Kalibration
Ausser bei direkten Methoden (primary methods) wie z. B. Gravimetrie und Coulometrie ist eine Kalibration immer notwendig. Die Analyse hat deshalb zwei Schritte:
1. Ermittlung der Kalibrationsfunktion Signal = f(Konzentration), s = c k
Signale von Proben bekannter Konzentration messen: s, c Paare bekannt, k durch Regression berechnen (kleinste Fehlerquadrate von s).
2. Messung: Konzentration = f(Signal), c = s/k (Für die Fehleranalyse: vgl.
Chemometrie Skript Teil 2).
Grundsätzlich mögliche Alternative der Kalibrationsfunktion:
Konzentration = f(Signal), c = s p
Signale von Proben bekannter Konzentration messen: c,s Paare bekannt, p durch Regression berechnen (kleinste Fehlerquadrate von c).
Messung: c = s p
Matrixeffekt und Interferenz
Matrixeffekt x
y
Interferenz x
y
Matrixeffekt: Beeinflussung der Steilheit der Antwortfunktion (Empfindlichkeit) Matrixeffekte können durch Standardaddition berücksichtigt werden
Interferenz: Vertikalverschiebung der Antwortfunktion
Die Interferenzen können durch Standardaddition bei linearer Antwortfunktionen nicht berücksichtigt werden
Interferenzen können durch vorherige Auftrennung oder durch gleichzeitige Messung der interferierenden Komponenten eliminiert werden.
Multivariate Messung: gleichzeitige Messung mit mehreren Sensoren, z. B. bei mehreren Wellenlängen (Diodenarray, FT-NIR), bei mehreren Massen, etc.
Die interferierende Komponente wird gleichzeitig mitbestimmt.
Kalibrationskoeffizient --> Kalibrationsmatrix: Empfindlichkeit jedes Sensors gegenüber jeder Komponente.
Multivariate Kalibration
Notation
Signal: s (skalar)
sT (Zeilenvektor: eine Probe, mehrere Sensoren) S (Matrix: mehrere Proben, mehrere Sensoren) Konzentration:
c (skalar)
cT (Zeilenvektor: eine Probe, mehrere Komponenten) C (Matrix: mehrere Proben, mehrere Komponenten) Kalibrationskoeffizienten:
K (Kalibrationsmatrix) P (Kalibrationsmatrix) Die Zusammenhänge:
Ein Sensor, eine Probe: s = c k
Mehrere Sensoren, eine Probe mit mehreren Komponenten:
s1 = c1k11 + c2k21 + … s2 = c1k12 + c2k22 + …
In Matrixnotation: sT = cT K
Mehrere Sensoren, mehrere Proben: S = C K
Messung einer Probe mit einer Sensorarray
1, 2, 3, ... , n
Sensoren, j
Signal
Sensoren, j
1, 2, 3, ... , m
Komponenten, i
Konzentration
Komponenten, i
=
m
n
kij: Empfindlichkeit des j-ten Sensors auf die i-te Komponente
Signalvektor = Konzentrationsvektor x Kalibrationsmatrix
ss T = cc T x K K
Messung vieler Proben mit einer Sensorarray
1, 2, 3, ... , n
Sensoren, j
Proben
Sensoren, j
1, 2, 3, ... , m
Komponenten, i
Komponenten, i
=
m
m p
Proben
p
n n
kij: Empfindlichkeit des j-ten Sensors auf die i-te Komponente
Signalmatrix = Konzentrationsmatrix x Kalibrationsmatrix
S = C x K
Beispiel
300 400 500
Wellenlänge / nm
Absorption
0.60
0.40 0.20 0.00
3 Komponenten, 3 Wellenlängen: 330, 410, 460 nm
m = 3 n = 3 K ist eine 3 x 3 Matrix
Beispiel: Kalibration
300 400 500
Wellenlänge / nm
Absorption
0.60
0.40
0.20
0.00
3 Komponenten
3 Wellenlängen: 330, 410, 460 nm 3 Kalibrationsproben
0.40 0.05 0.00 0.13 0.61 0.41 0.00 0.15 0.20
1 0 0
0 1 0
0 0 1
0.40 0.05 0.00 0.13 0.61 0.41 0.00 0.15 0.20
=
S = C x K
Die Antwrot der Sensoren ergibt direkt die Kalibrationskoeffizienten, da die Konzentrationen = 1 waren (C ist eine Einheitsmatrix)
p1
p2 p3
p1 p2 p3
p1 p2 p3
c1 c2 c3
λ1 λ2 λ3 λ1 λ2 λ3
λ1 λ2 λ3
c1 c2 c3
Beispiel: Messung einer Probe
