I.

INTRODUCCIÓN

Como una de las técnicas analíticas no destructivas más importantes, la

espectroscopia de infrarrojo cercano (NIR) se está aplicando ampliamente
en los campos de la agricultura, la industria, la alimentación, la
biotecnología, la química y la medicina. Sin embargo, el uso eficiente del
análisis NIR depende de la calibración multivariada y la calidad de los
datos espectrales. El paper que hemos estudiado nos habla sobre la importancia de
la calibración multivariante para el análisis de espectroscopia de infrarrojo cercano (NIR), y
cómo la calidad de los datos espectrales es crucial para el éxito del modelo de calibración.
También se discuten las limitaciones de los métodos de selección de longitud de onda, y se
destaca la eficacia de la transformada de paquetes wavelet (WPT) en el pre procesamiento de
espectros NIR.
Este artículo nos presenta un nuevo algoritmo de calibración multivariante llamado GA-FD-
SEL, que utiliza la transformada de paquetes wavelet, el algoritmo genético y la regresión lineal
múltiple. Este algoritmo se centra en la extracción eficiente de información del analito a partir
de datos espectrales NIR. Este algoritmo se evalúa en un estudio de validación con datos
espectrales NIR de maíz, mostrando una mejora significativa en la predicción de la
concentración de proteínas.

Resultado C

Después de aplicar el algoritmo GA-FD-SEL a los espectros sin procesar, se desarrollaron

modelos de predicción para medir el contenido de aceite utilizando el algoritmo PLS. Se
observó que las curvas RMSEP del algoritmo GA-FD-SEL descendían bruscamente y eran más
bajas que las de los algoritmos PLS convencionales. Luego, se filtró el conjunto de
componentes utilizando un nivel determinado y se utilizó el algoritmo GA para seleccionar los
componentes informativos de WPT basándose en el rendimiento del modelo PLS. Este
algoritmo se utilizó con éxito para analizar espectros de muestras de maíz y medir el contenido
de aceite. Los resultados experimentales mostraron que este algoritmo mejoraba efectivamente
la capacidad de predicción de los modelos de regresión NIR. En comparación con el modelo
que utiliza PLS convencional, el modelo basado en GA-FD-SEL mejoró el RMSEP hasta en un
50,2% cuando el número de variables latentes era superior a 7, demostrando una excelente
capacidad para extraer información del analito.