标志”src=

《光谱学
PDF
《光谱学/2018年/文章

研究文章|开放获取

体积 2018年 |文章的ID 8513215 | https://doi.org/10.1155/2018/8513215

Xue-Ying Li Yan Liu Mei-Rong Lv,燕邹,萍萍的球迷, ”校准之间传输的土壤总碳和总氮两种不同类型的土壤基于可见近红外反射光谱技术”,《光谱学, 卷。2018年, 文章的ID8513215, 10 页面, 2018年。 https://doi.org/10.1155/2018/8513215

校准之间传输的土壤总碳和总氮两种不同类型的土壤基于可见近红外反射光谱技术

Xue-Ying李,1,2,3 刘燕,1,2,3 Mei-Rong Lv,1,2,3 燕邹,1,2,3 和 萍萍的粉丝1,2,3

1齐鲁大学海洋研究所的仪器技术(山东科学院),济南,中国

2海洋环境监测技术山东省重点实验室,中国青岛

3海洋监测设备国家工程技术研究中心,中国青岛

学术编辑器:Khalique艾哈迈德
收到了 2018年4月23日
接受 2018年7月31日
发表 2018年9月25日

文摘

尽管可见近红外光谱法可以快速、准确地确定土壤养分没有样品破坏,一些问题亟待解决,如建立光谱模型的不匹配不同类型的样本,限制了这项技术的广泛应用。这里,我们把河滨和山地土壤为例,探索了校准之间转移的两种不同类型的土壤WMPDS-S / B算法(小波多尺度分段直接标准化结合坡/偏差纠正方法)和通过添加新的样本。预测的TN和TC浓度明显改善后改变了。与添加新样品相比,WMPDS-S / B算法获得更准确的结果。平均相对误差440.2%下降到(没有变化)的约6%,TN和TC从342.0%降至大约7%。最大相对误差从538.1%减少到低于20% TN和TC从403.7%降至不到20%。大约RMSEP降低了从2.42到0.04 TN和TC从大约15.74到0.4。WMPDS-S / B算法在选择更少的已知样本和优势得到更好的预测结果。与过去的研究,解决了校准转移不同光谱仪和测量环境相同的样本,我们的研究解决了校准转移之间的不同类型的样品相同的谱仪和测量环境下。前者只能用于校正仪器之一,而后者根本解决模型共享的问题在不同的样本。

1。介绍

光谱分析快速、准确、无损,它可以提供丰富的材料信息1- - - - - -3];因此,它被广泛用于许多领域(4- - - - - -9]。在农业、土壤养分已经成功预测的光谱模型,由已知的土壤采样建立在同一个网站和在同样的环境下10- - - - - -14]。即光谱模型只能在特定的范围内工作。如果未知样品不同于模型样本由于改变采样地点,季节,或其他因素,光谱模型会导致不准确的结果。这些问题阻碍了光谱学技术的进步;因此,问题的解决是非常必要的。

目前,研究集中在类似的问题同样的样本来自不同的仪器,测量条件,或其他方面(称为校准转移)(15- - - - - -19]。这些校准算法已经成功地解决了转让,如直接标准化(DS) [20.,21),分段直接标准化(PDS) [22,23),正交信号方法(OSC) (24,25),小波变换(WT)算法(26,27],典型相关分析(CCA) [28,29日]。成功的校准相同类型的样本之间的转移可能保持相同的光谱仪的准确性;然而,它不能解决如何使一个光谱仪有着稳定的光谱模型为不同类型的样品。

校准的研究不同类型的样本之间的转移非常稀缺。主要的解决方案是添加新的样品在原始谱模型。然后,利用丰富的样本集,一个新的光谱模型重建,是用于预测不同样品。这种方法需要重建光谱模型;因此,这是劳动密集型和耗时,新的光谱模型的预测能力降低。因此,迫切需要探索其他方法来预测未知样品不同类型的快速、准确。

分段直接标准化(PDS)算法是一个校准王提出的传输方法和科瓦尔斯基在1991年(30.]。它需要几个样品,修正模型更快的转移,并有效地提高了标定的鲁棒性,所以PDS校准转移是最受欢迎的方法。然而,一个固定的变换矩阵用于整个光谱数据和可能不是适合每一个特定光谱区域(31日,32]。PDS小波分析可有效地避免的缺点。小波分析可以通过层次和维度分解信号;因此,它有很好的本地化属性和可以提供目标信号的频率信息。其多分辨率分析结合PDS已经成功地用于校准传输相同的样本来自不同的仪器(33- - - - - -35]。我们假设它也可以用于校准转移之间的不同类型的样品。

