头的西红柿何时能熟透。未来,该产品将具备识别食物生熟、变质的功能,通过建立强大的后台数据库,甚至可以识别出含不良添加剂的牛奶。[/font][font=宋体]随着越来越强大的电子消费产品及相关技术的迅速发展和[/font][font=宋体]移动营养与健康技术的突破[/font][font=宋体],可将光谱设备嵌入到智能手表、洗衣机、烤箱和真空吸尘器中。可以假设此类嵌入式设备的制造商对产品的稳定性、特定温度和湿度范围内的适用性,以及校准承担全部责任,能为整个产品提供自动决策。最新一代的光谱仪,包括基于光子或等离子体设备的光谱仪,有望实现极端小型化和极低的成本,可以集成到普通大众的智能手机中,供消费者[/font][font=宋体]在线[/font][font=宋体]识别和检测[/font][font=宋体]生鲜新鲜度、食物营养价值、环境过敏原、皮肤状态等,实现长期的跟踪指导、营养自助评价、饮食结构调整,实施精准营养、健康服务[/font][font=宋体]。[/font][font=宋体]未来可能会出现[/font][font='Times New Roman']“[/font][font=宋体]胶囊化[/font][font='Times New Roman']”[/font][font=宋体]甚至[/font][font='Times New Roman']“[/font][font=宋体]微尘化[/font][font='Times New Roman'][font=Times New Roman]”[/font][font=宋体]的[/font][/font][font=宋体]微型光谱仪,只有一粒种子大小,可以感知、储存和传输数据,进入人体的消化系统,甚至血液系统中,实时监测人体的健康状况。在临床医学上,与智能手术机器人结合,可高精度判别和切除病灶组织,实现真正意义上的精准医疗。[/font]
当前,微型光纤光谱仪非常流行,受到了众多应用领域的青睐。与大型光谱仪相比较,微型光纤光谱仪价格便宜(仅是大型光谱仪的零头);携带方便(只有手掌大小);测量速度快(毫秒级的数据采集,实现在线实时分析);操作方便,性能稳定可靠(无需专人维护)等长处。因此,在满足使用要求的前提下,微型光纤光谱仪是一种最佳的选择。微型光纤光谱仪的主要功能有:吸光度测量;反射率测量;透射率测量;颜色测量;相对辐射和绝对辐射测量。具体应用包括吸光度测量系统(包括气体、液体、固体的吸光度测量);颜色测量系统(纸张、油漆、颜料、布料、动物皮肤、植物、光源等等);膜厚测量系统(感光保护膜、半导体薄膜、金属膜、等离子体镀膜、光学镀膜等);SLM系列光源测量系统(白炽灯、荧光灯、ARC、HRC、以及发光二级管等光源的各种参数测量);SMS光照度/辐照度测量系统(光通量、光强、光照度或光亮度测量);LCS系列LED测量系统(测量LED光源、大型光源的光学、光谱、颜色、纯度等特征信息);氧含量测量系统(连续测量氧饱和度、总含量、含氧和去氧血色素的浓度);荧光测量系统(测量皮克级的含有荧光团的物质);近红外测量系统(糖、酒精、湿度、脂肪等成分的分析);拉曼测量系统(药物、爆炸物、水质、现场材料的分析,制药监控,石化工业过程控制等);LIBS2500光纤光谱仪系统(无损地对气体、液体、固体进行定性和半定量的实时元素分析);PlasCalc等离子监控器系统(监测等离子蚀刻,检查表面清洁处理,分析等离子反应腔控制情况,检测异常污染和排放现象,等离子开发过程的检测和控制,等等);防晒指数测量系统(化妆品、防晒用品、防紫外服、感光乳剂等的SPF值测量);量子效应测量系统(量子效率的测量等)。楼主可以介绍使用的领域么,广告的不要做。
[font='Times New Roman'][font=宋体]有文献表明[/font][/font][font=宋体],微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术已被用于[/font][font='Times New Roman'][font=宋体]茶叶中掺假物质的[/font][/font][font=宋体]检测、[/font][font='Times New Roman'][font=宋体]不同品种茶叶的鉴别以及茶口味属性的评价[/font][/font][font=宋体][font=宋体]。[/font][font=Times New Roman]L[/font][/font][font='Times New Roman']i[font=宋体]等[/font][/font][sup][font='Times New Roman'][[/font][/sup][sup][font=宋体][font=Times New Roman]71[/font][/font][/sup][sup][font='Times New Roman']][/font][/sup][font='Times New Roman'][font=宋体]利用基于智能手机的微[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术对绿茶中掺假物质(糖与糯米淀粉)进行了定性和定量分析。[/font]Wang[font=宋体]等[/font][/font][sup][font='Times New Roman'][[/font][/sup][sup][font=宋体][font=Times New Roman]72[/font][/font][/sup][sup][font='Times New Roman']][/font][/sup][font='Times New Roman'][font=宋体]利用微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]结合化学计量学[/font][/font][font=宋体]实现[/font][font='Times New Roman'][font=宋体]了红茶、绿茶、黄茶和乌龙茶的准确鉴别[/font][/font][font=宋体],[/font][font='Times New Roman'][font=宋体]并且实现了四种茶叶中儿茶素、咖啡因和茶氨酸的[/font][/font][font=宋体]定量[/font][font='Times New Roman'][font=宋体]分析。[/font]Wang[font=宋体]等[/font][/font][sup][font='Times New Roman'][[/font][/sup][sup][font=宋体][font=Times New Roman]73[/font][/font][/sup][sup][font='Times New Roman']][/font][/sup][font='Times New Roman'][font=宋体]对来自五个国家的[/font]56[font=宋体]个红茶样品进行研究,[/font][/font][font=宋体]并[/font][font='Times New Roman'][font=宋体]利用微型光谱仪实现了红茶口味属性(苦味、涩味)的评价。[/font][/font]
我公司采用微光电技术生产高精度微型近红外光谱仪,并在此基础上配置嵌入式计算机系统,形成便携式近红外光谱分析仪欢迎有感兴趣的厂家与我们联系。
[font=宋体][font=宋体]太赫兹泛指频率在[/font][font=Times New Roman]0.1THz[/font][font=宋体]到[/font][font=Times New Roman]10THz[/font][font=宋体]波段内的电磁波,位于红外和微波之间。[/font][/font][font='Times New Roman'][font=宋体]太赫兹光谱具有很宽的带宽[/font][/font][font=宋体]([/font][font='Times New Roman']0.1 ~10TH[/font][font=宋体][font=Times New Roman]z[/font][font=宋体]),动态范围大,具有大于[/font][font=Times New Roman]10[/font][/font][sup][font=宋体][font=Times New Roman]5[/font][/font][/sup][font=宋体]的高信噪比;具有瞬态性,可以进行时间分辨光谱的研究;[/font][font='Times New Roman'][font=宋体]太赫兹光谱[/font][/font][font=宋体]光子能量低,穿透性强,适合于生物组织的活体检查。但存在仪器价格非常昂贵,分析检测环境要求高等缺点。而[/font][font=宋体][font=宋体][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]则对分析环境要求较低,受环境因素影响小;此外,[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]器价格便宜,尤其是[/font][font=Times New Roman]CCD[/font][font=宋体]型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url],且仪器性能稳定,具有较好的环境抗干扰能力,适用于工业生产场景的检测应用。[/font][/font]
Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]用于蛋白含量测定的可行性研究摘要:Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]与AntarisⅡ傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]相比具有体积小、质量轻、便携的特点,更适合用于生产现场检测。本文采用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url] 1700型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]对蛋白含量进行检测,对其用于蛋白含量测定的可行性进行分析。通过相关系数法选出更合理的波段,提高模型的预测能力,从而建立了用于人血白蛋白原液蛋白含量快速检测的定量模型。关键词:微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url];蛋白含量测定;定量分析模型1材料1.1 试剂49个不同蛋白含量的样品:采用半微量凯氏定氮法进行蛋白含量的测定,测定得到17个样品的蛋白含量。用生理盐水稀释样品,共得到49个不同蛋白质含量的样品。1.2 仪器和软件Micro[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url](JDSU公司,美国); MATLAB 2015a处理软件(Mathworks,美国);PLS_Toolbox工具箱(Eigenvector Research,美国)。2方法2.1样品光谱的采集采用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]进行蛋白光谱的采集,采样方式为透射采样,波长范围908.1-1676.0 nm,积分时间为28000 μs,扫描次数为50次。用1 mm光程比色皿进行采样,每个蛋白样品采集3次,求其平均光谱作为样品光谱。每张[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]光谱由125个变量点组成。2.2校正集和验证集的划分样品集的划分采取SPXY分类算法,以1:1的比例进行校正集、验证集的划分,最终25个样品集被划分为校正集,24个样品被划分为验证集。分析样品的PCA得分图评价分类结果。2.3 预处理方法的选择采用标准化(Auto scale)、均值中心化(Mean Center)、一阶导数(First Derivative,FD)SG5点平滑、二阶导数(Second Derivative,SD)SG5点平滑等预处理方法进行了考察,以模型的RMSEP为指标,选择最佳的预处理方法。通过留一交互验证法,以RMSECV的值选择最佳主因子数。2.4光谱区间的选择采用Reverse iPLS方法、相关系数方法进行光谱区间的选择,优化光谱区间,以建立较优的模型。3 实验结果3.1近红外原始光谱图分析图1为Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]透射采样得到的原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]光谱图。从原始光谱图中无法得知有关蛋白含量的信息,因此本研究中需用化学计量学知识对样品的原始光谱进行处理。[align=center] [img=,475,213]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151936_01_1626619_3.png[/img][/align][align=center]图1原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]图[/align]3.2校正集和验证集的划分本研究选择SPXY算法,以1:1的比例进行校正集、验证集的划分,最终25个样品集被划分为校正集,24个样品被划分为验证集。图2为样品集的划分结果。图2为49个蛋白样品的前两个主成分的得分散点图,其中红色为验证集,灰色为校正集,从图中可知校正集样品和验证集的样品分散较好,这表明校正集、验证集划分较合理。[align=center] [img=,460,204]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151937_02_1626619_3.png[/img][/align][align=center]图2 样品主成分得分图[/align]3.3 光谱预处理结果本研究中,分别比较了Mean Center、Auto scale、平滑和导数以及不同处理方法组合的预处理方法对建模结果的影响,并以RMSEP作为模型的评价指标。