高光譜檢測(cè)技術(shù)ppt課件-資料下載頁(yè)
2025-01-04 21:13本頁(yè)面
【正文】 素。 3. 用于建模定標(biāo)的樣品的化學(xué)值的準(zhǔn)確程度。 什么是校準(zhǔn) ? 描述特定近紅外波長(zhǎng)光的吸收特性和樣品組 成之間的關(guān)系。 Y = C0 + C1*A1 + C2*A2 + … + C n*An 紅外光譜定量分析流程 ?在測(cè)量方法一致的情況下，濃度預(yù)測(cè)誤差(RMSEP)與儀器精度 (SNR)成反比例關(guān)系，即儀器精度越高，濃度預(yù)測(cè)誤差越小。 ?在濃度測(cè)量精度目標(biāo)確定時(shí)，一定的儀器精度是實(shí)現(xiàn)該預(yù)測(cè)精度目標(biāo)的必要前提。 多變量校正方法測(cè)量精度的實(shí)驗(yàn)結(jié)論 建模方法對(duì)測(cè)量精度與儀器精度的影響結(jié)論 ?如果采取有效的建模方法，即使在儀器精度相同的情況下，都可以有效地提高預(yù)測(cè)精度，而且還可以大大降低實(shí)現(xiàn)期望預(yù)測(cè)精度所必需的儀器精度的要求。 ?選擇有效的建模方法（如優(yōu)選波長(zhǎng)變量，改進(jìn)建模算法等）對(duì)于提高復(fù)雜近紅外光譜測(cè)量情況的預(yù)測(cè)效果具有重要意義。 光譜定量分析流程 收集樣品 加入界外點(diǎn) 重新建模 檢查分析方法 檢修儀器 日常分析 對(duì)模型進(jìn)行評(píng)價(jià) 建立多元回歸模型 選擇驗(yàn)證集 選擇校正集 對(duì)光譜必要的處理 測(cè)定全波長(zhǎng)譜圖 測(cè)定全部樣品的物化性質(zhì) 檢測(cè)結(jié)果 是否正確 儀器及操作 是否正確 樣品是否 為界外點(diǎn) 正確 不正確 不是 是 正確 不正確 校正模型訓(xùn)練集樣品的選擇 ?盡可能要覆蓋待分析樣品的范圍 ?對(duì)于待測(cè)的物化性質(zhì)，樣品應(yīng)均勻分布 ?樣品的基底應(yīng)相同（如 PH值或水分） ?若各組分間相互反應(yīng)，要注意光譜采集合采集瞬間的組成變化 ?包括盡可能多的有代表性的樣本 ?樣本變化范圍越大，模型的適用范圍越寬，但分析結(jié)果的精度可能變差；模型適用范圍小時(shí)，分析結(jié)果的精度相對(duì)較高，但適用面變窄。 對(duì)樣品物化性質(zhì)的測(cè)定 ?對(duì)于人工合成樣品，比較簡(jiǎn)單 ?對(duì)于復(fù)雜的天然產(chǎn)品，必須選用被大家接受權(quán)威的分析方法。 ?模型預(yù)測(cè)結(jié)果的準(zhǔn)確性在很大程度上取決于標(biāo)準(zhǔn)測(cè)量結(jié)果的準(zhǔn)確性。 ?用多次分析結(jié)果的平均值來(lái)降低誤差 建模常用化學(xué)計(jì)量學(xué)方法 ? 多元線(xiàn)性回歸（ Multivarate Linear Regression, 縮寫(xiě)為 MLR） ? 主成分分析（ Principle Component Analysis,縮寫(xiě)為 PCA） ? 主成分回歸（ Principle Component Regression，縮寫(xiě)為 PCR） ? 偏最小二乘法（ Partial Least Square, 縮寫(xiě)為PLS） ? 拓?fù)鋵W(xué)方法和人工神經(jīng)網(wǎng)絡(luò)方法（ Artificial Neural Net，縮寫(xiě)為 ANN）等等。 快速建模的基本過(guò)程 ? 選取少量樣品（如 20個(gè)）建立基礎(chǔ)模型（注意實(shí)時(shí)性、樣品選擇、環(huán)境控制、化學(xué)參考值精度控制等） ? 使用基礎(chǔ)模型預(yù)測(cè)新的樣品，粗選特異點(diǎn)，補(bǔ)充基礎(chǔ)數(shù)據(jù)庫(kù)。 ? 使用新的數(shù)據(jù)庫(kù)建立新的校準(zhǔn)，更新模型，提高精度與適用度。 ? 使用初期要養(yǎng)成將比對(duì)樣品加入基礎(chǔ)數(shù)據(jù)庫(kù)中的習(xí)慣。 ? 本地化模型以 100－ 200個(gè)樣品為宜。
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1