300 400 500
Wellenlänge / nm
Absorptio
n 0.60 0.80
0.40
0.20
0.00
3 Komponenten, 3 Wellenlängen
3 Kalibrationsproben Eine Probe
0.28
0.86
0.72
Beispiel: Messung einer Probe
300 400 500
Wellenlänge / nm
Absorption
0.60 0.80
0.40 0.20 0.00
0.28
0.86
0.72
S = C K
C = C K K -1 = S K -1
0.40 0.05 0.00 0.13 0.61 0.41 0.00 0.15 0.20
2.64 -0.44 0.90 -1.14 3.49 -7.16 0.85 -2.62 10.37
K K -1
0.28 0.86 0.72
0.38 1.00 1.56
s
Tc
T= s
TK
-1=
Voraussetzungen
Die Matrix K muss: invertierbar sein
gut konditioniert sein
•
Richtige Wahl der Sensoren (Wellenlängen)Falls die Kalibration nicht mit reinen Proben erfolgt, muss die Gleichung K = C-1 S gelöst werden:
Die Matrix C muss: invertierbar sein
gut konditioniert sein
•
Richtige Wahl der Konzentrationen der KalibrationsprobenS = C K C = S K -1
Verallgemeinerungen
Man kann mehr Kalibrationsproben wählen als Sensoren (aber nicht weniger):
S = C x K
1, 2, 3, ... , n
Sensoren, j
Proben
Sensoren, j
1, 2, 3, ... , m
Komponenten, i
Komponenten, i
=
m
p p m
Proben
n n
kij: Empfindlichkeit des j-ten Sensors auf die i-te Komponente
Signalmatrix = Konzentrationsmatrix x Kalibrationsmatrix
Verallgemeinerungen
Konsequenzen: Lineare Regression statt Lösung eines Gleichungssystems sowohl bei der Kalibration als auch bei der Messung
1, 2, 3, ... , n
Sensoren, j
Proben
Sensoren, j
1, 2, 3, ... , m
Komponenten, i
Komponenten, i
=
m
p p m
Proben
n n
S C K
S = C K
Kalibration: K = C-1 S wird zu K = (CTC)-1CT S Messung: C = S K-1 wird zu C = S KT(K KT)-1
Verallgemeinerungen
Man kann mehr Sensoren wählen als Komponenten vorhanden sind (aber nicht weniger):
S = C x K
1, 2, 3, ... , n
Sensoren, j
Proben
Sensoren, j
1, 2, 3, ... , m
Komponenten, i
Komponenten, i
=
m
p p m
Proben
n n
kij: Empfindlichkeit des j-ten Sensors auf die i-te Komponente
Signalmatrix = Konzentrationsmatrix x Kalibrationsmatrix
Grundlegende Beziehung:
Signal = Konzentration x Empfindlichkeit S = C K
Kalibration: S und C sind bekannt, K wird bestimmt (i.a. Regression) Messung: S und K sind bekannt, C wird bestimmt (i.a. Regression)
K-Matrix-Modell
1, 2, 3, ... , n
Sensoren, j
Proben
Sensoren, j
1, 2, 3, ... , m
Komponenten, i
Komponenten, i
=
m
p p m
Proben
n n
S C K
1 2 3 ...
m
Grundlegende Beziehung: S = C K (Signal = Konz. x Empfindlichkeit) Kalibration: S und C sind bekannt, K wird bestimmt
Bei der Regression wird der Fehler in S minimalisiert
K-Matrix-Modell – Kalibration
1, 2, 3, ... , n
Sensoren, j
Komponenten, i
=
m m m
m p
p Proben
n Sensoren, j n
K S
1 2 3 ...
m
(C T C) -1 C T
1 2 3 ...
m
Grundlegende Beziehung: S = C K (Signal = Konz. x Empfindlichkeit) Messung: S und K sind bekannt, C wird bestimmt
Bei der Regression wird der Fehler in S (oder s) minimalisiert:
C = S KT(KKT)-1 oder für eine Einzelbestimmung: cT = sTKT(KKT)-1
K-Matrix-Modell – Messung
m
c
Ts
TK
T(KK
T)
-1Komponenten m m
m Komponenten
n
n Sensoren
=
Grundlegende Beziehung: S = C K (Signal = Konz. x Empfindlichkeit) Kalibration: S und C sind bekannt, K wird bestimmt
Bei der Regression wird der Fehler in S minimalisiert Voraussetzungen:
1. Invertierbarkeit der CTC-Matrix: p≥m Es müssen mindestens so viele
Kalibrationsproben gemessen werden, wie Komponenten vorhanden sind 2. Die C-Matrix muss gut konditioniert sein
K-Matrix-Modell – Kalibration
1, 2, 3, ... , n
Sensoren, j
Komponenten, i
=
m m m
m p
p Proben
n Sensoren, j n
K S
1 2 3 ...
