1. 复杂体系
近红外光谱分析的核心技术是:压缩、复原与关联;
近红外光谱分析是从复杂的背景下提取弱信息。这种分析必须用足够大的样品集,才能采集样品的复杂背景信息。例如为了建立中国小麦等作物的数学模型,原则上应当取得国内不同地区,数以万计不同品种达到104-106左右样品的作物光谱,建立中国作物样品光谱库,以此为基础建立数学模型。另外,
近红外光谱分析必须用足够大的光谱数据点才能区别光谱中重叠的信息,例如:每个样品的傅立叶光谱通常有103个数据点。两个数据集的相乘使
近红外光谱分析所采集的信息是海量的信息,达到107-109数据规模的矩阵。
近红外光谱分析的本质是海量数据的采集与处理,处理海量数据必先对数据加以压缩。压缩包括对样品集(样品数)的压缩和光谱数据点集的压缩两方面。压缩的算法主要有主成分分解、傅立叶变换、小波变换等
近红外光谱有效信息的强度较低,属于弱信号。所以处理弱信号首先要通过数学处理,降低叠加在弱信号上的噪声与系统干扰(误差),增强有效信息的相对强度,以恢复弱信号的原有特征,这就是弱信号的恢复。
近红外光谱分析需要用两种校正技术(消除或降低信号中系统误差和随机误差的干扰)来处理
近红外光谱的弱信号,包括平均、求导、矢量归一化、傅立叶变换、小波变换等。
弱信号恢复与信号压缩是从两个不同的层面来提高
近红外光谱分析信号的有效信息率,都属于
近红外光谱分析海量数据的前处理。
经过前处理的光谱数据通过算法与待测量之间进行数学关联,建立数学。图1中给出了三种核心技术(在图中的圆框内),他们之间的关系,以及为什么要采用这些技术的原因。