基于SE-PDS增强型近红外光谱迁移学习的跨仪器航空煤油性质定量分析新方法

《Talanta》：SE-PDS Enhanced NIR Spectral Transfer Learning: A Machine Learning Approach for Cross-Instrument Jet Fuel Property Quantification

本文提出改进的共享嵌入增强分段直接标准化（SE-PDS）算法，结合随机森林（RF）模型实现跨仪器近红外光谱迁移，成功对航空煤油16种理化性质进行定量预测。该方法通过共享嵌入和非线性特征学习有效解决仪器间光谱差异，为复杂混合物跨仪器模型迁移提供创新解决方案。

　　

亮点

本研究提出改进的共享嵌入增强分段直接标准化（SE-PDS）算法，成功实现不同仪器间近红外光谱迁移。结合随机森林（RF）模型，能够对航空煤油的16种理化性质进行跨仪器定量预测。通过86个航空煤油样本在两种仪器上的验证表明，SE-PDS校准的光谱性能优于直接标准化（DS）和分段直接标准化（PDS）方法，仪器间平均相关系数达0.9999，最低相关系数为0.9997。

仪器与样本制备

实验采用两台光栅光谱仪进行方法验证。主仪器为定制近红外光谱仪（808.295-1740.173 nm，分辨率8 nm），从仪器为工业级FLD-300快速油品分析仪（900-1700 nm）。所有86个航空煤油样本均在两种仪器上完成光谱采集。

航空煤油光谱特性及仪器间变异性分析

主仪器生成1024个数据点/样本的光谱，从仪器生成801个数据点/样本的光谱。聚焦航空煤油主要光谱信息区间（1100-1500 nm），对光谱进行截断处理。主从仪器光谱在形状和吸收强度上存在显著差异，主要体现在特定波段吸收强度偏移和基线波动。

结论

改进的SE-PDS算法成功实现航空煤油16种关键理化性质的跨仪器精准预测。通过与DS/PDS方法对比发现，SE-PDS结合RF模型展现最优传输效果。该方法通过共享嵌入和滑动窗口策略，有效捕捉全局模式的同时消除不规则波动，为复杂混合物跨仪器模型迁移提供可靠解决方案。