2013年12月04日
星期三
近日，中国科学院合肥物质院智能所光谱智能感知团队提出了一种基于外部校准辅助筛选（External Calibration-assisted screening, ECA）的新型模型优化算法，显著提升了近红外光谱定量模型的预测稳健性。相关研究成果发表于分析化学领域TOP期刊Analytica Chimica Acta上发表。
近红外光谱技术（NIRS）作为一种前景广阔的无损检测方法，其预测性能高度依赖于定标模型的质量。然而，测量条件的变化常导致模型预测结果出现显著偏差，因此成熟的近红外模型需具备强稳健性以抵抗环境干扰。
针对上述问题，该研究团队提出以稳健预测而非准确预测为导向的近红外模型优化的观点，并介绍了一种具体实现路径，即ECA方法。研究团队通过引入新测量条件下采集的外部样本对初始模型进行校准，使其快速适应不同检测环境。该方法创新性地结合交叉验证与外部校准结果，提出稳健性评价指标PrRMSE，通过多参数建模组合筛选出最优稳健模型。研究人员将ECA方法与竞争性自适应重加权抽样算法（CARS）融合，形成ECCARS优化框架，并以一组实验室测量的米粉数据集和两组玉米公开数据集为对象验证其效能。结果表明，与传统CARS方法相比，ECCARS选择的模型在不同测量条件下的校正均方根误差降低12.15%至725%，验证均方根误差降低27.63%至482%，稳健性明显提高。
徐琢频博士为第一作者，王琦研究员和张鹏飞副研究员为通讯作者。本工作得到国家重点研发计划、安徽省科技创新攻坚计划、安徽省重点研发计划等项目的支持。
文章链接:
https://www.sciencedirect.com/science/article/pii/S0003267025006956
图1 使用外部校准辅助筛选（ECA）方法进行模型优化的示意图
新闻链接：http://www.hf.cas.cn/kxyj/kyjz/202506/t20250620_7872470.html
版权所有：安徽省光学学会（社证字第 0156号）
地址：安徽省合肥市蜀山湖路350号中科院安徽光机所一号楼
EMAIL：ahos@aiofm.ac.cn