总氮(TN)和总碳浓度(TC)在土壤光谱模型更好的预测比其他土壤养分,从而选择校准研究转移(36,37]。斜率/偏差算法(S / B)是通常用于正确的化学值校准的结果转移,重建的线性关系基于丰富的数据(38]。例如,库珀等人提供了一个简单的斜率和偏差纠正将校准用不同的工具(39]。我们还将使用S / B减少土壤养分含量之间的差异。

在这里,我们探讨了校准之间传输TN和TC浓度河畔和山地土壤样本使用小波多尺度分段直接标准化结合斜率/偏差校正法(WMPDS-S / B)。此外,我们比较结果与通过添加新的样本。减少其他因素对校准的影响转移,我们采样光谱数据相同的设备和测试环境。

2。实验

2.1。样本和数据采集

两种类型的上层土壤(0-20厘米)收集Licun河,河畔的脚下福山山在青岛,中国。Licun河流土壤(土壤河畔)粉砂壤土富含营养,而福山山土壤(山地土壤)砂壤土营养不良。我们移除异物如石头从土壤样品。恒重后干燥,土壤样品都是通过一个0.45毫米尼龙筛过滤。土壤TN和TC含量测定的碳和氮分析仪(帕金元素分析仪、美国)。TN和TC的浓度之间的两种类型的土壤(表有很大的区别1)。
样品 数量 TN浓度(毫克/公斤) TC浓度(毫克/公斤)
范围 平均数±标准差 范围 平均数±标准差
河流土壤 60 4.14 - -5.66 4.70±0.40 3.8 - -13.4 10.58±2.24
山地土壤 58 0.44 - -0.69 0.55±0.05 0.72 - -1.74 1.40±0.26
表1
TC和TN的浓度在河里和山地土壤。

土壤光谱数据是由海洋光学QE65000光谱仪。采样间隔是1纳米,积分时间是1000 ms。光谱范围是200 - 1100 nm,主要是可见光和近红外光谱,包括少量的紫外光谱。光纤探针插入到孔的探头支架在45°角,这使得探针杆支架,只是暴露了支架。

土壤(3 - 5 g)轻轻平在一个自制的样品盒,其大小是一样的探头支架的细胞重叠探头支架的孔。土壤光谱数据测量的原理图如图1。每一个土样测定五次。减少噪音的影响反射光谱,光谱数据226 - 975 nm的保留。河和山地土壤的反射光谱图所示2。


图1
土壤光谱数据的示意图测量。
(一)”name=
(一)
(b)”name=
(b)
图2
可见近红外反射光谱的河流土壤山(a)和(b)。

主成分空间是由光谱主成分的得分(图3),样本的主成分的分布可以用来确定未知样本符合原始模型。如图3,土壤和山地土壤样本主成分空间分为两个区域。这一结果表明,两种类型的土壤样本的光谱显然是不同的。因此,模型建立的河流土壤并不适合直接预测山地土壤。


图3
主成分的得分图河和山的土壤。
2.2。数据处理和分析
2.2.1。Preetreatment和建模

反射光谱数据(226 - 975 nm)的河流和山脉土壤进行预处理使用Savitzky-Golay平滑和分化。校正集和测试集的两种类型的土壤样本分为3:1比例由Kennard-Stone算法,45土壤作为校正集样品和其他样品作为测试集。光谱模型的校准设置是由偏最小二乘(PLS) (40,41)(表2)。结果表明,更好的光谱模型是建立在河边土壤(表2);因此,它是作为第一个样本和山地土壤设置为第二个示例。
样品 数量 TN浓度(毫克/公斤) TC浓度(毫克/公斤)
rc rp RMSEC RMSEP RPD rc rp RMSEC RMSEP RPD
河流土壤 60 0.97 0.85 0.064 0.142 1.49 0.93 0.85 0.869 1.095 1.64
山地土壤 58 0.40 0.36 0.046 0.031 1.09 0.86 0.60 0.194 0.323 1.28
表2
土壤光谱模型建造的河流和山脉。
2.2.2。校准传输算法

在这里,我们使用两种方法:直接标准化结合小波多尺度分段斜率/偏差纠正方法(WMPDS-S / B)和添加新样本的方法。WMPDS-S / B更为复杂。其具体步骤如下所述。(1)使用小波分解得到每个小波系数。

首先,小波母函数和小波分解层数 被选中。然后,第一个样品的光谱 和第二个样品的光谱 分解的小波分析,近似系数 和 和细节系数 和 ( )第一次样品和第二个示例。相关的公式如下: (2)转换矩阵 每个小波系数的计算使用PDS算法。

