Lautsprecher
|
Transkript
|
| Bill Worley |
Hallo zusammen, hier ist Bill Worley, JMP-Systemingenieur. Ich bin seit fast sieben Jahren bei JMP. Heute werden wir darüber reden |
| |
Vorverarbeitung spektroskopischer Daten für die 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. Lasst uns loslegen. |
| |
Lassen Sie uns hier ein wenig über die Zusammenfassung sprechen. Die Vorverarbeitung spektroskopischer Daten ist wirklich ein wichtiger erster Schritt bei der Vorbereitung Ihrer Daten, wirklich aller Daten, für die Analyse. |
| |
Wir können mit Ihnen darüber sprechen ... Wir werden uns die Demo ansehen und die Standard-Normalvariablen und die Savitzky-Golay-Glättungswerkzeuge in JMP demonstrieren. Dabei handelt es sich um Vorverarbeitungswerkzeuge, die überall zum Standard gehören |
| |
der chemischen Welt, der chemischen Industrie und wirklich jedem, der Spektroskopie betreibt und spektroskopische Daten analysiert. Sie würden das wissen... |
| |
Mehr über die Standard-Normalvariable Savitzky-Golay und deren Verwendung. Dies ist also wiederum ein wichtiger erster Schritt, der Ihnen dabei hilft, Vorhersagemodelle aus Ihren spektroskopischen Rohdaten zu erstellen. |
| |
Daher können Spektraldaten mit ein wenig Hintergrund sehr unübersichtlich sein. Die Vorverarbeitung dient zur Glättung, Filterung und Grundlinienkorrektur vor der Erstellung dieser Vorhersagemodelle oder aller Vorhersagemodelle, die Sie möglicherweise erstellen möchten. Die Savitzky-Golay-Filterung und die Standardnormalvariable |
| |
sind Tools, die ... sie werden in JMP verwendet. Das Savitzky-Golay war ein Add-In, das von Ian Cox entwickelt wurde, also ... Danke, danke an Ian dafür. Standard-Normalvariable erfordert eine... |
| |
eine Art Formel und wir zeigen Ihnen, wie Sie diese in JMP integrieren. 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 zurückkommen, je weiter wir mit dem Gespräch fortfahren. |
| |
Warum wir das tun. Warum sollten Sie eine Vorverarbeitung durchführen? Nun, wenn man sich zunächst die obersten Spektren genau dort oder Gruppen von Spektren anschaut, dann sind das die Rohdaten von 100 Spektren, und man kann keinen wirklichen Unterschied zwischen ihnen erkennen |
| |
Sie wissen schon, eine Mischung aus 100 % Stärke oder 100 % Gluten. Man kann einige Unterschiede erkennen, man sieht sie einfach nicht... man kann nicht sagen, was was ist. Also, |
| |
Was wir von da an tun, ist die Savitzky-Golay-Glättung und -Filterung, und dann nehmen Sie die erste Ableitung, und das ergibt einen viel saubereren Satz von Spektren. |
| |
schön gruppiert, aber immer noch nicht ganz dort, wo Sie sein möchten. Und schließlich, nachdem Sie die standardmäßige normale Variablenglättung durchgeführt haben, sind die Spektren viel sauberer und es ist viel einfacher zu erkennen, wo sich die Spitzen 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 über graue Linien bis hin zu blauen Linien, und es ist definitiv viel sauberer. Sie können sehen, wo die Spitzen für die verschiedenen Mischungen liegen. |
| |
Okay, bei der Savitzky-Golay-Filterung handelt es sich um einen digitalen Filter, der Ihren Spektraldaten zum Zweck der Glättung zugeführt wird. Das Schöne daran ist, dass es die Gesamtspektren selbst, die Lage der Peaks und ähnliches nicht verändert. Es ist also ein schönes Werkzeug. |
| |
Es nutzt die Faltung zum Glätten und basiert auf einer linearen Formel der kleinsten Quadrate. |
| |
Die ersten und zweiten Ableitungen sind ebenfalls ... Sie können diese auch aus dem glatten Signal zähmen. |
| |
