基于遗传算法的苹果糖度近红外光谱分析

遗传算法(GA)应用在偏最小二乘法(PLS)校正模型的波段优化选择中具有显著的效果。将遗传算法用于波段选择, 能更快达到最优解, 有效提高测量精度,减少建模所用变量。文章研究了在近红外苹果糖度无损检测中,遗传算法作为模块进行波段选择,建立了GA-PLS模型;为了说明遗传算法优选波段可行性,另外建立了全谱和经验谱区的PLS定量模型,并评价了模型的稳健性。首先对傅里叶变换近红外光谱进行多元散射校正、Savitky-Golay卷积平滑后,用遗传算法优选波段(R-SGA),参与建模数据点从原始1 550减少到434个。然后采用一阶导数光谱建立GA-PLS模型,相比全谱PLS(1 550个数据点)和经验谱区PLS(717个数据点)模型具有更高的预测精度,其建模结果为R_C=0.966,RMSEC=0.469,R_P=0.954,RMSEP=0.797。结果表明, 遗传算法可用于PLS法建立苹果糖度校正模型前的数据优化筛选, 有效提高测量精度, 并减少建模变量。     

砂梨糖度近红外光谱波段遗传算法优化

遗传算法不受搜索空间限制性假设的约束,利用简单的编码技术和繁殖机制来解决复杂近红外光谱数据的优化问题。文章采用遗传算法的波段选择法(R-SGA)对砂梨近红外光谱进行了波段优化,得到丰水、圆黄、黄金三种梨的R-SGA最佳因子数分别为10, 12和16,并分别建立了单一品种GA-PLS模型;丰水梨和黄金梨的GA-PLS模型精度高于全谱PLS模型,其模型的RMSEP分别为0.608/0.632和0.524/0.540;圆黄梨GA-PLS模型精度(RMSEP=0.610)与全谱PLS模型(RMSEP=0.595)相当。经波段优化分析表明,使用552个数据点建立多品种砂梨混合模型,具有较高稳健性和预测性(RMSEC=0.627,RMSEP=0.641)。结果表明:基于遗传算法进行波段优化可以提高砂梨糖度模型精度,提高建模效率,同时说明建立多品种砂梨糖度通用模型是可行的。     

基于遗传算法的安溪铁观音品质快速评价研究

为探究一种快速无损的安溪铁观音品质评价方法,利用遗传算法(GA)对茶样的近红外光谱特征波长进行筛选,结合偏最小二乘(PLS),建立全谱段的PLS定量模型与GA-PLS模型。结果表明,傅里叶变换近红外(FT-NIR)全谱段光谱在经过平滑+二阶导数+归一化处理后,PLS模型预测性能最高,建模结果为：校正集相关系数R_C=0.921,校正集均方根误差RMSEC=0.543,验证集相关系数R_P=0.913,验证集均方根误差RMSEP=0.665。选用近红外光谱6 670～4 000 cm-1谱区,采用遗传算法进行特征波长筛选,参与建模数据点数从1 557缩减到408个。优选波段后,GA-PLS建模结果为：校正集相关系数R_C=0.959,校正集均方根误差RMSEC=0.413,验证集相关系数R_P=0.940,验证集均方根误差RMSEP=0.587。可见,GA-PLS模型的校正集和验证集的预测结果均优于全谱段PLS模型。结果说明,在传统的近红外光谱技术结合化学计量学方法的建模基础上,加入遗传算法进行波长筛选,能有效提高模型预测能力,实现方法学的创新研究,且GA-PLS品质评价模型具有较强的参考和推广价值,为提高我国茶叶品质的检测技术水平提供新的方法借鉴。     

GA-PLS结合PC-ANN算法提高奶粉蛋白质模型精度

提出一种偏最小二乘法(PLS)和人工神经网络(ANN)结合用于近红外光谱(NIRS)的分析方法,以提高奶粉蛋白质模型的预测精度。首先采用基于遗传算法的波长选择法(RS-GA)优化光谱数据,建立GA-PLS模型预测奶粉蛋白线性部分;然后在RS-GA法选择的波段上进行主成分分析(PCA),以主成分的得分矩阵作为ANN模型输入层,以GA-PLS预测值与真实值之差作为输出层,建立PC-ANN模型预测其非线性部分。最终预测结果为两个模型预测值之和,以模型的预测标准偏差(RMSEP)作为评价指标,以便考察新方法的有效性。同时建立线性的全谱模型(Fr-PLS),其Fr-PLS、GA-PLS和GA-PLS+PC-ANN模型的RMSEP分别为0.511,0.440和0.235。结果表明：考虑奶粉蛋白含量近红外模型的非线性部分,可以显著提高模型的预测精度,该方法也可为其它复杂体系模型精度的提高提供借鉴。     

基于迭代初始化遗传算法的光谱波段选择及其在感冒液多组分测定中的应用

光谱数据用于多元校正时,组分间的交互作用会使部分波段与组分浓度呈非线性关系,在用偏最小二乘法(PLSR)建模前,宜作波长筛选。基于迭代初始化的遗传算法(IRGA)将运行多轮GA,递归地以上轮结果作为先验知识支持下轮的初始化,并对入选波长点的统计频率进行平滑处理,由此可高效地从全谱中选出校正性能良好的波段,筛选结果稳定。入选波段对全谱既作了适当简化,又充分保留了有效信息。再采用PLSR建模,模型更具稳健性。将该法用于感冒液的五组分测定,与全谱建模法相比,其预测性能和稳健性有显著提高。     