土壤样本的一部分第二个样品作为标准样品计算转换矩阵,表示作为标准集 。第二个样本的余数是未知样品,表示未知的设置 。如果我们想计算变换矩阵 之间的近似系数的校准设置第一个样品和标准组第二个样本 , ,的平均光谱 的 , 第一个获得,公式如下: 在哪里 是第i个样本的j波长点吗 和 样品的数量吗 和 。

窗口的光谱带宽度( )是j波长附近拦截点。让 ,使 ,然后回归系数 计算。循环 ,找到所有的 。把 变换矩阵的主对角线上 ,和其他元素设置为0,最后得到的变换矩阵 。根据上述算法,我们可以得到变换矩阵 之间的细节系数标定组第一个样品和标准组第二个示例。(3)传输谱的标准设置和未知的设置在第二个示例使用变换矩阵得到。

根据变换矩阵 ,转让近似系数 和 是通过改变近似系数的标准设置和未知的设置第二个样本 和 。

然后,转让细节系数的标准设置和未知的设置在第二个样本 和 按顺序计算。最后,传输谱 和 每个小波系数重构得到的第二个示例。(4)斜率/偏差纠正方法用于计算最终的预测价值。

拟合的最小二乘解谱转移 和测量的营养价值 在一组标准的第二个示例与线性回归斜率 和拦截 的线性模型。用 公式,我们可以找到预测未知的值集 由以下方程:

摘要小波母函数选择“db4”和分解层数N等于3。

2.2.3。评价标准

平均相对误差(使用的评价标准错误一个),最大相对误差(错误米),预测均方根误差(RMSEP),它提供了一个全面的分析。平均相对误差越小,最大相对误差和RMSEP校准转移就越好。

3所示。结果与讨论

3.1。校准之间传输TN浓度两种不同类型的土壤

TN浓度的校准转让两种不同类型的土壤之间实现了WMPDS-S / B。PDS窗口宽度和数量的标准设置在第二个样本影响校准转移(图的结果4)。我们组标准的数量15 Kennard-Stone算法,窗口宽度范围从3 - 19日间隔是2。不同的窗口宽度的影响结果进行了研究。我们研究的数量标准的影响结果。设置窗口宽度为15,标准集的数量范围从11到20 Kennard-Stone算法,和间隔是1。当窗口宽度是15,标准集的数量是14日,平均相对误差为最小的(图4)。因此,我们选择了这对后续的校准参数传递。

(一)”name=
(一)
(b)”name=
(b)
图4
影响窗口的宽度(a)和标准集的数目(b)的结果传递土壤TN浓度。

使用WMPDS-S / B算法,平均相对误差(错误一个),最大相对误差(错误米),RMSEP明显降低(表3)。这个错误一个从440.2%下降到5.77%。这个错误米从538.1%减少到16.67%,RMSEP从2.416减少到大约0.041(表吗3)。
校准传输算法 错误一个(%) 错误米(%) RMSEP
没有算法 440.2 538.1 2.416
WMPDS-S / B 5.77 16.67 0.041
表3
TN浓度统计结果比较有和没有校准转移。

我们使用最优数量的标准设置为划分标准的设置和未知的设置在第二个样本由Kennard-Stone算法;校准的结果转移是偶然的(表3)。为了避免意外,我们使用间隔采样比例(表4)和随机抽样(表5)划分标准和未知的集合。样本分类的两种方法标定转移导致类似的结果(表4和5)。
比例 错误一个(%) 错误米(%) RMSEP
1:2 5.58 18.93 0.041
1:3 6.05 17.55 0.041
1:4 6.52 15.87 0.044
表4
TN浓度统计结果比较使用不同比例划分标准集和未知。
随机抽样数量 错误一个(%) 错误米(%) RMSEP
随机1 5.34 18.59 0.039
随机2 5.83 19.76 0.044
随机3 6.12 17.87 0.044
随机4 5.93 17.38 0.042
随机5 5.50 17.79 0.040
表5
比较TN浓度统计结果从划分标准使用随机样本集和未知的集。

标准之间的不同比例在第二个样本集和未知的集Kennard-Stone算法校准转移(表会带来不同的结果4)。结果表明,。增加比例标准组和未知组(从1:2比1:4),错误一个增加,错误米减少,RMSEP增加(表4)。似乎的比例1:2是最好的,也许是因为标准集的数量是正确的,包含了足够的信息。

随机抽样的结果没有大影响校准转移(表5)。错误的值一个、错误米,RMSEP来源于随机抽样是类似于那些来自Kennard-Stone间隔采样的算法(表4和5)。

3.2。校准之间传输TC浓度两种不同类型的土壤

使用相同的方法,PDS窗口宽度和数量的标准设置在第二个样本也发现影响标定结果的传输(图5)。当窗口宽度是11和标准设置的数量是18,TC浓度模型的校准转移是最好的(图5)。因此,我们选择了这些参数对后续浓度校准TC的转移。

