Любой экспресс анализатор, работающий в ближней инфракрасной области (БИК), должен постоянно находится под пристальным контролем лаборатории, если Вы хотите получать с него достоверную информацию. Часто приборы проходят предварительную калибровку на заводе, но понимание некоторых основ методов их калибровки может быть очень полезно для пользователей.
Любой экспресс анализ является вторичным. Что это значит? Это значит, что любой анализатор, абсолютно любого производителя, изначально настраивается на данных, полученных арбитражными (ГОСТ, эталонными) методами в лаборатории. Данные этих измерений вводятся в программное обеспечение, которое находит связь между спектральной информацией из образцов, проанализированных на экспресс анализаторе и результатами эталонного метода. Эта связь называется калибровочной моделью. Она выражается как алгоритм или математическое уравнение, которое инструмент использует для прогнозирования результатов измерений при анализе неизвестных образцов.
Для получения этих алгоритмов используются несколько математических методов: от самых простых, до очень продвинутых. Не существует универсального метода, который был бы лучше других, все зависит от конкретной ситуации. Методы, описанные ниже, являются наиболее часто используемыми.
MLR (множественная линейная регрессия)
Этот базовый метод, который обычно используется для фильтровых анализаторов и простых приложений. MLR подходит в случае очень сильной корреляции между измеряемым параметром и несколькими конкретными длинами волн инфракрасного диапазона. Одной из таких ситуаций является анализ влажности в случае, когда все остальные показатели стабильны. Такие случаи встречаются довольно редко, поэтому фильтровая технология и множественная линейная регрессия сегодня практически не используются.
Подходит только для очень простых приложений.
PLS (частные наименьшие квадраты)
PLS — это гораздо более совершенная техника и наиболее часто используемый метод калибровки для всех типов БИК анализаторов. Он хорошо работает в большинстве ситуаций. Достаточно часто удается создать хорошие калибровки всего на 100 образцах. Другой плюс метода PLS заключается в том, что он обычно дает разумные прогнозы даже для образцов, которые немного отличаются от диапазона, на котором была построена калибровка.
В случаях, когда одна калибровка должна покрывать очень широкий разброс образцов, метод PLS не всегда дает оптимальную производительность. Данная статья отображает один из таких случаев: разработка глобальной калибровочной модели для всех видов мяса и мясных продуктов. PLS отлично справлялся с каждым отдельным типом мяса самостоятельно, но когда объединили все виды мяса в одну калибровку данный метод перестал демонстрировать хорошие результаты. В данном случае методы ANN и HR сработали гораздо лучше.
Подходит для большинства ситуаций. Обладает ограниченными возможностями в ситуациях, когда есть много вариаций и разнообразия.
Локальный
Локальный метод пытается преодолеть ограничение PLS при обработке ситуаций с большим разбросом выборки. В локальном методе нет заранее определенной модели калибровки. Вместо этого имеется база данных образцов, которая включает в себя спектры и арбитражные значения. Каждый раз, когда анализируется неизвестный образец, данный метод оценивает инфракрасный сигнал, находит аналогичные образцы в базе данных и вычисляет модель PLS на основе данных похожих образцов. Этот метод дает преимущество в том, что он способен обрабатывать очень разнообразные ситуации, при условии, что имеется достаточно образцов каждого типа. Другое преимущество заключается в том, что относительно легко добавить новые изменения в локальную модель, поскольку новые калибровочные образцы могут быть просто добавлены в базу данных.
Однако для этого метода требуется большое количество образцов, и база данных должна быть установлена на каждом анализаторе. Еще один минус данного метода заключается в том, что нет никакого реального обучения при добавлении новых образцов, и любой неизвестный образец должен быть похож на то, что уже есть в базе данных для хорошей эффективности прогнозирования. Трудно отследить какая калибровочная модель использовалась для конкретного анализа, поскольку модель уникальна для каждого измерения, точно также, как и сама база данных во время анализа.
Подходит для ситуаций, когда очень большой разброс по образцам. Требует наличия в базе данных огромного количества контрольных образцов, которые адекватно характеризуют будущие образцы.
ANN (Искусственные нейронные сети)
Само название «Искусственные нейронные сети» может ввести в заблуждение, что это нечто совершенно иное, чем предыдущие методы, но ANN — это просто немного другая математика. Преимущество данного метода состоит в том, что одна калибровочная модель может охватывать очень разные типы образцов и, тем не менее, обеспечивает точные результаты. Он также способен обрабатывать нежелательные изменения, включая аппаратные, температурные или изменения эталонного метода.
Самый большой недостаток заключается в том, что для хорошей работы данного метода потребует значительное количество образцов базе данных; по меньшей мере 1000 образцов, а, возможно, даже 4000-5000 образцов для значительного эффекта. С ANN также необходимо позаботиться о включении всех возможных будущих изменений модель, поскольку ANN на самом деле менее надежна, чем PLS на образцах, которые отличаются от модели, на которой была разработана модель.
Подходит для ситуаций, когда выбор образцов велик. Требует множество образцов, которые должным образом представляют будущие образцы.
HR (регрессия Хонигса)
Регрессия Хонигса — это авторский метода, разработанный компанией Пертен Инструментс (Perten Instruments). Его цель — объединить надежность PLS с возможностью локального / ANN методов для обработки больших вариации выборки, но не требуя наличия тысяч образцов. Данный метод объединяет калибровочную модель PLS с образцовой базой данных, содержащей спектры и арбитражные значения. Предсказание калибровочной модели PLS настраивается на основе свойств наиболее похожих образцов, найденных в базе данных.
Регрессия Хонигса очень хорошо работает в ситуациях, когда очень разные типы образцов должны быть охвачены одной калибровочной моделью. Как и в случае с локальным методом, калибровочную модель легко обновить, чтобы охватить новую вариацию, просто добавив в базу данных новые образцы.
Подходит для ситуаций, когда выборка образцов велика.