A method of multivariate spectral analysis, termed augmented classical
least squares (ACLS), provides an improved CLS calibration model when
unmodeled sources of spectral variation are contained in a calibration
sample set. The ACLS methods use information derived from component or
spectral residuals during the CLS calibration to provide an improved
calibration-augmented CLS model. The ACLS methods are based on CLS so that
they retain the qualitative benefits of CLS, yet they have the flexibility
of PLS and other hybrid techniques in that they can define a prediction
model even with unmodeled sources of spectral variation that are not
explicitly included in the calibration model. The unmodeled sources of
spectral variation may be unknown constituents, constituents with unknown
concentrations, nonlinear responses, non-uniform and correlated errors, or
other sources of spectral variation that are present in the calibration
sample spectra. Also, since the various ACLS methods are based on CLS,
they can incorporate the new prediction-augmented CLS (PACLS) method of
updating the prediction model for new sources of spectral variation
contained in the prediction sample set without having to return to the
calibration process. The ACLS methods can also be applied to alternating
least squares models. The ACLS methods can be applied to all types of
multivariate data.
Un método de análisis espectral multivariate, llamado clásico aumentada menos cuadrados (ACLS), proporciona un modelo mejorado de la calibración de CLS cuando unmodeled fuentes de la variación espectral se contienen en un sistema de la muestra de la calibración. Los métodos de ACLS utilizan la información derivada de residuales componentes o espectrales durante la calibración de CLS para proporcionar un modelo calibracio'n-aumentado mejorado de CLS. Los métodos de ACLS se basan en CLS de modo que conserven las ventajas cualitativas de CLS, con todo tengan la flexibilidad de PLS y otras técnicas híbridas en que pueden definir un modelo de la predicción incluso con unmodeled las fuentes de la variación espectral que no se incluyen explícitamente en el modelo de la calibración. Unmodeled fuentes de la variación espectral puede ser componentes desconocidos, componentes con concentraciones desconocidas, respuestas no lineales, non-uniforme y errores correlacionados, u otras fuentes de la variación espectral que están presentes en los espectros de la muestra de la calibración. También, puesto que los varios métodos de ACLS se basan en CLS, pueden incorporar el nuevo método prediccio'n-aumentado de CLS (PACLS) de poner al día el modelo de la predicción para las nuevas fuentes de la variación espectral contenidas en el sistema de la muestra de la predicción sin tener que volver al proceso de la calibración. Los métodos de ACLS se pueden también aplicar a alternar menos modelos de los cuadrados. Los métodos de ACLS se pueden aplicar a todos los tipos de datos multivariate.