表1为经不同预处理后的PLSR建模结果,由表中结果可知,经过二阶导数、SG5点平滑和Auto scale预处理后模型的Rp2提高, RMSEP明显下降,说明经过二阶导数、SG5点平滑和Auto scale预处理能够提高模型的有效性。图3为经预处理后较优模型的结果,模型结果为Rc2=0.993,Rp2=0.953,RMSEC=0.2143%,RMSEP=0.5354%,RMSECV=0.3382%。[align=center]表1不同预处理后各模型参数[/align][align=center][img=,638,223]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151938_01_1626619_3.png[/img][/align][align=center][img=,489,211]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151939_01_1626619_3.png[/img][/align] [align=center]图3二阶导数+SG平滑+Autoscale[/align]3.4 光谱区间选择结果分别采用Reverse iPLS方法、相关系数方法对模型的光谱区间进行优化,消除无关变量对模型的影响。以RMSEP值为指标来评价模型,其中RMSEP值越小模型结果越好。3.4.1Reverse iPLS选择波段本研究采用Reverse iPLS方法选择波段,考察50个变量间隔的选择结果。从图4可知,绿色部分为建模采用的波段,红色部分为舍弃波段范围。图5为采用Reverse iPLS方法选择的波段范围建立的模型的预测结果。其中RMSEP值有所降低,表明模型的预测误差降低。表明此区间包含的有效信息可提高模型的预测能力。[align=center][img=,532,234]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151940_01_1626619_3.png[/img][/align][align=center]图4 Reserve iPLS 选波段结果图[/align][align=center][img=,497,224]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151940_02_1626619_3.png[/img][/align][align=center]图5 Reserve iPLS法预测结果图[/align]3.4.2相关系数法选择光谱变量采用相关系数法求得光谱中各变量与蛋白浓度之间的相关系数图,相关系数越大,区间内包含的有效信息越多。图6为求得的相关系数图。[align=center][img=,483,211]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151942_01_1626619_3.png[/img][/align][align=center] 图6 相关系数图[/align]选择相关系数绝对值大于0.4的光谱区间建立近红外定量模型,选择建立模型的变量数为25个。图7为变量选择的结果图。[align=center][img=,520,229]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151943_01_1626619_3.png[/img][/align][align=center]图7 相关系数法变量选择图[/align]使用相关系数法选择的25个变量建立PLSR模型,建模结果见图8中所示。与全波段建模结果相比,模型的RMSEP值降低,表明模型的外部预测误差有所减小,从而提高了模型的准确性。[align=center][img=,474,209]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151945_01_1626619_3.png[/img][/align][align=center] 图8 建模结果图[/align]3.5 确定最佳定量分析模型采用二阶导数、SG5点平滑和Auto scale预处理后,使用Reverse iPLS方法和相关系数方法选择光谱的有效波段。两种变量选择方法建立的模型结果见表2所示。[align=center]表2不同变量建模结果比较[/align][align=center][img=,604,171]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151946_01_1626619_3.png[/img][/align]经过比较,其中相关系数法选择25个变量建立的PLSR定量模型的预测均方根误差结果最小,说明建立模型的预测能力更佳。所以本研究采用二阶导数、SG5点平滑和Auto scale预处理后选择相关系数法确定25个变量建立最佳定量分析模型。模型结果为Rc2=0.977,Rp2=0.958,RMSEC=0.3983%,RMSECV=0.5653%,RMSEP=0.5334%。4结论和讨论本研究用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]对建立的人血白蛋白原液蛋白含量定量分析模型的可行性进行分析。采用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]对49个样品进行光谱采集,然后选择不同的光谱预处理方法进行预处理,经过结果比较选择二阶导数、SG5点平滑和Auto scale进行光谱预处理;采用Reverse iPLS方法和相关系数方法,对光谱的有效区间进行选择,最终使用相关系数法选择25个变量建立蛋白含量的最佳定量分析模型。所建立的模型结果为Rc2 =0.977,Rp2=0.958,RMSEC=0.3983%,RMSECV=0.5653%,RMSEP=0.5334%。此研究结果表明,Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]所建立的模型用于人血白蛋白原液中蛋白含量的检测是可行的,同时Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]以其质量轻、体积小以及成本低的优势,在蛋白快速检测方面将有广阔的应用前景。参考文献吴清, 周法根. 脑梗死治疗中白蛋白应用价值的探讨 . 心脑血管病防治, 2005, 5(2): 49-50.王华平, 米宇俊. 人血白蛋白治疗肾综合征出血热低血压休克患者疗效观察 . 医师进修杂志, 2001, 24(8):20-21.郑红光, 杨志藩, 关欣. 静脉输注人血白蛋白对肾病综合征的正负临窗效应观察 . 中国实用内科杂志, 2003, 23(1):25-27.刘丽萍. 人血白蛋白在肝硬化资料中的应用 . 中国医院用药评价与分析, 2013, 13(5):388-390.常花蕾, 史涛. 人血白蛋白临床不合理应用及改进措施 . 中国药物应用与监测, 2014, 11(1): 52-54.孙世光, 余明莲, 王建民, 张国辉. 人血白蛋白的临床应用误区及其对策 .解放军药学学报, 2009, 25(4):366-368.
AXSUN的IntegraSpec?系列多功能近红外分析仪是目前美国[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]领域领袖群仑的尖端产品. IntegraSpec? 系列的核心技术之一微光机电系统MEMS是近几年在美国发展成熟的先进技术,MEMS芯片的生产工艺同半导体集成电路的生产工艺一样,都是在超净环境全自动化车间里用机械手装配而成.MEMS芯片的生产工艺决定了它同集成电路有很多共同点,它们都是对传统产品的一次革命,都具有高可靠性,高稳定性,高一致性等等特点. IntegraSpec?系列的另一项核心技术是近红外波段独特的波长可调激光器,其亮度比传统仪器用的灯泡亮度要高好几个数量级,并且激光的波长和强度的短期和长期稳定性非常高. 目前市场上传统的傅立叶[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]体积庞大,价格昂贵,对环境温度震动等非常敏感,只能是放在实验室的娇贵仪器,不能适应生产线上的各种复杂环境 另一类[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]结实并且体积小,但分辨率灵敏度等各项性能又很难满足用户要求.Axsun公司在背景强大的投资支持下经过几年反复研究开发,最终使得 IntegraSpec?系列微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]性能超群,适应各种复杂环境而迅速占领美国制药,石化,农业等市场.大规模的生产使得MEMS芯片的成本会变得越来越便宜,其应用前景也将越来越广阔. 建立在先进的微光机电系统(MEMS)技术之上的IntegraSpec?系列[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]性能极其优越,稳定可靠,系统集成容易,价格便宜,仪器设计寿命为25年,不需维修,无消耗品,是理想的在线过程控制和便携式近红外分析仪.其主要性能特点如下: 1. 坚固结实,分光系统为全密封芯片,电子制冷,恒温工作.因而仪器对使用环境非常不敏感,抗震动,耐冲击,不怕温度湿度变化,特别适用于在线监测和便携式使用. 2. 光源为波长可调激光器模块,波长和强度稳定性最佳,信号强度高. 3. 性能优越,各项指标不低于大型而昂贵的实验室用傅立叶[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url],而且仪器的一致性好,使用灵活,可以用于气体,液体和固体的透射/反射测量,广泛应用于制药,石化,农业等各行业的过程控制和质量监测. 4. 采用成熟可靠的半导体集成芯片技术,仪器的设计寿命为25年,无须维修. 5. 功耗低,只有11到20瓦,电池供电时间长 6. 独特的专利技术,内置式校正系统(WARM? 波长/信号强度校正模块),使这种仪器可以非常方便地同其它仪器进行模型转换. 7. 数据采集速度快,一条谱线的采集时间为毫秒级,适用于实时在线测量. 8. 操作使用简单,仪器的长期稳定性优异,使用成本低.详情请参考: http://www.sepvest.com/Products/axsun.htmwww.axsun.com
光谱学是测量紫外、可见、近红外和红外波段光强度的技术。光谱测量被广泛应用于多种领域,如颜色测量、化学成份的浓度测量或辐射度学分析、膜厚测量、气体成分分析等领域。在上世纪九十年代以来,微电子领域中的多象元光学探测器(例如CCD,光电二极管阵列)制造技术迅猛发展,使生产低成本扫描仪和CCD相机成为可能。美国海洋光学公司的微型光纤光谱仪使用了同样的CCD(CCD光谱仪)和光电二极管阵列探测器,可以对整个光谱进行快速扫描,不需要转动光栅。 海洋光学的微型光纤光谱仪通常采用光纤作为信号耦合器件,将被测光耦合到光谱仪中进行光谱分析。由于光纤的方便性,用户可以非常灵活的搭建光谱采集系统。其优势在于测量系统的模块化和灵活性,且测量速度非常快,可以用于在线分析。而且由于采用了低成本的通用探测器,降低了光谱仪的成本,从而也降低了整个测量系统的造价。 微型光纤光谱仪基本配置包括包括一个光栅,一个狭缝和一个探测器。这些部件的参数在选购光谱仪时必须详细说明。光谱仪的性能取决于这些部件的精确组合与校准,校准后光纤光谱仪,原则上这些配件都不能有任何的变动。海洋光学拥有广泛的光谱仪配置选择,使其性能最大化以满足客户要求。如果这些配置不符合您的要求,我们可以根据您的要求为您量身定做。 海洋光学微型光纤光谱仪选型① 光学分辨率光学分辨率是配置微型光纤光谱仪时经常被考虑的主要因素之一。当用户为了追求微型光纤光谱仪的高分辨率时,在选型时会选择具有尽可能多像元数探测器的微型光谱仪。而实际上光学分辨率不仅仅由探测器的像元数决定,还与狭缝宽度和光栅的刻线密度有关。所以当讨论分辨率时,通常用色散或用波长范围除以像元数。半高全宽值(FWHM),即最大峰值光强一半处所对应的谱线宽度是一种表述分辨率更好的方法(见上图)。用FWHM可以对不同光谱仪的实际光学性能进行直接对比。用这种表示方法可以避免一些缺陷,例如:有的光栅并没有用到全部像元;采用交叉式Czerny-Turner光路设计的光谱仪中,光学系统不能把狭缝清晰地成像在探测器上,这是由于光路中过大的反射角和固有的系统放大倍率造成的。http://ng1.17img.cn/bbsfiles/images/2012/04/201204122045_360970_1855403_3.jpg② 灵敏度灵敏度是配置光谱仪时所需要考虑的另一个因素。现在的主流微型光纤光谱仪都采用线阵探测器,所以灵敏度跟像素数没有任何关系。但面阵探测器例外,因为面阵探测器在垂直方向的每个像素都会被累积,在某种意义上垂直方向上的所有像素的累积可以被看成一个更大的像素。因此,在考虑某种应用对灵敏度的要求时,更重要的是看探测器的响应曲线。下图中给出了海洋光学微型光纤光谱仪采用的两种典型探测器的灵敏度响应曲线。http://ng1.17img.cn/bbsfiles/images/2012/04/201204122046_360971_1855403_3.jpg③ 信噪比信噪比也是选配微型光纤光谱仪的一个因素。对于CCD光谱仪,较高的灵敏度导致了较低的信噪比。在一定范围内,可以通过对光谱进行多次平均来提高信噪比。平均次数的平方根恰好是信噪比提高的倍数。例如,光谱平均100次,信噪比能提高10倍。有些应用需要较高的信噪比,此时用户应当比较在光谱仪中的光学平台和探测器的综合信噪比。需要强调的是,用户一定要搞清楚厂家给出的信噪比是不是整个光谱仪系统的信噪比,因为只有整个光谱仪系统的信噪比才是最重要的。一个信噪比高的探测器配一个性能不高的光路,那么它的高信噪比就没有实际意义。比较不同探测器和微型光纤光谱仪间的信噪比的比较好的方法是:测量100次,然后对每个像元计算平均值和标准偏差,信噪比等于平均值除以标准偏差。测量信噪比时,信号强度应当接近饱和,并设置正确的平滑值(如果需要的话)。④ 光栅选择光栅选择是最比较复杂的。通常有两个因素决定了光栅的选择:波长范围和光学分辨率。波长范围受限于所选择的探测器或光栅,或二者都有。光学分辨率不仅受限于光栅,还受限于狭缝宽度和探测器的像元数和像元尺寸。还要考虑第三个因素,即光栅还会影响系统的灵敏度,这是因为不同的光栅的闪耀波长(即最高效率)位置各不相同。当对系统进行最优化配置时,最好查看一下光栅的效率曲线。下图中是海洋光学微型光纤光谱仪采用的几种典型的600线/mm光栅的效率曲线,效率最高点从紫外区到近红外区。http://ng1.17img.cn/bbsfiles/images/2012/04/201204122047_360972_1855403_3.jpg⑤ 狭缝狭缝了也是选配微型光纤光谱仪的一个因素。微型光纤光谱仪有多种狭缝尺寸供您选择,狭缝安装在光纤接头处(见图),并且被永久的固定在光谱仪上。有两点需要记住,狭缝越小,光学分辨率越高;狭缝越大,进入光学平台的光通量越多,即灵敏度越高。从本质上说,需要折中兼顾光谱仪的分辨率和灵敏度。http://ng1.17img.cn/bbsfiles/images/2012/04/201204122047_360973_1855403_3.jpg⑥ 其他 选择微型光纤光谱仪的其他选项会相对容易一些。例如可以选择升级UV4探测器后,探测器上的标准BK7窗片将会被石英窗片替代,用来增强海洋光学微型光纤光谱仪在波长340nm以下紫外区的响应能力。而其它探测器,比如薄型背照式CCD或CMOS则不需要这个选项。而为了避免二、三级衍射效应的影响,可以通过在位于狭缝与消包层模式孔之间的SMA905连接器中安装长通滤光片或在探测器的窗口处安装OFLV消除高阶衍射滤光片。正如上面介绍的几个因素所表明的,通过一些简单的步骤就就可以配置好满足您应用的微型光纤光谱仪。除了光谱仪,我们可能还需要考虑种类纷杂的光源和采样附件。所以不必犹豫尽管向我们咨询有关仪器的一切问题,我们将会给您一套最适合您应用的微型光纤光谱仪配置。