m
(C T C) -1 C T
1 2 3 ...
m
Wahl der Konzentrationen
Vergleich von zwei Kalibrationsserien
Serie 1 Serie 2
C1 C2 C1 C2
1.00 1.25 1.00 0.00
2.25 2.00 5.00 0.00
3.00 3.25 10.00 0.00
4.25 4.00 0.00 1.00
5.00 5.25 0.00 5.00
6.25 6.00 0.00 10.00
7.00 7.25 5.00 10.00
8.25 8.00 10.00 5.00
9.00 9.25 5.00 5.00
10.25 10.00 10.00 10.00
Wahl der Konzentrationen
10 8 6
4
2 0
0 2 4 6 8 10
10 8 6 4 2 0
0 2 4 6 8 10
Wahl der Konzentrationen
Serie 1 Serie 2
C-Matrix C-Matrix
1.00 1.25 1.00 0.00
2.25 2.00 5.00 0.00
3.00 3.25 10.00 0.00
4.25 4.00 0.00 1.00
5.00 5.25 0.00 5.00
6.25 6.00 0.00 10.00
7.00 7.25 5.00 10.00
8.25 8.00 10.00 5.00
9.00 9.25 5.00 5.00
10.2510.00 10.00 10.00
CTC
399 398 398 399 D = 845 s1 = 28.25 s2 = 0.557 k = 50.72
CTC
376 225 225 376 D = 90 751 s1 = 24.52 s2 =12.29 k = 2.00
D: Determinante, s1, s2: Eigenwerte, Kondition (s1/s2)
Grundlegende Beziehung: S = C K (Signal = Konz. x Empfindlichkeit) Messung: S und K sind bekannt, C wird bestimmt
Bei der Regression wird der Fehler in S (oder s) minimalisiert:
C = S KT(KKT)-1 oder für eine Einzelbestimmung: cT = sTKT(KKT)-1
Voraussetzungen:
1. KKT invertierbar, wenn n ≥ m: Anzahl Sensoren ≥ Anzahl Komponenten 2. Die K-Matrix muss gut konditioniert sein: d.h., die Sensoren müssen
unterschiedliche Empfindlichekiten haben.
K-Matrix-Modell – Messung
m
c
Ts
TK
T(KK
T)
-1Komponenten m m
m Komponenten
n
n Sensoren
=
Nichtselektive Sensoren?
oder: die Überheblichkeit gewisser Chemometriker...
"techniques for calibration and data reduction of ISE measurements ... enable simultaneous analysis of ions even in the case of nonspecific drifting and noisy sensors"
M. Otto, J.D.R. Thomas, Anal. Chem. 1985, 57, 2647.
"the ideal sensor array may be adversely affected by too much selectivity"
