| Lautsprecher |
Transkript |
| Bill Worley |
Hallo zusammen, hier ist Bill Worley, JMP-Systemingenieur. Ich bin seit fast sieben Jahren bei JMP. Heute sprechen wir über |
| |
Vorverarbeitung spektroskopischer Daten für die Analyse. Ich nenne dies eine Vorgeschichte, da ich bereits einen Vortrag über die Analyse spektroskopischer Daten in JMP gehalten habe. Die Vorverarbeitung ist jedoch ein wichtiger erster Schritt, und ich werde Ihnen zeigen, warum. Lassen Sie uns näher darauf eingehen. |
| |
Lassen Sie uns kurz über die Zusammenfassung sprechen. Die Vorverarbeitung spektroskopischer Daten ist ein wichtiger erster Schritt bei der Vorbereitung Ihrer Daten – aller Daten – für die Analyse. |
| |
Wir können mit Ihnen darüber sprechen... Wir werden die Demo überprüfen und die Standardnormalvariable und die Savitzky-Golay-Glättungswerkzeuge in JMP demonstrieren. Dies sind die Vorverarbeitungswerkzeuge, die im gesamten |
| |
Die chemische Welt, die chemische Industrie und eigentlich jeder, der Spektroskopie betreibt und spektroskopische Daten analysiert, wissen, dass … |
| |
Erfahren Sie mehr über die Standardnormalvariable Savitzky-Golay und ihre Anwendung. Dies ist ein wichtiger erster Schritt, um Ihnen bei der Erstellung von Vorhersagemodellen aus Ihren spektroskopischen Rohdaten zu helfen. |
| |
Spektraldaten können mit etwas Hintergrund sehr unübersichtlich sein. Vorverarbeitung dient der Glättung, Filterung und Basislinienkorrektur vor der Erstellung dieser oder anderer Vorhersagemodelle. Die Savitzky-Golay-Filterung und die Standardnormalvariable |
| |
sind Tools, die … sie werden in JMP verwendet. Savitzky-Golay war ein Add-In, das von Ian Cox entwickelt wurde, also … vielen Dank an Ian dafür. Standardnormalvariable erfordert … |
| |
Geben Sie eine Formel ein, und wir zeigen Ihnen, wie Sie diese in JMP integrieren. Und die letzte Zeile: Der Graph Builder ist ebenfalls ein wertvolles Werkzeug zur Visualisierung Ihrer spektroskopischen Daten und kann als alternative Plattform zur Glättung Ihrer Daten verwendet werden. |
| |
Aber darauf werden wir im weiteren Verlauf des Gesprächs noch einmal eingehen. |
| |
Warum wir das tun. Warum sollte man überhaupt eine Vorverarbeitung durchführen? Wenn man sich das ansieht, die oberen Spektren oder Spektrengruppen, das sind die Rohdaten von 100 Spektren, und man kann keinen wirklichen Unterschied erkennen zwischen |
| |
Sie wissen schon, eine Mischung aus 100 % Stärke oder 100 % Gluten. Man sieht zwar einige Unterschiede, aber man kann nicht sagen, was was ist. Nun ja, |
| |
Von da an führen wir die Savitzky-Golay-Glättung und Filterung durch und nehmen dann die erste Ableitung. Dadurch erhalten wir einen viel saubereren Satz von Spektren. |
| |
schön gruppiert, aber noch nicht ganz dort, wo Sie sein möchten. Und dann, schließlich, nachdem Sie diese standardmäßige Glättung der Normalvariablen durchgeführt haben, sind die Spektren viel sauberer und man kann viel leichter erkennen, wo die Spitzen liegen. |
| |
Und Sie können die Unterschiede in den verschiedenen Spektrengruppen erkennen. Es gibt also wieder 20 Spektren für jede dieser roten, grauen und blauen Linien, und es ist deutlich klarer. Sie können die Spitzen für die verschiedenen Mischungen erkennen. |
| |
Beim Savitzky-Golay-Filter handelt es sich um einen digitalen Filter, der Ihre Spektraldaten zur Glättung anwendet. Das Schöne daran ist, dass er die Gesamtspektren selbst, die Peaks usw. nicht verändert. Es ist also ein nützliches Werkzeug. |
| |
Es verwendet Faltung zur Glättung und basiert auf einer linearen Kleinstquadrate-Formel. |
