Please use this identifier to cite or link to this item: https://repositorio.ufpb.br/jspui/handle/123456789/11879
metadata.dc.type: Tese
Title: Seleção de variáveis robustas para transferência de modelos de classificação empregando o algoritmo das projeções sucessivas
metadata.dc.creator: Milanez, Karla Danielle Tavares de Melo
metadata.dc.contributor.advisor1: Pontes, Márcio Jose Coelho de
metadata.dc.description.resumo: Este trabalho propõe dois novos critérios para a seleção de variáveis robustas para transferência de classificação empregando o algoritmo das projeções sucessivas (SPA). Estas variáveis são utilizadas para construir modelos baseados na análise discriminante linear (LDA) robustos às diferenças entre as respostas dos instrumentos envolvidos ou às condições experimentais. Para isso, amostras de transferência são incluídas no cálculo do custo para cada subconjunto de variáveis consideradas. Os métodos propostos são avaliados para quatro conjuntos de dados que envolvem identificação de adulteração de etanol hidratado combustível (EHC) e azeite de oliva extra virgem (AOEV). Para investigar EHC, foi utilizada espectroscopia na região do infravermelho próximo (NIR). No estudo do AOEV, foram utilizadas espectrometria UV-Vis, espectrometria de fluorescência molecular e imagens digitais. Em todos os casos, os melhores resultados de transferência de classificação empregando os dois critérios, obtidos para um conjunto de teste medido no instrumento secundário, foram comparados com a padronização direta (DS) e a padronização direta em etapas (PDS). Quando algum dos critérios foi aplicado ao conjunto de teste medido no instrumento secundário, a acurácia do modelo aumentou cerca de 50%, 33%, 3% e 12% para os dados NIR, UV-Vis, de emissão de fluorescência e de imagens digitais, respectivamente. Esses resultados são compatíveis, em algumas vezes superiores, àqueles obtidos pelos métodos de padronização, demonstrando que, quando as diferenças entre as respostas instrumentais não apresentavam magnitude drasticamente elevada (NIR e UV-Vis), um dos critérios propostos pode ser utilizado para construir modelos robustos como alternativa à padronização de respostas instrumentais para transferência de classificação. Para os dados com grande diferença entre as respostas de cada instrumento (fluorescência e imagens digitais), os espectros precisaram ser corrigidos por meio de padronização DS e PDS para realizar a transferência de classificação efetivamente. Os resultados sugerem que a abordagem proposta é uma alternativa promissora à recalibração completa do modelo ou métodos de padronização, especialmente se os instrumentos primário e secundário não estiverem localizados no mesmo laboratório, se as amostras estiverem deterioradas, quando se tem dificuldade no transporte das amostras ou se o instrumento principal não estiver mais disponível.
Abstract: This work proposes two new criteria for selection of robust variables for classification transfer employing the successive projections algorithm (SPA). These variables are used to construct models based on linear discriminant analysis (LDA) that are robust to the differences between the responses of the instruments involved or to the experimental conditions. For this purpose, transfer samples are included in the calculation of the cost for each subset of variables under consideration. The proposed methods are evaluated for four datasets involving identification of adulteration of hydrated ethanol fuel (HEF) and extra virgin olive oil (EVOO). To investigate HEF, near infrared (NIR) spectroscopy was used. In the EVOO study, were used UV-Vis spectrometry, molecular fluorescence spectrometry and digital images. In all cases, better classification transfer results using the two criteria, obtained for a test set measured in the secondary instrument, were compared with direct standardization (DS) and piecewise direct standardization (PDS). When one of the criteria was applied to the test set measured in the secondary instrument, the accuracy of the model increased by about 50%, 33%, 3% and 12% for NIR, UV-Vis, fluorescence emission and digital imaging data, respectively. These results are compatible, sometimes superior to those obtained by the standardization methods, demonstrating that, when the differences between the instrumental responses did not present a drastically high magnitude (NIR and UV-Vis), either of the criteria proposed can be used for building robust models as an alternative to the standardization of spectral responses for transfer of classification. For the data with a large difference between the responses of each instrument (fluorescence and digital images), the spectra needed to be corrected with DS and PDS standardization to perform classification transfer effectively. The results suggest that the proposed approach is a promising alternative to full recalibration of the model or standardization methods, especially if the primary and secondary instruments are not located in the same laboratory, if the samples are deteriorated, when it is difficult to transport the samples or if the primary instrument is no longer available.
Keywords: Transferência de classificação multivariada
Modelagem robusta
Algoritmo das projeções sucessivas
Métodos de padronização
Etanol hidratado combustível
Azeite de oliva extra virgem
Multivariate classification transfer
Robust modeling
Successive projections algorithm
Standardization methods
Hydrated ethyl fuel
Extra virgin olive oil
metadata.dc.subject.cnpq: CNPQ::CIENCIAS EXATAS E DA TERRA::QUIMICA
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal da Paraíba
metadata.dc.publisher.initials: UFPB
metadata.dc.publisher.department: Química
metadata.dc.publisher.program: Programa de Pós-Graduação em Química
metadata.dc.rights: Acesso Aberto
URI: https://repositorio.ufpb.br/jspui/handle/123456789/11879
Issue Date: 25-Aug-2017
Appears in Collections:Centro de Ciências Exatas e da Natureza (CCEN) - Programa de Pós-Graduação em Química

Files in This Item:
File Description SizeFormat 
Arquivototal.pdfArquivo total5,84 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.