Lautsprecher
|
Transkript
|
| Bill Worley |
Hallo allerseits, das ist Bill Worley, JMP-Systemingenieur. Ich bin seit fast sieben Jahren bei JMP. Heute werden wir darüber reden |
| |
Vorverarbeitung spektroskopischer Daten zur Analyse. Ich nenne dies ein Prequel, weil ich bereits einen Vortrag über die Analyse von Spektraldaten in JMP gehalten habe, aber die Vorverarbeitung ist ein wichtiger erster Schritt und wird Ihnen zeigen, warum. Lassen Sie uns darauf eingehen. |
| |
Sprechen wir also ein wenig über das Abstrakte. Die Vorverarbeitung spektroskopischer Daten ist wirklich ein wichtiger erster Schritt, um Ihre Daten, alle Daten, wirklich für die Analyse vorzubereiten. |
| |
Wir können, wissen Sie, mit Ihnen darüber sprechen ... wir werden die Demo überprüfen und die Standard-Normalvariablen und die Savitzky-Golay-Glättungswerkzeuge in JMP demonstrieren. Dies sind die Vorverarbeitungswerkzeuge, die in der gesamten Welt ziemlich Standard sind |
| |
chemische Welt, die chemische Industrie und wirklich jeder, der Spektroskopie macht und spektroskopische Daten analysiert. Sie würden wissen, dass ... |
| |
mehr über die Standardnormalvariable Savitzky-Golay und wie sie verwendet werden. Daher ist es wieder ein wichtiger erster Schritt, um Vorhersagemodelle aus Ihren spektroskopischen Rohdaten zu erstellen. |
| |
Mit ein wenig Hintergrund können Spektraldaten also sehr chaotisch sein. Die Vorverarbeitung wird verwendet, um zu glätten, zu filtern und die Grundlinie zu korrigieren, bevor diese Vorhersagemodelle oder andere Vorhersagemodelle erstellt werden, die Sie möglicherweise erstellen möchten. Die Savitzky-Golay-Filterung und die Standard-Normalvariable |
| |
sind Tools, die ... sie werden in JMP verwendet. Der Savitzky-Golay war ein Add-In, das von Ian Cox entwickelt wurde, also ... danke an Ian dafür. Standard Normalvariable erfordert eine ... |
| |
eine Art Formel und wir zeigen Ihnen, wie Sie diese in JMP einbauen können. Und dann die letzte Zeile, das ist ... der Graph Builder ist auch ein unschätzbares Werkzeug zur Visualisierung Ihrer spektroskopischen Daten und kann als alternative Plattform zur Glättung Ihrer Daten verwendet werden. |
| |
Aber wir werden noch einmal darauf eingehen, wenn wir weiter ins Gespräch kommen. |
| |
Warum machen wir das? Warum sollten Sie irgendeine Art von Vorverarbeitung durchführen wollen? Wenn Sie sich zuerst diese Top-Spektren genau dort oder Gruppen von Spektren ansehen, dann sind das die Rohdaten von 100 Spektren, und Sie können keinen Unterschied zwischen ihnen feststellen |
| |
Sie wissen, eine Mischung aus 100% Stärke oder 100% Gluten. Sie können einige Unterschiede sehen, Sie tun es einfach nicht ... Sie können nicht sagen, was was ist. Gut, |
| |
Was wir von dort aus tun, machen wir die Savitzky-Golay-Glättung und -Filterung, und dann nehmen Sie diese erste Ableitung und das gibt Ihnen einen viel saubereren Satz von Spektren. |
| |
schön gruppiert, aber immer noch nicht vollständig dort, wo Sie sein möchten. Und schließlich, nachdem Sie diese normale Glättung mit normaler Variation durchgeführt haben, sind die Spektren viel sauberer und viel einfacher zu erkennen, wo sich die Peaks befinden. |
| |