(一)”name=
(一)
(b)”name=
(b)
图5
影响窗口的宽度(a)和标准集的数目(b)的结果传递TC土壤浓度。

在最佳条件下,标准的和未知的集合被Kennard-Stone分类算法,比例,分别和随机抽样(表6)。预测的准确性显著改善后WMPDS-S / B算法用于校准转移(表6)。这个错误一个从341.97下降到约6%,这是错误米<的比重从403.70%下降至20%,而RMSEP降低了从15.737 < 0.46(表6)。
校准传输算法 标准集划分方法 错误一个(%) 错误米(%) RMSEP
没有算法 Kennard-Stone 341.97 403.70 15.737
WMPDS-S / B Kennard-Stone 6.11 15.37 0.351
WMPDS-S / B 比例1:2 7.17 18.16 0.453
WMPDS-S / B 比例1:3 6.79 15.96 0.380
WMPDS-S / B 比例1:4 6.92 16.27 0.406
WMPDS-S / B 随机1 5.78 15.75 0.349
WMPDS-S / B 随机2 6.25 16.54 0.384
WMPDS-S / B 随机3 6.67 18.57 0.394
WMPDS-S / B 随机4 6.08 19.06 0.430
WMPDS-S / B 随机5 6.24 16.50 0.357
表6
TC含量统计结果比较有和没有校准转移。

在所有的预测结果,最好的是,从1:3组标准之间的比例和未知组(表6),其错误一个、错误米,RMSEP是最小的。结果1:2的比例是相对贫穷,也许是因为标准集的数目太大,一些无关的信息被包含在校准转移。

一些部门的方法可能会导致谱过校正,减少校准转移的预测效果。但在这项研究中,当标准集的数量是固定到18,错误的值一个、错误米,RMSEP相似(表跨不同的分类方法6)。这表明不同的分类方法产生相似的预测结果,建议划分方法在本研究中是合理的。

3.3。对比WMPDS-S / B算法和添加样本

相同条件下选择样本的标准设定的Kennard-Stone算法,然后研究了这两种方法对校准结果的影响转移在TN和TC浓度(表7和8)。标准集的数量是10,15、20、25、30。的窗口宽度WMPDS-S / B算法在TN浓度是15和TC含量是11。首样的结果包括相对系数的校准设置(rc),测试集的相对系数(rp),RPD。结果未知的第二个示例包含错误一个、错误米,RMSEP。
标准集的数量 第一个样品 第二个样品
结果 WMPDS-S / B 增加的样品 结果 WMPDS-S / B 增加的样品
10 rc 0.971 1.000 错误一个(%) 7.52 33.28
rp 0.851 0.421 错误米(%) 20.34 81.10
RPD 1.49 1.031 RMSEP 0.050 0.214
15 rc 0.971 0.975 错误一个(%) 5.99 27.81
rp 0.851 0.656 错误米(%) 15.89 76.06
RPD 1.49 1.069 RMSEP 0.042 0.176
20. rc 0.971 1.000 错误一个(%) 6.38 25.30
rp 0.851 0.594 错误米(%) 17.18 63.36
RPD 1.49 1.090 RMSEP 0.043 0.166
25 rc 0.971 1.000 错误一个(%) 6.21 24.87
rp 0.851 0.674 错误米(%) 16.60 65.58
RPD 1.49 1.186 RMSEP 0.042 0.168
30. rc 0.971 1.000 错误一个(%) 6.55 23.68
rp 0.851 0.707 错误米(%) 16.57 64.82
RPD 1.49 1.195 RMSEP 0.044 0.165
表7
比较不同的校准传输算法的修改TN浓度的结果。
标准集的数量 第一个样品 第二个样品
结果 WMPDS-S / B 增加的样品 结果 WMPDS-S / B 增加的样品
10 rc 0.926 0.962 错误一个(%) 6.43 34.69
rp 0.853 0.699 错误米(%) 18.24 86.51
RPD 1.64 1.016 RMSEP 0.380 1.821
15 rc 0.926 0.963 错误一个(%) 6.44 31.51
rp 0.853 0.733 错误米(%) 18.80 75.83
RPD 1.64 1.036 RMSEP 0.378 1.714
20. rc 0.926 0.966 错误一个(%) 6.22 26.59
rp 0.853 0.697 错误米(%) 15.21 62.72
RPD 1.64 0.990 RMSEP 0.358 1.403
25 rc 0.926 0.938 错误一个(%) 6.25 24.98
rp 0.853 0.676 错误米(%) 15.66 59.33
RPD 1.64 1.096 RMSEP 0.364 1.242
30. rc 0.926 0.941 错误一个(%) 6.72 26.07
rp 0.853 0.679 错误米(%) 15.95 59.33
RPD 1.64 1.106 RMSEP 0.391 1.262
表8
比较不同的校准传输算法的修改结果TC浓度。

