Algoritmo das Projeções Sucessivas Para Seleção de ... - PPGQ

Capítulo II. Fundamentação Teórica
SNV
A
=
p
∑
i=
1
p
∑
i=
1
( x
i
( x
i
− x)
− x)
p −1
2
(2.1)
onde: SNV A são as variações normais padrão de p comprimentos de onda para uma
amostra A; x : valor do sinal analítico em i comprimento de onda da amostra A e x
é a média dos valores de p comprimentos de onda da amostra A, calculado
conforme a Equação 2.2.
x
p
∑
xi
i = 1
=
p
(2.2)
Outro pré-processamento muito utilizado no domínio das amostras é a
1ª derivada, cuja finalidade é corrigir problemas relacionados com a variação da
linha de base, além de possibilitar uma melhor visualização de picos existentes nos
sinais originais. Entretanto, aplicar tal pré-procesamento em espectros com baixa
relação sinal/ruído pode, em alguns casos, não ser uma boa alternativa, uma vez
que os efeitos do ruído no conjunto de dados tendem a aumentar.
Várias técnicas podem ser utilizadas para a filtragem de ruído aleatório e
aumento da relação sinal/ruído [16, 77-78] . Entre elas, destaca-se pela sua simplicidade
e eficiência, a suavização pelo método de Savitzky-Golay [16] que ajusta um polinômio
de baixa ordem aos pontos de uma janela pelos mínimos quadrados. A escolha do
número de pontos utilizado na janela é de suma importância, pois um número
elevado pode acarretar perda de informações e um número reduzido, a permanência
de ruído. Uma vez estabelecidos os pré-tratamentos mais adequados para um
determinado conjunto de dados, técnicas de RP poderão ser então aplicadas.
2.2. PCA
Os algoritmos dos mínimos quadrados parciais iterativos não-lineares
(NIPALS: Nonlinear Iterative Partial Least Squares) e a decomposição por valores
singulares (SVD: Singular Value Decomposition) têm sido freqüentemente utilizados
para o cálculo da PCA [79] .
18