云计算和物联网（IoT）的最新进展已为我们开辟了“大数据”的优势，使他们能够分析源源不断的信息流。
但这些进步如何影响光谱领域？我所在的Optionline这样的创新型公司正在这些方面处于领先地位。我们通过对各种物质进行数据分析的SMART技术（如下图）将近红外（NIR）光谱仪连接到IoT。例如，通过快速确定物质的化学成分，可以帮助制药行业的人员确保质量控制。 今天的NIR技术分析和区分数据集的功能，而非深入研究化学分析。这意味着NIR光谱范围内的简单循序扫读涉及数据点的大量流入。通常，信号被分解成数百个预测变量，这些变量通过复杂算法进行反馈，以预测类别或量化特定内容。近红外光谱使人们能够通过将化学信息转化为数字来获得材料智能，从而可以轻松地转换、传输和翻译化学信息。
当然这是“说起来容易做起来难”。NIR光谱是样品中分子振动的结果，因此影响从样品反射的光辐射。
通常，信号响应不是特定于特定材料，而是每组的响应相加，从而提供光谱读数的低特异性。信号也是自动相关的，使得信号分解成为一项艰巨任务。一种称为化学计量学的全新科学已出现，并且极其关注创建用于处理这些复杂数据的分析工具。
虽然使用NIR光的化学配方的鉴定可能已存在多年，但目前可用的NIR技术的便利性、流动性和可负担性仍然可解决当今的问题。我们使用光谱匹配技术可以评估样本中可能存在的内容，或者不太可能存在的内容。这更接近于筛选样品与化学分析，这实质上意味着情报收集。换句话说，我们不是想回答那里存在什么内容，而是想回答样本中可能存在什么。能够将问题精简至一些可能的项目可能是定义最佳响应的重要步骤。
Optionline的方法在这个方向上采取了两条不同的途径。一个是为数千种相关物质建立可靠的光谱特征数据库，主要涉及食品、药品和危险物质。
我们还在努力提供在线实时分析，以实现快速周转响应。这意味着简化读数，并将机器人工智能与人类智能相结合。
通常，如果我们知道要寻找什么，并以相同的方式对其进行比较，则可在短短几秒钟内筛选出几十种物质的清单。虽然机器可将范围从几十个候选方案减少到几个，但我们仍然需要人工智能获得它们。 在仍然使用的最古老的筛选措施中，当“大数据”、物联网、近红外新技术这些所有元素集成时，其与嗅探犬有更多的共同之处。新旧不重要。有用才是王道。
| 
楼主
标题置顶
标题高亮
