Algoritmo das projeções sucessivas associado ao Kernel-PLS para calibração multivariada não linear

Neste trabalho é relatado, pela primeira vez, o uso do Algoritmo das Projeções Sucessivas para a seleção de intervalos (iSPA) como etapa prévia a modelagem de dados não-lineares por meio Kernel Partial Least Square (Kernel-PLS). Esta nova abordagem, ou seja, iSPA-Kernel-PLS, é uma combinação entre a...

Nível de Acesso:openAccess
Publication Date:2017
Main Author: Almeida, Valber Elias de lattes
Orientador/a: Araújo, Mário César Ugulino de lattes
Co-advisor: Gomes, Adriano de Araújo
Format: Dissertação
Language:por
Published: Universidade Federal da Paraíba
Programa: Programa de Pós-Graduação em Química
Department: Química
Assuntos em Portugês:
Áreas de Conhecimento:
Online Access:https://repositorio.ufpb.br/jspui/handle/123456789/11888
Resumo Português:Neste trabalho é relatado, pela primeira vez, o uso do Algoritmo das Projeções Sucessivas para a seleção de intervalos (iSPA) como etapa prévia a modelagem de dados não-lineares por meio Kernel Partial Least Square (Kernel-PLS). Esta nova abordagem, ou seja, iSPA-Kernel-PLS, é uma combinação entre a remoção de variáveis não informativas e ou redundantes, promovida pelo SPA e redução de ruído em dados não-lineares por Kernel PLS. O desempenho do iSPA-Kernel-PLS foi avaliado nos seguintes estudos de caso em que a relação entre concentração e sinal analítico é não linear: dois bancos de dados simulados e um banco de dados envolvendo a quantificação de açúcares totais e grau brix em diferentes etapas do processo de produção de açúcar utilizando espectroscopia de infravermelho próximo em modo de transflectância. Quando comparados com o modelo full Kernel-PLS (espectro completo), o iSPA-Kernel-PLS apresentou melhores resultados em termos de RMSE, REP, R² e não foi verificado a presença de tendências (bias) significativas nas elipses de confiança. Portanto, os resultados obtidos mostram que o método proposto (iSPA-Kernel-PLS) é uma ferramenta útil na calibração não-linear.
In this work is reported, for the first time, the use of the Successive Projection Algorithm for interval selection (iSPA) combined to nonlinear data modeling by Kernel Partial Least Square (Kernel-PLS). This new approach, namely iSPA-Kernel-PLS, is a linkup between uninformative variable removed by SPA and noise reduction in nonlinear data by Kernel PLS. The performance of the proposed method was evaluated in three cases of study: (i) two simulated data to quantitation of the analyte in which concentration-analytical signal relation is quadratic and (ii) sugar and brix quantitation in sugar cane process control at different steps using near infrared spectroscopy (NIR) in transflectance mode. The nonlinear relationship between sugar/brix and NIR intensities was confirmed by appropriate statistical tests. When compared with full model (full spectrum), the proposed methods showed better results in terms of RMSE, REP and R2 for all case. In addition, significant bias is always absent in interval selection models based; this information is supported by analysis of elliptical joint confidence region. Therefore, the obtained results show that interval or variable selection, widespread in the linear calibration context, is a useful tool in nonlinear context too.