基于近红外光谱技术的甘草提取过程最优建模方法研究(2)
2.3.2 样本集划分 采用KennardStone (KS)方法对94个建模样本进行划分，得到含有83个样本的校正集及11个样本的验证集。
2.3.3 光谱预处理 采取了PCA，PLSR及PARAFACPLSR 3种建模方法进行分析研究，不同的建模方法所要求的预处理过程略有不同。所有的光谱数据均先经过多元散射校正(MSC)处理，以消除提取液发生漫反射造成的误差及提高光谱信噪比。此外，进行PCA建模之前，需进行中心化(mean centering， MC)处理和一阶导数处理，而建立PLSR或PARAFACPLSR模型之前，仅要求对光谱进行一阶导数处理。具体原因如下：限于客观条件，本研究中采集的实验数据并非是在1 d内完成的，因此在原始数据中包含了不同实验日期造成的差别，这对于提取过程的监测而言属于冗余信息。在建模过程中发现，PLSR和PARAFACPLSR模型的预测结果受时间因素的影响很小，可以忽略；但PCA模型会受到比较严重的影响，需要通过MC处理来消除由不同实验日期造成的数据差别，否则预测结果将完全以实验日期来分类。
2.3.4 光谱波段选择 为了充分利用光谱中的有效信息，并尽量排除信号噪声的影响，需要选择合适的波段进行建模。在建模阶段评估模型效果时，通常考虑的指标包括校正集相关系数r、验证集相关系数r′、验证集均方误差(RMSEP)等。以PLSR方法为例，几组光谱波段下建立的模型指标见表2。需要说明的是 ......
您现在查看是摘要页，全文长 5624 字符。
2.3.3 光谱预处理 采取了PCA，PLSR及PARAFACPLSR 3种建模方法进行分析研究，不同的建模方法所要求的预处理过程略有不同。所有的光谱数据均先经过多元散射校正(MSC)处理，以消除提取液发生漫反射造成的误差及提高光谱信噪比。此外，进行PCA建模之前，需进行中心化(mean centering， MC)处理和一阶导数处理，而建立PLSR或PARAFACPLSR模型之前，仅要求对光谱进行一阶导数处理。具体原因如下：限于客观条件，本研究中采集的实验数据并非是在1 d内完成的，因此在原始数据中包含了不同实验日期造成的差别，这对于提取过程的监测而言属于冗余信息。在建模过程中发现，PLSR和PARAFACPLSR模型的预测结果受时间因素的影响很小，可以忽略；但PCA模型会受到比较严重的影响，需要通过MC处理来消除由不同实验日期造成的数据差别，否则预测结果将完全以实验日期来分类。
2.3.4 光谱波段选择 为了充分利用光谱中的有效信息，并尽量排除信号噪声的影响，需要选择合适的波段进行建模。在建模阶段评估模型效果时，通常考虑的指标包括校正集相关系数r、验证集相关系数r′、验证集均方误差(RMSEP)等。以PLSR方法为例，几组光谱波段下建立的模型指标见表2。需要说明的是 ......
您现在查看是摘要页，全文长 5624 字符。