当一个近红外（NIR）光谱学项目完成，无论是作为报告还是作为科学论文，都应该有将近40个项目被报道。然而，在我们阅读大量文献的过程中，许多论文发表或发表的报告不超过这些文献的6至10篇。本教程的目的是说明所有项目和报告它们的原因。大多数需要报告的项目对于那些试图复制同行评审文章中报告的应用程序和方法的人来说是非常重要的。实际上，所有的项目对任何工人来说都是重要的，如果他们的工作最终目标是将其扩展到工业应用的水平。本教程将总结这些项目，并给出一些解释。本教程应该对潜在的作者以及审稿人有用。
关键词
校准，基本项目，近红外光谱，报告，验证
介绍
有两种主要的校准类型。其中一个是可行性研究，在这项研究中，收集、扫描、提交参考数据、校准、以及作为科学论文发表或在会议上发表的结果的样本相对较少。这种类型的校准是数以千计的论文出现在期刊和会议记录中的基础。通常，没有人试图确定这种校准是否实际有效，也没有真正的需要，因为实现和证明可行性的目标已经实现。另一种是用于工业的校准。这种校准有两个子部分。第一个是适用于每一个到达实验室进行分析的样本，覆盖了整个预期的成分范围和其他变量。一个例子是测试谷物的蛋白质或水分含量。这种校准通常在工业中广泛使用。对这样的校准效果真实的测试表面时，一套早期的样本，在日常分析中应用后立即进行测试，受到无所不在的统计，9月，R2和RPD。第二分部是为质量控制而开发的校准，例如面粉、米尔斯或饲料生产中，产品的一致性是必不可少的。对于这种类型的应用程序，在校准后测试的样品中预计会出现最小方差。出于实际目的，质量控制人员实际上只对预测结果感兴趣，以确保满足规格，例如面粉中的12.2%蛋白质0.1%。通常的统计，9月是一定的价值，但R2和RPD均不适用因为缺乏足够的方差。但这种校准同样重要。例如，一个大的面粉厂每小时能生产1000吨面粉，而且面粉必须符合面包师的规格。这两个细分都要求进行广泛的工作，包括组装适当的样本，而制定这种校准的步骤不在本教程的范围之内。近红外光谱的进展，我们认为是必不可少的进展列表，并简要描述在适当的群体。
第一组介绍，样本描述和参考方法
1。校准的目的是什么？
2。材料和材料的形式，如固体、液体、泥浆
三.样品来源
4。采集的样本数
5。抽样方法，包括样本容量
6。样品保存方法
7。样品制备方法
8。带单位的参考方法
9。报告的水分基础：如干物质（DM），如，或其他一些水分基础。
10。参考方法的标准误差，即实验室的标准误差（或标准误差）
项目1。的目的。在考虑进行近红外光谱应用时，应首先考虑应用程序的需要。它应该说明为什么要进行这项工作，并应包括对工业的价值或潜在价值。它应该表明其决定使用近红外光谱的原因，例如即时结果的需要，在经营成本提高，等等这些第一点应包括在报告或文章的介绍，也应解释在常规方法使用近红外光谱技术的价值。
项目2。材料形式。这应该包括材料是新鲜的、成熟的、干的、全谷物的、纤维的等等。应该描述样品的物理性质，包括它们是否是新鲜的、地面的、切碎的、液体的、泥浆的或其他的。材料的性质通常是在文章的标题显示，如谷物、饲料、肥料、等。另外，标题应说明报告的目的，如对薄膜厚度的预测一个新的算法，利用近红外光谱技术”。一个典型样品的光谱可以包含在这里。
项目3 - 7。样品的来源、数量和取样方法。这些项目与样品有关。工作中使用的样品的完整性至关重要。这包括操作者识别所有可能影响光谱的变异源。其次，重要的是确定来源，或来源的样本，包括方差来源，以及在何种程度上从这些来源的样品可以始终如一地提供。温度、含水量、颗粒大小和颗粒特性是重要的和经常发生的变量，但其他来源的方差是特定的应用程序。样品的组装必须包括和复制所有可能的变异源，并应列出组装的样品总数。复制意味着携带参考源的独立样本在不同的时间，理想情况下来自不同的来源，而不是同一个样品只是简单地扫描不止一次，或者多于一个样品同时从同一个源取出。项目5是抽样技术，包括样品抽取方法和样本大小。应该描述抽取样品的方法，特别是如果样品要与在线分析相结合从流程流中抽取。样品的储存方法会影响成分，特别是水分含量，从而影响光谱。样品可以储存在5C短时间（最多三至四天）。冷冻谷物和其他多孔材料是不可取的，因为伴随着水到冰的变化会影响光谱。这对于新鲜样品尤其重要，样品应在提取时进行扫描，或此后尽快进行扫描。经过扫描的这种新鲜样品可以在扫描前冻结，以保护它们在参考分析之前不改变成分，前提是这不会影响光谱响应。存放样品的容器应报告。样品应储存在容器或塑料袋中，以保护材料不受成分改变、湿度变化、氧化或其他机构的影响。