| |
Auch die erste und zweite Ableitung sind … Sie können diese auch aus dem glatten Signal herausfiltern. |
| |
Auch das Herausfiltern unwichtiger Daten an beiden Enden des Spektrums ist möglich. Wenn Sie in Situationen geraten, in denen Sie am Anfang etwas Unwichtiges haben, das Sie im weiteren Verlauf nur durcheinanderbringt, und dasselbe gilt am anderen Ende. |
| |
Mit Graph Builder können Sie sogar eine interne Glättung oder interne Filterung durchführen, die mit Savitzky-Golay nicht möglich ist. |
| |
Add-In. So können Sie den lokalen Datenfilter mit dem Graph Builder verwenden und Interessenbereiche weiter definieren. |
| |
Also, |
| |
weiter geht's. Savitzky-Golay |
| |
Die Analyse ist, dass wir die...wir haben...wenn wir diese Analyse durchführen, ist dies eine Gruppierung von Spektren. Wir haben also die glatte, |
| |
die erste Ableitung, jetzt etwas gestreckt. Und wir haben die Nulllinie dort eingefügt. Und mit der ersten Ableitung kann man |
| |
sagen, wo die Spitzen sind, basierend auf den Nullpunkten oder dem Überschreiten der Nullpunkte, richtig, so dass Sie eine Vorstellung davon bekommen, wo die Spitzen für eine gegebene |
| |
Gruppe von Spektren, Satz von Spektren. Und für die zweite Ableitung ist das etwas anders. Es hilft, die Basislinie zu glätten und dann, wenn sich Peaks überlappen, hilft es Ihnen |
| |
Entwickeln Sie diese weiter oder sehen Sie besser, wo sich diese überschneiden. Wenn Sie von einem positiven zu einem negativen Wert wechseln, ist dies ein Hinweis auf überlappende Spitzen und deren mögliche Standorte. Okay, und so verwenden Sie dieses Tool. |
| |
Die Standardnormalvariable selbst ist wiederum die Standardisierung der Daten in Bezug auf die einzelnen Spektren. Sie kann allein oder als zusätzliches Glättungswerkzeug verwendet werden, und wir verwenden sie heute als zusätzliches Werkzeug. |
| |
Es wird verwendet... |
| |
Es wird zur Korrektur der Basislinienverschiebung und zur Korrektur globaler Intensitätsschwankungen verwendet. Das Schöne daran ist, dass es Basislinienschwankungen entfernt, ohne die Form der Spektren zu verändern, richtig. |
| |
Und die Daten, das Problem dabei ist, und das werden Sie sehen, wenn wir es tun, dass die Daten gestapelt werden müssen, okay. |
| |
Okay, das ist nur eine der Formeln, die |
| |
könnte zum Aufstellen der Standardformel für Normalverteilungen verwendet werden, und ich zeige Ihnen, wie das geht. Es gibt verschiedene Möglichkeiten, aber es ist etwas kompliziert, und ich zeige Ihnen, wie das geht. Wichtig dabei ist, dass |
| |
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 |
| |
Um das hinzuzufügen, gibt es einen kleinen Trick. |
| |
Richtig, wenn also die Standardnormalvariable nur auf den Rohdaten angewendet würde, würde es so aussehen. |
| |
Wir können die Gruppierungen sehen, wir können sehen, wie sich die Dinge aufteilen, aber wenn wir die Standardnormalverteilung nach der ersten Ableitung durchführen, ist es viel klarer. Man bekommt eine viel bessere Vorstellung davon, wo die Spektren sich überschneiden, wo sie, wissen Sie, |
| |
wo Sie vielleicht ein wenig tun müssen ... wo die zweite Ableitung ins Spiel kommen würde, wo Sie überlappende Spitzen haben, vielleicht hier, richtig, |
| |
und vielleicht wieder hierher. Also |
| |
Das ist der Punkt, an dem dies wirklich hilft, eine bessere Sicht auf das zu entwickeln, was Sie sehen. Und diese Nulllinie zeigt wiederum an, wo, wissen Sie, das Überschreiten dieser Nulllinie ein Hinweis auf Spitzen ist, wo Spitzen unter Verwendung der ersten Ableitung liegen. |
| |