K. Beebe, D. Uerz, J. Sandifer, B. Kowalski, Anal. Chem. 1988, 60, 66.
Simulation nichtselektiver Sensoren
Simulation von drei Arrays von je vier Sensoren:
1. Simulation: Alle Antworten als Zufallszahlen
2. Simulation: Antwort der 2. Sensoren = 0.9 * (1 Sensor) + 0.1 * Zufallszahl Antwort der 4. Sensoren = 0.9 * (3 Sensor) + 0.1 * Zufallszahl 3. Simulation: Antwort der 2. Sensoren = 0.99 * (1 Sensor) + 0.01 * Zufallszahl
Antwort der 4. Sensoren = 0.99 * (3 Sensor) + 0.01 * Zufallszahl
Simulation nichtselektiver Sensoren
0.05 0.21 0.11 0.26 0.07 0.60 0.56 0.10 0.72 0.48 0.60 0.99 0.56 0.09 0.67 0.06 0.81 0.92 0.73 0.50 0.68 0.87 0.32 0.22 0.93 0.78 0.01 0.22 0.67 0.25 0.31 0.02 0.29 0.07 0.79 0.18 0.36 0.64 1.00 0.74 0.81 0.36 0.12 0.68 0.32 0.23 0.65 0.51 0.39 0.06 0.65 0.73 0.88 0.35 0.35 0.67 0.38 0.66 0.14 0.62 0.53 0.18 0.17 0.45 0.63 0.29 0.03 0.76 0.20 0.92 0.02 0.88 0.06 0.15 0.04 0.97 0.54 0.95 0.76 0.51 0.33 0.31 0.67 0.17 0.31 0.29 0.97 0.08 0.94 0.70 0.08 0.53 0.04 0.72 0.98 0.92 0.28 0.15 0.43 0.30 0.19 0.57 0.76 0.01 0.82 0.30 0.36 0.96 0.46 0.04 0.37 0.52 0.94 0.66 0.28 0.91 0.32 0.33 0.05 0.33
0.05 0.07 0.11 0.13 0.07 0.12 0.56 0.51 0.72 0.70 0.60 0.64 0.56 0.51 0.67 0.61 0.81 0.82 0.73 0.70 0.68 0.69 0.32 0.31 0.93 0.92 0.01 0.03 0.67 0.63 0.31 0.28 0.29 0.27 0.79 0.73 0.36 0.39 1.00 0.97 0.81 0.76 0.12 0.18 0.32 0.31 0.65 0.63 0.39 0.35 0.65 0.66 0.88 0.83 0.35 0.38 0.38 0.40 0.14 0.19 0.53 0.50 0.17 0.20 0.63 0.60 0.03 0.10 0.20 0.28 0.02 0.11 0.06 0.07 0.04 0.13 0.54 0.58 0.76 0.73 0.33 0.32 0.67 0.62 0.31 0.31 0.97 0.88 0.94 0.92 0.08 0.12 0.04 0.10 0.98 0.97 0.28 0.27 0.43 0.41 0.19 0.23 0.76 0.68 0.82 0.77 0.36 0.42 0.46 0.42 0.37 0.38 0.94 0.91 0.28 0.35 0.32 0.32 0.05 0.08
0.05 0.05 0.11 0.11 0.07 0.07 0.56 0.55 0.72 0.72 0.60 0.60 0.56 0.56 0.67 0.67 0.81 0.81 0.73 0.73 0.68 0.68 0.32 0.32 0.93 0.93 0.01 0.01 0.67 0.67 0.31 0.31 0.29 0.29 0.79 0.79 0.36 0.36 1.00 1.00 0.81 0.81 0.12 0.12 0.32 0.32 0.65 0.65 0.39 0.39 0.65 0.65 0.88 0.88 0.35 0.35 0.38 0.38 0.14 0.14 0.53 0.53 0.17 0.17 0.63 0.63 0.03 0.03 0.20 0.21 0.02 0.02 0.06 0.06 0.04 0.04 0.54 0.54 0.76 0.76 0.33 0.33 0.67 0.67 0.31 0.31 0.97 0.97 0.94 0.94 0.08 0.08 0.04 0.04 0.98 0.98 0.28 0.28 0.43 0.43 0.19 0.19 0.76 0.76 0.82 0.82 0.36 0.36 0.46 0.46 0.37 0.37 0.94 0.94 0.28 0.28 0.32 0.32 0.05 0.05 0.340.23
0.170.24 0.350.68 0.580.59 0.070.78 0.090.58 0.470.46 0.550.47 0.140.35 0.920.85 0.810.02 0.210.56 0.420.28 0.550.01 0.120.87
y Array 1 Array 2 Array 3
Nichtselektive Sensoren
0.35 -0.16 -0.02 -0.14 -0.16 0.43 -0.11 -0.10 -0.02 -0.11 0.24 -0.05 -0.14 -0.10 -0.05 0.29
37.81 -39.98 - 5.95 7.69 -39.98 42.59 7.95 -10.06 -5.95 7.95 24.76 -26.79 7.69 -10.06 -26.79 29.26
425333.82 -425594.39 -100115.88 100326.15 -425594.39 425855.41 100352.05 -100562.69 -100115.88 100352.05 292138.61 -292385.44 100326.15 -100562.69 -292385.44 292632.71
Array 1 Array 2 Array 3
(XTX)-1
Determinante: 0.0023 23.10 2.3 x 109
Kondition: 14.3 6.8 x 103 6.8 x 106
Nichtselektive Sensoren
0.35 -0.16 -0.02 -0.14 -0.16 0.43 -0.11 -0.10 -0.02 -0.11 0.24 -0.05 -0.14 -0.10 -0.05 0.29
37.81 -39.98 - 5.95 7.69 -39.98 42.59 7.95 -10.06 -5.95 7.95 24.76 -26.79 7.69 -10.06 -26.79 29.26
425333.82 -425594.39 -100115.88 100326.15 -425594.39 425855.41 100352.05 -100562.69 -100115.88 100352.05 292138.61 -292385.44 100326.15 -100562.69 -292385.44 292632.71
Array 1
(keine Korreltation) Array 2
(90% Korreltation) Array 3
(99% Korreltation)
(XTX)-1
xoT(XTX)-1xo für xoT:
0.3 0.5 -0.2 -0.8 0.44 16.7 1.5 x 105
3 5 -2 -8 44 1688 1.5 x 107
Nichtselektive Sensoren
Für ein lineares Kalibrationsmodell (K-Matrix-Modell) ist das Signal:
sT = cTK + E
Die mittleren Fehlerquadrate der bestimmten Konzentrationen (MSE, mean square error) hängen vom Messfehler (σ2) folgendermassen ab:
MSE(cT) = σ2 tr (KKT)-1
mit tr als trace, d.h. die Summe der Diagonalelemente.