本人现在做近红外光谱,正在学习用MATLAB对光谱数据进行特征波段的选取,哪位大侠教下我啊?有酬谢!有意的加我Q1355008248!
好消息!褚小立领衔近红外光谱分会19位专家编著《近红外光谱分析技术实战宝典》!仪器信息网自2020年起组织业内知名专家、资深版主及专业编辑,以解决用户实际问题为初衷,以平台海量精华内容为基础,经过专家的梳理、加工,将最常见的仪器问题、解决方法和资深用户的经验整理成册,特命名为《实战宝典》,旨在提升行业用户的仪器应用能力、加快个人职业成长,缓解行业实操型人才匮乏的现状,助力用户实现“宝典在手、仪器无忧”!2020年,已发布《水质分析实战宝典》、《气相色谱实战宝典》、《农残分析实战宝典》、《液相色谱实战宝典》、《乳品检测实战宝典》、《药物分析实战宝典》6册宝典,收录仪器类别包括了常用的气相、液相,应用领域涵盖了水质、农残、药物、乳品,深受4.4万用户喜爱。2021年,仪器信息网将陆续发布《原子吸收光谱实战宝典》、《液质联用实战宝典》、《气质联用实战宝典》、《实验室安全实战宝典》、《近红外光谱分析技术实战宝典》、《样品前处理实战宝典》、《土壤分析实战宝典》、《离子色谱实战宝典》、《PCR实战宝典》、《ICP-MS实战宝典》等分册,目前已有3.4万用户预订。未来,我们欢迎广大专家、用户积极报名加入《实战宝典》 “编委组”,发挥自己专业技能特长,与行业专家一起创作更多优质内容,帮助更多用户。《近红外光谱分析技术实战宝典》编委专家阵容如下:特邀顾问:袁洪福,北京化工大学,教授主 编:褚小立,中石化石油化工科学研究院,教授级高工副 主 编:李文龙,天津中医药大学副研究员,博士生导师副 主 编:王家俊,云南中烟技术中心,高级工程师编 委:卞希慧,天津工业大学,副教授编 委:何鸿举,河南科技学院,院长助理编 委:黄越,中国农业大学,副教授编 委:韩娅红,华中农业大学,博士后编 委:李跑,湖南农业大学,副教授编 委:缪同群,上海新产业光电技术有限公司,总计总经理编 委:孙通,浙江农林大学,副教授编 委:王艳斌,石油化工研究院,高级工程师编 委:邢振,北京农业智能装备技术研究中心,高级工程师 编 委:闫晓剑,四川长虹公司,资深专家编 委:杨越,温州大学,讲师编 委:张进,贵州医科大学,副教授编 委:周新奇,谱育科技,经理编 委:邹振民,山东金璋隆祥智能科技有限责任公司,董事长《近红外光谱分析技术实战宝典》大纲目录如下:第一章概述第一节 近红外光谱发展简史第二节 近红外光谱产生机理(概述)第三节 近红外光谱分析与化学计量学方法第四节 近红外光谱及其分析技术的特点(优缺点)第五节 现代过程分析技术与近红外光谱技术问题与回答:1、为什么近红外光谱主要包含的是含氢基团的信息?2、为什么说吸收强度弱反倒是近红外光谱的一种技术优势?3、近红外漫反射光谱与物质的浓度是线性关系吗?4、哪段近红外光的穿透性较强?如何利用这段光?6、近红外光谱区域中哪段谱图包含的化学信息更丰富?7、为什么氢键在近红外光谱中很重要?8、为什么近红外光谱的转移吸收谱带较宽?5、为什么近红外光谱定量或定性分析大多需要化学计量学方法?9、为什么说近红外光谱是现代过程分析技术的主要手段之一?10、哪些场合不太适合采用近红外光谱分析技术?11、在哪些应用场景近红外光谱最擅长?12、采用近红外光谱技术前应有哪些心理上的准备?13、用好近红外光谱需要使用者具备哪些条件?14、近红外光谱与中红外光谱相比,各有哪些技术优势?15、近红外光谱与拉曼光谱相比,各有哪些技术优势?16、近红外光谱与太赫兹光谱相比,各有哪些技术优势?17、近红外光谱与低场核磁相比,各有哪些技术优势?18、近红外光谱与Libs相比,各有哪些技术优势?19、一般情况下,近红外光谱分析技术的检测限能达到多少?…20、短波和长波近红外各有什么特点?…第二章近红外光谱仪器第一节 近红外光谱仪器的构成第二节近红外光谱仪器的分光类型第三节实验室型仪器第四节便携式和微型仪器第五节制造仪器的材料应用与仪器的性能指标第六节近红外光谱仪器的测量软件第七节仪器的维护及校准AQ、PQ与OQ的应用问题与回答:1、近红外光谱仪器的分别辨率重要吗?2、影响近红外光谱仪器噪音的主要因素有哪些?3、基于理论和实验依据,如何选择近红外光谱仪器?4、影响近红外光谱仪器之间一致性的主要因素有哪些?5、近红外光谱文件常见的格式有哪些?6、为什么有的仪器用纳米表示波长,有些用波数表示?7、为什么近红外光谱仪器的长期稳定性很重要?8、药典对近红外光谱仪器的性能指标有何要求?9、光源需要定时更换吗?10、实验室型近红外光谱仪器日常维护有哪些?11、需要间隔多长时间进行一次近红外光谱仪器的校准?12、氟化钙分束器与石英分束器的性能有何差异?13、氦氖激光激光器与半导体激光器的性能有何差异?14、近红外光谱分析技术常用的光源有哪些?15、微型CCD近红外光谱仪的狭缝如何选择?与分辨率的关系如何?…第三章 测量附件与实验方法第一节 近红外光谱的测量方式第二节 常见的测量附件第三节 多种类型样品的制备第四节 光谱采集参数及其优化问题与回答:1、液体样本的近红外光谱通常采用哪些测量方式?2、固体样本的近红外光谱通常采用哪些测量方式?3、水果测量时应注意哪些问题?4、漫反射测量时应注意哪些问题?5、样品温度对近红外光谱测量有影响吗?6、近红外光谱能测量气体吗?7、使用光纤测量附件应注意哪些问题?8、透射测量时应注意哪些问题?9、对于固体有哪些常见的样品制备方式?10、光谱采集参数如何优化?11、水分对近红外光谱测量有影响吗?12、采样杯、比色池光学材料对光谱重现性的影响?13、固体粉末粒径对光谱重现性有何影响?如何提高光谱的重现性?14、如何权衡近红外分析检测的效率与检测数据的“性价比”?15、漫反射和透射测量时,参比光谱如何选取?16、近红外光谱测量时,吸光度为什么会出现负数?…第四章在线近红外光谱分析技术第一节 在线近红外光谱分析系统的构成第二节 取样与样品预处理系统第三节 在线测量方式第四节 在线工程项目的实施(包含过程化学计量学方法与过程建模)第五节 在线分析系统的管理与维护问题与回答:1、在线分析必须使用样品预处理吗?2、选择光纤探头或流通池应注意哪些问题?3、采用液体插入式漫反射探头应注意哪些问题?4、探头的安装位置应如何选取?5、固体在线取样时应注意哪些问题?可以采取哪些手段获取有代表性的在线光谱?6、如何取到与光谱测量对应的在线样品?7、如何实现一台在线仪器测量多个检测点?8、在线分析校正模型是如何建立的?9、光纤的有效传输距离有多长?10、在线仪器的光谱背景是如何获取的?11、选择在线近红外光谱仪应考虑哪些问题?12、医药企业对在线分析仪器有哪些特殊要求?13、传递带的漫反射测量应注意哪些问题?14、国内外涉及在线近红外光谱分析技术的标准有哪些?15、…第五章化学计量学方法与建模第一节 常用的化学计量学方法第二节 定量分析建模的主要步骤第三节 定性分析建模的主要步骤第四节 化学计量学软件的主要功能第五节 商品化的化学计量学软件第六节 建模传递及其方法第七节 模型的评价第八节 模型的管理与维护第九节 近红外定量模型的转移与模型适应性拓展问题与回答:1、近红外光谱预测结果的准确性能够超过参考方法吗?2、建模过程中光谱波段(波长)变量如何选择?3、PLS的最佳(适宜)主因子数如何选择?4、影响近红外光谱分析模型的主要因素有哪些?5、何时选用非线性定量校正方法?6、建模过程中光谱预处理方法如选择?什么是异常样本?7、如何识别建模过程中的异常样本?8、如何识别预测过程中的异常样本?怎样判断近红外的预测结果是内插分析得到的?9、建立实用的模型需要多少个样本?10、模型如何维护?11、提高模型预测稳健性的方法有哪些?12、提高模型预测准确性的方法有哪些?13、何为有代表性的样本?如何选取?14、建模的样本越多越好吗?15、建模时先进行光谱预处理还是先选择(波段)波长选择?16、为什么要进行模型传递?17、进行模型传递需要哪些条件?在不同分光原理的近红外仪器上建立的模型可以相互传递吗?18、模型传递后还需要做那些工作?19、近红外光谱定量和定性分析可以不建模型吗?20、从PLS校正过程,如何解释校正模型的适应性?21、同一方法进行(波段)波长选择,每次(波段)波长选择结果不一致,如何处理?22、一般情况下,建模所用的波长变量数与样本数之间需要满足什么条件?23、近红外光谱的分析流程?24、定量模型的评价指标?25、定性模型的评价指标?…第六章近红外光谱技术的应用第一节 农业领域第二节 食品领域第三节 制药领域第四节 石油和化工领域第五节 纺织领域第六节 饲料领域第七节 烟草领域第八节 其他领域问题与回答:1、作为一名企业采购人员,如何选择合适的近红外光谱仪?2、采用近红外光谱仪分析啤酒时一般采用哪种测量附件?3、目前关于近红外光谱的国家标准有哪些?4、在实际应用中,采用近红外光谱仪分析饲料中的水分、蛋白、脂肪、灰分和实验室分析有多大误差?5、在饲料企业,近红外光谱在哪些环节可以被使用?6、在白酒企业,近红外光谱在哪些环节可以被
[font='times new roman'][size=16px][b]几种[/b][/size][/font][font='times new roman'][size=16px][b]波段选择[/b][/size][/font][font='times new roman'][size=16px][b]方法原理及应用[/b][/size][/font][size=14px][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]数据的波段数有[/size][size=14px]多[/size][size=14px]个,特征维度较多,数据量较大,不同波段之间的信息冗余度高,具有一定的重叠性。本实验所用的试验样品是由多个成分组成的混合物,这样采集的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]就会由于没有混合均匀等原因常常掺杂着一些对非目标组分的吸收,导致光谱数据中的某些波段与样品的性质之间是比较差的关联关系,甚至是有一些关联关系是错误的,这就容易出现部分波段信息冗余的现象。同时,也会有其他一些因素对[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的准确性产生不利影响。[/size][size=14px]因此,为了得到更加有利于建立模型的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]数据,需要对一些无用的噪声波段进行剔除,找出那些含有较高信息量、容易分离、彼此相关度较低的波段,这就需要对[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]进行波段选择。通过波段选择从原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]中选择包含大量有效信息的波段子集,这些波段在建模中起主要作用,这样不但可以大大降低[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的维度,提高模型建立的速度,而且可以将光谱中存在的噪声信息剔除掉,只保留对提升模型准确性有利的信息。本文使用的波段选择方法使皮尔森相关系数法和随机森林法。[/size][font='times new roman'][size=16px][b]皮尔森相关系数法[/b][/size][/font][size=14px]相关系数法[/size][font='times new roman'][size=14px][54][/size][/font][size=14px]是将采集光谱的所有波段与颗粒的实际水分含量进行相关性计算,得到光谱每个波段与水分含量的相关系数。确定一定的阈值,将波段按照相关系数绝对值的大小进行排序,相关系数的绝对值超过阈值大小的波段保留下来,用这部分波段进行建模。[/size][size=14px]两个变量之间相关系数的大小在[/size][size=14px]-1~1[/size][size=14px]之间变化,当其中一个变量增大而另一个变量减小时,说明两个变量是负相关的,其相关系数为负数,并且相关系数越小,说明两个变量的负相关性越大;当其中一个变量增大,另一个变量也随之增大时,说明两个变量是正相关的,相关系数为正数,并且相关系数越大,说明两个变量间的正相关性越大。为了了解两个变量间的相关程度,以相关系数的绝对值[/size][size=14px]|R|[/size][size=14px]为标准判断两个变量的线性相关性大小,如下表所示。