Okay, dann schauen wir uns eine Demo an. |
| |
Okay, raus da. |
| |
Sprechen wir also über die Visualisierung der Daten ... zuerst über die Daten. Denken Sie daran: Wenn Sie einen neuen Datensatz erhalten, ist es am besten, ihn zu visualisieren. Stellen Sie die Daten grafisch dar, um sich ein besseres Bild davon zu machen, wie sie aussehen und womit Sie es zu tun haben. Und jetzt gehen wir hier runter und rufen auf |
| |
Unsere Gluten-Rohdaten. So, wir haben die Daten importiert. Jetzt müssen wir sie visualisieren. Gehen wir zum Graph Builder. |
| |
Richtig, und das Erste, was wir tun werden, |
| |
Verschieben Sie das ein wenig nach oben und gehen Sie zu den Rohdaten. Gut, jetzt ziehen wir das rein. |
| |
Und das sind die Punktdaten. Das haben wir gesehen, bevor wir geglättet haben, bevor wir irgendetwas anderes gemacht haben. Das waren die Liniendaten. Wenn ich das ändern kann in |
| |
Ein paralleles Diagramm, das mir die Liniendaten der Spektren liefert. Auch hier können wir nicht viel von dem sehen, was dort passiert, aber es gibt uns eine bessere Vorstellung davon, wo die Dinge auseinanderfallen. Ich kann das machen... |
| |
Wir können hier unten einige Dinge tun, etwas namens... falls nötig. Sie werden sehen, dass dies mit anderen Daten parallel zusammengeführt wurde. Aber das hat nichts geändert. Es hat nichts zusammengeführt, wie Sie bei einigen anderen Daten sehen werden, also schließe ich das. |
| |
Richtig, und einige der anderen Tools, die ich gerne verwende, wenn ich die Daten visualisiere, sind die modellgesteuerten multivariaten Kontrollkarten, und die machen wir zuerst. |
| |
Wir gehen also zu „Analyse, Qualität und Prozess“ und „Modellgesteuertes multivariates Kontrolldiagramm“. |
| |
Verschieben Sie dies nach oben. |
| |
Richtig, ich habe keine historischen Daten, also sage ich: Okay. Und das ermöglicht uns, die Daten anzuschauen und zu sagen: Okay, |
| |
Wir können Gruppierungen von Spektren sehen, richtig. Und größtenteils ist das... ich möchte nur darauf hinweisen, |
| |
Wir können den Großteil der beobachteten Variation, mindestens bis zu 85 % der Variation, mit zwei Hauptkomponenten erklären, okay. Und das mit diesem T-Quadrat. |
| |
Informationen, die wir hier haben. Und das sagt uns auch, wo die Dinge bei einem bestimmten Spektrum außer Kontrolle geraten könnten. Warum unterscheidet es sich vom Rest der Gruppe? |
| |
Wenn ich also über einen dieser Punkte fahre, kann ich ihn herausziehen. Wenn ich über einen der außer Kontrolle geratenen Punkte fahre, ziehe ich ihn wieder heraus. |
| |
Und jetzt sehen wir: Wow, die sind wirklich unterschiedlich. Diese Spektren haben etwas Besonderes, 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 ziehen wir auch dieses hier heraus. Okay, das ist also noch eins. Zwischen diesen drei Spektren haben wir also eine ziemlich große Bandbreite, wissen Sie, der Mischung. Wir haben also drei der ... drei Gruppen, und wir könnten die anderen beiden auch noch da reinstellen, nur um zu sehen. Aber dabei belassen wir es vorerst. |
| |
Okay, das ist also die modellbasierte multivariate Kontrollkarte. Das andere Tool, das ich gerne verwende, ist ... es gehört zu den multivariaten Methoden und heißt multidimensionale Skalierung. |
| |
Und der Grund, warum ich das gerne verwende, ist, dass insbesondere für Systeme wie dieses, |
| |
ist, dass wir |
| |
unsere Rohdaten noch einmal, richtig, und wir müssen ... |
| |
Lassen Sie mich das zuerst einrichten und ich werde es Ihnen sagen. |
| |
Wir haben hier zwei Dimensionen, und das basiert nur auf dem, was wir zuvor gesehen haben. Ich verwende sie gerne, weil sie uns ermöglicht, die Daten zu gruppieren oder zu visualisieren. Okay, |
