近紅外光譜

總結(jié)一下在使用近紅外光譜技術(shù)對事物某一指標(biāo)進行預(yù)測的基本步驟。

實驗儀器

實驗室中使用的儀器是NIRQuest512近紅外光譜儀和USB4000光譜儀。NIRQuest近紅外光譜儀輸出波長范圍為900-1700nm，USB4000輸出波長可涵蓋200nm-1100nm。
具體測量物質(zhì)的透射光強或反射光強，由使用的光纖決定，本次實驗中使用的光纖為漫反射光纖。
http://www.oceanoptics.cn/products/180（紅外光譜儀-海洋光學(xué)）
http://www.hamamatsu.com.cn/product/12371/12421/list.html（微型光譜儀-濱松中國）

軟件參數(shù)

Ocean Optics SpectraSuite軟件中有兩個參數(shù)需要調(diào)整，一個是平滑次數(shù)，另一個是積分時間。平滑次數(shù)相當(dāng)于是個預(yù)處理，自己調(diào)的不會影響到波峰波谷就行。積分時間可以理解為曝光時間，比如積分時間1ms，就是檢測器接收光子的時間為1ms。一般是根據(jù)不同應(yīng)用來調(diào)積分時間的，調(diào)到一定范圍，信號能量就會弱,所以積分時間越高，能量越高，具體積分時間調(diào)多大，我也不知道…

實驗數(shù)據(jù)

實驗數(shù)據(jù)獲取是非常關(guān)鍵的。
首先要閱讀文章，搜集一下前人的實驗方法，查閱資料看看有沒有國家標(biāo)準(zhǔn)，比如茶葉烘干就是有國家標(biāo)準(zhǔn)的，按照國標(biāo)方法測量得出的數(shù)據(jù)更具有權(quán)威性，當(dāng)然依據(jù)前人的論文方法或許也是可行的。
實驗材料或者實驗步驟比較復(fù)雜的，最好是考慮好各種各樣可能出現(xiàn)的問題，比如我的數(shù)據(jù)在采集過程中，光纖探頭沒有與樣本垂直照射，有一定的傾斜，那可能就會對實驗結(jié)果造成一定的影響。我的實驗材料是粉末狀，采用的是漫反射光纖，于是首先要確定的是粉末厚度，最好的情況是粉末的厚度能夠阻擋光的透射，在實驗時我是以肉眼是否看得見為標(biāo)準(zhǔn)的。如果要嚴謹些，可以用透射光纖去測量透射后的光強。光譜對于外界信息反應(yīng)比較敏感，可能盛放樣品的容器也會對測量結(jié)果造成影響，所以需要進行實驗對光譜的重復(fù)性加以實驗，繪圖即可，不必參照他人論文的驗證指標(biāo)，因為他那個指標(biāo)可能真的不好用！

數(shù)據(jù)處理

數(shù)據(jù)處理用的比較多的是matlab，其他的軟件還有spss，unscrambler（就用過這兩種）。有一說一，我感覺matlab是最好用也是最方便的；spss也還行，但是我的安裝有一點問題，缺少了一部分文件，輸出會報錯，現(xiàn)在也有網(wǎng)頁版的SPSSAU，一天10塊錢可以使用所有的功能，而且會直接輸出數(shù)學(xué)模型，還算可以。Unscrambler缺點是不能做數(shù)據(jù)劃分，但是如果自己在matlab中跑通了樣本劃分程序，也可以考慮在Unscrambler中做完剩余部分。
研究過程一般是：預(yù)處理→數(shù)據(jù)樣本劃分→提取特征波長→建模→模型評價
提取特征波長可能也是可選項，但是在開發(fā)儀器中，一般是必須的，因為如果用全光譜建模，儀器的成本會非常高，甚至可以說沒有開發(fā)儀器的必要。如果能提取出有代表性的特征波長，僅用led燈去照射即可獲得對應(yīng)波長下的反射率，再將反射率帶入到模型當(dāng)中計算出值，這將會大大降低儀器的成本。

