近红外建模与模型评价46.pptVIP

近红外检测技术的建模（校准） 联系方式 倪勇: M: E-mail: niyong@ MSN: ni_yong_2006@ QQ:609293453 校准 = 教会仪器 近红外光谱定量分析技术又称“黑匣子”分析技术，是一种间接的测量方法，即通过对样品光谱和其质量参数进行关联，建立预测模型，然后通过预测模型和未知质量参数的样品光谱来预测样品的组成和性质。 近红外是间接检测 必需校准 必需有参考分析方法 近红外技术应用前提条件 一般来讲，能否应用近红外技术定量精确检测某种成分的含量主要由以下三方面的因素决定： 被检测的样品是否有很好的近红外光谱反应特性，即通常所说的“红外活性”。 仪器自身的特性及相关的技术指标：检测过程中光谱的重复性精度、信噪比以及波长范围等因素。 用于建模定标的样品的化学值的准确程度。 检测 不同实验室比较 什么是校准 描述特定近红外波长光的吸收特性和样品组 成之间的关系。 红外光谱定量分析流程 光谱定量分析流程 校正模型训练集样品的选择 尽可能要覆盖待分析样品的范围 对于待测的物化性质，样品应均匀分布 样品的基底应相同（如PH值或水分） 若各组分间相互反应，要注意光谱采集合采集瞬间的组成变化 包括尽可能多的有代表性的样本 样本变化范围越大，模型的适用范围越宽，但分析结果的精度可能变差；模型适用范围小时，分析结果的精度相对较高，但适用面变窄。 对样品物化性质的测定 对于人工合成样品，比较简单 对于复杂的天然产品，必须选用被大家接受权威的分析方法。 模型预测结果的准确性在很大程度上取决于标准测量结果的准确性。 用多次分析结果的平均值来降低误差 影响近红外分析结果准确性因素 实验室化学分析的准确度 代表性样品的收集 光谱的信噪比 光谱信息的代表性 环境与样品前处理 模型优化的条件 包括：谱区的选择、光谱预处理方法和得分因子的维数等。 化学计量学方法在近红外光谱中应用 光谱预处理和波段的选择方法: 包括傅立叶变换（Fourier transform）、卷积(Convolution)、去卷积(Deconvolution)、微分(derivative)处理以及相关系数法、遗传算法(GA)等方法，对光谱进行平滑处理和基线校正，以及光谱波长范围的优化。如近期的移动窗偏最小二乘回归法。 光谱预处理和波长优选方法在近红外光谱分析技术中是相当重要的. 主成分分析(PCA)、 马氏距离（MD）、聚类分析（CA）、多元线性回归(MLR) 、偏最小二乘法( PLS) 、人工神经网络(ANN) 和拓扑( Topological) 方法，以及最近提出的支持向量机（Support vector machine）等。 目的在于利用这些化学计量学方法建立稳定、可靠的定性或定量分析模型，以对近红外光谱进行快速、实时的定性定量分析 建模常用化学计量学方法 多元线性回归（Multivarate Linear Regression, 缩写为MLR） 主成分分析（Principle Component Analysis,缩写为PCA） 主成分回归（Principle Component Regression，缩写为PCR） 偏最小二乘法（Partial Least Square, 缩写为PLS） 拓扑学方法和人工神经网络方法（Artificial Neural Net，缩写为ANN）等等。 化学计量学已经成为近红外光谱分析中的不可或缺的重要组成部分。主成分分析和偏最小二乘是经典的化学计量学方法，也是在近红外光谱分析中最常用的方法。 PCA是在近红外定性和定量分析中都常用的方法，其主要目的是数据降维，以消除近红外光谱信息中相互重叠的部分，是将光谱数据向协方差最大方向投影，得到最大限度反映被测样品的组成和结构信息的新变量，但由于投影过程与因变量不相关，一般预测精度不很高。 用PLS建立模型，可以利用全部光谱的信息对样品进行分析，将光谱矩阵的分解和回归交互进行，由于光谱的非线性会导致过拟合，因此在近红外光谱的应用有时会受到限制。 将支持向量机用于近红外光谱可有效地改善过拟合现象，而且它允许高维数据作为输入矢量，可以很好地解决温度等变量引起的光谱非线性变化问题。 因此，对于每一种化学计量学方法而言，都有各自的长处和短处，在用于近红外光谱时可能受到某些限制。目前已有研究者将这些方法相互结合，取长补短，再将其应用于近红外光谱分析技术中。 建模方法研究 基于SVM的近红外定性建模方法 提出了将近红外光谱技术（NIR）和基于统计学习理论的支持向量机（SVM）相结合，来建立识别合格