Ny algoritme til forbedring af overførselseffektiviteten af ​​nær-infrarøde spektroskopiske kvalitative modeller

Et forskerhold fra Hefei Institutes of Physical Science (HFIPS) fra det kinesiske videnskabsakademi (CAS) har for nylig udviklet en ny algoritme for nær-infrarød spektroskopiteknologi for at forbedre overførselseffektiviteten af ​​nær-infrarøde kvalitative analysemodeller mellem instrumenter. Resultaterne blev offentliggjort i Infrared Physics &Technology.

Nær-infrarød spektroskopi (NIRS) er en hurtig og ikke-destruktiv detektionsteknologi. Kalibreringsmodeller er nøglen til NIRS-analyse, og nøjagtigheden af ​​modellernes overførsel mellem instrumenter bestemmer effektiviteten af ​​populariseringen og anvendelsen af ​​denne teknologi. For at sikre, at modellernes prædiktive ydeevne ikke påvirkes, når de overføres mellem instrumenter, skal der løbende udvikles nye kalibreringsalgoritmer og -teknikker. I tidligere undersøgelser fokuserede forskerne hovedsageligt på overførsel af NIR kvantitative modeller, men mindre på overførsel af kvalitative modeller.

For at løse dette problem studerede teamet sammenlignende forskellige overførselsalgoritmer med NIR-identifikation af usunde kerner i hvede- og majskerner som eksempler, med det formål at optimere ydeevnen af ​​NIR-kvalitative modeller under overførsel af forskellige instrumenter og forbedre robustheden af ​​NIR-forudsigelse.

Forskerholdet foreslog en bølgelængdeudvælgelsesmetode baseret på korrelationsanalyse (CAWS) i tidligere undersøgelse for at forbedre overførselseffektiviteten af ​​NIR kvantitative modeller ved at screene stabile og konsistente bølgebånd mellem instrumenter.

Denne gang forbedrede forskerne CAWS-algoritmen yderligere for at gøre den lige så anvendelig til de kvalitative diskriminationsmodeller.

Resultaterne viser, at valideringskoefficienterne for Matthews-korrelationskoefficienterne for hvede- og majsdiskriminantmodellerne, der er optimeret af CAWS, er henholdsvis 0,718 og 1, rangerende nummer to og første i forskellige algoritmebehandlingsbetingelser, hvilket verificerer effektiviteten af ​​den foreslåede metode.

Denne undersøgelse foreslår en algoritme til at forbedre overførselseffektiviteten af ​​NIR kvalitative modeller mellem instrumenter, hvilket er gavnligt for den yderligere popularisering og anvendelse af NIRS. + Udforsk yderligere

Overførselslæring giver ny indsigt i maskinlæringsfejlvurdering