Außerdem können 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 wird Sie im weiteren Verlauf nur durcheinander bringen, und am anderen Ende passiert dasselbe. |
| |
Mit Graph Builder können Sie sogar eine interne Glättung oder interne Filterung durchführen, die mit dem Savitzky-Golay nicht möglich ist. |
| |
Add-in. So können Sie den lokalen Datenfilter mit dem Graph Builder nutzen und Interessensgebiete weiter definieren. |
| |
Also, |
| |
Lass uns weiter gehen. Savitzky-Golay |
| |
Die Analyse besteht darin, dass wir ... wir haben ... wenn wir diese Analyse durchführen, ist dies eine Gruppierung von Spektren. Also haben wir das Glatte, |
| |
die erste Ableitung, jetzt etwas in die Länge gezogen. Und wir haben dort die Nulllinie eingefügt. Und mit der ersten Ableitung ist das möglich |
| |
Sagen Sie, wo sich die Spitzen befinden, basierend auf den Nullpunkten oder dem Schnittpunkt der Nullpunkte, richtig, damit Sie eine Vorstellung davon bekommen, wo sich die Spitzen für einen gegebenen Punkt befinden |
| |
Gruppe von Spektren, Satz von Spektren. Und bei der zweiten Ableitung ist das etwas anders. Es hilft dabei, die Grundlinie abzuflachen, und hilft Ihnen dann, wenn Sie Spitzen haben, die sich überlappen |
| |
Entwickeln Sie sich weiter oder sehen Sie besser, wo sich diese überschneiden, und Sie gelangen vom Positiven zum Negativen, was ein Hinweis auf überlappende Spitzen und deren mögliche Lage ist. Okay, und so verwenden Sie dieses Tool. |
| |
Die Standardnormalvariable selbst ist wiederum die Standardisierung der Daten in Bezug auf die einzelnen Spektren. Es kann allein oder als zusätzliches Glättungswerkzeug verwendet werden und wir verwenden es heute als zusätzliches Werkzeug. |
| |
Es ist gebraucht... |
| |
Es wird zur Korrektur der Basislinienverschiebung und zur Korrektur globaler Intensitätsschwankungen verwendet. Das Schöne daran ist, dass es die Basislinienvariation beseitigt, ohne die Form der Spektren zu verändern, richtig. |
| |
Und die Sache mit den Daten ist, und das werden Sie sehen, wenn wir das machen, dass die Daten gestapelt werden müssen, okay. |
| |
Okay, das ist nur eine der Formeln, die |
| |
kann beim Einrichten der Standard-Normalvariablenformel verwendet werden, und ich zeige Ihnen, wie das geht. Es gibt verschiedene Möglichkeiten, aber es ist etwas komplizierter und ich zeige Ihnen, 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 Variable verwenden und das sind die Spektren selbst. Also |
| |
Es gibt einen kleinen Trick, das hinzuzufügen. |
| |
Richtig, wenn es also nur die Standard-Normalvariation auf die Rohdaten anwenden würde, würde es so aussehen. |
| |
Wir können die Gruppierungen sehen, wir können sehen, wie sich die Dinge aufteilen, aber wenn wir diese Standardnormalvariable nach der ersten Ableitung erstellen würden, wäre es viel sauberer. Man bekommt eine viel bessere Vorstellung davon, wo die Spektren sind oder wo sie sich überlappen, wo sie, wissen Sie, |
| |
wo Sie möglicherweise ein wenig tun müssen ... wo diese zweite Ableitung ins Spiel kommen würde, wo es überlappende Spitzen gibt, vielleicht hier, richtig, |
| |
und vielleicht wieder hierher. Also |
| |
Das ist der Punkt, an dem dies wirklich dabei hilft, eine bessere Sicht auf das zu bekommen, was Sie sehen. Und diese Nulllinie sagt wiederum aus, wo, wissen Sie, wenn Sie diese Nulllinie überqueren, ein Hinweis auf Spitzenwerte ist, wobei die Spitzenwerte die erste Ableitung verwenden. |
| |
Okay, also lasst uns eine Demo starten. |
| |
Okay, verschwinde da. |
| |