[/size][align=center][font='times new roman'][size=16px]表两个变量的相关性大小[/size][/font][/align][table][tr][td][align=center][font='times new roman'][size=16px]相关系数绝对值[/size][/font][font='times new roman'][size=16px]|R|[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]相关性程度[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]≥[/size][/font][font='times new roman'][size=16px]0.95[/size][/font][/align][/td][td][align=center][size=13px]显著性相关[/size][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]≥[/size][/font][font='times new roman'][size=16px]0.8[/size][/font][/align][/td][td][align=center][size=13px]高度相关[/size][/align][/td][/tr][tr][td][align=center][size=13px]0.5[/size][font='宋体'][size=13px]≤|[/size][/font][font='宋体'][size=13px]R[/size][/font][size=13px]|0.35[/size][/font][font='times new roman'][size=16px]光谱波段[/size][/font][/align][size=14px] [/size][size=14px] [/size][size=14px]图中,绿色方格线覆盖的波段为相关系数绝对值[/size][size=14px]|R|[/size][size=14px]0.35[/size][size=14px]的波段。图中可以看出,与水分相关系数比较高的地方都在波段[/size][size=14px]908.1nm~1400nm[/size][size=14px]之间,将全光谱的[/size][size=14px]125[/size][size=14px]个波段降低到了[/size][size=14px]80[/size][size=14px]个。[/size][font='times new roman'][size=16px][b] [/b][/size][/font][font='times new roman'][size=16px][b]随机森林法[/b][/size][/font][size=14px]随机森林[/size][font='times new roman'][size=14px][55][/size][/font][size=14px]是一种并行的[/size][size=14px]bagging[/size][font='times new roman'][size=14px][56][/size][/font][size=14px]集成学习算法。随机森林使用的数据采集方法为“自助采样法”,自主采样法在数据集较小的情况下会有较好的训练结果。从一个包含[/size][size=14px][i]n[/i][/size][size=14px]个[/size][size=14px]样本的数据集[/size][size=14px][i]M[/i][/size][size=14px]中每次随机取出一个样本,对样本进行记录后把该样本重新放回[/size][size=14px][i]M[/i][/size][size=14px]中再进行随机取样,即有放回的随机取样,这样取出来的所有样本组成数据集[/size][size=14px][i]D[/i][/size][size=14px]。重复采样[/size][size=14px][i]n[/i][/size][size=14px]次,[/size][size=14px][i]M[/i][/size][size=14px]中有一部分数据在[/size][size=14px][i]D[/i][/size][size=14px]中重复出现多次,有一部分数据从来没有在[/size][size=14px][i]D[/i][/size][size=14px]中出现过,一个样本被取到的概率为[/size][size=14px]1/[/size][size=14px][i]n[/i][/size][size=14px],那么在[/size][size=14px][i]n[/i][/size][size=14px]次采样过程中样本一直不被取到的概率为([/size][size=14px]1-1/[/size][size=14px][i]n[/i][/size][size=14px])[/size][font='times new roman'][size=14px]1/[/size][/font][font='times new roman'][size=14px][i]n[/i][/size][/font][size=14px],通过求极限可以得到[/size][align=right][size=14px] [/size][size=14px] [/size][/align][size=14px]以采集的样本[/size][size=14px][i]D[/i][/size][size=14px]作为训练集,以未采集的样本数据集[/size][size=14px][i]P[/i][/size][size=14px]作为测试集。对数据集[/size][size=14px][i]D[/i][/size][size=14px]进行训练,并在训练过程中加入随机属性选择,这样就得到了一个决策树算法的[/size][size=14px]基学习器[/size][size=14px],然后把所有的[/size][size=14px]基学习器[/size][size=14px]组合起来,得到输出结果。在分类任务中,对每个[/size][size=14px]基学习器[/size][size=14px]对预测结果进行投票得到输出结果;在回归任务中,将每个[/size][size=14px]基学习器[/size][size=14px]的预测结果进行简单平均,求得的平均数作为最终的结果。[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]水分预测是一个回归任务,因此选择随机森林回归法,[/size][size=14px]基学习器[/size][size=14px]的决策树为回归树,训练样本过将多个[/size][size=14px]基学习器回归[/size][size=14px]树进行训练,使用简单平均法获得预测结果,获得比单一回归树模型具有更高的预测准确率[/size][font='times new roman'][size=14px][57][/size][/font][size=14px]。随机森林回归的示意图如下图所示。[/size][align=center][font='times new roman'][size=16px]图[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]随机森林回归示意图[/size][/font][/align][size=14px]随机森林回归算法中使用的基模型为[/size][size=14px]CART[/size][size=14px]回归树[/size][font='times new roman'][size=14px][58][/size][/font][size=14px],特征空间的划分和每个单元的输出值由这些回归树来决定。在回归树中,选择最佳的划分点需要对每个特征的所有值进行遍历,直到取得某个特征的某个值,使得损失函数最小,这就是最佳的划分点。假设有[/size][size=14px][i]n[/i][/size][size=14px]个[/size][size=14px]特征,每个特征有[/size][size=14px]个[/size][size=14px]取值,将特征空间划分为[/size][size=14px][i]M[/i][/size][size=14px]个[/size][size=14px]单元[/size][size=14px],[/size][size=14px]为[/size][size=14px]上输入[/size][size=14px]对应[/size][size=14px]的平均值,[/size][size=14px]则该过程的公式如下:[/size][align=right][size=14px] [/size][size=14px] [/size][/align][size=14px]选择最佳的划分点后,回归树的方程为:[/size][align=right][size=14px] [/size][size=14px] [/size][/align][size=14px]式中,[/size][size=14px][i]I([/i][/size][size=14px][i]x)[/i][/size][size=14px]为指示函数。[/size][size=14px]通过随机森林计算特征集中某一特征重要程度的过程如下:[/size][size=14px]([/size][size=14px]1[/size][size=14px])从数据集[/size][size=14px][i]M[/i][/size][size=14px]中通过随机自采样的方法获得数据集[/size][size=14px][i]D[/i][/size][size=14px],用数据集[/size][size=14px][i]D[/i][/size][size=14px]作为训练集进行建模,用没采集到的数据集[/size][size=14px][i]P[/i][/size][size=14px]进行验证,得到数据集[/size][size=14px][i]P[/i][/size][size=14px]的误差,记作[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]1[/i][/size][/font][size=14px]。[/size][size=14px]([/size][size=14px]2[/size][size=14px])生成一组随机噪声数据,将随机噪声干扰数据加入到数据集[/size][size=14px][i]P[/i][/size][size=14px]的某一特征中,使得该特征对预测结果产生干扰,然后再次对数据集[/size][size=14px][i]P[/i][/size][size=14px]的误差进行计算,记作[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]2[/i][/size][/font][size=14px]。[/size][size=14px]([/size][size=14px]3[/size][size=14px])计算[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]2[/i][/size][/font][size=14px]与[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]1[/i][/size][/font][size=14px]的差值。如果该特征是对预测结果起正向作用,则加入噪声数据后[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]2[/i][/size][/font][size=14px]与[/size][size=14px][i]error[/i][/size][font='times new roman'][size=14px][i]1[/i][/size][/font][size=14px]的差值一定大于[/size][size=14px]0[/size][size=14px],反之则小于零。差值与这个特征对该模型预测精度的影响程度成正比。[/size][size=14px]([/size][size=14px]4[/size][size=14px])如果随机森林中有[/size][size=14px][i]N[/i][/size][size=14px]棵树,计算[/size][size=14px][i]N[/i][/size][size=14px]棵树对该特征[/size][size=14px][i]error2[/i][/size][size=14px]与[/size][size=14px][i]error1[/i][/size][size=14px]的差值的平均值,即[/size][align=right][size=14px] [/size][size=14px] [/size][/align][size=14px]([/size][size=14px]5[/size][size=14px])遍历数据集[/size][size=14px][i]P[/i][/size][size=14px]中的所有特征,求出每个特征的重要性。[/size][size=14px]用随机森林回归法对光谱数据与水分含量进行建模,得到数据[/size][size=14px]中特征[/size][size=14px]重要性排名,其中排名前十的特征如图[/size][size=14px]3-9[/size][size=14px]所示。[/size][align=center][img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009031753099412_7932_3890113_3.png[/img][/align][align=center][font='times new roman'][size=16px]图[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]随机森林特征选择排名前十的特征[/size][/font][/align][size=14px]特征重要性值的数据分布如下表所示。