(的值的预测性能rc,rp和RPD)的原始模型并没有改变使用WMPDS-S / B在第一个土壤样本模型TN和TC浓度(表7和8)。的标准设置,模型的预测性能通过添加新的样品是不稳定的(表7和8),高rc但是低rp和RPD。所以,WMPDS-S / B可以保持原始模型的稳定性。

在所有校准传输算法,最好的是WMPDS-S / B算法,同时添加新样品是最糟糕的方法。通过添加新的样本,错误一个、错误米,RMSEP TN和TC含量都很高。因此,它不能选择校准两种不同类型的土壤之间的转移。WMPDS-S / B算法是基于S / B算法和结合WMPDS算法消除光谱的差异。它可以改善营养浓度的准确性预测两个不同类型的土壤。

标准集的数目对结果影响相对较小的WMPDS-S / B算法(表7和8)。数增加的标准设置在第二个示例中,错误一个、错误米,RMSEP减少了添加新样本,显示的样品是有益的改善预测。当标准的数量增加到30集,这是最大的样本TN和TC的浓度,结果是最好的。然而,当数量标准的中间设置一个值,这是15和20 TN和TC的浓度,分别,结果WMPDS-S / B有最好的预测效果的算法。与第一种方法相比,标准集的数目对结果影响相对较小的WMPDS-S / B算法,这种方法可以得到更好的结果在选择尽可能少的一些标准。在实际应用中,是不可能选择许多组标准样品,这将增加工作量,非常耗时。新算法的优势在选择更少的标准样品和获得更好的预测结果。

3.4。从先前的研究不同

校准转移研究本文不同于以往的研究,为校准之间的转移主要是两种不同类型的样品。先前的研究已经解决了相同的样本的变化在不同的仪器和测试环境,从而确保仪器的一致性(13- - - - - -18]。费尔南德斯等人使用四个不同的校准传输技术(直接标准化、分段直接标准化、正交信号校正,和广义最小二乘加权)来抵消温度变化的影响的预测气体传感器(13]。Yahaya等人相比的校准转移影响反射率光谱芒果在不同pH值的光谱仪(QE65000 Jaz, ASD FieldSpec 3)通过直接校准转移(18]。这些研究都是基于校准传输相同的样品在不同的测试条件下或不同的乐器。

目前,很多研究都是基于光谱预测的不同类型的土壤养分。例如,旷等人利用近红外光谱检测土壤有机碳和总氮的含量和土壤样本收集五个农场。结果RPD有机碳的OC从2.66到3.39,总氮TN的从2.85到3.4542]。土壤养分浓度模型建立了许多土样在不同的位置,和这种方法仍然需要大量的已知信息的不同类型的土壤养分化学值,所以它不是土壤校准在真正意义上的转移。

在这项研究中,我们解决了校准之间的转移两种不同类型的样品在相同的仪器和测试环境使用一种类型的土壤养分浓度模型来预测另一种类型的土壤养分浓度。如果土壤河畔的浓度模型被用来预测山地土壤的浓度直接有一个大的错误(表3和6)。之后我们做了校准转让、山地土壤的浓度预测更准确。误差明显下降,而且预测结果可以接受。校准转移,我们研究了工作可以从根本上解决不同类型的样本之间的模型共享的问题,消除技术瓶颈限制了谱方法的应用。该解决方案将使一个光谱仪器快速共享一个光谱模型来确定土壤养分。

3.5。未来的研究在校准转移不同的样品

小波分析具有多尺度和多分辨率的特点。它可以处理信号和分析从粗到细的光谱信息。光谱数据可以分解为两个子空间的多尺度小波处理,也就是说,低频和高频。校准低频和高频信息之间进行转移。可以获得不同的转移矩阵根据不同频率域。不同地区和不同品种之间的转移矩阵是进一步细化。然而,也有一些问题WMPDS-SB算法。(1)PDS窗口宽度和标准样品的数量仍然需要人为选择。在未来,我们可以选择最优PDS窗口,并通过算法自动样品的数量。(2)整个乐队的光谱用于这项研究。减少冗余信息,提高预测的性能,我们将提取诊断光谱波长在未来。(3)在这项研究中,土壤养分的校准方法转移标签样本,仍然需要一个未知样品的化学值的一部分。在未来,我们打算实现校准转移在不同地区或不同品种与规模较小的标签样本或没有标签样本。(4)WMPDS-S / B算法应用于校准转移在两种不同类型的土壤和好的结果。在未来,这个算法可以应用于校准转移在不同类型的土壤样本。