Sprechen wir also über die Visualisierung der Daten ... zuerst die Daten. Denken Sie daran: Wann immer Sie einen neuen Datensatz erhalten, ist es am besten, ihn einzulesen und zu visualisieren. Wissen Sie, zeichnen Sie diese Daten auf, um eine bessere Vorstellung davon zu bekommen, wie es aussieht, womit Sie es zu tun haben. Und lasst uns hier runtergehen und hochfahren |
| |
Unsere Gluten-Rohdaten. Richtig, also haben wir die Daten importiert. Jetzt müssen wir es etwas visualisieren, und dann gehen wir zum Graph Builder. |
| |
Richtig und die ersten Dinge, die wir tun werden, |
| |
Verschieben Sie dies ein wenig nach oben und gehen Sie zu den Rohdaten. So, jetzt ziehen wir das rein. |
| |
Und das sind die Punktdaten, also das ist, was wir...was wir vorher gesehen haben, bevor wir irgendetwas geglättet haben, bevor wir irgendetwas anderes gemacht haben. Das waren diese Zeilendaten und, wenn ich das ändern kann |
| |
ein paralleles Diagramm, rechts, das mir die Liniendaten für die Spektren liefert. Auch hier können wir nicht viel von dem sehen, was dort vor sich geht, aber es gibt uns eine bessere Vorstellung davon, wo es Probleme gibt. Ich kann das machen... |
| |
Wir können hier unten einige Dinge tun, etwas namens ... wenn wir müssen, und Sie werden dies mit anderen Daten sehen, diese parallele Zusammenführung. Aber das hat nichts geändert. Es wurden keine Daten zusammengeführt, wie Sie sehen werden, was einige der anderen Daten betrifft, also werde ich das schließen. |
| |
Richtig, und einige der anderen Tools, die ich gerne verwende, wenn ich die Daten visualisiere, sind das modellgesteuerte multivariate Kontrolldiagramm, und das machen wir zuerst. |
| |
Wir gehen also zu „Analyse“, „Qualität und Prozess“ und „Modellgesteuertes multivariates Kontrolldiagramm“. |
| |
Verschiebe das nach oben. |
| |
Richtig, ich habe keine historischen Daten, also sage ich „Okay“. Und das ermöglicht uns, uns die Daten anzusehen und zu sagen: Okay, |
| |
Wir können Gruppierungen von Spektren sehen, rechts. Und im Großen und Ganzen ist das... Ich möchte nur darauf hinweisen, |
| |
Wir sind in der Lage, den größten Teil der Variation, die wir sehen, zu erklären, zumindest bis zu 85 % der Variation mit zwei Hauptkomponenten, okay. Und das nutzt das??? T im Quadrat |
| |
Informationen, die wir hier haben. Und das sagt uns auch, wo die Dinge bei bestimmten Spektren außer Kontrolle geraten könnten, richtig. Warum ist es anders als der Rest der Gruppe? |
| |
Wenn ich also mit der Maus über einen dieser Punkte fahre, kann ich das herausholen, richtig. Wenn ich mit der Maus über einen der außer Kontrolle geratenen Punkte schwebe, ziehe ich ihn heraus, |
| |
Und jetzt können wir sehen, wow, die sind wirklich anders, wissen Sie. Es gibt etwas anderes an diesen Spektren, 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 das wollen wir sehen. |
| |
Und lasst uns auch dieses herausholen. Okay, das ist also noch einmal einer. Zwischen diesen drei Spektren gibt es also eine recht unterschiedliche Mischung. Wir haben also drei der ... drei Gruppen und wir könnten die anderen beiden auch dort unterbringen, nur um es zu sehen. Aber wir belassen es vorerst dabei. |
| |
Okay, das ist das modellgesteuerte multivariate Kontrolldiagramm. Das andere Tool, das ich gerne verwende, ist … es gehört zu den multivariaten Methoden und heißt mehrdimensionale Skalierung. |
| |
Und der Grund, warum ich dies gerne verwende, ist, insbesondere für Systeme wie dieses, |
| |
ist das, was 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, warum ich es gerne verwende, ist, dass wir damit eine Gruppierung vornehmen oder eine Gruppierung der Daten selbst visualisieren können. In Ordnung, |
| |
