样本数据重复性对NIR校正模型的影响(2)
 |
| 第1页 |
参见附件。
由表1可知，对于银黄液样本，尽管样本选取方式有所不同，但分别采用一阶导数SG平滑和一阶导数SG平滑SNV，这2种光谱预处理方法所得结果均较其他方法理想。
3.3建模波段的选择为剔除冗余信息，改善模型的预测能力，缩减运算时间，在建立近红外光谱校正模型前需对光谱波段进行筛选。经一阶导数SG平滑法和一阶导数SG平滑SNV法处理后，银黄液的近红外光谱在6 005.25～5 395.85 cm-1，6 471.93～6 009.10 cm-1及7 050.47～7 015.76 cm-1附近光谱吸收差异相对较大，见图2，包含了较多的过程信息，所以，确定上述3个波段为银黄液的建模波段。
图2一阶导数SG平滑近红外光谱图
Fig.2NIR spectra of first derivativeSG smooth
3.4不同建模方式结果评价累计贡献率是前m个相互正交综合指标之和，一般当其大于80%时，则可保留前m个综合指标，即潜变量因子数。该参数可用于选择潜变量因子数，及模型预测能力的评价[8]。当潜变量因子数为6时，累计贡献率(本文中指光谱数据的方差贡献)均可达90%以上，见图3，即已能够代表原始光谱数据中的绝大部分信息[7]，且平均光谱建模所得累计贡献率曲线潜变量因子为6～9时，图中位于下方的3种建模方式所得累计贡献率曲线缓慢上升，且幅度稍大于平均光谱建模，并呈现出向平均光谱靠拢的趋势 ......
您现在查看是摘要介绍页，详见PDF附件。