Uma Revisão de Aprendizado de Máquina para Espectroscopia no Infravermelho Próximo

A análise da espectroscopia no infravermelho de substâncias é uma técnica de medição não invasiva que pode ser utilizada na análise. Embora o principal objetivo deste estudo seja fornecer uma revisão dos algoritmos de aprendizado de máquina (ML) que foram relatados para a análise da espectroscopia no infravermelho próximo (NIR), desde métodos tradicionais de aprendizado de máquina até arquiteturas de redes profundas, também oferecemos diferentes modos de medição NIR, instrumentos, métodos de pré-processamento de sinal, etc. Primeiramente, quatro modos de medição diferentes disponíveis no NIR são revisados, diferentes tipos de instrumentos NIR são comparados, e um resumo dos métodos de análise de dados NIR é fornecido. Em segundo lugar, os conjuntos de dados públicos de espectroscopia NIR são brevemente discutidos, com links fornecidos. Terceiro, os algoritmos de pré-processamento de dados e seleção de características amplamente utilizados que foram relatados para a espectroscopia NIR são apresentados. Em seguida, a maioria dos métodos tradicionais de aprendizado de máquina e arquiteturas de redes profundas que são comumente empregadas são abordados. Finalmente, concluímos que desenvolver a integração de uma variedade de algoritmos de aprendizado de máquina de maneira eficiente e leve é uma direção significativa para futuras pesquisas.