Dissertação
Deep exploration of the benefits and drawbacks of sparse‐based models in NIR, Raman and Hyperspectral Imaging EVALUATED
Este projecto investiga o desempenho da modelação por análise de componentes principais (PCA) com esparsez induzida nos loadings, para facilitar a interpretação dos componentes principais através da eficiente selecção de variáveis. Adicionalmente, os scores do modelo foram utilizados para o desenvolvimento de um modelo de classificação utilizando o algoritmo k-Nearest Neighbours (k-NN), cuja exactidão foi avaliada e comparada com os resultados obtidos pelo uso conjunto do PCA padrão com k-NN. Neste âmbito desenvolveram-se três estudos envolvendo espectroscopia de Raman e de infravermelho próximo (NIR) na medição da superficie de amêndoas (Prunus amygdalus), para posterior diferenciação entre doces e amargas; e imagens hiperespectrais em NIR de amostras de plásticos para discriminar cinco classes de polímeros (polietileno tereftalato, poliestireno, polipropileno e polietileno de alta e baixa densidade, respectivamente). Pela análise dos dados de NIR associados às amêndoas obteve-se um modelo esparso com quatro componentes principais cuja exactidão na classificação foi de 98.5%. Relativamente aos dados de Raman para o mesmo produto, os modelos esparso e padrão de PCA classificaram corectamente apenas 80% e 72% das amostras totais, respectivamente. Alternativamente, foi aplicado o método partial least-squares discriminant analysis (PLS-DA) para optimizar os resultados anteriores. A modelação das imagens hiperespectrais permitiu a criação de um modelo esparso com dois componentes principais, classificando correctamente 99.86% dos pixeis e melhorando os resultados obtidos pelo PCA padrão. A interpretação colectiva dos resultados sugere que a natureza dos dados e a diferenciação entre classes observada nos espectros brutos constituem factores importantes na classificação utilizando PCA esparso.
novembro 24, 2014, 9:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