| |
lass uns das machen. Es dauert eine Sekunde, bis das angezeigt wird. |
| |
Wir sehen, dass wir fünf verschiedene Spektrengruppen haben. Jede davon gehört zu einer Gruppe unserer Stärke-Gluten-Mischung. Wenn ich diese Gruppe hier markiere, ist das die erste Gruppe, die zu 100 % aus Stärke besteht. |
| |
Die mittlere Gruppe besteht aus einer 50/50-Mischung, und die Gruppe hier unten besteht zu 100 % aus Gluten. Dadurch werden die Daten in der Datentabelle hervorgehoben, wie hier gezeigt. |
| |
Interaktivität ist auch schön. Das zeigt uns auch, dass wir bereits recht gut darin sind, die verschiedenen Gruppen herauszuarbeiten. Wenn wir uns das Shepard-Diagramm ansehen, |
| |
wir haben R² von 1 und |
| |
Gerade Linie, okay. Auch das ist eine gute Möglichkeit, es zu visualisieren. Man kann damit noch mehr machen, aber das verschieben wir auf ein anderes Mal. |
| |
Okay, bis jetzt, |
| |
wir haben die Daten importiert, wir haben sie visualisiert, richtig, und jetzt müssen wir einige Vorverarbeitungen durchführen. |
| |
Und was wir tun werden, ich habe diese hier, mehr oder weniger, Platzhalter, also werden wir eine Savitzky-Golay-Analyse durchführen und wir werden eine standardmäßige Normalverteilung durchführen, zumindest bei der ersten Ableitung, okay. |
| |
Okay, lassen Sie mich das ein wenig klarstellen. |
| |
Gut, mach das zu. |
| |
Und wieder nehmen wir die Rohdaten und verwenden das Savitzky-Golay-Add-In für die Analyse. Das fällt für mich unter Add-Ins. |
| |
Dies ist ein kostenloses Add-In. Sie können es herunterladen, und wir stellen es Ihnen zur Verfügung. Wir nehmen also wieder die Rohdaten, |
| |
Richtig, und wenn Sie mehr über Savitzky-Golay erfahren möchten, finden Sie hier einen Wikipedia-Link. Wir werden dies verwenden, um die Daten bei jeder Wellenlänge zu glätten, und dann die erste und zweite Ableitung berechnen. Und ich sage: „Okay.“ |
| |
Und los geht‘s, und wir haben hier unsere glatten Daten. |
| |
Und eines ist klar: Sie können das nach Bedarf anpassen, aber wir möchten das hier so nehmen, |
| |
Erweitern Sie dieses Fenster ein wenig. |
| |
In Ordnung. |
| |
Mach das. |
| |
Und Sie können hier mit den Polynomen herumspielen, der Reihenfolge der Polynomanpassung. |
| |
In diesem Fall macht es keinen großen Unterschied, ob wir zu einem Polynom achter Ordnung wechseln. Ein zweites … zweite Ordnung reicht völlig aus. Gut, und dann können wir die Daten aus unserer ersten Ableitung nehmen. |
| |
Sagen wir „Glatte Daten speichern“, und wir können sie wieder in die Datentabelle speichern. Das habe ich bereits getan, daher muss ich Ihnen den Vorgang nicht zeigen. Sie müssen nur wissen, dass die Daten von dort aus wieder in die Datentabelle übertragen werden. |
| |
Lassen Sie uns das abschließen. |
| |
Okay, wir können jetzt loslegen, aber jetzt müssen wir noch den letzten Schritt machen. Schauen wir uns also an... bevor wir dorthin gehen, schauen wir uns noch einmal an |
| |
unsere Savitzky-Golay-Daten. Dies sind also die Daten der ersten Ableitung. Ich möchte dies noch einmal unter dem |
| |
Graph Builder, richtig. Und sehen Sie, das sieht nicht sehr vielversprechend aus, aber machen wir ein paralleles Diagramm. |
| |
macht es ein wenig besser. Und bereinigen Sie es und dann führen wir diese kombinierte Skalen parallel zusammenführen, und das bringt die Daten in eine viel mehr |
| |
Visuell... eine bessere Visualisierung als zuvor, richtig. Wir können damit experimentieren und hier unsere eigene Nulllinie hinzufügen, um besser zu verstehen, wo sich die Spitzen kreuzen. |