4所示。结论

本文把山河畔土壤为例,探索了校准之间传输TC和TN浓度两种不同类型的土壤使用WMPDS-S / B。减少校准的影响传输相同的样本,我们采样光谱数据与相同的设备和在相同的测试环境。河边土壤设置为第一个样本,和山上的土壤被认为是第二个示例。首先,校准模型建立了第一个示例。然后,总碳的浓度(TC)、总氮(TN)第二个样本被转移预测校正模型。在TN浓度的校准转让两种不同类型的土壤,当PDS窗口宽度15和标准的数量设置在第二个样本是14中,TN浓度显著提高预测精度的准确性相比不使用校准转移。平均相对误差(错误一个)从440.20%下降到大约6%,最大相对误差(错误米)从538.1%降低到不足20%,而RMSEP从2.416减少到0.04左右。校准之间传输TC浓度两种不同类型的土壤,当PDS窗口宽度是11和标准集的数量是18,TC第二样本浓度的预测精度有了明显的改善与准确性不使用校准转移。这个错误一个从341.97%下降到大约7%,错误米从403.70%降低到不足20%,RMSEP从15.737减少到大约0.4。

的情况下选择相同的样品的标准集,我们研究了三种方法对标定的结果转移在TN和TC浓度。添加新样本的传统方法相比,WMPDS-S / B算法获得更好的预测结果。随着标准的数量的增加在第二个示例中,错误一个、错误米通过添加新的样本,RMSEP下降。然而,标准集的数目相对较小影响的结果WMPDS-S / B算法。这个方法有优势在选择更少的标准样品和获得更好的预测结果。是可行的实现校准之间的土壤养分转移两种不同类型的土壤快速和准确,为校准转移提供新的思想和方法在不同类型的样品。

数据可用性

所有数据在论文中完全没有限制https://figshare.com/s/6c301c6479dc3f1a554c从相应的作者,或要求。

的利益冲突

作者报告没有利益冲突。

确认

这项工作得到了中国国家重点研发项目(2017 yfc1404802),山东省自然科学基金,中国(ZR2018LD007),中国国家重点研发项目(没有。SQ2016YFSF070090)和中国国家重点研发项目(没有。平方2017 yfc1403702)。

