近红外光谱预处理方法及模型建立

光谱预处理方法

基线校正

一阶导数

用于扣除斜线和曲线背景,基本公式如下
在这里插入图片描述
xi为第i个样品的光谱,g为窗口宽度

二阶导数

提高光谱分辨率,基本公式如下
在这里插入图片描述

平滑处理

由光谱仪得到的光谱信号中既含有有用信息,同时也叠加着随机误差,即噪声。信号平滑是消除噪声最常用的一种方法,其基本假设是光谱含有的噪声为零均值随机白噪声,若多次测量取平均值可降低噪声提高信噪比。常用的信号平滑方法有移动平均平滑法和Savitzky-Golay卷积平滑法。
主要系数为窗口宽度g,设定过大容易失真,设定过小效果不明显

移动平滑

对窗口内的数据直接进行均值处理

SG平滑

对窗口的数据使用加权平均法处理

散射校正

SNV - 标准正态变量

主要用来消除固体颗粒大小,表面散射以及光程变化对漫散射光谱的影响。去趋势算法常用在SNV处理后的光谱,用来消除南反射光谱de基线漂移

MSC - 多元散射校正

作用与SNV差不多,主要是消除颗粒分布不均匀及颗粒大小产生的散射影响,在固体漫反射和浆状物透射和反射光谱中运用比较多

模型建立

PLS - 偏最小二乘

  • 2
    点赞
  • 53
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SNV和MSC是两种常用的Python库,用于处理和分析数据。 SNV(Standard Normal Variate,标准正态变量)是一种用于数据预处理方法,用于消除不同样本之间的光谱强度差异。它通常应用于光谱分析中,特别是在近红外光谱和质谱数据中。SNV通过将每个样本的光谱值减去平均值,再除以标准差来实现数据标准化。Python的SNV实现通常使用NumPy和Pandas等库来处理数据,并通过简单的数学计算得到标准正态变量。 MSC(Multiplicative Scatter Correction,多元散射校正)是一种用于校正光谱数据的方法,主要用于消除由散射效应引起的变化。与SNV类似,MSC也常用于光谱分析中,特别是在近红外光谱和红外光谱数据中。MSC通过将每个波长的光谱值除以其在整个光谱中的平均值,从而消除散射效应对数据的影响。Python的MSC实现同样使用NumPy和Pandas等库来处理数据,并通过简单的数学计算实施校正。 使用这两种方法之前,我们需要准备好对应的数据集,并导入相关的Python库。然后,可以通过以下步骤实现SNV和MSC的Python实现: 1. 读取原始数据集,并进行数据预处理(例如去除噪声、异常值等)。 2. 对数据集进行SNV或MSC的处理,得到标准化后的数据。 3. 可选:根据需求,对数据进行进一步分析和可视化。 4. 根据具体应用,使用相关的模型或算法进行数据建模、分类或回归等。 总之,SNV和MSC的Python实现可以通过合适的数据处理和数学计算方法来实现。这两种方法在光谱分析和其他领域有广泛的应用,并且可以根据实际需求进行调整和扩展。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值