[/size][align=center][font='times new roman'][size=16px]表[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]随机森林特征重要性分布[/size][/font][/align][table][tr][td][align=center][font='times new roman'][size=16px]数值分布[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]特征重要性[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]最小值[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0022[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]1/4[/size][/font][font='times new roman'][size=16px]分位数[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0041[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]中位数[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0060[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]3/4[/size][/font][font='times new roman'][size=16px]分位数[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0081[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]最大值[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0692[/size][/font][/align][/td][/tr][tr][td][align=center][font='times new roman'][size=16px]平均值[/size][/font][/align][/td][td][align=center][font='times new roman'][size=16px]0.0080[/size][/font][/align][/td][/tr][/table][size=14px]分别以随机森林特征重要性数值分布的[/size][size=14px]1/4[/size][size=14px]分位数、中位数、[/size][size=14px]3/4[/size][size=14px]分位数和平均值为选择标准,以大于这个标准的特征重要性组合成的特征波段进行[/size][size=14px]PLS[/size][size=14px]建模,选择最佳的波段组合。建模的结果如下表所示。[/size][align=center][font='times new roman'][size=16px]表[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]不同特征重要性的波段模型评价[/size][/font][/align][table][tr][td][align=center][size=13px] [/size][size=13px] [/size][size=13px]评价参数[/size][/align][size=13px]特征重要性[/size][/td][td][align=center][size=13px]R[/size][size=13px]MSECV[/size][/align][/td][td][align=center][size=13px]R[/size][size=13px]MSEP[/size][/align][/td][td][align=center][size=14px]R[/size][font='times new roman'][size=14px]p[/size][/font][/align][/td][/tr][tr][td][align=center][size=13px]全波段[/size][/align][/td][td][align=center][size=13px]0.242[/size][/align][/td][td][align=center][size=13px]0.221[/size][/align][/td][td][align=center][size=13px]0[/size][size=13px].9[/size][size=13px]60[/size][/align][/td][/tr][tr][td][align=center][size=13px]0.0041[/size][/align][/td][td][align=center][size=13px]0.222[/size][/align][/td][td][align=center][size=13px]0.214[/size][/align][/td][td][align=center][size=13px]0[/size][size=13px].9[/size][size=13px]80[/size][/align][/td][/tr][tr][td][align=center][size=13px]0.0060[/size][/align][/td][td][align=center][size=13px]0.216[/size][/align][/td][td][align=center][size=13px]0.209[/size][/align][/td][td][align=center][size=13px]0[/size][size=13px].[/size][size=13px]983[/size][/align][/td][/tr][tr][td][align=center][size=13px]0.0080[/size][/align][/td][td][align=center][size=13px]0.228[/size][/align][/td][td][align=center][size=13px]0.225[/size][/align][/td][td][align=center][size=13px]0[/size][size=13px].9[/size][size=13px]75[/size][/align][/td][/tr][tr][td][align=center][size=13px]0.0081[/size][/align][/td][td][align=center][size=13px]0.2[/size][size=13px]3[/size][size=13px]2[/size][/align][/td][td][align=center][size=13px]0.230[/size][/align][/td][td][align=center][size=13px]0[/size][size=13px].9[/size][size=13px]6[/size][/align][/td][/tr][/table][size=14px]很明显,通过随机森林方法计算出各个特征的重要性,以[/size][size=14px]0.0060[/size][size=14px]作为最低标准选择的波段用来建立[/size][size=14px]PLS[/size][size=14px]模型的效果最好。选择的波段如下图所示。[/size][align=center][font='times new roman'][size=16px]图[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]随机森林波段选择[/size][/font][/align][size=14px] [/size][size=14px] [/size][size=14px]图中绿色背景的是通过随机森林选择的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]波段,其波段主要分布在[/size][size=14px]908.1nm~1150nm[/size][size=14px]和[/size][size=14px]1350nm~1500nm[/size][size=14px]之间,将[/size][size=14px]125[/size][size=14px]个光谱波段降低到了[/size][size=14px]60[/size][size=14px]个,[/size][size=14px]降维效果[/size][size=14px]和模型评价效果均优于相关系数法。因此在流化床制粒过程[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的建模中应用随机森林法进行波段选择。[/size]
1.建模时,校正集和验证集的选取到底应该是多大的比例呢?是不是用不同的算法选取的比例也不一样呢?看文献中,用SVM分类时,大部分按1:1分校正集和验证集,也有分为3:2的。用判别分析的就有2:1或者3:1的了,甚至还有就随便取10个或者几个的。有没有专门的指导或者手册呢?2.还有大家在建模的时候波段都是怎么选取的呢?????
领导想要买一个光谱仪 测试远红外灯发出的红外线波段 哪位大神可以推荐下吗?
http://ng1.17img.cn/bbsfiles/images/2015/08/201508170900_561037_2347397_3.png上图是典型农产品的近红外光谱图,可以看到,合频吸收带、一级倍频吸收带、二级、三级等的吸光度大小成明显递减趋势的,请问,这如何解释?
[img=,274,283,left]https://ng1.17img.cn/bbsfiles/images/2024/06/202406251610569146_8280_4070220_3.png!w274x283.jpg[/img][font=宋体]滤光片型近红外分析仪又分为固定波长和线性渐变波长的滤光片仪器。[/font][font='Times New Roman'][font=宋体]一些专用[/font][/font][font=宋体]的近红外分析[/font][font='Times New Roman'][font=宋体]仪[/font][/font][font=宋体][font=宋体]器采用滤光片得到所需的单色光。滤光片型分光系统,如图[/font][font=Times New Roman]2-3[/font][font=宋体]所示。一般是用干涉滤光片作为分光器件[/font][/font][font='Times New Roman'][font=宋体],干涉滤光片[/font][/font][font=宋体]是建立在镀膜干涉原理上的精密光学器件,具有带通性,只容许较窄波段的光通过滤光片而其他部分光不能通过,[/font][font='Times New Roman'][font=宋体]干涉滤光片价格低廉,仪器设[/font][/font][font=宋体]计简单[/font][font='Times New Roman'][font=宋体],所以特别适合用于专用、便携式仪器[/font][/font][font=宋体];[/font][font='Times New Roman'][font=宋体]但滤光片的光学性能如带宽、峰值波长和[/font][/font][font=宋体]透过率受温湿度等影响很大[/font][font='Times New Roman'][font=宋体],仪器在设计上[/font][/font][font=宋体]具备[/font][font='Times New Roman'][font=宋体]有效的校正系统[/font][/font][font=宋体]。目前在水分近红外分析仪上应用广泛。[/font][font=宋体][font=宋体]线性渐变滤光片([/font][font=Times New Roman]Linear variable filter [/font][font=宋体],[/font][font=Times New Roman]LVF[/font][font=宋体])是一种特殊的带通滤光片,使用光学镀膜和制造技术,在特定方向上形成楔形镀层。优于带通中心波长与镀层厚度相关,滤光片的透过波长在楔形方向上发生线性变化,从而起到分光作用。利用[/font][font=Times New Roman]LVF[/font][font=宋体]可制成非常小巧轻便的光谱仪,但受到元器件的性能所限,其波长范围和分辨率稍受限,可根据需要定制[/font][font=Times New Roman]1000[/font][/font][font=宋体][font=Times New Roman]~[/font][/font][font=宋体][font=Times New Roman]1700nm[/font][font=宋体]或者[/font][font=Times New Roman]1200 [/font][/font][font=宋体][font=Times New Roman]~[/font][/font][font=宋体][font=Times New Roman]2200nm[/font][font=宋体]的光谱仪,分辨率(光谱带宽)一般为[/font][font=Times New Roman]15nm[/font][font=宋体]左右。[/font][/font]
对于 400~30cm-1 波段,该怎么指认图谱?各位大虾有没有什么好的建议啊?中文文献都没怎么看到相关的内容,还能像中红外波段那样考虑原子基团或者特别的骨架震动之类的原因吗?另外,这一波段内哪些波数是对应 1~3THz 的啊?