Und Sie können sehen, wo die Unterschiede in den verschiedenen Gruppierungen von Spektren liegen. Es gibt also wieder 20 Spektren für jede dieser roten Linien zu grauen Linien zu blauen Linien, und es ist definitiv viel sauberer. Sie können sehen, wo sich die Peaks für die verschiedenen Gemische befinden. |
| |
Okay, bei der Savitzky-Golay-Filterung handelt es sich um einen digitalen Filter, der Ihren Spektraldaten zum Zwecke der Glättung zugeführt wird. Das Schöne daran ist, dass es die Gesamtspektren selbst, den Ort der Peaks und so weiter nicht verändert. Es ist also ein schönes Werkzeug dort. |
| |
Es verwendet Faltung zum Glätten und basiert auf einer linearen Formel der kleinsten Quadrate. |
| |
Diese erste und zweite Ableitung sind auch ... Sie können diese auch aus dem glatten Signal zähmen. |
| |
Es können auch unwichtige Daten an beiden Enden der Spektren gefiltert werden. Wenn Sie in Situationen geraten, in denen Sie am Anfang etwas haben, ist es einfach unwichtig und es wird Sie nur durcheinander bringen, wenn Sie vorwärts gehen und dasselbe am anderen Ende. |
| |
Mit Graph Builder können Sie sogar interne Glättungen oder interne Filterungen durchführen, die Sie mit Savitzky-Golay nicht durchführen können. |
| |
Add-In. So können Sie den lokalen Datenfilter mit dem Graph Builder verwenden und weitere Bereiche von Interesse definieren. |
| |
So, |
| |
Lass uns weiter gehen. Savitzky-Golay |
| |
Analyse ist, dass wir das haben ... was wir getan haben ... wenn wir diese Analyse durchführen, ist dies eine Gruppierung von Spektren. Also haben wir das glatt, |
| |
die erste Ableitung, jetzt etwas ausgestreckt. Und wir setzen dort die Nulllinie. Und mit der ersten Ableitung können Sie |
| |
Sagen Sie anhand der Nullpunkte oder der Kreuzung der Nullpunkte rechts, wo sich die Spitzen befinden, damit Sie eine Vorstellung davon haben, wo sich die Spitzen für einen bestimmten Punkt befinden |
| |
Gruppe von Spektren, Satz von Spektren. Und für die zweite Ableitung ist das jetzt ein bisschen anders. Es hilft, die Grundlinie zu glätten, und wenn Sie Spitzen haben, die sich überlappen, hilft es Ihnen |
| |
Entwickeln Sie sich weiter oder sehen Sie besser, wo sich diese überlappen, und Sie wechseln von einem positiven zu einem negativen Wert. Dies ist ein Hinweis auf überlappende Peaks und wo sie sich möglicherweise befinden. Okay, und so benutzt du dieses Tool. |
| |
Die Standardnormalvariable selbst ist wiederum die Standardisierung der Daten in Bezug auf die einzelnen Spektren. Es kann alleine oder als zusätzliches Glättungswerkzeug verwendet werden und wir verwenden es heute als zusätzliches Werkzeug. |
| |
Es wird verwendet ... |
| |
Es wird zur Korrektur der Grundlinienverschiebung und zur Korrektur globaler Intensitätsschwankungen verwendet. Das Schöne ist, es entfernt Grundlinienvariationen, ohne die Form der Spektren zu verändern, richtig. |
| |
Und die Daten, die Sache damit ist, und Sie werden dies sehen, wenn wir es tun, ist, dass die Daten gestapelt werden müssen, okay. |
| |
In Ordnung, dies ist nur eine der Formeln, die |
| |
kann beim Einrichten der normalen Standardvariablenformel verwendet werden, und ich zeige Ihnen, wie das geht. Es gibt ein paar verschiedene Möglichkeiten, aber es wird ein bisschen kompliziert und ich werde Ihnen zeigen, wie das geht. Der wichtige Teil hier ist das |
| |