Um den durch die Korrelation bedingten Fehler zu veranschaulichen, wurde für die Bestimmung von 6 Komponenten (m = 6) die Kalibrationsmatrix für n Sensoren (n= 6, 12, oder 24) mit verschiedenen Graden von Korrelation (a) berechnet:
kij = a koj + (1-a) Rand(0,1)
kij: Element der Kalibrationsmatrix
koj: Zufallszahlen zwischen 0 und 1 (Rand(0,1) a: Grad der Korrelation (0, 0.5, 0.9, 0.95)
Nichtselektive Sensoren Resultate der Simulation
Berechnete Werte für tr (KKT)-1
Sensoren Grad der Korrelation
0 0.5 0.9 0.95
6 49 329 17’141 76’793
12 9.8 39 987 3958
24 3.5 13.7 343 1374
Grundlegende Beziehung:
Konzentration = Signal x Empfindlichkeit C = S P
Kalibration: S und C sind bekannt, P wird bestimmt (i.a. Regression)
Messung: S und P sind bekannt, C wird bestimmt (Matrixmultiplikation, keine Regression
P-Matrix-Modell
1, 2, 3, ... , n 1, 2, 3, ... , m
Sensoren, j
Proben Sensoren, j
1, 2, 3, ... , m
Komponenten, i Komponenten, i
=
m m
p p
Proben
n n
S
C P
Grundlegende Beziehung: C = S P (Konz. = Signal x Empfindlichkeit) Kalibration: S und C sind bekannt, P wird bestimmt: P = (STS)-1STC Bei der Regression wird der Fehler in C minimalisiert.
P-Matrix-Modell – Kalibration
=
(S T S) -1
Sensoren 1, 2, 3, ... , m
Komponenten m
Komponenten m Sensoren
p
Proben
n n
n
C
1, 2, 3, ... , m
Sensoren
Proben p
n
P S T
Grundlegende Beziehung: C = S P (Konz. = Signal x Empfindlichkeit) Messung: S und P sind bekannt, C wird bestimmt: C = S P,
oder für eine einzelne Probe: cT = sT P (bei der Messung: keine Regression).
P-Matrix-Modell – Messung
1, 2, 3, ... , n 1, 2, 3, ... , m
Sensoren
Sensoren
1, 2, 3, ... , m
Komponenten Komponenten
=
m n m
n
s T
c T P
Grundlegende Beziehung: C = S P (Konz. = Signal x Empfindlichkeit) Kalibration: S und C sind bekannt, P wird bestimmt: P = (STS)-1STC Bei der Regression wird der Fehler in C minimalisiert.
Voraussetzungen:
1. STS ist invertierbar, d.h. p ≥ n, (die Anzahl Kalibrationsproben ist nicht kleiner als die Anzahl Sensoren)
2. Die STS Matrix ist gut konditionert.
P-Matrix-Modell – Kalibration
=
(S T S) -1
Sensoren 1, 2, 3, ... , m
Komponenten m
Komponenten m Sensoren
p
Proben
n n
n
C
1, 2, 3, ... , m
Sensoren
Proben p
n
P S T
Wahl der Wellenlängen
20 40 60 80 100
0 0 0.2 0.4 0.6 0.8 1.0
Absorbance
Wavelength
λ1 λ2
Determinante = 1 Eigenwerte:
σ1 = 1.005 σ2 = 0.995
Kondition: κ = 1.010 A1 A2
1.000 0.003 λ1 0.007 1.000 λ2 ST =
Wahl der Wellenlängen
20 40 60 80 100
0 0 0.2 0.4 0.6 0.8 1.0
Absorbance
Wavelength
λ1 λ2
Determinante = 0.25 Eigenwerte:
σ1 = 1.005 σ2 = 0.250
Kondition: κ = 4.000 A1 A2
1.000 0.001 λ1 0.007 0.250 λ2 ST =
Wahl der Wellenlängen
20 40 60 80 100
0 0 0.2 0.4 0.6 0.8 1.0
Absorbance
Wavelength λ1 λ2 λ3 Frage: bei welcher Wellenlänge soll neben λ1 gemessen werden:
1. bei λ2: Absorbtionsmaximum der zweiten Komponente wo aber die erste Komponente noch stark absorbiert, oder
2. bei λ3, wo zwar die zweite Komponente schwach absoribert, aber es kaum Interferenz von der ersten gibt
Wahl der Wellenlängen
20 40 60 80 100
0 0 0.2 0.4 0.6 0.8 1.0
Absorbance
Wavelength λ1 λ2 λ3
Determinante = 0.177 Eigenwerte:
σ1 = 1.048 σ2 = 0.168
Kondition: κ = 6.238 Determinante = 0.722
Eigenwerte:
σ1 = 1.648 σ2 = 0.438
Kondition: κ = 3.763
A1 A2
1.000 0.308 λ1 0.007 0.179 λ3 ST =
A1 A2
1.000 0.308 λ1 0.903 1.000 λ2 ST =
Wahl der Wellenlängen
30 40 60 70
0 0.2 0.4 0.6 0.8 1.0
Absorbance
Wavelength
λ2 λ1 λ3 λ4
50
Frage: Wo ist es vorteilhafter zu messen: bei den Absorbtionsmaxima (λ1 und λ2) oder etwas weiter weg, wo aber die Interferenz der anderen Komponenten kleiner ist?
Wahl der Wellenlängen
30 40 60 70
0 0.2 0.4 0.6 0.8 1.0
Absorbance
Wavelength
λ2 λ1 λ3 λ4
Determinante = 0.076 Eigenwerte:
σ1 = 1.961 σ2 = 0.039
Kondition: κ = 50.3 A1 A2
1.000 0.961 λ1 0.961 1.000 λ2 ST =
Determinante = 0.198 Eigenwerte:
σ1 = 1.813 σ2 = 0.109
Kondition: κ = 16.6 A1 A2
0.961 0.852 λ3 0.852 0.961 λ4 ST =
50
Grundlegende Beziehung: C = S P (Konz. = Signal x Empfindlichkeit) Messung: S und P sind bekannt, C wird bestimmt: C = S P,
oder für eine einzelne Probe: cT = sT P (bei der Messung: keine Regression).
P-Matrix-Modell – Messung
1, 2, 3, ... , n 1, 2, 3, ... , m
Sensoren
Sensoren
1, 2, 3, ... , m
Komponenten Komponenten
=
m n m
n
s T
c T P
K- und P- Matrix-Modell: Vergleich
K-Matrix-Modell
Grundlegende Beziehung:
S = C K : Signal = Konz × Empf Kalibration:
S bekannt, C bekannt, K bestimmen Sp×n = Cp×m Km×n + Ep×n
K = (CTC)-1CTS (Fehler in S wird minimalisiert) Voraussetzung: p >= m
Messung: cT = sTKT(KKT)-1
Fehler in sT wird minimalisiert Voraussetzung: n >= m
P-Matrix-Modell
Grundlegende Beziehung:
C = S P : Konz = Signal × Empf Kalibration:
S bekannt, C bekannt, P bestimmen Cp×m = Sp×n Pn×m + Ep×m
P = (STS)-1STC (Fehler in C wird minimalisiert) Voraussetzung: p >= n
Messung: cT = sT P (Keine Regression)
1, 2, 3, ... , n
Sensoren
Proben
Sensoren
1, 2, 3, ... , m
Komponenten
Komponenten, i
=
m
p p m
Proben
n n
S C K
1 2 3 ...
m
1, 2, 3, ... , n 1, 2, 3, ... , m
Sensoren
Proben Sensoren, j
1, 2, 3, ... , m
Komponenten Komponenten
=
m m
p p
Proben
n n
S
C P