小弟很迷惑,希望能帮个忙,先谢谢!我们知道近红外扫描物品后出来的曲线就只有一条,而这条曲线则反映了被测物质的所有信息,比如,我扫描玉米,它的粗蛋白含量,纤维等的信息都应该在这条曲线中。。。。 问:::我们如何知道这条曲线的那个波段是反应的粗蛋白,那个波段是反应的纤维的含量?有什么依据??特别是在我们建立模型的时候,扫描了某一种原料,我们如何可以知道这条曲线的哪个波段是反应哪个指标了??? 小弟,洗耳恭听!!!谢谢
本贴是11月29日举办的微型光纤光谱仪在LED光谱测量中的应用以及常见问题分析在线研讨会的问答精选。希望能够起到抛砖引玉的作用:)大家有什么别的方面的问题可以在下面直接提问。研讨会回放: http://webinar.ofweek.com/activityDetail.action?activity.id=4391010&user.id=2问题精选:提问人: lijing 提问时间: 2011-11-29 11:04 用户关注问题: 软件方面,贵公司产品能否提供开方的开发接口。 官方回答:会得,我们的OMinidriver为C 开发包,另外还有其它的OEM datasheet 提供参考提问人: 斯蒂芬 提问时间: 2011-11-29 10:48 用户关注问题: (陈小砖的提问)李经理您好!我想请教一下:光纤光谱直读是指的是所有波长的直读吗? 官方回答:所有波长点数据(比如2048个点,3648像素点),几ms内一次性全部读出提问人: 斯蒂芬 提问时间: 2011-11-29 10:42 用户关注问题: (陈浩的提问)我们是做红外激光的,在2200nm附近,传统单色仪很不好用,贵公司的顶配产品在该波段的精度是多少?速度?给我一份材料 官方回答: NIRquest 900nm-2500nm,速度可达1ms用户关注问题: (刘达的提问)您好,贵公司的光谱仪产品用来测膜厚需要搭配什么附件?精度能到多少?测量原理能详细说下吗? 官方回答: 通过反射率测量、干涉原理等来测量-产品nanocalc椭偏光谱测量-产品SPecEI2000用户关注问题: (陈伟齐的提问)但我们测出的确是几百K呀,我现在都不知乍办了 官方回答: 如果是用光谱仪测量的请检查如下:1. 辐射能量灯是否过使用寿命2. 光谱仪波长准确度,最好重新校准下3. 注意采光方式,一般建议用余弦校正器或积分球来采集用户关注问题: (杨合的提问)CCD感应不了1100nm以上的波长吗? 官方回答: CCD过1100nm,响应比较弱,一般会更换为InGaAs探测器用户关注问题: (陈伟齐的提问)但有标准为什么在不同的测试仪器下色温的差距相差太大 官方回答: 这根仪器差别与采光方式有关,我们曾跟NIST,中国计量院及美能达的色度计比对过,色温差别只有几十K用户关注问题: (陈浩的提问)贵公司的产品跟日本横河的OSA6370系列有什么区别吗?我需要宽度比较大的产品,最好紫外到2200nm的,这样的配置总价在多少范围? 官方回答: 我们可从紫外180nm-2500nm,不过需要两台光谱仪搭配使用,一台可以完成180nm-1100nm,另一台可覆盖900nm-2500nm用户关注问题: (伍省铭的提问)测试波长3um,0.1nm分辨率,或者更高分辨率的光谱仪 官方回答: 我们有ANir系列有2000nm-3400nm的便携性傅里叶近红外光谱仪,分辨率可能有8cm-1波数左右,会换算一下nm分辨率,可能分辨率要求要求有点苛刻用户关注问题: 专家好!我测试过程遇到一点小问题,是关于显色指数的测试,一般能源之星规定,R9的数值要大于0,但是有些灯它的R9有小于0,就是负数,一般是怎么回事啊?? 官方回答: 这个具体测试程序,一般要查一下具体标准;不过通过光谱算法,可以得到所有的显色指数的参数,我们的光谱仪上集成了这一功能,通过测量光谱可以得到诸如色坐标,色温,显色指数,主波长等等的信息用户关注问题: 想问一下李宇经理:我们有一款测试LED光参数设备,因为缺少一根光纤导线,平时测量时我们是直接将待测LED堵在接收器接口,这样的测试结果和用光纤导入测试结果主要区别或者说误差大概在哪几个方面表现出来?另外一个问题是:光纤导入时对于脉冲和非脉冲测试误差是一样的吗? 官方回答: 测量时,一般要先进性绝对辐射校准,然后对LED进行颜色、光通量等的测量;一般来讲不同的采光方式会导致稳定性、测量精度差异,要进行稳定及精度较高的测量,最好采用积分球加光纤加光谱仪的测量方式;尤其是光通量测量时,建议采用积分球方式,一方面稳定,另一方面更准确。提问人: 崔庆华 提问时间: 2011-11-28 08:48 用户关注问题: 微型光纤光谱仪与传统光谱仪的区别在哪里主要构造是怎样的,有什么优势谢谢 官方回答: 光纤光谱仪就是光谱仪,普通紫外-可见、近红外光谱仪能完成的操作,在这个小黑盒子里都能完成。与传统光谱仪最大的区别就是采用了 后置分光 操作。通常的分光度计,采用复合光先分成单色光,然后照射样品,通过或从样品返回后再到光电转换。光纤光谱仪采用复合光照射到样品,通过或返回的光经过光栅分光成谱带,投射到阵列(阵面)检测器,多个点同时完成光电转换,因此就避免了分光器件的移动来满足波长变化的设计限制。这个帖子里的内容可以参考:http://bbs.instrument.com.cn/shtml/20111027/3611179/提问人: 彭盛 提问时间: 2011-11-27 15:12 用户关注问题: 如果外加积分球,利用OceanOptics的光纤光谱仪,和标准灯比对,贵公司产品的强度校准的可靠性如何?与扫描试光谱仪对比,光谱强度可靠性差多少? 官方回答: OceanOptics的标准灯是NIST朔源的,经过校准以后,我们的光谱仪在可见光范围的强度误差在5%以内。提问人: 朱明明 提问时间: 2011-11-24 12:17 用户关注问题: 微型光纤光谱仪在国内应用情况如何? 官方回答: 我们在国内的应用蛮广泛的,光纤光谱仪应用比较广泛化学计量方面诸如:吸收浓度、荧光、拉曼、元素发射谱检测,半导体行业:薄膜透射、反射、膜厚测量,折射率测量、太阳能光谱检测照明行业:光效、光通量、颜色、色温、显色指数、光谱检测医药环保、宝石鉴定等等,应用广泛用户关注问题: 贵公司这种光谱仪测试的波段范围是什么,是否可以测试UV,IR的LED器件 官方回答: UV段最低可以测到170nm左右,IR段一般到2500nm提问人: xiupeiyang 提问时间: 2011-11-14 21:54 用户关注问题: 曾经在展会上向贵公司询问过有没有外径为30-50um光纤,再次求解答,谢谢。 官方回答: 不知您做什么应用需要这么细光纤?我们公司的光纤最细的芯径有8um,但是如果要加上包覆的材料就不可能那么细了。您可以给我们邮件(AsiaSales@oceanoptics.com)或者电话(021-62956600)继续探讨提问人: qiu 提问时间: 2011-11-13 00:19 用户关注问题: 请输入问题内容:微型光纤光谱仪有没有联网记录功能? 官方回答: OceanOptics的JAZ光谱仪有网络功能关于细节可以联系我们(电话:021-62956600 Email: AsiaSales@oceanoptics.com)或者参见:http://www.oceanopticschina.cn/Products/jaz.asp提问人: 李兴军 提问时间: 2011-11-11 16:25 用户关注问题: 不知道贵司有没有在线测试设备,可以在我们灯具生产过程中对灯具的色温,显色指数,光通量进行在线测试,要求测试时间短,测试效率高? 官方回答: 我们的光纤光谱仪可以做到在线监测、筛选等。一些LED分光机厂商集成我们的设备做lED分光筛选的高速检测器提问人: 孟凡勤 提问时间: 2011-11-10 22:23 用户关注问题: 请问贵公司有没有测量光折射率的仪器? 官方回答: 有的,我们的椭偏仪可以做到,可以测量膜厚,折射率及消光系数,可在我们的网站上查到SpecEL Ellipsometer Systemht
最近做的红外透过光谱,样品是沉积了一层薄膜(约800nm)的双抛的单晶硅片,结果一看样品的透过率比硅片的透过率还高(样品的谱线没有扣除衬底硅的影响),这种现象是不是说明薄膜有增透的作用,还有其他原因会产生这种现象吗?还有,样品35~8um波段的谱线波动的这么厉害是什么原因造成的?[img]http://ng1.17img.cn/bbsfiles/images/2009/09/200909061311_169972_1855701_3.jpg[/img]
请问,在NIR中,全波段翻译成英语的地道说法应该怎么翻译:有道翻译结果:full-wave bandall bandfull range感觉不太准确和专业
[align=center][b]基于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]法快速测定乳痛安口服液中主要成分含量[/b][/align][align=center]邰晓鹏[sup]1[/sup],臧恒昌[sup]*[/sup][/align][b]摘要目的:[/b]本研究就医院内部自制乳痛安口服液为研究对象,针对现有乳痛安口服[url=https://insevent.instrument.com.cn/t/Yp][color=#3333ff]液质[/color][/url]量标准中检查项缺乏主要成分含量鉴别的问题,拟通过[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术测定样品中主要成分含量,以提升现有质量标准。[b]方法:[/b]利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术建立乳痛安口服液中三种主要成分咖啡酸、迷迭香酸、连翘苷等含量测定的PLS模型,以建立的高效液相方法测定的医院内部自制制剂乳痛安口服液的含量为一级数据,通过校正集与验证集的划分、光谱预处理,建模区间的选择、利用参数评价等各种方法,最终建立的医院内部自制制剂乳痛安口服液的定量分析模型。[b]结果:[/b]最终得到用于分析乳痛安口服液定量分析模型评价参数分别为:咖啡酸RMESC=0.873 μg/ml,RMESP=0.686 μg/ml, R[sub]C[/sub]=0.9852,R[sub]P[/sub]=0.9899;迷迭香酸 RMSEC=2.40 μg/ml,RMSEP=2.87 μg/ml,Rc=0.9810, R[sub]P[/sub]=0.9839;连翘苷RMSEC=0.00528mg/ml,RMSEP=0.00697mg/ml,R[sub]C[/sub]=0.9856,R[sub]P[/sub]=0.9823,得到的模型预测能力较好,能够用于乳痛安口服液中三种主要成分含量快速测定。[b]结论:[/b]本研究利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术建立的定量分析模型,可用于医院内部自制乳痛安口服液主要成分的快速测定,为医院内部自制乳痛安口服[url=https://insevent.instrument.com.cn/t/Yp][color=#3333ff]液质[/color][/url]量标准的提升提供了一定的参考。[b]关键词:[/b]乳痛安口服液;含量测定;[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术[align=center]RapidDetermination of Main Components in Rutongan Oral Liquid by Near InfraredSpectroscopy[/align][align=center]Xiao-pengtai[sup]1[/sup],Zang-hengchang[sup]1*[/sup][/align][b]Abstract Objective[/b]: In this study, the hospital's internal self-made Ru Tonganoral liquid as the research object, aiming at the lack of identification ofmain components in the existing quality standards of the milk-Qian'an oralliquid, it is intended to determine the content of the main components in thesample by near-infrared spectroscopy. To improve the existing qualitystandards.[b]Methods:[/b]The near-infraredspectroscopy technique was used to establish a PLS model for determining thecontents of caffeic acid, rosmarinic acid, and forsythin in the three maincomponents of Ru Tong'an Oral Liquid. The level of hospitalized self-preparedpreparations of Rutongan oral liquid measured by the established HPLC methodwas first-class data. Through a variety of methods such as the division ofcalibration set and verification set, spectral preprocessing, selection ofmodeling intervals, and evaluation of parameters, a quantitative analysis modelof the hospital's self-prepared formulation, Rutongan oral liquid, was finallyestablished. [b]Results: [/b]The finalevaluation parameters used in the quantitative analysis model for analysis ofRu Tongan Oral Solution were: caffeic acid RMESC = 0.873 μg/ml, RMESP = 0.686μg/ml, RC = 0.9852, RP = 0.9899 rosemary acid RMSEC = 2.40 μg /ml, RMSEP =2.87 μg/ml, Rc = 0.9810, RP = 0.9839 Forsythin RMSEC = 0.00528 mg/ml, RMSEP =0.00697 mg/ml, RC = 0.9856, RP = 0.9823, the obtained model has better predictionability and can be used to quickly determine the contents of the three maincomponents in Ru Tong'an Oral Liquid. [b]Conclusion:[/b]Inthis study, the quantitative analysis model established by near-infraredspectroscopy analysis technology can be used to quickly determine the maincomponents of the self-made milk pain oral liquid in the hospital, whichprovides a certain reference for the improvement of the quality standard of theinternal homemade milk pain relief oral liquid.