Wir haben hier die Standardformel für die Spalte standardisiert, aber wir müssen sicherstellen, dass wir sie als By-Variable verwenden, und das sind die Spektren selbst. So |
| |
Es ist ein kleiner Trick, das hinzuzufügen. |
| |
Richtig, wenn also die Standardnormalvariation nur für die Rohdaten durchgeführt würde, würde dies so aussehen. |
| |
Wir können die Gruppierungen sehen, wir können sehen, wie die Dinge ausbrechen, aber wenn wir diese normale Standardvariation machen, nachdem wir diese erste Ableitung gemacht haben, ist es viel sauberer. Sie bekommen eine viel bessere Vorstellung davon, wo sich die Spektren befinden oder wo sie sich überlappen, wo sie, wissen Sie, |
| |
wo du vielleicht ein bisschen machen musst ... wo diese zweite Ableitung ins Spiel kommen würde, wo du vielleicht hier überlappende Peaks hast, richtig, |
| |
und vielleicht wieder hier. So |
| |
Hier hilft dies wirklich dabei, eine bessere Sicht auf das zu entwickeln, was Sie sehen. Und diese Nulllinie sagt wieder, wo, wie Sie wissen, beim Überqueren diese Nulllinie ein Hinweis auf Peaks ist, bei denen Peaks die erste Ableitung verwenden. |
| |
Okay, also lass uns in eine Demo gehen. |
| |
Okay, raus da. |
| |
Sprechen wir also über die Visualisierung der Daten ... die Daten zuerst. Denken Sie daran, wann immer Sie einen neuen Datensatz erhalten, ist es am besten, ihn abzurufen und zu visualisieren. Sie wissen, zeichnen Sie diese Daten auf und erhalten Sie eine bessere Vorstellung davon, wie es aussieht, mit dem Sie konfrontiert sind. Und lass uns hier runter gehen und hochziehen |
| |
unsere Gluten-Rohdaten. Richtig, also haben wir die Daten importiert. Jetzt müssen wir einige Visualisierungen vornehmen und loslegen ... gehen wir zu Graph Builder. |
| |
Richtig und die ersten Dinge, die wir tun werden, |
| |
Verschieben Sie dies ein wenig nach oben, gehen Sie zu den Rohdaten. Richtig, jetzt ziehen wir das rein. |
| |
Und das sind die Punktdaten, also ist es das, was wir ... was wir vorher gesehen haben, bevor wir geglättet haben, bevor wir etwas anderes gemacht haben. Das waren diese Zeilendaten und wenn ich das ändern kann |
| |
Ein paralleles Diagramm, richtig, das mir die Liniendaten für die Spektren gibt. Auch hier können wir nicht viel von dem sehen, was dort vor sich geht, aber es gibt uns eine bessere Vorstellung davon, wo die Dinge herausfallen. Ich kann das machen ... |
| |
Wir können hier unten einige Dinge tun, etwas, das ... genannt wird, wenn wir müssen, und Sie werden dies mit anderen Daten sehen, diese Parallele wird zusammengeführt. Aber das hat nichts geändert. Es hat keine zusammengebracht, als würden Sie sehen, was einige der anderen Daten sind, also werde ich das schließen. |
| |
Richtig, und einige der anderen Tools, die ich gerne zur Visualisierung der Daten verwende, sind das modellgesteuerte multivariate Kontrolldiagramm. Lassen Sie uns dies zuerst tun. |
| |
Wir gehen also zu Analyse, Qualität und Prozess sowie modellgetriebenem multivariaten Kontrolldiagramm. |
| |
Bewegen Sie dies nach oben. |
| |
Richtig, ich habe keine historischen Daten, also sage ich Okay. Und was dies uns ermöglicht, ist, die Daten zu betrachten und zu sagen, okay, |
| |
wir können Gruppierungen von Spektren sehen, richtig. Und zum größten Teil ist dies ... ich möchte nur darauf hinweisen, |
| |
