近日,中國(guó)科學(xué)院合肥物質(zhì)院智能所光譜智能感知團(tuán)隊(duì)提出了一種基于外部校準(zhǔn)輔助篩選(External Calibration-assisted screening, ECA)的新型模型優(yōu)化算法,顯著提升了近紅外光譜定量模型的預(yù)測(cè)穩(wěn)健性。相關(guān)研究成果發(fā)表于分析化學(xué)領(lǐng)域TOP期刊Analytica Chimica Acta上發(fā)表。
近紅外光譜技術(shù)(NIRS)作為一種前景廣闊的無損檢測(cè)方法,其預(yù)測(cè)性能高度依賴于定標(biāo)模型的質(zhì)量。然而,測(cè)量條件的變化常導(dǎo)致模型預(yù)測(cè)結(jié)果出現(xiàn)顯著偏差,因此成熟的近紅外模型需具備強(qiáng)穩(wěn)健性以抵抗環(huán)境干擾。
針對(duì)上述問題,該研究團(tuán)隊(duì)提出以穩(wěn)健預(yù)測(cè)而非準(zhǔn)確預(yù)測(cè)為導(dǎo)向的近紅外模型優(yōu)化的觀點(diǎn),并介紹了一種具體實(shí)現(xiàn)路徑,即ECA方法。研究團(tuán)隊(duì)通過引入新測(cè)量條件下采集的外部樣本對(duì)初始模型進(jìn)行校準(zhǔn),使其快速適應(yīng)不同檢測(cè)環(huán)境。該方法創(chuàng)新性地結(jié)合交叉驗(yàn)證與外部校準(zhǔn)結(jié)果,提出穩(wěn)健性評(píng)價(jià)指標(biāo)PrRMSE,通過多參數(shù)建模組合篩選出最優(yōu)穩(wěn)健模型。研究人員將ECA方法與競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)抽樣算法(CARS)融合,形成ECCARS優(yōu)化框架,并以一組實(shí)驗(yàn)室測(cè)量的米粉數(shù)據(jù)集和兩組玉米公開數(shù)據(jù)集為對(duì)象驗(yàn)證其效能。結(jié)果表明,與傳統(tǒng)CARS方法相比,ECCARS選擇的模型在不同測(cè)量條件下的校正均方根誤差降低12.15%至725%,驗(yàn)證均方根誤差降低27.63%至482%,穩(wěn)健性明顯提高。
徐琢頻博士為第一作者,王琦研究員和張鵬飛副研究員為通訊作者。本工作得到國(guó)家重點(diǎn)研發(fā)計(jì)劃、安徽省科技創(chuàng)新攻堅(jiān)計(jì)劃、安徽省重點(diǎn)研發(fā)計(jì)劃等項(xiàng)目的支持。
文章鏈接:
https://www.sciencedirect.com/science/article/pii/S0003267025006956
圖1 使用外部校準(zhǔn)輔助篩選(ECA)方法進(jìn)行模型優(yōu)化的示意圖
新聞鏈接:http://www.hf.cas.cn/kxyj/kyjz/202506/t20250620_7872470.html