Additionally, one of the characteristics inherent to spectroscopic
analysis is the number of variables (several hundreds or even thou-
sands) that exist in the NIR spectra, usually significantly larger than
the number of samples. For this reason, they contain interferences com-
ing from background, noise and overlapping bands, leading to redun-
dancy and co-linearity in these variables. The molecular overtone and
combination bands seen in the NIR range are typically very broad, lead-
ing to complex spectra; thus being a difficult task to assign particular
features to specific chemical components. It brings a great challenge to
build a high-quality prediction model for unknown set of samples.
Thus, the application of an efficient variable selection and efficient sig-
nal de-noising and compression methods prior to the calibration step
has been proved to be greatly beneficial in providing more reliable
and parsimonious models (Pizarro, Esteban-Diez, & González-Sáiz,
2007; Teófilo, Martins, & Ferreira, 2009; Zhang et al., 2013).
Additionally, one of the characteristics inherent to spectroscopic
analysis is the number of variables (several hundreds or even thou-
sands) that exist in the NIR spectra, usually significantly larger than
the number of samples. For this reason, they contain interferences com-
ing from background, noise and overlapping bands, leading to redun-
dancy and co-linearity in these variables. The molecular overtone and
combination bands seen in the NIR range are typically very broad, lead-
ing to complex spectra; thus being a difficult task to assign particular
features to specific chemical components. It brings a great challenge to
build a high-quality prediction model for unknown set of samples.
Thus, the application of an efficient variable selection and efficient sig-
nal de-noising and compression methods prior to the calibration step
has been proved to be greatly beneficial in providing more reliable
and parsimonious models (Pizarro, Esteban-Diez, & González-Sáiz,
2007; Teófilo, Martins, & Ferreira, 2009; Zhang et al., 2013).
การแปล กรุณารอสักครู่..
Additionally, one of the characteristics inherent to spectroscopic
analysis is the number of variables (several hundreds or even thou-
sands) that exist in the NIR spectra, usually significantly larger than
the number of samples. For this reason, they contain interferences com-
ing from background, noise and overlapping bands, leading to redun-
dancy and co-linearity in these variables. The molecular overtone and
combination bands seen in the NIR range are typically very broad, lead-
ing to complex spectra; thus being a difficult task to assign particular
features to specific chemical components. It brings a great challenge to
build a high-quality prediction model for unknown set of samples.
Thus, the application of an efficient variable selection and efficient sig-
nal de-noising and compression methods prior to the calibration step
has been proved to be greatly beneficial in providing more reliable
and parsimonious models (Pizarro, Esteban-Diez, & González-Sáiz,
2007; Teófilo, Martins, & Ferreira, 2009; Zhang et al., 2013).
การแปล กรุณารอสักครู่..
นอกจากนี้ หนึ่งในลักษณะไปทาง
การวิเคราะห์จำนวนของตัวแปร ( หลายร้อยหรือแม้กระทั่งท่าน -
ทราย ) ที่มีอยู่ในสเปกตรัม NIR มักจะมีขนาดใหญ่กว่า
จำนวนตัวอย่าง ด้วยเหตุนี้พวกเขามีการแทรกแซงด้วย -
ing จากพื้นหลัง , เสียงและวงซ้อนทับกัน นำ redun -
แดนซี่และร่วมถึงในตัวแปรและโมเลกุลที่ Overtone
รวมวงเห็นทั่วไปมักจะมีช่วงกว้างมาก ตะกั่ว -
ing ที่ซับซ้อนนี้ จึงเป็นงานที่ยากที่จะกำหนดคุณสมบัติ
โดยเฉพาะองค์ประกอบทางเคมีโดยเฉพาะ มันก็ท้าทายดี
สร้างแบบจำลองการทำนายคุณภาพสูงสำหรับชุดของตัวอย่างที่ไม่รู้จัก
ดังนั้นการเลือกตัวแปรที่มีประสิทธิภาพและมีประสิทธิภาพ Sig -
de-noising นาล และวิธีการบีบอัดก่อนที่จะปรับแต่งขั้นตอน
ที่ได้รับการพิสูจน์แล้วว่าเป็นประโยชน์อย่างมากในการให้บริการรูปแบบที่เชื่อถือได้มากขึ้น
และ ความตระหนี่ ( ปิซาร์โร่ เอสเตบัน& Diez , , gonz . kgm lez-s . kgm อิซ ,
2007 ; ทีโอฟิโล มาร์ติน , & , เฟอร์เรร่า , 2009 ; Zhang et al . , 2013 )
การแปล กรุณารอสักครู่..