| |
Aber das sind die Daten der ersten Ableitung. Sie können die Gruppen sehen, aber sie sind nicht, wissen Sie, sie sind nicht vollständig getrennt, wie man es gerne hätte, um sich ein besseres Bild zu machen, okay. |
| |
So, das war's. Die Daten sind wieder in der Datentabelle. Ich schließe sie jetzt. Und dann, wie ich schon sagte, müssen die Daten für die Standardnormalverteilung gestapelt werden. Das müssen wir also tun. Lassen Sie uns zunächst einige Daten hier unterteilen. |
| |
Also gut, |
| |
eine Teilmenge all dieser Elemente heraus. |
| |
Tabellen. Teilmenge. |
| |
Alle Zeilen. Ausgewählte Spalten, und sagen Sie „OK“. Gut, jetzt können wir loslegen. |
| |
Rechts. |
| |
Nun, zumindest haben wir die Daten getrennt. Jetzt müssen wir sie stapeln. Und das wiederum dient dazu, den Filter auf alle Daten anwenden zu können, die wir für die Formel benötigen. |
| |
Also unter Tabellen. Stapel. |
| |
Und das sind unsere Spalten, die wir stapeln. |
| |
Richtig, und reihenweise stapeln. |
| |
Ich werde die Spalten auswählen, die wir behalten möchten. |
| |
Darüber hinaus. Und danach, |
| |
Tut mir leid ... ich klicke nur ein bisschen herum, um das Setup zu bekommen, aber ihr werdet es verstehen. Ich lasse das hier kurz stehen, damit die Leute sehen können, was man dafür braucht. Deshalb habe ich es gespeichert. |
| |
Sehen Sie sich jetzt die unbetitelte 12 an. Das sind unsere gestapelten Daten, und jetzt können wir die Standardnormalvariable ausführen. Eine schnelle Möglichkeit hierfür ist, eine neue Spalte zu erstellen. |
| |
Rechtsklick. |
| |
Und ich muss diese Formel von hier aus erstellen, vom Formeleditor aus. Ich werde dieses Statistiktool namens |
| |
Spalte „Standardisieren“, richtig. Und wenn ich hier drüber fahre, bekommt ihr eine Vorstellung davon, was ihr damit macht. Was bedeutet „standardisiert“, richtig? Also, wir werden … |
| |
einen Mittelwert von 0 und eine Standardabweichung von 1. Das ist es, was wir mit den Daten und in Bezug auf alle gegebenen Spektren erreichen wollen. Wir müssen also die Daten nehmen |
| |
Denken Sie daran, dass ich gesagt habe, wir müssten hier und da die bivariable Variable hinzufügen, die in diesem Fall die Spektren sein werden. Ich sage: „Okay.“ |
| |
Gut, und damit haben wir einen Datensatz. Es gibt einen einfacheren Weg, oder was ich für einen einfacheren Weg halte, aber es kann auch sein... |
| |
Manchmal ist es etwas zeitaufwändiger. Aber wenn ich hier mit der rechten Maustaste auf die Spektren klicke, und noch einmal: Ich mache das, weil wir eine bivariable Variable benötigen. Also gehe ich zu „Neue Spalte Info“ und erstelle die Gruppierung nach. |
| |
Und ich nehme meine Datenspalte, klicke mit der rechten Maustaste darauf und erstelle eine neue Formelspalte. |
| |
Wir wechseln zu „distributional“ und, wie Sie sich erinnern, „standardisiert“. Wir wollen, dass |
| |
Mittelwert 0; Standardabweichung 1. Wählen Sie das aus, und die neue Spalte wird erstellt. Das Schöne daran ist, dass die Daten übereinstimmen, sodass ich erleichtert aufatmen kann, dass ich es richtig gemacht habe. |
| |
So, das habe ich. Nun klicke ich von hier aus auf die Spalte. |
| |
dass wir diese Daten nehmen, sie aufteilen und sie dann wieder in die reguläre Datentabelle oder die ursprüngliche Datentabelle einfügen. Eines möchte ich Ihnen damit zeigen: |
| |
Sobald Sie die Daten gestapelt haben, können Sie weitere Visualisierungen erstellen. Wenn ich also zum Graph Builder gehe, möchte ich diese Daten verwenden. |
| |
in die |
| |