Lass uns das tun. Es dauert eine Sekunde, bis es erscheint. |
| |
Und wir können sehen, dass wir fünf verschiedene Gruppen von Spektren haben, also hat jede davon mit einer Gruppe unserer Mischung aus Stärke und Gluten zu tun. Wenn ich diese Gruppierung hier hervorhebe, ist das die erste Gruppe, die, Sie wissen schon, zu 100 % aus Stärke besteht. |
| |
Die mittlere Gruppe ist eine 50/50-Mischung und diese Gruppe hier unten besteht zu 100 % aus Gluten. Richtig, das bewirkt also, dass die Daten auch wieder in der Datentabelle hervorgehoben werden, genau wie dort gezeigt, also |
| |
Interaktivität ist auch schön. Dies zeigt uns auch, dass wir bereits recht gute Arbeit leisten und bereits in der Lage sind, die verschiedenen Gruppen aufzuschlüsseln. Wenn wir uns das Shepard-Diagramm ansehen, |
| |
wir haben ein R-Quadrat von 1 und |
| |
gerade Linie, okay. Also noch einmal, eine gute Möglichkeit, es zu visualisieren, und es gibt noch mehr, was man damit machen kann, aber das belassen wir für ein anderes Mal. |
| |
Gut so weit, |
| |
Wir haben die Daten eingebracht, wir haben sie richtig visualisiert, und jetzt müssen wir etwas Vorverarbeitung durchführen. |
| |
Und was wir tun werden, ich habe diese, mehr oder weniger, hier sind Platzhalter, also werden wir eine Savitzky-Golay-Analyse durchführen und wir werden zumindest beim ersten Mal eine normale normale Varite-Analyse durchführen Ableitung, okay. |
| |
Also gut, lassen Sie mich das ein wenig aufräumen. |
| |
Okay, schließen Sie das. |
| |
Und wieder werden wir diese Rohdaten verwenden und das Savitzky-Golay-Add-In verwenden, um die Analyse durchzuführen. Das ist für mich also unter Add-Ins. |
| |
Und das ist ein kostenloses Add-in, Sie können es also herunterladen und wir stellen es für Sie zur Verfügung. Das ist also wieder so: Wir nehmen die Rohdaten, |
| |
Richtig, und wenn Sie mehr darüber erfahren möchten, worum es bei Savitzky-Golay geht, haben wir hier einen Wikipedia-Link, den Sie nutzen können. Aber wir werden dies nutzen, um die Daten bei jeder Wellenlänge zu glätten, richtig, und dann die erste und zweite Ableitung nehmen. Und ich sage: Okay. |
| |
Und da haben wir unsere reibungslosen Daten. |
| |
Und eine Sache, wissen Sie, Sie können dies nach Bedarf anpassen, aber was wir tun wollen, ist, dies sozusagen zu übernehmen, |
| |
Erweitern Sie das Fenster ein wenig. |
| |
Alles klar. |
| |
Mach das. |
| |
Und Sie können hier mit den Polynomen experimentieren, der Reihenfolge der Polynomanpassung. |
| |
In diesem Fall macht es wirklich keinen großen Unterschied, zu einem Polynom achter Ordnung zu gelangen. Ein zweiter ... die zweite Bestellung reicht völlig aus. Okay, und dann können wir diese Daten aus unserer ersten Ableitung übernehmen. |
| |
Sagen wir, glatte Daten speichern, richtig, und wir können das wieder in der Datentabelle speichern. Und das habe ich bereits getan, daher muss ich Ihnen diesen Vorgang nicht zeigen, sondern weiß nur, dass die Daten von dort zurück in die Datentabelle übernommen werden, okay. |
| |
Lassen Sie uns das abschließen. |
| |
Okay, und wir können jetzt loslegen, aber jetzt müssen wir den letzten Schritt tun, richtig. Also schauen wir uns das an...bevor wir dorthin gehen, gehen wir noch einmal zurück und schauen es uns an |
| |
unsere Savitzky-Golay-Daten. Das sind also die Daten der ersten Ableitung. Ich würde mir das noch einmal ansehen wollen |
| |
Graph Builder, richtig. Und sehen Sie, das sieht dort einfach nicht sehr vielversprechend aus, aber lassen Sie uns eine parallele Handlung machen. |
| |