Wir können den größten Teil der Variation, die wir sehen, erklären, mindestens bis zu 85% der Variation mit zwei Hauptkomponenten, okay. Und das nutzt das ??? T im Quadrat |
| |
Informationen, die wir hier haben. Und dies sagt uns auch, wo die Dinge für ein bestimmtes Spektrum außer Kontrolle geraten könnten, richtig. Warum ist es anders als der Rest der Gruppe? |
| |
Wenn ich also über einen dieser Punkte schwebe, kann ich das herausziehen, richtig. Wenn ich wieder über einem der außer Kontrolle geratenen Punkte schwebe, ziehen Sie das heraus. |
| |
und jetzt können wir sehen, wow, die sind wirklich anders, weißt du? Diese Spektren haben etwas anderes, das wir vielleicht besser verstehen müssen. In diesem Fall haben wir bereits ein besseres Verständnis, weil wir wissen, dass es sich um Mischungen handelt, aber wir wollen das sehen. |
| |
Und lassen Sie uns auch diesen herausziehen. Okay, das ist wieder einer. Zwischen diesen drei Spektren haben wir also eine ganze Reihe von Mischungen. Wir haben also drei der ... drei der Gruppen und wir könnten auch die anderen beiden da reinstecken, nur um zu sehen. Aber wir lassen es vorerst dabei. |
| |
Okay, das ist das modellgetriebene multivariate Kontrolldiagramm. Das andere Werkzeug, das ich gerne benutze, ist ... es steht unter multivariaten Methoden und heißt mehrdimensionale Skalierung. |
| |
Und der Grund, warum ich dies gerne benutze, ist, insbesondere für Systeme wie dieses, |
| |
ist, dass wir haben |
| |
wieder unsere Rohdaten, richtig, und wir müssen ... |
| |
Lassen Sie mich das zuerst einrichten und ich werde es Ihnen sagen. |
| |
Wir haben hier zwei Dimensionen, richtig, und das basiert nur auf dem, was wir zuvor gesehen haben, aber der Grund, den ich gerne benutze, ist, dass wir eine Gruppierung durchführen oder eine Gruppierung der Daten selbst visualisieren können. In Ordung, |
| |
Lass uns das tun. Es dauert eine Sekunde, bis es angezeigt wird. |
| |
Und wir können sehen, dass wir fünf verschiedene Gruppen von Spektren haben, richtig, also hat jede davon mit einer Gruppe unserer Mischung aus Stärke und Gluten zu tun. Wenn ich diese Gruppierung hier hervorhole, ist das die erste Gruppe, die allesamt 100% Stärke ist. |
| |
Die mittlere Gruppe ist eine 50/50-Mischung und diese Gruppe hier unten besteht zu 100% aus Gluten. Richtig, das heißt also, es hebt auch die Daten wieder in der Datentabelle hervor, genau wie dort gezeigt, so dass |
| |
Interaktivität ist auch schön. Dies zeigt uns auch, dass wir bereits ziemlich gute Arbeit leisten ... bereits in der Lage zu sein, herauszufinden, was die verschiedenen Gruppen sind. Wenn wir uns das Shepard-Diagramm ansehen, |
| |
wir haben R Quadrat von 1 und |
| |
gerade Linie, in Ordnung. Also noch einmal, eine gute Möglichkeit, es zu visualisieren, und Sie können noch mehr damit tun, aber wir werden das für ein anderes Mal belassen. |
| |
Gut so weit, |
| |
Wir haben die Daten eingebracht, wir haben sie visualisiert, richtig, und jetzt müssen wir einige Vorverarbeitungen durchführen. |
| |
Und was wir tun werden, ich habe diese, mehr oder weniger, hier Platzhalter, also werden wir eine Savitzky-Golay-Analyse durchführen und wir werden zumindest beim ersten Mal eine normale Standardvariante durchführen Derivat, okay. |
| |
Okay, also lass mich das ein bisschen aufräumen. |
| |