[b]Keywords: [/b]Rutongan Oral Liquid ContentDetermination Near Infrared Spectroscopy Technology[b]1 [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术简介[/b][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的区域是可见光谱区与中红外之间的780 nm~2526 nm之间,近红外光反应含氢基团倍频与合频的吸收,由于含氢基团的有机化合物的种类非常多,因此[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术在很多的行业中具有广泛应用,几乎可以分析所有的有机化合物和混合物[sup][/sup]。在利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的过程中常应用化学计量学的方法寻找并确定被测物性质与[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]间的函数关系,后经过校正得到模型,从而实现[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的应用[sup][/sup]。由于中药中有机物质成分较多,因此常利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术进行中药的定性和定量分析,吴利敏[sup][/sup]等人用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术快速鉴别五味子产地的研究,所建立的模型评价参数均较好,具有可应用性。胡甜[sup][/sup]等人采用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术对参枝苓口服液的生产过程进行了研究,为实现了参枝苓口服液生产过程的实时监控的;陈厚柳[sup][/sup]等人利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术结合移动窗口标准偏差法对银杏叶提取和层析过程进行了研究,达到在线控制的目的 倪开岭[sup][/sup]等人采用PLS结合[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术建立疏血通注射液浸提过程中总固体含量的快速测定,可用于指导生产。[b]2 材料和仪器2.1样品和试剂[/b]选取不同批次已经过原标准检验合格的医院内部自制乳痛安口服液,由山东省泰安市中心医院制剂室提供。[b]2.2仪器和软件[/b]日本岛津高效液相色谱仪(LC-10A);Agilent 1200型高校液相色谱仪;MicroNIR 1700微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析仪(美国Viavi Solutions公司);石英比色皿(绍兴市安德光学化学元件厂);TQ Analyst软件用于光谱预处理与定量模型的建立[b]3 方法3.1 样品收集与处理[/b]收集四批(生产批号分别为150922、151013、151015、151018)共70个医院内部自制制剂乳痛安口服液样品。[b]3.2 [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]采集[/b]利用MicroNIR 1700微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url](配有透射采样附件)采集70个医院内部自制制剂乳痛安口服液样品的原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url],光谱扫描范围900~1700 nm,光程5 mm,积分次数:50,积分时间32000μs,以空白光路作为100%校正。[b]3.3 乳痛安口服液三种主要成分定量分析模型的建立[/b]通过对采集的医院内部自制制剂乳痛安口服液的校正集与验证集的划分,光谱预处理方法的依次选择,建模波段的不断优化,利用PLS将医院内部自制乳痛安口服液主要成分液相一级数据与[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]相关联,建立医院内部自制乳痛安口服液三种主要成分含量的定量分析模型,以R、RMSEC、RMSECV、RMSEP评价所建立的定分分析模型的性能。[b]3.3.1一级数据的获取[/b]收集70份已经做过液相色谱的医院内部自制制剂乳痛安口服液,按确定好的液相色谱条件进样,记录峰面积,利用所建立的相应线性关系计算三者的含量,作为[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型建立的一级数据。[b]3.3.2校正集、验证集样品的划分[/b]本研究采用随机划分的方法,将70个医院内部自制制剂乳痛安口服液按随机划分的方法将其划分为校正集与验证集,校正集用来使用于定量分析模型的建立,验证集用来使用于验证下一步所建立的模型的预测能力。[b]3.3.3光谱预处理方法的选择[/b]本研究中应用的TQ软件中光谱预处理方法包括S-G卷积求导和Norris求导两种方法。本研究中选用的光谱预处理方法包括导数、平滑方法对原始光谱进行预处理,从而建立医院内部自制乳痛安口服液中连翘苷含量的PLS定量分析模型。[b]3.3.4光谱最优区间的选择[/b]在[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模过程中,特征变量或特征波长的选择能够剔除无关变量,降低模型的复杂程度,使建立的模型更加稳健、提高模型预测能力。本研究选择全波段(900-1700 nm)和TQ推荐建模波段建立医院内部自制乳痛安口服液中三种主要成分含量的PLS模型。[b]3.3.5定量分析模型的建立与评价[/b]本文采用的校正方法是偏最小二乘回归法,PLS不仅对光谱矩阵进行分解,消除无用信息,同时对浓度矩阵做同样的处理,并且PLS在分解的过程中考虑了光谱矩阵和浓度矩阵的对应关系,使建立的模型更加可靠。本研究利用医院内部制剂乳痛安口服液校正集样品建立PLS模型。[b]4 结果与讨论4.1 样品[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url][/b]采集的70个医院内部自制制剂乳痛安口服液样品的原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]如图4-1所示[align=center][img=,505,272]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241434459369_3289_3237657_3.jpg!w505x272.jpg[/img][/align][align=left]从原始光谱中可以看出光谱重叠严重,不同样品光谱相似性极高,需要利用化学计量学方法对医院内部自制制剂乳痛安口服液的原始光谱进行下一步的预处理。[/align][b][/b][align=left][b]4.2 咖啡酸定量分析模型的建立[/b][/align][align=left][b]4.2.1 HPLC测定咖啡酸含量结果[/b][/align][align=left]HPLC法测定不同批号的乳痛安口服液中咖啡酸含量如表4-1所示[/align][align=center][img=,600,331]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241436156398_2033_3237657_3.jpg!w600x331.jpg[/img][/align][align=center][img=,575,480]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241436297142_8877_3237657_3.jpg!w575x480.jpg[/img][/align][align=left][b]4.2.2异常样本的剔除[/b]样本中异常值的存在会在一定程度对建模的效果有干扰,本研究中选用马氏距离方法判别异常点的存在,该方法是浓度异常样本判别的一种方法,异常样本判断结果如图4-2所示,从图中可以看出1号和66号样本可作为异常值剔除。[/align][align=center][img=,598,233]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241437210907_5659_3237657_3.jpg!w598x233.jpg[/img][/align][align=left][b]4.2.3样品集划分结果[/b]医院内部自制制剂乳痛安口服液的校正集与验证集划分结果如表4-2所示,从下面的表中可以看出医院内部自制制剂乳痛安口服液的验证集浓度范围包含于其校正集浓度范围之中,并且校正集与验证集的浓度均值也很相近,从图4-3可看出,医院内部自制制剂乳痛安口服液的验证集均匀地分布于校正集之中,证明样品集采用的划分方法合理。[/align][align=center][img=,639,385]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241438126579_7623_3237657_3.jpg!w639x385.jpg[/img][/align][align=left][b]4.2.4光谱预处理结果[/b][/align][align=center][b][img=,601,265]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241439168323_8720_3237657_3.jpg!w601x265.jpg[/img][/b][/align][align=center][b][img=,567,271]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241439284191_2107_3237657_3.jpg!w567x271.jpg[/img][/b][/align][align=left][b]结果如表4-3所示,从表中可以看出医院内部自制制剂乳痛安口服液的原始光谱建模结果较差,需要通过预处理提取建模有效信息,经MSC或SNV预处理后,模型参数提升,经过得到的结果对比决定最终选择二阶导数+Norris(7点平滑+3点差分宽度)+MSC为最佳预处理方法,其RMESC与RMSEP值较其他预处理方法偏小,模型相关系数较其他方法较高,接近于1,具体参数为RMESC=0.873 μg/ml,RMESP=0.686 μg/ml, R[sub]C[/sub]=0.9852,R[sub]P[/sub]=0.9899, 预处理后光谱图如图4-4所示。[/b][/align][align=center][b][img=,555,355]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241440211414_4355_3237657_3.jpg!w555x355.jpg[/img][/b][/align][align=left][b][b][/b][/b][/align][b][/b][align=left][b]4.2.5 光谱区间选择结果[/b][/align][align=left]本研究比较全波段光谱建模效果与TQ推荐波段建模效果,结果见表4-4,TQ推荐波段为1548-1598 nm与1549-1442 nm,从表中可知,TQ推荐波段建模效果不如全波段建模,可能是推荐波段丢失有效信息较多。[/align][align=center][img=,609,182]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241441540560_2843_3237657_3.jpg!w609x182.jpg[/img][/align][align=center][img=,599,539]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241442070720_8723_3237657_3.jpg!w599x539.jpg[/img][/align][align=center][img=,600,249]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241442196256_190_3237657_3.jpg!w600x249.jpg[/img][/align][align=left][b]4.2.6 主因子数的选择[/b]主因子数的选择对建模结果也有较大影响,主因子数过多可能存在过多噪音,影响模型结果,如选取的主因子数过少,则会丢失较多有效信息,拟合不充分,本研究在最佳预处理方法与最佳建模波段的基础上选用交互验证方法,以预测残差平方和(PRESS)为依据,见图4-6,比较主因子数为6、7、8时对建模结果的影响,如表4-5所示,经比较主因子数为8时建模效果最优,模型如图4-7所示。