Exclusivo BibloRed
Otros

Moving-Window-Improved Monte Carlo Uninformative Variable Elimination Combining Successive Projections Algorithm for Near-Infrared Spectroscopy (NIRS)

CONTENIDO PARA USUARIOS REGISTRADOS

Inicia sesión para disfrutar este recurso. Si aún no estás afiliado a BibloRed, haz clic en el botón.

Autor
Año de publicación 2020
Idioma Inglés
Publicado por Revista VirtualPRO,

Descripción: El método MC-UVE-SPA se propone comúnmente como un enfoque de selección de variables para calibración multivariante. Sin embargo, el SPA tiende a seleccionar variables de longitud de onda que están distribuidas de forma dispersa sobre los rangos de longitud de onda de las variables seleccionadas por el algoritmo MC-UVE, y la cascada MC-UVE-SPA no puede mejorar el problema de la discontinuidad de puntos de longitud de onda. En este artículo se aborda proponiendo un algoritmo de selección de longitud de onda MC-UVE-SPA mejorado con ventana móvil (MW). El algoritmo propuesto mejora la continuidad de las variables de longitud de onda seleccionadas y, por lo tanto, explota mejor las ventajas del algoritmo MC-UVE y del SPA para obtener modelos de regresión con alta precisión de predicción. Los algoritmos MC-UVE, MC-UVE-SPA y MC-UVE-SPA-MW se aplican para realizar la selección de variables de longitud de onda para los datos de absorbancia espectral NIR de maíz, combustible diésel y etileno. Aquí, se establecen modelos de regresión por mínimos cuadrados parciales (PLSR) que reflejan el contenido de aceite de maíz, el punto de ebullición del combustible diésel y la concentración de etileno después de realizar la selección de longitud de onda utilizando el algoritmo MC-UVE, y se establecen modelos de regresión lineal múltiple (MLR) correspondientes después de realizar la selección de longitud de onda utilizando los algoritmos MC-UVE-SPA y MC-UVE-SPA-MW. Los resultados experimentales demuestran que la eliminación progresiva de variables no correlacionadas y colineales genera modelos de espectro parcial cada vez más simplificados con una mayor precisión de predicción que el modelo de espectro completo. Entre los tres algoritmos de selección de longitud de onda, el MC-UVE-SPA seleccionó el menor número de variables de longitud de onda, mientras que el algoritmo propuesto MC-UVE-SPA-MW proporcionó modelos con la mayor precisión de predicción.
Citación recomendada (normas APA)
: Hindawi, "Moving-Window-Improved Monte Carlo Uninformative Variable Elimination Combining Successive Projections Algorithm for Near-Infrared Spectroscopy (NIRS)", -:Revista VirtualPRO,, 2020. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3926161/), el día 2025-06-01.

Información adicional

Fuente Revista Virtual Pro
Términos y condiciones de uso Más información aquí
Año de publicación 2020

Moving-Window-Improved Monte Carlo Uninformative Variable Elimination Combining Successive Projections Algorithm for Near-Infrared Spectroscopy (NIRS)

Información adicional

Mis colecciones

¿Eliminar esta reseña?