Richtig, schließen Sie das. |
| |
Und wieder werden wir diese Rohdaten nehmen und dieses Savitzky-Golay-Add-In verwenden, um die Analyse durchzuführen. Das steht also unter Add-Ins für mich. |
| |
Und dies ist ein kostenloses Add-In, damit Sie es bekommen können und wir es für Sie veröffentlichen. Also das ist wieder, wir werden die Rohdaten nehmen, |
| |
Richtig, und wenn Sie mehr darüber erfahren möchten, worum es bei Savitzky-Golay geht, haben wir hier einen Wikipedia-Link, damit Sie diesen verwenden können. Aber wir werden dies verwenden, um die Daten bei jeder Wellenlänge zu glätten, richtig, und dann diese erste und zweite Ableitung zu nehmen. Und ich sage, okay. |
| |
Und los geht's, und wir haben hier unsere reibungslosen Daten. |
| |
Und eine Sache, wissen Sie, Sie können dies nach Bedarf anpassen, aber was wir tun möchten, ist, dies zu übernehmen, |
| |
Erweitern Sie das Fenster ein wenig. |
| |
Alrigh. |
| |
Mach das. |
| |
Und Sie können hier mit den Polynomen herumspielen, der Reihenfolge der Polynomanpassung. |
| |
In diesem Fall macht es wirklich keinen großen Unterschied, zu einem Polynom achter Ordnung zu gehen. Eine zweite ... die zweite Bestellung ist in Ordnung. Okay, und dann können wir diese Daten aus unserer ersten Ableitung entnehmen. |
| |
Sagen wir, glatte Daten speichern, richtig, und wir können das zurück in die Datentabelle speichern. Und das habe ich bereits getan, also muss ich Ihnen diesen Prozess nicht zeigen, sondern nur wissen, dass die Daten von dort zurück in die Datentabelle gebracht werden, okay. |
| |
Lassen Sie uns das schließen. |
| |
Okay, und wir können jetzt loslegen, aber jetzt müssen wir den letzten Schritt machen, richtig. Also schauen wir mal ... bevor wir dorthin gehen, lass uns zurückgehen und schauen |
| |
unsere Savitzky-Golay-Daten. Dies sind also die ersten abgeleiteten Daten. Ich würde mir das nochmal unter dem ansehen wollen |
| |
Graph Builder, richtig. Und sehen Sie, das ist ... sieht dort einfach nicht sehr vielversprechend aus, aber lassen Sie uns parallel plotten, |
| |
macht es ein bisschen besser. Bereinigen Sie es und lassen Sie uns dann diese kombinierten Skalen parallel zusammenführen, und dies bringt die Daten in eine viel größere Menge |
| |
visuell ... ein besseres visuelles als zuvor, richtig. Wir können das ... damit spielen und hier wieder unsere eigene Nulllinie hinzufügen, um besser zu verstehen, wo sich die Spitzen kreuzen. |
| |
Aber das sind die ersten abgeleiteten Daten. Es ist ... Sie können die Gruppen sehen, aber sie sind nicht vollständig getrennt, so wie Sie sie wirklich gerne hätten, um eine bessere Vorstellung zu bekommen, okay. |
| |
Also sind wir da. Diese Daten sind wieder in der Datentabelle. Ich werde das schließen und mich dann daran erinnern, dass ich gesagt habe, Sie müssen die Daten für ... stapeln, um die normale Standardvariation durchzuführen, also müssen wir das tun. Lassen Sie uns hier zuerst einige Daten unterteilen. |
| |
Okay, also |
| |
Teilmenge all dieser aus. |
| |
Tabellen. Teilmenge. |
| |
Alle Zeilen. Ausgewählte Spalten und sagen Sie OK. Okay, jetzt können wir dorthin gehen. |
| |
Richtig. |
| |
Zumindest sind wir ... wir haben die Daten getrennt, richtig. Jetzt müssen wir ... die Daten stapeln, richtig. Dies ist wiederum erforderlich, um den Filter auf alle Daten zu setzen, die wir für die Formel benötigen. |
