摘 要 近红外分析的一个重要基础是数学模型。不同的近红外光谱仪间由于对同一个样品响应的差异,
导致一台仪器上建立的数学模型不能直接用于另一台仪器上样品的分析, 需要进行模型传递。文章以两台傅里叶变换近红外光谱仪为实验研究对象, 以玉米粉末样品为实验材料, 采用移动窗口支持向量回归机(SVR) 方法, 把一台仪器上建立的近红外定量分析数学模型传递到另一台仪器上: 当SVR 回归的窗口大小为31 个波长点, 传递样品个数为15 个时, 模型传递效果较好, 以“主机”所建蛋白含量的数学模型分析“从机”上修正后的光谱, 化学测定值和近红外预测值间的相关系数提高到01943 4 , 相对标准差为4123 %。表明采用移动窗口SVR 法进行傅里叶变换近红外光谱仪间数学模型的传递是可行的。
近红外分析的一个重要基础是数学模型。不同的近红外光谱仪间由于光路设计、元器件选用和装配误差, 以及外部使用环境不同等原因, 使得对相同样品测得的光谱数据间存在一定的差异, 导致一台仪器上建立的数学模型不能直接用于另一台仪器上样品的分析。模型传递(Calibration t ransfer)是解决这一问题的基本途径, 它通过修正“从机”( Slave inst rument , 对未知样品扫描光谱的仪器) 上的光谱, 使得这些光谱等效于是在“主机”(Master inst rument , 建立模型的仪器) 上扫描的, 应用“主机”上已建立的模型预测这些修正后的光谱, 即可得到未知样品所分析成分的含量[1 ] 。模型传递实际是通过一定数量的传递样品, 以数学方法在两台不同仪器之间寻求一种变换关系, 来增强不同仪器间光谱数据的通用性、可比性[2 ] 。目前, 模型传递问题已经成为近红外技术进一步推广的主要技术问题之一, 是化学计量学研究的热点课题。
国外从20 世纪80 年代起, 就开始有关于近红外数学模型传递的研究报道。主要方法有: 直接校正法(direct standardization , DS) [3 , 4 ] 、分段直接校正法(piecewise direct stand2
ardization , PDS) [5 ] 、Shenk ZL算法[6 ] 、FIR 法(finite impulse response , FIR) [7 ]和人工神经网络方法等[8 ] 。由于不同仪器间光谱数据的变异具有非线性特征, 加上样品集的有限性, 使得解决小样本条件下非线性关系的模型传递问题显得尤为重要[9 ] 。支持向量机( support vector machine , SVM) 是Vapnik 等人20 世纪90 年代提出的一种全新的机器学习方
法, 能较好地解决小样本、非线性、高维数等实际问题[10 , 11 ] , 已在模式识别(SVC) 和回归分析(SVR) 方面得到了越来越多的应用[12-17 ] 。本文以傅里叶变换近红外光谱仪为实验研究对象, 采用移动窗口SVR 模型传递方法, 建立算法流程, 实现了两台仪器间近红外光谱定量分析数学模型的传递。
首页
