Renishaw的空建模方法在其窗口中可用®基于Raman Environment™(WiRE)的控制和分析软件。该软件的专利算法能够从复杂的混合测量数据中推导出纯的和可识别的成分光谱，即使在用户事先不知道任何可能存在的物种的情况下也是如此。
这空的建模方法能够在几秒钟内识别出现的化学物质，从数百万光谱中提取它们并产生分布的化学图像。该方法甚至适用于各个光谱代表混合组分的应用。
该方法采用多变量分析，并且该分析基于整个频谱而不是单个拉曼带的强度。该方法产生准确的结果，可以直接与真实的化学性质相关联。
空建模方法可以不经常运行，这意味着用户不需要指导软件或输入可疑物种列表。该软件将客观地分析数据集，为用户提供明确的结果。
主成分分析(PCA)
传统上，PCA在分析了没有可用参考光谱的复杂数据集时首选方法。PCA通过确定数据中的差异，提取组件或“装载”的重要性。然而，这些抽象负载比拉曼光谱更难以解释（图1A）。
图1所示。从猪组织样品获得的蛋白质组分光谱。（a）从PCA获得的生物负载。频谱是数据的抽象数学表示 - 如负峰所示。（b）从空建模方法获得的生物组分。光谱表示真实材料。图像信用：雷尼绍PLC - 光谱学
空建模方法是如何工作的
空建模方法的算法完全无监督，基于多变量曲线分辨率交替的最小二乘（MCR-ALS）。该算法迭代地将频谱破坏到其关键组件中，连续优化适合。
然而，使用PCA，每个负载的浓度和特征都被限制为积极的，允许它更好地像一个真正的拉曼光谱(图1 b)。因此，用户可以快速、容易地从复杂、不均匀的拉曼图数据中识别关键化学成分。
空建模方法迭代地运行，继续以改善组件的光谱，因为它们从数据中提取并确保样品的化学尽可能准确地匹配。
当已经解释了数据的差异的预定百分比时，或者一旦已经识别了设置目标数量的组分的预定百分比，则可以停止该过程。
轻松分析
一旦分析完成，用户将看到当前组件的简单视图(图2)，当选择特定组件时，系统将显示该组件的频谱及其在样本中的分布。然后，用户可以点击地图上的点，并将单个地图光谱与组成光谱进行比较，从而使查看数据变得简单。
用户还能够通过使用Spectrum Search模块直接识别组件，以搜索可从雷尼绍可获得的广泛频谱库。
图2。在分析之后，空建模方法显示分量谱和相应的浓度图像。图像信用：雷尼绍PLC - 光谱学
简单的解释
与传统的无监督分析技术不同，空模型方法的成分光谱直接与真实的拉曼光谱相关。正因为如此，在大的拉曼数据集中比较容易表征未知物质和识别成分。亚博网站下载
简化样本分析
空建模方法是快速的，提供的结果很容易解释，同时与无缝WiRE拉曼控制和分析软件来自雷尼绍。
此信息已采购，从雷尼绍PLC - 光谱提供的材料提供和调整。亚博网站下载
有关此来源的更多信息，请访问Renishaw plc -光谱学。