Группа исследователей из Хэфэйского института физических наук Китайской академии наук предложила новый алгоритм оптимизации моделей — External Calibration-Assisted Screening (ECA). Этот алгоритм значительно повышает надёжность прогнозирования количественных моделей спектроскопии в ближнем инфракрасном диапазоне (NIRS). Результаты опубликованы в журнале Analytica Chimica Acta.
Спектроскопия в ближнем инфракрасном диапазоне
Спектроскопия в ближнем инфракрасном диапазоне — это многообещающий неразрушающий аналитический метод, эффективность которого во многом зависит от уровня развития калибровочных моделей. Однако вариации условий измерения часто приводят к существенным отклонениям в прогнозах. Поэтому для зрелых моделей NIRS важна устойчивость к внешним воздействиям.
Новый подход к оптимизации
В этом исследовании учёные предложили сдвиг парадигмы в сторону оптимизации, ориентированной на надёжность (а не только на точность) для моделей NIRS, и представили ECA как способ её реализации.
Метод ECA быстро адаптирует начальные модели к новым условиям обнаружения путём их калибровки с помощью внешних образцов, собранных в новых условиях измерения. Исследователи инновационно интегрировали результаты перекрёстной проверки с результатами внешней калибровки для создания нового показателя оценки надёжности — PrRMSE. Этот показатель позволяет идентифицировать оптимально надёжную модель путём комбинированного скрининга многопараметрического моделирования.
Для дальнейшего повышения производительности они объединили ECA с уже существующим алгоритмом конкурентной адаптивной пересчётной выборки (CARS), получив гибридную оптимизационную структуру под названием ECCARS.
Валидация и результаты
Фреймворк ECCARS был проверен с использованием одного лабораторного набора данных о рисовой муке и двух общедоступных наборов данных о кукурузе. Результаты впечатляют: по сравнению с традиционными методами CARS, модели, выбранные с помощью ECCARS, показали снижение ошибок калибровки на 12,15–725% и ошибок проверки на 27,63–482% в различных условиях.
Эти результаты подтверждают, что ECCARS значительно повышает надёжность и достоверность моделей NIRS, открывая путь для более стабильных и точных применений в реальных условиях.
Предоставлено Китайской академией наук.