Y, und dann ziehe ich das Etikett darüber. So sieht man, wo die Variationen liegen. Das sind also alle, |
| |
Sie wissen schon, Boxplots, bei denen Sie die Variation in den Daten sehen. Das ist also eine wirklich gute Möglichkeit, zu visualisieren, was vor sich geht. |
| |
Eine weitere leistungsstarke Möglichkeit, den Graph Builder zu verwenden, wobei die Daten in diesem Fall gestapelt werden müssen. Sie können auch Folgendes tun: |
| |
Wenn Sie die Punktdaten einlesen, nehmen wir diese heraus, fügen sie dort ein und glätten sie anschließend. Das ist eine individuelle Glättung, also ein Durchschnitt für alle Daten. Wir möchten Folgendes tun: |
| |
Savitzky-Golay-Glättung, also muss ich einziehen |
| |
Die Überlagerung, richtig. Das sind also alle Daten. Es ist jetzt schwer zu erkennen, aber ich mache Folgendes. Hoffentlich können Sie es sehen: Wenn ich unter „Glättung“ die Option „Savitzky-Golay“ auswähle, wechseln wir zu Savitzky-Golay. |
| |
Richtig, und ich denke, Sie haben … hoffentlich haben Sie gesehen, dass das jetzt zu dieser Linie passt, dieser Glättungslinie genau dort. |
| |
Das ist eine weitere Möglichkeit, die Daten zu glätten, nämlich mit dem Savitzky-Golay-Verfahren. Anschließend können Sie dies in eine quadratische Gleichung umwandeln, hier lokal kürzen und das Ganze anschließend wieder in der Datentabelle speichern. |
| |
Dabei belasse ich es vorerst. |
| |
Richtig. Und denken Sie daran, wir mussten diese Daten aufteilen und wieder in der Datentabelle speichern. Ich werde auf das Aufteilen verzichten und dann einfach zu den Daten zurückkehren … der ursprünglichen Datentabelle. |
| |
Das brauche ich nicht. |
| |
Richtig, und dann, als ich |
| |
Schauen Sie sich die Daten noch einmal unter Graph Builder an. |
| |
Ich kann diese standardmäßige normalverteilte Gruppe von Zufallsvariablen nehmen, |
| |
fügen Sie das ein. Auch hier sieht es nicht sehr vielversprechend aus, aber wir machen das parallele Diagramm und klicken dann mit der rechten Maustaste. |
| |
Kombinieren Sie diese Skalen. |
| |
Und das ist im Grunde unsere fertige Glättung. Wir haben alles eingerichtet. Wir könnten hier wieder eine Nulllinie hinzufügen. |
| |
falls erforderlich. Lassen Sie uns das hinzufügen. |
| |
Null und wir machen daraus eine Art Grün, |
| |
da ist es, fügen Sie es hinzu. |
| |
Sagen Sie „Okay“, und dann würden Sie dies erneut verwenden, um herauszufinden, wo Ihre Spitzen liegen. |
| |
Basierend auf dem Spitzenmaximum, als ich diesen Nullpunkt überschritten habe, okay. |
| |
So, das ist es im Großen und Ganzen. Kommen wir zurück zu unserem |
| |
Steckdose. |
| |
Zusammenfassend lässt sich also sagen, dass wir die Daten vorverarbeiten mussten, um sie sauberer zu machen und die Arbeit damit zu erleichtern. |
| |
Wo auch mit JMP... |
| |
JMP macht das ... |
| |
Wir arbeiten daran, diesen Prozess deutlich zu vereinfachen. Die Vorverarbeitung in JMP 16 wird durch Add-Ins und integrierte Funktionen unterstützt. |
| |
Wir freuen uns auf JMP 17, wo die Vorverarbeitung im Functional Data Explorer mit wesentlich ausgefeilteren Optionen zur Spektral- und Basislinienglättung sowie mit einigen Funktionen zur Spitzenerkennung und -auswahl angeboten wird. |
| |
Zur Analyse von Spektraldaten, bitte, da...es gab einen Vortrag, den ich im Jahr 2020 für die Discovery gehalten habe |
| |
München. Das war ein virtueller Vortrag, aber er wird Ihnen einen guten Einblick geben, wie Sie JMP zur Analyse Ihrer Spektraldaten verwenden können. |
| |
Und damit möchte ich mich bei Ihnen bedanken. Ich hoffe, Sie alle fanden dies hilfreich. Bitte lassen Sie es mich wissen. |