项目7。样品的制备。近红外光谱的主要特点之一是需要最少的，有时没有样品制备。除去那些不属于分析材料的明显的项目，如外来的谷物材料，这是分析的第一步。必要时，近红外光谱分析的样品制备通常包括通过研磨或切割来减小尺寸，这两种方法都影响光谱。磨床的类型和磨削方法，包括粒度，应报告。样品制备步骤还包括将面粉、米尔斯粉和动物饲料混合料等原料混合在一起，其中含有各种物理成分差别很大的成分。液体物料的搅拌，如粪便或污水污泥，含有悬浮颗粒，应在扫描前或样品称重前立即进行参考分析。
项目8 - 10。参考分析。使用的方法应给出，连同已认证方法的协会（如AOAC），该方法的参考编号，并通过参考分析的单位是记录和报告，包括水分的基础上，例如，当非认证的方法应详细描述。项目10：所使用的参考方法的标准错误是信息的基本部分。这些有时被称为SEL，或设置，测试的标准错误。
II组。仪器与数据采集
11。仪器（S）的应用，包括波长范围和增量，以及傅里叶变换近红外（FT-NIR）仪器的分辨度
12。多次重复扫描（包装）
13。对样品进行样品显示的方法，如杯型和尺寸、带尺寸的旋转槽、开料斗等。
项目11。所使用的仪器，包括它的规格是必要的信息。应给出仪器（制造公司）、仪器的类型（如扫描光谱仪、二极管阵列等）和模型，以及波长范围。增量在光谱数据在扫描过程中，不同的仪器从0.5nm低超过5 nm的记录。一些工具软件，在扫描间隔小，包括系统的'binning”增量谱数据平滑和衍生发展前。分辨率的程度应报告近红外仪器。每个光谱平均扫描次数应记录下来。子扫描平均数越高，最终频谱的完整性和每次测试的时间就越高。通常，25次扫描就足够了。
项目12 - 13。再包数（不同于重新扫描）应说明。对仪器进行样品演示的方法是必要的。详细信息应包括样本呈现单元的大小和设计。示例演示的方法，除了常见的细胞样本，应该被描述，例如如果样品进行扫描，从上面或下面，类型和样品池的大小，无论电池旋转时，无论是采用分析仪及其尺寸，或是分析是进行连续在线。在透射式扫描的情况下，应注明路径长度。在线应用的液体样品展示应指示分析是进行反射，反射或透射模式。由于温度在近红外光谱应用中的重要性，所以记录取样校正期间的温度范围应该被记录下来。校准开发的样品应在仪器用于日常分析的正常时间内取样。这将包括环境温度、灰尘、相对湿度以及其他因素的波动，这些因素可能会增加光谱的方差来源。仪器是否应该用于室内或室外分析。操作条件的波动对于户外应用来说会更极端。在用近红外光谱分析泥浆和其它半固体样品时，应描述样品之间的样品池清洗方法。
III组的校准
14。参考数据的平均值
15。参考数据的中位数
16。参考数据的标准差（SD）
17。建立校正模型的方法，如多元线性回归（MLR）、偏最小二乘（PLS）、支持向量机、人工神经网络或其他方法。
18。校准评估方法，例如交叉验证（CV）或测试集评估
19。如果从样本的原始种群中选择测试集，则使用（选择）方法。
20。如果测试步骤步骤19被跟踪，则用于校准和测试（评估）的步骤的数量。
21。所使用的方法，如果CV进行（例如“把一”，大小组被排除，循环块，随机）
22。数学数据预处理，包括散射校正系统和派生类型（gapsegment或Savitsky Golay及其参数）
23。去除异常值的数量，包括原因（如光谱或其他异常值）
24。用于校准模型的波长范围
25。MLR项数、PLS因子、SVM参数或人工神经网络体系结构（层和节点）
26。校准和交叉验证的标准误差的标准误差（SECV和RMSECV），或预测均方根误差（RMSEP）如果一个测试集分拆项目14–16关注统计取得的结果的参考方法的应用（S）的全部人口，为不同的项目10其中提出了参考方法的标准误差在方法单一样本应用成果的可持续。参考测试的结果是评价近红外光谱测试比较的标准。参考数据的平均值、中位数和标准偏差也是关于样本组成的有用信息。但是为什么是中位数呢？中位数提供了样本人口中参考数据分布的额外信息。在高斯分布的数据中，中值和中位数应该相似。这意味着一小部分人口比其他人口高或低。例如，如果小麦人口的平均蛋白质为14.05%，SD为2.6，但中位数为14.57%，这表明人口中的一小部分（例如高达15%）比其他人低得多。同样，如果小麦人口的平均蛋白质为12.44%，SD为2.6，但中位数为11.80%，这意味着一小部分人口比其他人高得多。