| |
Also unter Tabellen. Stapel. |
| |
Und das sind unsere Spalten, die wir stapeln. |
| |
Rechts und stapelweise stapeln. |
| |
Ich werde die Spalten auswählen, die wir behalten möchten. |
| |
Obendrein. Und danach, |
| |
Es tut mir leid ... Ich klicke nur herum, um dieses Setup zu erhalten, aber Sie werden auf die Idee kommen. Ich lasse das für eine Sekunde für die Leute, um zu sehen, was es braucht, um dorthin zu gelangen. Also habe ich das gespeichert. |
| |
Sie wissen, sehen Sie jetzt die 12 ohne Titel. Das sind unsere gestapelten Daten, richtig, und jetzt können wir diese normale Standardvariation durchführen. Eine schnelle Möglichkeit, dies zu tun, besteht darin, eine neue Spalte zu erstellen. |
| |
Rechtsklick. |
| |
Und ich muss diese Formel von hier aus aus dem Formeleditor erstellen. Ich werde dieses statistische Tool namens verwenden |
| |
Spalte standardisieren, rechts. Und wenn ich hier drüben darüber schwebe, gibt Ihnen dies eine Vorstellung davon, was Sie damit machen. Was bedeutet standardisiert, richtig. Also werden wir ... |
| |
ein Mittelwert von 0 und eine Standardabweichung von 1, also versuchen wir das mit den Daten und in Bezug auf alle gegebenen Spektren zu bekommen. Also müssen wir die Daten nehmen |
| |
Denken Sie hier und da daran, dass ich gesagt habe, wir müssten diese Bivariable hinzufügen, die in diesem Fall die Spektren sein wird. Ich werde okay sagen. |
| |
Okay, und das gibt uns einen Datensatz. Jetzt gibt es einen einfacheren Weg, dies zu tun, oder was ich denke, ist ein einfacher Weg, aber es kann auch sein ... |
| |
es ist manchmal etwas zeitaufwändiger. Aber wenn ich hier mit der rechten Maustaste auf die Spektren klicke und wieder daran denke, mache ich das, weil wir eine Bivariable brauchen. Also gehe ich zu neuen Spalteninformationen und mache diese Gruppe nach. |
| |
Und ich werde meine Datenspalte nehmen und mit der rechten Maustaste darauf klicken und eine neue Formelspalte erstellen. |
| |
Wir werden zur Verteilung übergehen und uns daran erinnern, standardisiert. Wir sind ... also wollen wir das |
| |
Mittelwert von 0; Standardabweichung von 1. Wählen Sie das aus und dann wird die neue Spalte erstellt. Das Schöne daran ist, dass die Daten übereinstimmen, sodass ich erleichtert aufatmen kann, dass ich es richtig verstanden habe. |
| |
Richtig, also habe ich das. Nun, dies würde von hier aus erfordern, ich werde auf diese Spalte klicken, |
| |
dass wir diese Daten nehmen, aufteilen und dann wieder in die reguläre Datentabelle oder die anfängliche Datentabelle einfügen. Eine Sache, die ich Ihnen damit zeigen möchte, ist die folgende |
| |
Sobald Sie die Daten gestapelt haben, können Sie einige andere Visualisierungen durchführen, richtig. Wenn ich also zum ... zurück zum Graph Builder gehe, möchte ich diese Daten übernehmen |
| |
in die |
| |
Y, und dann werde ich das Etikett überziehen, und dies ist eine coole Möglichkeit, um zu sehen, wo all die Variationen sind. Das sind also alle, |
| |
Sie wissen, Box-Plots für die ... Sie sehen die Variation in den Daten, das ist also nur eine wirklich gute Möglichkeit, um zu visualisieren, was los ist. |
| |
Eine weitere leistungsstarke Methode zur Verwendung des Graph Builder. In diesem Fall müssen die Daten gestapelt werden, um dies zu tun. Was Sie jetzt auch tun können, ist |