macht es ein bisschen besser. Und bereinigen Sie es und lassen Sie uns dann diese kombinierten Skalen parallel zusammenführen, und dies bringt die Daten in ein viel größeres Bild |
| |
visuell ... ein besseres Bild als zuvor, richtig. Wir können damit experimentieren und auch hier unsere eigene Nulllinie hinzufügen, um besser zu verstehen, wo sich die Spitzen kreuzen. |
| |
Aber das sind die Daten der ersten Ableitung. Es ist ... Sie können die Gruppen sehen, aber sie sind nicht, wissen Sie, sie sind nicht vollständig getrennt, so wie man sie wirklich gerne hätte, um eine bessere Vorstellung zu bekommen, okay. |
| |
Also sind wir da. Diese Daten befinden sich wieder in der Datentabelle. Ich schließe das jetzt ab und erinnere mich dann daran, dass ich gesagt habe, dass man die Daten für die ... stapeln muss, um die Standard-Normalvariable zu erstellen, also müssen wir das tun. Lassen Sie uns hier zunächst einige Daten aufschlüsseln. |
| |
Okay, also |
| |
Subset all dies aus. |
| |
Tische. Teilmenge. |
| |
Alle Reihen. Wählen Sie die Spalten aus und sagen Sie „OK“. Okay, jetzt können wir dorthin gehen. |
| |
Rechts. |
| |
Nun, zumindest sind wir ... wir haben die Daten getrennt, richtig. Jetzt müssen wir die Daten stapeln, richtig. Und auch hier geht es darum, den Filter auf alle Daten anwenden zu können, die wir für die Formel benötigen. |
| |
Also unter Tabellen. Stapel. |
| |
Und das sind unsere Säulen, die wir stapeln. |
| |
Rechts und reihenweise stapeln. |
| |
Ich werde die Spalten auswählen, die wir behalten möchten. |
| |
Darüber hinaus. Und danach, |
| |
Es tut mir leid ... Ich klicke nur herum, um dieses Setup zu erhalten, aber Sie werden die Idee verstehen. Ich lasse das für eine Sekunde offen, damit die Leute sehen können, was nötig ist, um dorthin zu gelangen. Also habe ich das gespeichert. |
| |
Wissen Sie, sehen Sie sich jetzt die unbenannte 12 an. Das sind unsere gestapelten Daten, richtig, und jetzt können wir diese Standardnormalvariate durchführen. Eine schnelle Möglichkeit, dies zu tun, besteht darin, eine neue Spalte zu erstellen. |
| |
Rechtsklick. |
| |
Und ich muss diese Formel von hier aus im Formeleditor erstellen. Ich werde dieses statistische Tool namens verwenden |
| |
Spalte standardisieren, rechts. Und wenn ich mit der Maus darüber schwebe, bekommen Sie eine Vorstellung davon, was Sie damit machen. Was bedeutet standardisiert, richtig? Also werden wir... |
| |
ein Mittelwert von 0 und eine Standardabweichung von 1, das ist es also, was wir mit den Daten und in Bezug auf alle gegebenen Spektren erreichen wollen. Wir müssen also die Daten übernehmen |
| |
Denken Sie daran, dass ich hier und da gesagt habe, wir müssten diese Bivariable hinzufügen, in diesem Fall die Spektren. Ich werde sagen, okay. |
| |
Okay, und das gibt uns einen Datensatz. Nun gibt es einen einfacheren Weg, dies zu tun, oder was ich für einen einfacheren Weg halte, aber es kann auch sein ... |
| |
Manchmal ist es etwas zeitaufwändiger. Aber wenn ich hier und noch einmal mit der rechten Maustaste auf die Spektren klicke, denken Sie daran, dass ich das mache, weil wir eine Bivariable brauchen. Also gehe ich zu den neuen Spalteninformationen und erstelle diese Gruppe nach. |
| |
Ich nehme meine Datenspalte, klicke mit der rechten Maustaste darauf und erstelle eine neue Formelspalte. |
| |
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 und ich aufatmen kann, dass ich alles richtig gemacht habe. |
| |
Richtig, das habe ich also. Nun müsste ich von hier aus auf diese Spalte klicken. |
| |
dass wir diese Daten nehmen, aufteilen und sie dann wieder in die reguläre Datentabelle oder die anfängliche Datentabelle einfügen. Eine Sache, die ich Ihnen damit zeigen möchte, ist Folgendes |
