通过 PCA 开发稳健的化学计量分类模型

定性光谱学简介

定量化学计量学侧重于预测数值浓度（例如水分、脂肪或蛋白质百分比），而定性化学计量学旨在回答结构分类问题：这种材料是什么？与标签的规格相符吗？是否被掺假或稀释？

在高吞吐量的制造工厂和原材料仓库中，在收货码头验证物料身份是第一道防线化学和药物筛选防止生产错误。 主成分分析。使用化学计量学工具caliX化学计量工具。使用化学计量学工具caliX光谱套房, PCA 模型易于构建 (PCA) 是用于构建稳健、非破坏性光谱库以进行即时定性识别的主要数学工具。

PCA 如何处理光谱数据集

典型的 NIR 光谱包含数百个高度相关的波长通道。这些渠道的预测很难以原始形式进行分析。 PCA 是一种降维技术，它将高维光谱空间投影到一小组称为主成分 (PC) 的正交轴上。

• 电脑1：捕获光谱数据中最大的方差方向（通常与物理差异相关，例如颗粒大小）。
• 电脑2：捕获与 PC1 正交的第二大方差方向（通常与化学变化相关，例如化学浓度变化）。
• PC3、PC4...：捕获方差的递减程度，将精细化学变化与随机仪器噪声隔离开来。

通过将每个频谱映射为沿着这些 PC 的坐标（称为“分数”），复杂的频谱被简化为 2D 或 3D 分数图中的单个点。相似材料的光谱聚集在一起，而异常值则很突出。

“PCA 将光谱的有意义的特征与随机噪声隔离开来，将数百个波长测量结果转化为一组定义材料簇的紧凑坐标。”

建立分类边界

为了对传入材料进行分类，我们必须在分数图中定义参考簇周围的数学边界。 caliXSuite 使用双管齐下的统计测试：

1. Hotelling 的 T²（模型内距离）：测量 PC 模型空间内距簇中心的距离。它表示样本在参考总体中的典型程度。
2. Q 残差（模型外距离）：测量 PCA 模型未捕获的残差方差。如果输入的样本具有高 Q 残差，则它包含模型从未见过的化学特征（例如掺假物或不同物质）。

公制	统计限度	通过标准	失败时指示的操作
霍特林 T²	95% 置信度椭圆	样本坐标位于椭圆边界内	超出规格：材料与参考类别匹配，但具有非典型属性（例如，错误的湿度或密度）。
Q 残差	99% 阈值限制	残余噪音低于噪音上限	未知材料：检测到无法解释的化学结构。标记污染、替代或供应商错误。

部署 PCA 分类模型

一旦在 caliX 套件 中构建了分类模型，就可以直接导出到接收坞终端上运行的 ProChem 软件。当操作员将原材料袋放在在线传感器下时，系统会扫描材料，将光谱投影到 PCA 模型上，计算 T² 和 Q 统计数据，并在三秒内显示简单的 通过/失败 结果。这取代了数小时的色谱分析，防止错误的材料进入生产线。