1 / 37

Концепция скрытых (латентных) переменных в химическом анализе. Часть 2. Количественный анализ

Концепция скрытых (латентных) переменных в химическом анализе. Часть 2. Количественный анализ. Родионова Оксана Евгеньевна rcs@chph.ras.ru Институт химической физики РАН, Российское хемометрическое общество. ?. Модель Y(X). Модель Y(X). +. Качественный анализ Задачи

valmai
Download Presentation

Концепция скрытых (латентных) переменных в химическом анализе. Часть 2. Количественный анализ

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Концепция скрытых (латентных) переменных в химическом анализе. Часть 2. Количественный анализ Родионова ОксанаЕвгеньевна rcs@chph.ras.ru Институт химической физики РАН, Российское хемометрическое общество

  2. ? Модель Y(X) Модель Y(X) + • Качественный анализ • Задачи • Анализ структуры, поиск латентных переменных • Классификация и дискриминация линейная регрессионная модель Y=XA+E Два класса решаемых задач

  3. предикторы ( независимые переменные ) отклики ( зависимые переменные ) n –количество образцов (наблюдений) p -количество переменных (факторов) Экспериментальные данные

  4. Экспериментальные данные Обучающий набор Проверочный набор

  5. Модельный пример Чистые спектры при CA=CB=1

  6. ? yiA xi i=1,..,9 Модельный пример

  7. Карл Ф. Гаусс - 1795 Метод наименьших квадратов(простейший случай)

  8. Одномерная градуировка y=xa+e R2C=0.796 R2C=0.469 R2P=0.778 R2P=0.012

  9. Одномерная регрессия n=9, p=1 Множественная регрессия n=9, p=8

  10. Среднеквадратичный остаток градуировки Среднеквадратичный остаток проверки Оценка качества модели

  11. RMSEP=0.23 RMSEP=0.35 Множественная регрессия RMSEC=0 RMSEC=0

  12. Представление данных в подпространстве

  13. Модельный пример (РГК шаг 1) X=TPt + E nPC=2

  14. RMSEP=0.054 (0.35) RMSEP=0.036 (0.23) Модельный пример (РГК шаг 2) RMSEC=0.077 (0) RMSEC=0.051 (0)

  15. Множественная регрессия ПЛС - регрессия Три регрессионных метода Регрессия на главные компоненты (РГК)

  16. Проекция на латентные структуры (ПЛС) Y X T U Q W P X=TPt + E Y=UQt + F t=Xw max|YtXw|2при условии |w|=1 XtYYtXw = w ( Herman Wold, 1973 & Agnar Höskuldsson, 1988 )

  17. ПЛС 2 РГК Модельный пример (ПЛС)

  18. Определение качества бензина по ИК-спектру в ближней области Исходные данные Обучающий набор = 26 образца Проверочный набор = 13 образцов Количество переменных (длин волн) = 226 (1100 – 1550 nm)

  19. «Тесто-вый набор» Выбор числа главных компонент …

  20. Предварительная обработка данных

  21. Измеряемые Глубина (Depth) Зольность (Ash) Влажность (Humidity) Об. вес (Weight) to летом (SummerT) to зимой (WinterT) Оцениваемые Линза (Lens = ± 1 ) Основа (Base = ± 1) Свалка Отклик Стабильность Mi=1–exp(-mTi)

  22. линзы основа Обработка экспериментальных данных Качество градуировки График счетов

  23. График нагрузок График счетов

  24. Определение следовых концентраций нефти в воде Общее число образцов N =80 Число переменных P =1024 X (801024) Y : 0, 2.5, 5, 10, 20, 50, 100, 300 ppm. 40 обучающих образцов 40 проверочных образцов

  25. y = log (1+yraw) Нелинейность в ПЛС модели X=TPt + E Y=UQt + F Ti – Ui показывают связь X-Y T это X-счета U это Y-счета

  26. Моделирование и прогноз y=0.995x+0.006 R2=0.996

  27. ПЛС прогноз В исходных единицах y : 0300 ppm RMSEC=0.12 RMSEP=0.24

  28. Многомерные и многомодальные данные

  29. Гиперспектральный анализ ... ... N-way данные ВЭЖХ-ДДМ Люминесцентный анализ

  30. Определение активности антиоксидантов Метод развертки (unfolding)

  31. N-way методы PARAFAC Tucker3

  32. SIMCA-P Umetrics UscramblerCAMO MVA for ExcelBristol University PLS-Toolbox Eigenvector Matlab chemometrics.ru Программное обеспечение

  33. Специальные журналы по хемометрике

  34. Кострома 2002 Белокуриха 2003 Самара 2006 Пуш. Горы 2004 Черноголовка 2005 Winter Symposiums on Chemometrics

  35. Шестой симпозиум по хемометрике Школа: 16-17 февраля 2008Конференция: 18-22 февраля 2008 Казань

  36. www.chemometrics.ru

More Related