مقاله بازتعریف انتخاب پیش‌پردازش به عنوان کالیبراسیون درونی مدل در طیف‌سنجی فروسرخ نزدیک: ارزیابی مقیاس بزرگ مدل‌های PLS و Ridge سازگار با اپراتور
,

مقاله بازتعریف انتخاب پیش‌پردازش به عنوان کالیبراسیون درونی مدل در طیف‌سنجی فروسرخ نزدیک: ارزیابی مقیاس بزرگ مدل‌های PLS و Ridge سازگار با اپراتور

تومان249,950

طیف‌سنجی فروسرخ نزدیک (NIRS) سریع و غیرمخرب است، اما کالیبراسیون قابل اعتماد همچنان به شدت به پیش‌پردازش طیفی وابسته است. در عمل معمول، پیش‌پردازش اغلب با جستجوهای خارجی گسترده در پایپ‌لاین انتخاب می‌…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000282 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

بازتعریف انتخاب پیش‌پردازش به عنوان کالیبراسیون درونی مدل در طیف‌سنجی فروسرخ نزدیک: ارزیابی مقیاس بزرگ مدل‌های PLS و Ridge سازگار با اپراتور

Reframing preprocessing selection as model-internal calibration in near-infrared spectroscopy: A large-scale benchmark of operator-adaptive PLS and Ridge models

نویسندگان: Gregory Beurier, Robin Reiter, Camille Noûs, Lauriane Rouan, Denis Cornet

شناسه منبع: arxiv / 2605.13587v1

دسته: stat.ML,cs.LG,eess.SP

چکیده (فارسی)

طیف‌سنجی فروسرخ نزدیک (NIRS) سریع و غیرمخرب است، اما کالیبراسیون قابل اعتماد همچنان به شدت به پیش‌پردازش طیفی وابسته است. در عمل معمول، پیش‌پردازش اغلب با جستجوهای خارجی گسترده در پایپ‌لاین انتخاب می‌شود که پرهزینه، ناپایدار در مجموعه داده‌های کالیبراسیون کوچک و دشوار برای حسابرسی است. ما کالیبراسیون تطبیقی اپراتور را معرفی می‌کنیم، چارچوبی که انتخاب پیش‌پردازش خطی را به درون مدل کالیبراسیون منتقل می‌کند. روش‌های درمانی کاندید به عنوان اپراتورهای طیفی خطی کدگذاری می‌شوند، در حالی که اصلاحات غیرخطی یا تطبیقی نمونه مانند SNV، MSC و ASLS به عنوان شاخه‌های محلی تاشو برای جلوگیری از نشت پردازش می‌شوند. ما این چارچوب را برای رگرسیون PLS و Ridge پیاده‌سازی می‌کنیم. برای PLS، هویت‌های کوواریانس امکان تغییرات سریع NIPALS و SIMPLS را در حالی که ضرایب طول موج اصلی حفظ می‌شوند، فراهم می‌کند. برای Ridge، هسته‌های تطبیقی اپراتور یک فرمول‌بندی دوگانه با ضرایب قابل بازیابی در فضای اصلی ایجاد می‌کنند. این رویکرد بر روی بیش از ۵۰ مجموعه داده ناهمگن NIRS در مقایسه با مدل‌های پایه متعارف PLS، Ridge، CatBoost و CNN تحت بودجه‌های جستجوی مستند ارزیابی شد. PLS فشرده تطبیقی اپراتور با پیش‌پردازش شاخه ASLS، نسبت RMSEP/PLS میانه ۰.۹۶۰ را با ۴۲ پیروزی در ۵۷ مجموعه داده به دست آورد، در حالی که یک انتخابگر Ridge قابل استقرار AOM با بهبود ۲.۲۲ درصدی میانه نسبت به Ridge تنظیم شده، در ۵۲ مجموعه داده ۳۵ پیروزی کسب کرد. مدل‌های پیشنهادی وابستگی به کمپین‌های گسترده بهینه‌سازی هایپرپارامتر پیش‌پردازش را کاهش می‌دهند، انتخاب‌های اپراتور قابل ردیابی تولید می‌کنند، ضرایب قابل تفسیر را حفظ می‌کنند و در عرض چند ثانیه برای AOM-PLS فشرده مناسب هستند. بنابراین، کالیبراسیون تطبیقی اپراتور مسیری عملی برای توسعه سریع‌تر، قوی‌تر و قابل حسابرسی‌تر روش‌های NIRS ارائه می‌دهد.

Abstract (English)

Near-infrared spectroscopy (NIRS) is rapid and non-destructive, but reliable calibration still depends heavily on spectral preprocessing. In routine practice, preprocessing is often selected by large external pipeline searches that are costly, unstable on small calibration sets, and difficult to audit. We introduce operator-adaptive calibration, a framework that moves linear preprocessing selection inside the calibration model. Candidate treatments are encoded as linear spectral operators, while nonlinear or sample-adaptive corrections such as SNV, MSC, and ASLS are handled as fold-local branches to prevent leakage. We instantiate the framework for PLS and Ridge regression. For PLS, covariance identities enable fast NIPALS and SIMPLS variants while preserving original-wavelength coefficients. For Ridge, operator-adaptive kernels yield a dual formulation with recoverable original-space coefficients. The approach was evaluated on more than 50 heterogeneous NIRS datasets against conventional PLS, Ridge, CatBoost, and CNN baselines under documented search budgets. Compact operator-adaptive PLS with ASLS branch preprocessing achieved a median RMSEP/PLS ratio of 0.960 with 42 wins on 57 datasets, while a deployable AOM-Ridge selector improved over tuned Ridge by a median 2.22% with 35 wins on 52 datasets. The proposed models reduce dependence on large preprocessing-HPO campaigns, produce traceable operator choices, retain interpretable coefficients, and fit in seconds for compact AOM-PLS. Operator-adaptive calibration therefore offers a practical route to faster, more robust, and more auditable NIRS method development.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله بازتعریف انتخاب پیش‌پردازش به عنوان کالیبراسیون درونی مدل در طیف‌سنجی فروسرخ نزدیک: ارزیابی مقیاس بزرگ مدل‌های PLS و Ridge سازگار با اپراتور”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا