| dc.description.abstract | Raman-spektroskopi gir informasjon om molekylære vibrasjoner som kan brukes til å identifisere og kvantifisere bestanddelene av ulike materialer. Metoden er imidlertid svært følsom ovenfor kraftig støy.
En konsekvens av dette er at Raman-spektroskopi ofte bruker ikke-trivielle pre-prosesseringens steg for å oppnå gode resultater.
Denne masteroppgaven undersøker hvordan pre-prosessering av Raman spektra kan bidra til å forbedre evnen til å predikere mer nøyaktig kvantitativ informasjon.
En pre-prosessering metode, som ikke tidligere har vært anvendt innen Raman spektroskopi, har blitt foreslått.
Denne metoden bruker "spline type modulerende funksjoner", som hovedsakelig fungerer som filtre for å pre-prosessere Raman-spektra. Modulerende funksjoner med ulike konfigurasjoner ble anvendt både alene og i serie for å undersøke dempning av ulike frekvensområder. Den foreslåtte pre-prosesseringsmetoden ble sammenlignet med andre ofte brukte metoder, herunder multiplikativ signalkorreksjon (MSC), utvidet MSC (EMSC) og glidende gjennomsnitt - i kombinasjon med polynomisk kurvetilpasning. Pre-prosesseringsmetodene ble anvendt på to datasett. Datasett A bestod av 46 blandinger av rene komponenter, som ble valgt for å simulere typiske fermenteringsprodukter. Målet var å forutsi konsentrasjonen av eddiksyre, smørsyre og etanol. Det andre datasettet (datasett B) bestod av 232 melkeprøver hvor målet var å forutse jodverdien (I2 / 100g) fett). For å studere både lineære og ikke-lineære forhold, ble to kvantitative prediksjonsmodeller undersøkt; partiell minste kvadrats regresjon (PLSR) og kunstige nevrale nettverk (ANNs). Kvadratroten av brutto-variansen fra 10-foldet kryssvalidering (RMSECV) ble brukt som indikator for å validere effekten av den foreslåtte pre-prosesserings metoden.
Resultatene viste at den foreslåtte pre-prosesseringsmetoden ga forbedret prediksjon i forhold til det som ble oppnådd ved å bruke råspektra til å trene de prediktive modellene.
Imidlertid viste ingen av datasettene betydelige forbedringer. Anvendelsen av modulerende funksjoner ga bedre konsentrasjonsprediksjon for datasett A sammenlignet med de andre testede pre-prosesseringsmetodene. Det motsatte viste seg å være sant for datasett B. Det ble derfor foreslått å gjennomføre en grundigere frekvensanalyse, for å kunne velge modulerende funksjoner med parametere mer egnet for støyfordelingen i det aktuelle datasettet. I tillegg anbefales det å innhente et mer omfattende datasett for å kunne øke prediksjonsevnen. | |