Uma equipe de pesquisa dos Institutos de Ciências Físicas de Hefei (HFIPS) da Academia Chinesa de Ciências (CAS) desenvolveu recentemente um novo algoritmo para tecnologia de espectroscopia de infravermelho próximo para melhorar a eficiência de transferência de modelos de análise qualitativa de infravermelho próximo entre instrumentos. Os resultados foram publicados em Infrared Physics &Technology.
A espectroscopia no infravermelho próximo (NIRS) é uma tecnologia de detecção rápida e não destrutiva. Os modelos de calibração são a chave para a análise NIRS, e a precisão da transferência dos modelos entre os instrumentos determina a eficácia da popularização e aplicação desta tecnologia. Para garantir que o desempenho preditivo dos modelos não seja afetado quando transferidos entre instrumentos, novos algoritmos e técnicas de calibração precisam ser continuamente desenvolvidos. Em estudos anteriores, os pesquisadores focaram principalmente na transferência de modelos quantitativos NIR, mas menos na transferência de modelos qualitativos.

Para resolver este problema, a equipe estudou comparativamente vários algoritmos de transferência com a identificação NIR de grãos insalubres em grãos de trigo e milho como exemplos, com o objetivo de otimizar o desempenho de modelos qualitativos NIR durante a transferência de diferentes instrumentos e melhorar a robustez da previsão NIR.

A equipe de pesquisa propôs um método de seleção de comprimento de onda com base na análise de correlação (CAWS) em estudo anterior para melhorar a eficiência de transferência de modelos quantitativos NIR por triagem de bandas de onda estáveis ​​e consistentes entre os instrumentos.

Desta vez, os pesquisadores melhoraram ainda mais o algoritmo CAWS para torná-lo igualmente aplicável aos modelos de discriminação qualitativa.

Os resultados mostram que os coeficientes de correlação de Matthews de validação dos modelos discriminantes de trigo e milho otimizados pelo CAWS são 0,718 e 1 respectivamente, ficando em segundo e primeiro lugar em várias condições de processamento do algoritmo, o que verifica a eficácia do método proposto.

Este estudo propõe um algoritmo para melhorar a eficiência de transferência de modelos qualitativos NIR entre instrumentos, o que é benéfico para a maior popularização e aplicação do NIRS. + Explorar mais

O aprendizado de transferência oferece novos insights sobre a estimativa de erros de aprendizado de máquina