引用

  1. k . s .香港和h . Santosa解码四种不同sound-categories使用功能性近红外光谱在听觉皮层,“听力的研究卷,333年,第166 - 157页,2016年。视图:出版商的网站|谷歌学术搜索
  2. a . n . Sen, s . p . Gopinath和c·s·罗伯逊“临床应用近红外光谱技术在创伤性脑损伤患者:回顾该领域的进步,”Neurophotonics,3卷,不。3,p。031409年,2016年。视图:出版商的网站|谷歌学术搜索
  3. 郭y、y镍和s . Kokot”枣果实的化学成分及性能评估使用近红外光谱和化学计量学,”Spectrochimica学报:分子和生物分子光谱学卷,153年,第86 - 79页,2016年。视图:出版商的网站|谷歌学术搜索
  4. m . Schmutzler a . Beganovic g .银亮钢et al .,“现代肉类产品安全控制:近红外光谱法用于检测污染和掺假的高档牛肉产品,”近红外光谱的新闻,27卷,不。4、11 - 13,2016页。视图:出版商的网站|谷歌学术搜索
  5. Marquetti, j . v .链接,e·博纳“偏最小二乘判别分析和近红外光谱评价地理和基因型的阿拉比卡咖啡的起源,”计算机和电子产品在农业卷,121年,第319 - 313页,2016年。视图:出版商的网站|谷歌学术搜索
  6. d . e . a . m .雷迪,盖伊,w·柯克和i . r . Donis-Gonzalez”潜在的使用可见/近红外光谱和光谱成像预测processing-related成分的土豆,“《食品工程卷。135年,11-25,2014页。视图:出版商的网站|谷歌学术搜索
  7. h·李,问:陈,j .赵和m .吴”总挥发性碱性氮的无损检测猪肉通过集成(TVB-N)含量高光谱成像和比色传感器结合非线性数据融合,“LWT-Food科技,卷63,不。1,第274 - 268页,2015。视图:出版商的网站|谷歌学术搜索
  8. 美国Khulal, j .赵w·胡,问:陈,“无损定量总挥发性碱性氮(TVB-N)内容使用高光谱成像技术在鸡(HSI)技术结合不同的数据降维算法,”食品化学卷,197年,第1199 - 1191页,2016年。视图:出版商的网站|谷歌学术搜索
  9. f . Kutsanedzie问:陈,m·m·哈桑·m·杨h .太阳,和m·h·拉赫曼“近红外系统耦合的最优化算法的枚举真菌总数在可可豆简洁的解决方案中,“食品化学卷,240年,第238 - 231页,2018年。视图:出版商的网站|谷歌学术搜索
  10. f . Feyziyev m . Babayev s先天,g . L 'Abate”使用可见近红外光谱预测土壤属性Mugan平原,阿塞拜疆,”开放的土壤科学》杂志上,卷06,不。3,52-58,2016页。视图:出版商的网站|谷歌学术搜索
  11. 张l和r . b .张”,土壤有效磷、钾含量的测量使用可见近红外光谱结合SPA-LS-SVM方法,”推进食品科学与技术杂志》上,10卷,不。12日,第941 - 934页,2016年。视图:出版商的网站|谷歌学术搜索
  12. x,问:刘,刘x, y . Wang和刘x”评价MLSR和PLSR估算土壤元素内容使用可见/近红外光谱在胶东半岛的苹果园,”系列卷,137年,第349 - 340页,2016年。视图:出版商的网站|谷歌学术搜索
  13. 辛格n . k . Niazi b, b . Minasny”中红外光谱和偏最小二乘回归来估计土壤砷高度可变的砷污染的网站,“国际环境科学与技术》杂志上,12卷,不。6、1 - 10,2015页。视图:出版商的网站|谷歌学术搜索
  14. a . m . Mouazen旷,j . De Baerdemaeker h·拉蒙,“主成分之间比较,偏最小二乘和反向传播神经网络分析的测量精度选择土壤特性与可见光和近红外光谱,”Geoderma卷。158年,23-31,2010页。视图:出版商的网站|谷歌学术搜索
  15. l·费尔南德斯s Guney a Gutierrez-Galvez,马可,“温度调制气体传感器阵列校准转移”,化学传感器和致动器B卷,231年,第284 - 276页,2016年。视图:出版商的网站|谷歌学术搜索
  16. e . g . g . j . h . Kalivas•夏诺表示:安德利,和h c . Goicoechea”校准维护和转移使用Tikhonov正则化方法,”应用光谱学,卷63,不。7,800 - 809年,2009页。视图:出版商的网站|谷歌学术搜索
  17. 美国Amat-Tosello: Dupuy称:"现在,j . kist”贡献的外部参数标定转帐orthogonalisation简而言之波——近红外光谱应用汽油质量,”分析Chimica学报,卷642,不。1 - 2,6尺11寸,2009页。视图:出版商的网站|谷歌学术搜索
  18. 郭,r . Heinke s Stockel·罗斯奇t . Bocklitz j . Popp来说,“对一个改进的模型对于拉曼光谱在生物应用程序可转让性,”振动光谱卷,91年,第118 - 111页,2017年。视图:出版商的网站|谷歌学术搜索
  19. o . k . m . Yahaya m z Matjafri, a . a·阿齐兹和a·f·奥马尔”可见光谱校准转移模型在确定pH值的萨拉芒果,“《仪器,10卷,不。5篇文章ID T05002 2015。视图:出版商的网站|谷歌学术搜索
  20. a·l·b·布里托a . v . p .桑托斯k·d·t·m·Milanez m . j . c .连接部分和l . f . b . l .连接部分“校准之间传输的面粉NIR光谱台式和便携式仪器,“分析方法,9卷,不。21日,第3190 - 3184页,2017年。视图:出版商的网站|谷歌学术搜索
