开源近红外光谱数据集

Echo_Code

已于 2022-11-17 21:10:01 修改

阅读量8.6k

点赞数 13

分类专栏：近红外光谱学习文章标签：人工智能 python

于 2021-11-09 10:58:51 首次发布

本文链接：https://blog.csdn.net/Echo_Code/article/details/121223138

版权

本文介绍了由北京邮电大学杨辉华老师团队指导的近红外光谱数据集开源项目，包括PLS、SVM、ANN等经典算法和预处理技术，以及CNN、AE等深度学习模型。数据集和代码可在GitHub仓库获取，旨在促进多学科合作，帮助建立预测准确的光谱模型。

摘要由CSDN通过智能技术生成

系列文章目录

近红外光谱分析技术属于交叉领域，需要化学、计算机科学、生物科学等多领域的合作。为此，在（北京邮电大学杨辉华老师团队）指导下，近期准备开源传统的PLS，SVM，ANN，RF等经典算和SG，MSC，一阶导，二阶导等预处理以及GA等波长选择算法以及CNN、AE等最新深度学习算法，以帮助其他专业的更容易建立具有良好预测能力和鲁棒性的近红外光谱模型。

前言

NIRS是介于可见光和中红外光之间的电磁波，其波长范围为（1100∼2526 nm。由于近红外光谱区与有机分子中含氢基团（OH、NH、CH、SH）振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息，常被作为获取样本信息的一种有效的载体。基于NIRS的检测方法具有方便、高效、准确、成本低、可现场检测、不破坏样品等优势，被广泛应用于各类检测领域。但近红外光谱存在谱带宽、重叠较严重、吸收信号弱、信息解析复杂等问题，与常用的化学分析方法不同，仅能作为一种间接测量方法，无法直接分析出被测样本的含量或类别，它依赖于化学计量学方法，在样品待测属性值与近红外光谱数据之间建立一个关联模型(或称校正模型，Calibration Model) ，再通过模型对未知样品的近红外光谱进行预测来得到各性质成分的预测值。现有近红外建模方法主要为经典建模（预处理+