scholarly journals A Graphical Method to Evaluate Spectral Preprocessing in Multivariate Regression Calibrations: Example with Savitzky—Golay Filters and Partial Least Squares Regression

2010 ◽  
Vol 64 (1) ◽  
pp. 73-82 ◽  
Author(s):  
Stephen R. Delwiche ◽  
James B. Reeves
Keyword(s):  
Least Squares ◽  
Partial Least Squares ◽  
Multivariate Regression ◽  
Partial Least Squares Regression ◽  
Graphical Method ◽  
Least Squares Regression

Use of reflectance spectroscopy to estimate the organic carbon and CaCO3 contents of soils

2012 ◽  
Vol 61 (2) ◽  
pp. 277-290 ◽  
Author(s):  
Ádám Csorba ◽  
Vince Láng ◽  
László Fenyvesi ◽  
Erika Michéli
Keyword(s):  
Organic Carbon ◽  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Mean Squared Error ◽  
Reflectance Spectroscopy ◽  
Least Squares Regression ◽  
Root Mean Squared Error ◽  
Squared Error

Napjainkban egyre nagyobb igény mutatkozik olyan technológiák és módszerek kidolgozására és alkalmazására, melyek lehetővé teszik a gyors, költséghatékony és környezetbarát talajadat-felvételezést és kiértékelést. Ezeknek az igényeknek felel meg a reflektancia spektroszkópia, mely az elektromágneses spektrum látható (VIS) és közeli infravörös (NIR) tartományában (350–2500 nm) végzett reflektancia-mérésekre épül. Figyelembe véve, hogy a talajokról felvett reflektancia spektrum információban nagyon gazdag, és a vizsgált tartományban számos talajalkotó rendelkezik karakterisztikus spektrális „ujjlenyomattal”, egyetlen görbéből lehetővé válik nagyszámú, kulcsfontosságú talajparaméter egyidejű meghatározása. Dolgozatunkban, a reflektancia spektroszkópia alapjaira helyezett, a talajok ösz-szetételének meghatározását célzó módszertani fejlesztés első lépéseit mutatjuk be. Munkánk során talajok szervesszén- és CaCO3-tartalmának megbecslését lehetővé tévő többváltozós matematikai-statisztikai módszerekre (részleges legkisebb négyzetek módszere, partial least squares regression – PLSR) épülő prediktív modellek létrehozását és tesztelését végeztük el. A létrehozott modellek tesztelése során megállapítottuk, hogy az eljárás mindkét talajparaméter esetében magas R2értéket [R2(szerves szén) = 0,815; R2(CaCO3) = 0,907] adott. A becslés pontosságát jelző közepes négyzetes eltérés (root mean squared error – RMSE) érték mindkét paraméter esetében közepesnek mondható [RMSE (szerves szén) = 0,467; RMSE (CaCO3) = 3,508], mely a reflektancia mérési előírások standardizálásával jelentősen javítható. Vizsgálataink alapján arra a következtetésre jutottunk, hogy a reflektancia spektroszkópia és a többváltozós kemometriai eljárások együttes alkalmazásával, gyors és költséghatékony adatfelvételezési és -értékelési módszerhez juthatunk.

Speech Emotion Recognition Based on Sparse Representation

2013 ◽  
Vol 38 (4) ◽  
pp. 465-470 ◽  
Author(s):  
Jingjie Yan ◽  
Xiaolan Wang ◽  
Weiyi Gu ◽  
LiLi Ma
Keyword(s):  
Dimensionality Reduction ◽  
Emotion Recognition ◽  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Speech Emotion Recognition ◽  
Least Squares Regression ◽  
Computer Science Pedagogy ◽  
Reduction Methods ◽  
Analysis Computer

Abstract Speech emotion recognition is deemed to be a meaningful and intractable issue among a number of do- mains comprising sentiment analysis, computer science, pedagogy, and so on. In this study, we investigate speech emotion recognition based on sparse partial least squares regression (SPLSR) approach in depth. We make use of the sparse partial least squares regression method to implement the feature selection and dimensionality reduction on the whole acquired speech emotion features. By the means of exploiting the SPLSR method, the component parts of those redundant and meaningless speech emotion features are lessened to zero while those serviceable and informative speech emotion features are maintained and selected to the following classification step. A number of tests on Berlin database reveal that the recogni- tion rate of the SPLSR method can reach up to 79.23% and is superior to other compared dimensionality reduction methods.

scholarly journals Rapid tannin profiling of tree fodders using untargeted mid-infrared spectroscopy and partial least squares regression

Plant Methods ◽  
2021 ◽  
Vol 17 (1) ◽  
Author(s):  
Jordi Ortuño ◽  
Sokratis Stergiadis ◽  
Anastasios Koidis ◽  
Jo Smith ◽  
Chris Humphrey ◽  
...  
Keyword(s):  
Infrared Spectroscopy ◽  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Multivariate Calibration ◽  
Plant Ecology ◽  
Coefficient Of Determination ◽  
Least Squares Regression ◽  
Mid Infrared ◽  
Mid Infrared Spectroscopy

Abstract Background The presence of condensed tannins (CT) in tree fodders entails a series of productive, health and ecological benefits for ruminant nutrition. Current wet analytical methods employed for full CT characterisation are time and resource-consuming, thus limiting its applicability for silvopastoral systems. The development of quick, safe and robust analytical techniques to monitor CT’s full profile is crucial to suitably understand CT variability and biological activity, which would help to develop efficient evidence-based decision-making to maximise CT-derived benefits. The present study investigates the suitability of Fourier-transformed mid-infrared spectroscopy (MIR: 4000–550 cm−1) combined with multivariate analysis to determine CT concentration and structure (mean degree of polymerization—mDP, procyanidins:prodelphidins ratio—PC:PD and cis:trans ratio) in oak, field maple and goat willow foliage, using HCl:Butanol:Acetone:Iron (HBAI) and thiolysis-HPLC as reference methods. Results The MIR spectra obtained were explored firstly using Principal Component Analysis, whereas multivariate calibration models were developed based on partial least-squares regression. MIR showed an excellent prediction capacity for the determination of PC:PD [coefficient of determination for prediction (R2P) = 0.96; ratio of prediction to deviation (RPD) = 5.26, range error ratio (RER) = 14.1] and cis:trans ratio (R2P = 0.95; RPD = 4.24; RER = 13.3); modest for CT quantification (HBAI: R2P = 0.92; RPD = 3.71; RER = 13.1; Thiolysis: R2P = 0.88; RPD = 2.80; RER = 11.5); and weak for mDP (R2P = 0.66; RPD = 1.86; RER = 7.16). Conclusions MIR combined with chemometrics allowed to characterize the full CT profile of tree foliage rapidly, which would help to assess better plant ecology variability and to improve the nutritional management of ruminant livestock.

scholarly journals Partial least squares regression as a powerful tool for investigating large combinatorial polymer libraries

2009 ◽  
Vol 41 (2) ◽  
pp. 127-135 ◽  
Author(s):  
Michael Taylor ◽  
Andrew J. Urquhart ◽  
Daniel G. Anderson ◽  
Robert Langer ◽  
Martyn C. Davies ◽  
...  
Keyword(s):  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Least Squares Regression
Sign in / Sign up

Export Citation Format

Share Document