Algoritmos hormiga para la selección de variables en calibración multivariada

ALLEGRINI, F.; OLIVIERI, A. C.

Santa Fe

Congreso; 6to. Congreso Argentino de Química Analítica; 2011

Asociacion Argentina de Químicos Analiticos

La calibración multivariada de primer orden está bien establecida como herramienta analítica, particularmente la regresión en cuadrados mínimos parciales (PLS) [1], aplicada a la cuantificación de analitos o estimación de propiedades a partir de espectros de infrarrojo cercano (NIR) [2]. Diferentes ramas industriales están incorporando análisis vía NIR/PLS, debido a sus ventajas instrumentales y posibilidades de automatización, monitoreo remoto y análisis no invasivo.Si bien el algoritmo PLS se caracteriza por su capacidad para procesar espectros completos, se sabe que las cifras de mérito pueden mejorar significativamente si se escogen apropiadamente las longitudes de onda de trabajo. Cuando se conocen las características espectrales del analito de interés, esta selección puede realizarse en forma sencilla, incluyendo en el modelo las longitudes de onda a las que el analito responde, y descartando aquellas dominadas por ruido instrumental o señales correspondientes a otros componentes de la muestra.Cuando se desconocen las propiedades espectrales del analito, o cuando se pretende medir una propiedad de la muestra cuya relación con los componentes químicos es compleja, se requieren técnicas computacionales de selección de las variables adecuadas para calibrar el modelo. Existen varias estrategias posibles, que pueden dividirse en dos grandes grupos: 1) las que examinan la magnitud de los coeficientes de regresión y 2) las que buscan regiones donde los indicadores estadísticos son óptimos. En el último caso, en lugar de métodos exhaustivos de búsqueda, pueden emplearse algoritmos inspirados en procesos naturales, como los algoritmos genéticos.En este trabajo se describirá un algoritmo basado en el comportamiento de las hormigas en busca de fuentes de alimento, llamado optimización por colonias de hormigas (ACO, por "ant colony optimization") [3], aplicado a la selección de longitudes de onda para calibrar modelos PLS. Combinado con un método de Monte Carlo, el nuevo algoritmo ACO mostró una eficiencia superior a los algoritmos genéticos para la selección de variables en un conjunto de datos simulados.Se ilustrará su uso en la selección de longitudes de onda de espectros NIR para varias calibraciones experimentales, en las que el objetivo es la predicción de concentraciones de analitos o propiedades de muestras de interés industrial.[1]       Wold, S.; Sjöström, M.; Eriksson, L. Chemom. Intell. Lab. Syst. 58 (2001) 109­.[2]       Siesler, H.W.; Ozaki, Y.; Kawata, S.; Heise, H.M. (Editores). Near-Infrared Spectroscopy: Principles, Instruments, Applications., Wiley-VCH, Weinheim, Alemania, 2002.[3]       Dorigo, M.; Stützle, T. Ant Colony Optimization, The MIT Press, Cambridge, MA, EEUU, 2004.