[/align][align=center][img=,594,391]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241443420245_7203_3237657_3.jpg!w594x391.jpg[/img][/align][align=center][img=,448,646]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241444225425_8834_3237657_3.jpg!w448x646.jpg[/img][/align][align=center]图4-7 不同主因子数建模结果(A主因子为6,B为7,C为8)[/align][align=left][b]4.2.7 咖啡酸定量分析模型的建立与评价[/b]综上所述,本研究以马氏距离为依据,剔除1号和66号异常样本样本数据,以二阶导数+Norris(7点平滑+3点差分宽度)+MSC为最佳预处理方法,全波段建模时建立乳痛安口服液中咖啡酸含量最佳PLS模型,模型RMESC=0.873 μg/ml,RMESP=0.686 μg/ml, R[sub]C[/sub]=0.9852,R[sub]P[/sub]=0.9899, 建模结果如图4-8所示。[/align][align=center][img=,547,252]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241445326325_663_3237657_3.jpg!w547x252.jpg[/img][/align][align=left][b]4.3 迷迭香酸定量分析模型的建立4.3.1 HPLC测定迷迭香酸含量结果[/b] HPLC法测定不同批号的乳痛安口服液中迷迭香酸含量如表4-6所示[/align][align=center][img=,598,575]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241446384611_6293_3237657_3.jpg!w598x575.jpg[/img][/align][align=center][img=,586,235]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241446539287_4900_3237657_3.jpg!w586x235.jpg[/img][/align][align=left][b]4.3.2异常样本的剔除[/b]同样以马氏距离方法判断,如图4-9所示,从图中可以看出1号和66号样本可作为异常值剔除。[/align][align=center][img=,566,242]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241447518631_7790_3237657_3.jpg!w566x242.jpg[/img][/align][align=left][b]4.3.3校正集验证集样本划分结果[/b]本研究利用TQ随机划分校正集与验证集,其中校正集52个样品,验证集16个样品,校正集与验证集划分结果如表4-7所示,校正集浓度范围包含验证集浓度范围,且校正集与验证集浓度均值相近,从图4-10校正集与验证集主成分得分图中可以明显看出样品集的划分合理。[/align][align=center][img=,597,119]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241448558611_3305_3237657_3.jpg!w597x119.jpg[/img][/align][align=center][img=,589,287]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241449107893_2292_3237657_3.jpg!w589x287.jpg[/img][/align][align=left][b]4.3.4光谱预处理结果[/b]本研究通过对比原始光谱经无预处理、一阶导数、二阶导数、SG平滑四种预处理方法单独或组合应用对建模结果的影响,如表4-8所示,因此本研究最终确定的最佳光谱预处理方法为一阶导数+SG5点平滑+MSC,如图4-11所示,模型参数如下:RMSEC=2.40 μg/ml,RMSEP=2.87 μg/ml,R[sub]C[/sub]=0.9811,R[sub]P[/sub]=0.9839。[/align][align=center][img=,586,317]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241450058648_6602_3237657_3.jpg!w586x317.jpg[/img][/align][align=center][img=,564,306]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241450194541_595_3237657_3.jpg!w564x306.jpg[/img][/align][align=left][b]4.3.5光谱区间选择结果[/b]TQ 推荐最佳光谱区间为1066-1177 nm、1004-1040 nm,分别利用推荐波段与组合运用建立模型,与全波段建模结果对比如表4-9 所示,从表中可以看出,全波段建模效果最优,分析TQ推荐波段丢失了部分有效信息,从而使建模结果较差。[/align][align=center][img=,590,195]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241452477360_7764_3237657_3.jpg!w590x195.jpg[/img][/align][align=left][b]4.3.6迷迭香酸定量分析模型的建立与评价[/b]综上所述,本研究选择二阶导数SG5点平滑为预处理方法,主成分数为10时,全波段建模所得模型为医院自制乳痛安口服液迷迭香酸含量定量分析模型。模型校正集相关参数RMSEC=2.40 μg/ml,R[sub]C[/sub]=0.981,验证集相关参数为RMSEP=2.87 μg/ml,R[sub]P[/sub]=0.9839, 所建模型预测能力较好。[b]4.4连翘苷定量分析模型的建立4.4.1 HPLC测定连翘苷含量结果[/b]HPLC法测定乳痛安口服液中连翘苷含量如表4-10所示。[/align][align=center][img=,562,663]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241454410144_9553_3237657_3.jpg!w562x663.jpg[/img][/align][align=center][img=,601,131]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241455019691_5499_3237657_3.jpg!w601x131.jpg[/img][/align][align=left][b]4.4.2校正集验证集样本划分结果 [/b]根据对医院内部自制制剂乳痛安口服液样本的随机划分结果,校正集与验证集浓度范围如表4-11所示,从划分结果可知医院内部自制制剂乳痛安口服液的校正集样品浓度范围包含验证集样品浓度范围,且校正集与验证集浓度均值相近,样品集划分合理。[/align][align=center][img=,590,105]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241455521481_4380_3237657_3.jpg!w590x105.jpg[/img][/align][align=left][b]4.4.3光谱预处理结果[/b]对比无预处理、一阶导数、二阶导数、SG平滑四种预处理方法对建模结果的影响,如表4-12所示,从表中可以看出原始光谱经过预处理后基线漂移现象消除,经过对比发现原始光谱经二阶导数SG7点平滑处理后,所建立的连翘苷含量定量分析模型评价参数与其他方法相比较优,R[sub]C[/sub]=0.9890,R[sub]P[/sub]=0.9834,RMSEC=0.0046 mg/ml,RMSEP=0.00802 mg/ml,模型的预测能力还是比较理想,预处理后光谱如图4-13所示。[/align][align=center][img=,586,321]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241457188331_515_3237657_3.jpg!w586x321.jpg[/img][/align][align=center][img=,491,307]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241457575960_3810_3237657_3.jpg!w491x307.jpg[/img][/align][align=left][b]4.4.4光谱区间选择结果[/b]本研究中TQ建议波段为1201.89-1047.00nm,比较建议波段建模结果与全波段建模结果如表4-13所示。[/align][align=center][img=,591,137]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241459094801_8900_3237657_3.jpg!w591x137.jpg[/img][/align][align=left]从上表中可以看出全波段建模结果与建议波段建模结果相近,但与全波段建模相比,建议波段的RMSECV与RMSEP值差异较小,且全波段建模模型的主因子数10,选取的主因子过多,可能存在过拟合的现象,而推荐波段建模主因子数为5,认为选择较合理,留一法交互验证PRESS结果图如图4-14所示。[/align][align=center][img=,376,236]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241459532781_5909_3237657_3.jpg!w376x236.jpg[/img][/align][align=left][b]4.4.5连翘苷定量分析模型的建立与评价[/b]综上所述,本研究选择二阶导数SG7点平滑为预处理方法,光谱区间为1047-1202 nm,主成分数为5时建立所建模型为最佳连翘苷含量定量分析模型,模型校正集与验证集相关系数在0.98以上,模型预测能力较高,可用于乳痛安口服液中连翘苷含量的快速分析,建模结果见图4-15。[/align][align=center][img=,616,325]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241500363169_2920_3237657_3.jpg!w616x325.jpg[/img][/align][align=left][b]5 结论与讨论[/b]本研究建立了微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]用于快速测定医院内部自制制剂乳痛安口服液中蒲公英主要成分咖啡酸、夏枯草主要成分迷迭香酸、连翘中主要成分连翘苷的定量分析模型。通过对比几种预处理方法对医院内部自制制剂乳痛安口服液的建模结果影响,结果表明医院内部自制制剂乳痛安口服液中咖啡酸最佳预处理方法为二阶导数+Norris(7点平滑+3点差分宽度)+MSC为最佳预处理方法,全波段建模时建立医院内部自制制剂乳痛安口服液中咖啡酸含量最佳PLS模型,结果表明主因子数为8时模型最优,相关参数为RMESC=0.873 μg/ml,RMESP=0.686 μg/ml, R[sub]C[/sub]=0.9852,R[sub]P[/sub]=0.9899;乳痛安口服液中迷迭香酸最佳预处理方法为二阶导数SG5点平滑,主成分数为10时,全波段建模所得模型为最佳模型,模型校正集相关参数RMSEC=2.40 μg/ml,R[sub]C[/sub]=0.981,验证集相关参数为RMSEP=2.87μg/ml,R[sub]P[/sub]=0.9839;乳痛安口服液中连翘苷最佳预处理方法为二阶导数+S-G7点平滑,在最佳预处理方法的基础上对比全波段与TQ推荐波段建模参数的差异翘苷最佳建模波段为1047-1202 nm,所建模型R[sub]C[/sub]=0.9856,R[sub]P[/sub]=0.9823,RMSEC=0.00528mg/ml,RMSEP=0.00697 mg/ml。从所建立的模型可以直观地看出乳痛安口服液中咖啡酸、迷迭香酸、连翘苷含量差异较大,且迷迭香酸与连翘苷含量分布不均匀,说明产品一致性有待改善提高。[b]参考文献[/b] 董芹. 基于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的透明质酸分子量及含量快速检测研究. 山东大学,2011. 熊英. [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的原理及应用. 中山大学研究生学刊(自然科学.医学版),2013,34(02):16-30. 吴利敏. [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]法快速检测某些中药及中成药品质的应用研究. 西南大学,2013. 胡甜. 参枝苓口服液生产过程[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术过程控制应用研究. 山东大学,2016. 陈厚柳. 银杏叶提取和层析过程在线质量控制方法研究. 浙江大学,2015. 倪开岭,吴春艳,刘雪松. 基于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的疏血通注射液浸提过程总固体含量分析. 中国现代应用药学,2015,32(08):970-975.[/align][align=left][b][/b][/align]
以下内容摘自文献《可见-近红外光谱联合随机蛙跳算法检测生物柴油含水量》陈立旦等|农业工程学报Random Frog 是一种新型特征波段算法。其能够利用少量的变量迭代进行建模,是一种非常有效的高维数据变量选择方法。它能够输出每个变量选择可能性,从而进行变量的选择。图 1 表示 Random Frog 算法的计算步骤,其主要的运算步骤包括以下 3 步:1)一个变量子集 V0,初始化时包含 Q 个变量;2)基于原始的变量子集,提出一个候选变量子集 V*,包含 Q*个变量;选择 V*作为 V1 来代替原始的变量子集 V0。直到 N 次迭代终止,这个过程完成。3)最后计算每个变量的选择概率并以此作为选择变量的标准。http://ng1.17img.cn/bbsfiles/images/2015/05/201505261131_547524_2542239_3.jpgP.S 附国外文献一篇《An efficient method of wavelength interval selection based on random frog for multivariate spectral calibration》