Un equipo de investigación de los Institutos de Ciencias Físicas de Hefei (HFIPS) de la Academia de Ciencias de China (CAS) ha desarrollado recientemente un nuevo algoritmo para la tecnología de espectroscopia de infrarrojo cercano para mejorar la eficiencia de transferencia de modelos de análisis cualitativos de infrarrojo cercano entre instrumentos. Los resultados se publicaron en Infrared Physics &Technology.

La espectroscopia de infrarrojo cercano (NIRS) es una tecnología de detección rápida y no destructiva. Los modelos de calibración son la clave del análisis NIRS, y la precisión de la transferencia de modelos entre instrumentos determina la efectividad de la popularización y aplicación de esta tecnología. Para garantizar que el rendimiento predictivo de los modelos no se vea afectado cuando se transfieren entre instrumentos, es necesario desarrollar continuamente nuevos algoritmos y técnicas de calibración. En estudios anteriores, los investigadores se centraron principalmente en la transferencia de modelos cuantitativos NIR, pero menos en la transferencia de modelos cualitativos.

Para resolver este problema, el equipo estudió comparativamente varios algoritmos de transferencia con la identificación NIR de granos defectuosos en granos de trigo y maíz como ejemplos, con el objetivo de optimizar el rendimiento de los modelos cualitativos NIR durante la transferencia de diferentes instrumentos y mejorar la solidez de la predicción NIR.

El equipo de investigación propuso un método de selección de longitud de onda basado en el análisis de correlación (CAWS) en un estudio anterior para mejorar la eficiencia de transferencia de los modelos cuantitativos NIR mediante la detección de bandas de onda estables y consistentes entre instrumentos.

Esta vez, los investigadores mejoraron aún más el algoritmo CAWS para hacerlo igualmente aplicable a los modelos de discriminación cualitativa.

Los resultados muestran que los coeficientes de correlación de Matthews de validación de los modelos discriminantes de trigo y maíz optimizados por CAWS son 0.718 y 1 respectivamente, ocupando el segundo y primer lugar en varias condiciones de procesamiento del algoritmo, lo que verifica la efectividad del método propuesto.

Este estudio propone un algoritmo para mejorar la eficiencia de transferencia de modelos cualitativos NIR entre instrumentos, lo que es beneficioso para una mayor popularización y aplicación de NIRS. + Explora más

El aprendizaje por transferencia ofrece nuevos conocimientos sobre la estimación de errores de aprendizaje automático