  21. c·f·佩雷拉·m·f·皮门特尔r·k·Galvao f . A . Honorato l . Stragevitch和m . n .马丁斯”校准传输方法的比较研究汽油质量参数的确定在三个不同的近红外光谱仪,”分析Chimica学报,卷611,不。1,41-47,2008页。视图:出版商的网站|谷歌学术搜索
  22. l·s·a·佩雷拉·m·f·Carneiro b . g . Botelho和m . m .塞纳”校准从粉混合物转移到完整的平板电脑:一个新的使用一个已知的药物分析工具,”Talanta卷,147年,页351 - 2016。视图:出版商的网站|谷歌学术搜索
  23. y Sulub和g·w·小谱模拟方法校准的近红外光谱,”应用光谱学,卷61,不。4、406 - 413年,2007页。视图:出版商的网站|谷歌学术搜索
  24. l . Laghi a . Versari g . p . Parpinello d . y . Nakaji r·b·博尔顿,“红外光谱和直接正交信号校正预处理应用于选定的酚类化合物在红酒,“食品分析方法,4卷,不。4、619 - 625年,2011页。视图:出版商的网站|谷歌学术搜索
  25. j . Zhang z, y, y, p·b·哈林顿,”一个有力的正交信号correction-support向量机方法的分类组织部分子宫内膜癌的近红外光谱,”Talanta,卷83,不。5,1401 - 1409年,2011页。视图:出版商的网站|谷歌学术搜索
  26. j . Yoon b . Lee, c .汉”校准的近红外光谱基于小波的压缩系数,”化学计量学和智能实验室系统,卷64,不。1、1 - 14,2002页。视图:出版商的网站|谷歌学术搜索
  27. c . Tan和m·李”校准转移两个近红外光谱仪基于小波包变换,“分析科学,23卷,不。2、201 - 206年,2007页。视图:出版商的网站|谷歌学术搜索
  28. w·j·本·x Li粉丝,黄永发。周,C.-W。王”,校准转移典型相关分析的近红外光谱学加上小波变换,“分析师,卷142,不。12日,第2238 - 2229页,2017年。视图:出版商的网站|谷歌学术搜索
  29. 梁w .粉丝,y, d .元,j .王”校准模型传输基于典型相关分析的近红外光谱,”分析Chimica学报,卷623,不。1月22,2008页。视图:出版商的网站|谷歌学术搜索
  30. h . Li J.-X。王,Z.-N。邢et al .,“提高Kennard /石头算法的影响在近红外光谱校准转移,”光谱和光谱分析没有,卷。31日。2、362 - 365年,2011页。视图:谷歌学术搜索
  31. w .禅,w•贝陈汉宾et al .,”研究近红外光谱模型转移在不同的温度,采用分段直接标准化”《仪器分析,27卷,不。12日,第1333 - 1330页,2008年。视图:谷歌学术搜索
  32. 陈x、f .燕和h . Chang”评价分段直接标准化算法用于近红外定量模型更新,“中国分析化学杂志》上,没有。09年,1307 - 1313年,2014页。视图:谷歌学术搜索
  33. w·Ju l .华x智et al .,“应用小波多尺度分段直接标准化近红外分析校准,”中国分析化学杂志》上,39卷,不。06年,846 - 850年,2011页。视图:谷歌学术搜索
  34. t高,c·肖y香港et al .,“应用小波transform-piecewise直接标准化的近红外分析模型转移中国,“分析化学杂志,34卷,不。07年,927 - 932年,2006页。视图:谷歌学术搜索
  35. c·达·l .风扇和l .气”的发展多尺度建模方法在近红外光谱校准转移,”纳米技术与精密工程,15卷,不。2、121 - 126年,2017页。视图:谷歌学术搜索
  36. r . a . v . Rossel和r·韦伯斯特”从澳大利亚土壤可见近红外光谱预测土壤属性数据库,”欧洲的土壤科学》杂志上,卷63,不。6,848 - 860年,2012页。视图:出版商的网站|谷歌学术搜索
  37. j . Wetterlind、s波和m . Soderstrom”农场土壤采样点密度增加映射由当地可见光和近红外预测模型的校准,”Geoderma,卷156,不。3 - 4、152 - 160年,2010页。视图:出版商的网站|谷歌学术搜索
  38. 焦l, l·肖和g .肖”传输方法中含水量检测模型对不同品种猪的高光谱成像技术,”中国农业工程学会的事务,30卷,不。17日,第284 - 276页,2014年。视图:谷歌学术搜索
  39. j·库珀、c·拉金和m . Abdelkader“虚拟标准斜率和偏差校正偏最小二乘喷气燃料转移财产模型到多个近红外光谱仪器,“近红外光谱学杂志》上,19卷,不。2、139 - 150年,2011页。视图:出版商的网站|谷歌学术搜索
  40. 刘问:陈,j .赵m . et al .,“总多酚含量测定绿茶中使用FT-NIR光谱和不同的PLS算法,”制药和生物医学分析杂志》上,46卷,不。3、568 - 73年,2008页。视图:出版商的网站|谷歌学术搜索
  41. l . j . Janik s t Forrester, a . Rawson”土壤化学和物理性质的预测中红外光谱和偏最小二乘回归和神经网络相结合(PLS-NN)分析,“化学计量学和智能实验室系统,卷97,不。2、179 - 188年,2009页。视图:出版商的网站|谷歌学术搜索
  42. 旷b和a . m . Mouazen”无预测土壤有机碳和总氮与可见光光谱可见光,受土壤含水量影响和质地,”生物系统工程,卷114,不。3、249 - 258年,2013页。视图:出版商的网站|谷歌学术搜索

版权©2018 Xue-Ying李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点819年
下载628年
引用

相关文章

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。