项目17。应制定校准模型，如MLR、PLS回归（PLS）、支持向量机、人工神经网络或其他方法。在使用专有软件时，应说明版本。
项目18 - 21。校准的评估方法通常包括CV或测试集方法。由于样本数远大于150，测试集系统往往更适合于校准模型的评估。对测试方法选择的方法应记录（19项）。它包括建立校准和验证样本集的步骤，通常来自原始人群。对于测试集评估，选择测试集的一个有用的系统是对组件或参数的总体样本进行排序，然后为测试集选择每第五个样本。这保证了在两个样本集中的参考数据的分布，不管样本源如何。应对所有成分和参数重复系统，并给出校准和验证集中的样本数。大多数近红外光谱工作者使用这种方法的测试集评价的变化。应分别说明校准和验证样本集中使用的样本数。校准最真实的评估是当校准首次应用于实际的日常分析时。CV被推荐用于评估基于小样本集的任何校准模型，例如高达100 - 150个样本。CV的方法包括一个或全部CV，其中一个一个地被省略，或者组CV，其中省略了一组样本。这是关键信息，应该予以说明。对150个样本的小群体推荐完全（一次性）简历。对于500个或更多的大群体来说，它变得繁琐和耗时，而且不会增加简历的价值。随机选择组CV，甚至小组，在组内添加方差到整体方差，并补充CV的完整性。群体选择的方法应该出现，样品每组例如数、组随机选择的最佳模式，等从简历中又具有最高的R2，最低标准误差（SECV）CV，和最高的RPD。如果要使用CV，就不需要对样本进行排序或细分，因为所有的样本都将被使用。
项目22。数学数据预处理包括衍生工具的开发。顺序（例如，第一，第二，或更高）应该说明，连同导数的大小（平滑度和段大小）。“使”或“'gap”是数量的波长点包含在段。例如，软件定义的winisi衍生的数字如144，1表示的衍生物（在这种情况下，一阶导数），第一4给出了波长点数量的初始和最终的导数的波长点之间（“'gap”），第二4给出了波长点数被平滑的光谱（“使”）。表达衍生的另一种形式（数学）预处理是用来描述导数，G描述的差距（用于开发不同的点之间的距离），和S1，S2，等来表示波长点的数量来平滑数据（“使”）。运算符通常优化派生维度，但只需在报表或文章中记录最终维度（即导致最可接受的统计数据的维度）。在应用散射校正时，应说明形式，如直接乘法散射校正（MSC）、标准正态变量等。如果样品要在几天内收回，按日期排序可以为CV提供一个可行的分组。
项目23。离群点去除。去除异常值的数量是至关重要的。近红外光谱分析的主要目的是获得一致准确的质量控制结果，或者为日常操作开发一种可靠的方法，而不是简单地发布一组吸引人的统计数据。理想情况下，不应该有离群值。在使用近红外光谱分析日，没有异常值，因为一切都必须进行分析。离群值通常很小。去除多达2%的人口是可以接受的，尤其是在大量的样本人群中（> 250）。应包括此种清除的原因。如果对预测结果进行绘图表明，校准中有许多离群值（10%或更多），不太可能所有这些都是离群值。过度方差的一个可能来源是在参考数据中——再一次，知道引用测试的错误的重要性再怎么强调也不为过。如果在新的应用程序中出现大量的异常值，它们可能会继续成为未来应用程序的一个因素。如果一个正在进行一个全新的商品成分组合的校准，校准结果很差，但是对参考数据的结果有信心，如果需要精确的分析，近红外光谱法可能不适用于这一领域的工作。这可能仍然是筛选方法，以减少体积更昂贵的化学或理化分析。
项目24 - 25。MLR校准中使用的波长的数目和位置是有用的信息。在大多数情况下，三到四个波长通常可以进行可靠的校准。如果超过六个波长似乎是必要的，运动应该重复使用新的样本集。如果结果相同，并且波长大致相同，校准可能是可靠的。采用MLR和PLS校准波长，连同他们的作业可以在作者的自由裁量权的报道，参照公认的文本或文本，例如工人和威尔。1 PLS因子数是衡量校准的潜在效能。在实践中，大多数成功的PLS校准方程表明不超过六至八个因素。如果系统使用12 - 15个因素，这通常表明计算中存在一些不确定性。另一方面，如果系统只使用1的PLS因素，则应谨慎对待，并进行调查。在主成分回归的概念视图（PCR）和最小二乘法，这是不可能的，所有的光谱和参考数据的方差解释由一个单一的因素。
项目26。校准和CV的标准误差（RMSEC），SEC和SECV（RMSECV）应给予。SEC，终于波长范围优化后接受数学数据预处理、和散射校正应类似于SEP（RMSEP）。