預(yù)處理

預(yù)處理方法有很多，資料也很多就不一一列舉。一般常用的有歸一化、S-G平滑處理、多元散射校正、正態(tài)化和標(biāo)準(zhǔn)變換、一階導(dǎo)數(shù)等。

樣本劃分

樣本劃分有三種：隨機樣本劃分、KS樣本劃分、SPXY樣本劃分。
簡單介紹下：
隨機采樣法最為簡單，該方法隨機從樣品中抽出目標(biāo)數(shù)量的樣品作為校正集，剩余樣品為預(yù)測集，由此方法難以得出理想的樣品集。KS算法利用樣品之間的歐氏距離由遠及近進行劃分校正集與預(yù)測集，常用于定性分析。SPXY算法在KS基礎(chǔ)上改進而來，常用于定量分析。

特征波長提取

連續(xù)投影算法（Successive Projections Algorithm，SPA）：SPA是一種前向選擇方法，從第一個波長開始，向其他未選擇的波長上投影，之后將投影過后不斷迭代，將向量最大的波長引入到波長組合中，一直循環(huán)N次，每一個新選入到波長組合中的波長，與前一個選入的波長線性關(guān)系最小。SPA的目的是選取信息冗余最小的波長，以解決共線性的問題。每次循環(huán)過后使用“留一交叉驗證法”對選入的波長組合進行多元線性回歸，并驗證均方根誤差（RMSE），通過比較選取RMSE最小的波長組合（成忠等 2010）。
主成分分析法（Principle Component Analysis，PCA）：PCA首先在數(shù)據(jù)矩陣中，向各個數(shù)據(jù)點構(gòu)成的向量投影，以協(xié)方差為數(shù)據(jù)標(biāo)準(zhǔn)，找出能夠包含當(dāng)前數(shù)據(jù)最大信息量的一個向量；再以上述提取出的一維向量為基準(zhǔn)，繼續(xù)按照投影方式結(jié)合協(xié)方差尋找第二個向量，構(gòu)成二維，不斷遞推下去，最終所計算的維數(shù)可以通過直接規(guī)定或者根據(jù)數(shù)據(jù)的可信度來選擇（劉玲玲 2013）。
無信息變量去除（Uninformation Variable Elimination，UVE）：把相同于自變量矩陣的變量數(shù)目的隨機變量矩陣加入光譜矩陣中，然后通過交叉驗證的逐一剔除法建立PLS模型，得到回歸系數(shù)矩陣，分析回歸系數(shù)矩陣中回歸系數(shù)向量的平均值和標(biāo)準(zhǔn)偏差商的穩(wěn)定性。

模型建立

偏最小二乘（Partial Least Squares，PLS），偏最小二乘集中了主成分分析、典型相關(guān)性分析和線性回歸方法的特點。其原理是從自變量組合因變量組中提取出相關(guān)性最大的部分建立回歸。剩余部分稱為殘差矩陣，并從中繼續(xù)提取出兩變量的主成分建立回歸，不斷迭代，求得回歸方程。根據(jù)返回的預(yù)測均方根誤差（Root mean square error，RMSE）結(jié)果選擇主成分分數(shù)進行建模，當(dāng)RMSE達到最低時，對應(yīng)的變量個數(shù)即為建模需要的隱變量個數(shù)。

模型評價

評價預(yù)測模型的指標(biāo)有多種，本文分別采用預(yù)測均方根誤差（Root Mean Square Error of Prediction，RMSEP）,決定系數(shù)（R2）以及相對分析誤差（Relative Predictive Deviation，RPD）對預(yù)測模型的性能進行檢測。各個指標(biāo)計算公式如式：
式中，n為參與預(yù)測模型的樣品數(shù)，SD為標(biāo)準(zhǔn)差， 和 分別表示第i個樣品的測量值以及模型的預(yù)測值， 為預(yù)測集樣品成分的平均值。當(dāng)R2越接近1，RPD大于1.4時，可認為該模型可以使用，當(dāng)RPD大于2時可認為模型具有很好的預(yù)測效果。

總結(jié)

以上是生活随笔為你收集整理的近红外光谱的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。