| |
Wenn Sie die Punktdaten einlesen, nehmen wir das ab, setzen die Punktdaten dort ein und dann könnten wir eine Glättung durchführen. Nun, das ist eine individuelle Glättung, das ist also ein Durchschnitt ... für jeden ... für alle Daten. Was wir gerne tun würden, ist das zu tun |
| |
Savitzky-Golay-Glättung, also muss ich einziehen |
| |
das Overlay, richtig. Das sind also alle Daten. Jetzt wird es schwer zu sehen sein, aber ich werde das tun, hoffentlich können Sie das sehen, wenn ich unter glatter auswähle, werden wir zu Savitzky-Golay wechseln. |
| |
Richtig, und ich denke du bist ... hoffentlich hast du gesehen, dass das jetzt zu dieser Linie passt, diese Glättungslinie genau dort. |
| |
Das ist eine andere Möglichkeit, die Daten mit dem Savitzky-Golay zu glätten. Und dann können Sie dies in ein Quadrat ändern, Sie können hier ein lokales Trimmen durchführen und letztendlich können Sie dies wieder in der Datentabelle speichern. |
| |
Ich werde es vorerst dabei belassen. |
| |
Richtig und denken Sie daran, wir mussten diese Daten aufteilen und wieder in der Datentabelle speichern. Ich werde auf den Aufteilungsschritt verzichten und dann einfach zu den Daten zurückkehren ... der ursprünglichen Datentabelle. |
| |
Das brauche ich nicht |
| |
Richtig und dann, wenn ich |
| |
Schauen Sie sich die Daten unter Graph Builder noch einmal an. |
| |
Ich kann diese normale Standardvariablengruppe nehmen, |
| |
Lass das rein. Auch hier sieht es nicht sehr vielversprechend aus, aber wir machen den parallelen Plot und klicken dann mit der rechten Maustaste. |
| |
Kombinieren Sie diese Skalen. |
| |
Und das ist im Grunde unsere fertige Glättung, in Ordnung. Also haben wir alles eingerichtet. Auch hier könnten wir eine Nulllinie hinzufügen, |
| |
wenn benötigt. Lassen Sie uns fortfahren und das hinzufügen. |
| |
Null und wir machen das zu einer Art Grün, |
| |
da ist das, füge es hinzu. |
| |
Sagen Sie Okay, und dann würden Sie dies verwenden, um herauszufinden, wo sich Ihre Spitzen befinden. |
| |
Basierend auf dem Spitzenmaximum, als ich diesen Nullpunkt überschritten habe, okay. |
| |
So ziemlich, das war's. Gehen wir zurück zu unserem |
| |
Power Point. |
| |
Abschließend: Vorverarbeitung ... wir mussten die Daten vorverarbeiten ... die Daten vorverarbeiten, um sie sauberer zu machen, um sie zu erhalten, wissen Sie, viel einfacher zu bearbeiten. |
| |
Wo auch mit JMP ... |
| |
JMP macht das ... |
| |
Wir arbeiten daran, dies zu einem viel einfacheren Prozess zu machen. Die Vorverarbeitung in JMP 16 wird durch Add-Ins und integrierte Funktionen unterstützt. |
| |
Wir freuen uns auf JMP 17, wo die Vorverarbeitung, was im Functional Data Explorer angeboten wird, mit viel ausgefeilteren Spektral- und Grundlinienglättungsoptionen sowie einigen Spitzenerkennungs- und Auswahlmöglichkeiten. |
| |
Für die Analyse von Spektraldaten gab es bitte einen Vortrag, den ich 2020 für die Entdeckung gehalten habe |
| |
München. Das war ein virtueller Vortrag, aber das gibt Ihnen eine gute Vorstellung davon, wie Sie JMP zur Analyse Ihrer Spektraldaten verwenden können. |
| |
Und damit sage ich Danke und hoffentlich haben Sie alle gefunden ... finden das nützlich. Lass es mich wissen, bitte. |