| |
Sobald Sie die Daten gestapelt haben, können Sie einige andere Visualisierungen erstellen, richtig. Wenn ich also nach rechts zurück zum Graph Builder gehe, möchte ich diese Daten übernehmen |
| |
in die |
| |
Y, und dann ziehe ich das Etikett rüber, und das ist eine coole Möglichkeit, zu sehen, wo all die Variationen sind. Das sind also alle, |
| |
Wissen Sie, Boxplots zeigen an, wo ... Sie die Variation in den Daten sehen. Das ist einfach eine wirklich gute Möglichkeit, sich vorzustellen, was vor sich geht. |
| |
Eine weitere leistungsstarke Möglichkeit, den Graph Builder zu verwenden. Dazu müssen die Daten in diesem Fall gestapelt werden. Was Sie jetzt auch tun können: |
| |
Wenn Sie die Punktdaten eingeben, entfernen wir sie, geben die Punktdaten dort ein und dann können wir etwas glätten. Nun, das ist eine individuelle Glätte, das ist also ein Durchschnitt ... für alle ... für alle Daten. Das möchten wir tun |
| |
Savitzky-Golay-Glättung, also muss ich eingreifen |
| |
das Overlay, richtig. Das sind also alle Daten. Jetzt wird es schwer zu erkennen sein, aber ich werde das tun, hoffentlich können Sie es sehen. Wenn ich unter „Glättung“ auswähle, wechseln wir zu Savitzky-Golay. |
| |
Richtig, und ich denke, Sie haben ... hoffentlich gesehen, dass das jetzt genau zu dieser Linie passt, dieser glättenden Linie. |
| |
Das ist eine weitere Möglichkeit, die Daten mithilfe des Savitzky-Golay zu glätten. Und dann können Sie dies in eine quadratische umwandeln, Sie können hier etwas lokales Trimmen vornehmen und das schließlich 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 noch einmal unter Graph Builder an. |
| |
Ich kann diese Standard-Normalvariablengruppe nehmen, |
| |
lass das rein. Auch hier sieht es nicht sehr vielversprechend aus, aber wir machen den Parallelplot und klicken dann mit der rechten Maustaste. |
| |
Kombinieren Sie diese Skalen. |
| |
Und das ist im Grunde unsere fertige Glättung, in Ordnung. Wir haben also alles vorbereitet. Auch hier könnten wir eine Nulllinie hinzufügen, |
| |
wenn benötigt. Lassen Sie uns fortfahren und das hinzufügen. |
| |
Null und wir machen daraus eine Art Grün, |
| |
Da ist das, füge es hinzu. |
| |
Sagen Sie „Okay“, und dann wiederum würden Sie dies nutzen, um herauszufinden, wo Ihre Höhepunkte liegen. |
| |
Basierend auf dem Spitzenmaximum, als ich diesen Nullpunkt überschritten habe, okay. |
| |
So ziemlich, das ist es. Kehren wir zu unserem zurück |
| |
Steckdose. |
| |
Abschließend also: Vorverarbeitung ... wir mussten die Daten vorverarbeiten ... die Daten vorverarbeiten, um sie sauberer zu machen, damit sie, Sie wissen schon, viel einfacher zu verarbeiten sind. |
| |
Wo auch mit JMP... |
| |
JMP macht das... |
| |
Wir arbeiten daran, diesen Prozess viel einfacher zu gestalten. Die Vorverarbeitung in JMP 16 wird durch Add-Ins und integrierte Funktionen unterstützt. |
| |
Wir freuen uns auf JMP 17, wo die Vorverarbeitung, das, was im Functional Data Explorer angeboten wird, mit viel ausgefeilteren Optionen zur Spektral- und Basislinienglättung sowie einigen Peak-Erkennungen und -Auswahlen erwartet wird. |
| |
Zur Analyse von Spektraldaten gibt es bitte ... es gab einen Vortrag, den ich 2020 für die Discovery gehalten habe |
| |
München. Das war ein virtueller Vortrag, der Ihnen jedoch eine gute Vorstellung davon vermittelt, wie Sie JMP zur Analyse Ihrer Spektraldaten verwenden können. |
| |
Und damit möchte ich mich bei Ihnen bedanken und hoffe, dass Sie alle dies nützlich finden. Bitte lassen Sie es mich wissen. |
