基于近红外光谱分析技术的丹参多酚酸大孔吸附树脂柱色谱过程监测方法(3)
3.2 光谱数据的主成分分析
对经预处理后的过程光谱数据进行PCA，得到前2个主成分的得分散点图，见图3，前2个主成分(principal component，PC)共解释了原始光谱96.7%的特征信息(其中PC1解释了87.9%，PC2解释了8.81%)。从结果可以看出，8个NOC批次的光谱数据变化趋势一致，箭头指示得分散点图随着乙醇洗脱进行的变化方向。
3.3 乙醇洗脱过程MSPC模型的建立
采用7个NOC批次作为训练批次，建立光谱矩阵与洗脱时间之间的PLS模型，交叉验证选用1个主成分数(解释了光谱矩阵98.8%的特征信息)，得到PC1得分，Hotelling T2，DModX控制图，见图4。图4a为PC1随乙醇洗脱过程进行时间的得分监控图，采用±3SD作为控制图的上下限。由结果可知，7个NOC批次的得分轨迹彼此重叠，且都处于控制限内，说明7个NOC批次在乙醇洗脱过程一致性良好；图4b为Hotelling T2控制图，采用95%的控制限；图4c为DModX控制图，采用+3SD作为控制图的上限[7] ......
您现在查看是摘要页，全文长 4436 字符。
对经预处理后的过程光谱数据进行PCA，得到前2个主成分的得分散点图，见图3，前2个主成分(principal component，PC)共解释了原始光谱96.7%的特征信息(其中PC1解释了87.9%，PC2解释了8.81%)。从结果可以看出，8个NOC批次的光谱数据变化趋势一致，箭头指示得分散点图随着乙醇洗脱进行的变化方向。
3.3 乙醇洗脱过程MSPC模型的建立
采用7个NOC批次作为训练批次，建立光谱矩阵与洗脱时间之间的PLS模型，交叉验证选用1个主成分数(解释了光谱矩阵98.8%的特征信息)，得到PC1得分，Hotelling T2，DModX控制图，见图4。图4a为PC1随乙醇洗脱过程进行时间的得分监控图，采用±3SD作为控制图的上下限。由结果可知，7个NOC批次的得分轨迹彼此重叠，且都处于控制限内，说明7个NOC批次在乙醇洗脱过程一致性良好；图4b为Hotelling T2控制图，采用95%的控制限；图4c为DModX控制图，采用+3SD作为控制图的上限[7] ......
您现在查看是摘要页，全文长 4436 字符。