智能优化算法应用于近红外光谱波长选择的比较研究

近红外光谱(NIRS)是一种间接分析技术,其应用需建立相应的校正模型。为了提高模型的解释能力、预测准确度和建模效率,需要对NIRS进行波长选择,优选最小化冗余信息。智能优化算法是以生物的行为方式或物质的运动形态为背景,经过数学抽象建立算法模型,通过迭代计算来求解组合最优化问题,其核心策略是以某种目标函数为标准,基于多元校正建模并以逐步逼近的方法筛选出有效的波长点。选用蚁群优化(ACO)、遗传优化(GA)、粒子群优化(PSO)、随机青蛙(RF)和模拟退火(SA)5种智能优化算法对烟叶总氮和烟碱近红外光谱数据进行特征波长选择,结合偏最小二乘(PLS)算法,构建了多个烟叶总氮和烟碱的校正模型,结果显示：所选用两个数据集的总氮最优模型分别为PSO-PLS和GA-PLS模型,烟碱最优模型分别为GA-PLS和SA-PLS模型,五种智能优化算法所建模型预测性能并非全部优于全谱PLS模型,但是通过智能优化算法进行波长选择后建立的PLS模型大大简化,模型的预测精度、可解释性和稳定性均有所提高。同时也对优选波长进行了解释和分析,烟叶总氮特征波长优选组合为4 587~4 878和6 700~7 200 cm-1;烟叶烟碱特征波长优选组合为4 500~4 700和5 800~6 000 cm-1,优选出来的特征波长具有实际物理意义。     

基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究

利用高光谱成像系统获得网纹类哈密瓜糖度漫反射光谱信息,选择有效波段500～820 nm进行哈密瓜糖度检测建模回归分析。对比了多元散射信号修正和标准正则变换校正方法,原始光谱、一阶微分、二阶微分光谱预处理方法对建模精度的影响;采用偏最小二乘法、逐步多元线性回归和主成分回归方法对比分析了带皮哈密瓜和去皮哈密瓜糖度检测模型效果。结果表明,对原始光谱经过MSC和一阶微分光谱处理后,采用PLS和SMLR方法均可取得很好的建模效果,应用PLS法检测带皮哈密瓜糖度是可行的,其校正集相关系数(R_c)为0.861,RMSEC为0.627,预测集相关系数(R_p)为0.706,RMSEP为0.873;应用SMLR法检测去皮哈密瓜糖度效果最佳,校正集相关系数(R_c)为0.928,RMSEC为0.458,预测集相关系数(R_p)为0.818,RMSEP为0.727。研究表明,应用高光谱成像技术检测哈密瓜糖度具有可行性。     

连续投影算法及其在小麦近红外光谱波长选择中的应用

采用全谱建立多元校正模型时,通常计算量大,模型不够稳健,而且模型的预测精度往往也不能达到最优。文章介绍一种新的波长选择方法：采用连续投影算法(successive projections algorithm),并将其集成偏最小二乘(partial least squares)多变量校正技术构成SPA-PLS方法,用于谷物小麦近红外光谱波长优化选择及其与水分含量的定量分析。结果表明：在经SPA算法后,光谱波数可削减97.72%,后继的定量校正模型结构得到显著简化,模型的稳健性也大大增强;同时,被选取的波长物理意义明确,模型的解释能力增强,而模型的预测性能也与GA-PLS方法相当。     

IPLS-SPA波长选择方法在近红外秸秆生物量中的应用研究

在近红外光谱分析模型中全谱信息通常含有大量冗余信息,会导致模型解析时间延长、 加大模型解析难度,因此如何快速有效地选取特征波长至关重要。采用基于间隔偏最小二乘(interval partial least squares, IPLS)结合连续投影算法(successive projections algorithm, SPA)对小麦秸秆发酵过程微生物生物量进行特征波长选择,共制备85个样本,采用氨基葡萄糖法测定微生物生物量,选择68个样本作为校正集,17个样本作为验证集。首先对全谱区520个波长点根据间隔点大小10, 20, 30, 40进行分段建模,选取出4 450～4 925和9 194～9 993 cm-1两个波段范围作为特征波段,将选取出的特征波段再进行连续投影算法及遗传算法(genetic algorithm, GA)特征波长点选取,并进行综合分析对比。实验结果表明采用IPLS-SPA算法选择4 450～4 925和9 194～9 993 cm-1的组合波段具有最佳建模效果,相比于全谱建模其参与建模的波长点由520个减少到10个,模型验证集决定系数(R-Square, R2)从0.884 9提升至0.945 28,验证集均方误差根(root mean square error prediction, RMSEP)从11.104 9降至8.203 3,GA遗传算法虽取得了更优的模型精度,但其实验结果并不稳定且随机性较强,而IPLS结合SPA方法能够稳定而准确的(地)选择特征波长信息,提高模型运算速度并降低模型拟合难度,可以作为一种新的波段选择参考方法。结果表明采用近红外光谱分析方法对秸秆发酵生物量进行快速检测是可行的。     

南疆红枣品质近红外光谱在线模型参数的实验研究

为建立南疆红枣品质近红外光谱在线校正模型,分析了在线检测结果的主要影响因素,对相应的参数进行了实验研究。设置红枣不同的光谱采集条件,如测量状态、波段谱区、仪器参数等,利用近红外光谱仪和自行设计的红枣批量采集附件,获取南疆红枣品质光谱,通过光谱预处理和检测精度相结合的办法选择条件参数。通过不同建模参数进行PLS光谱校正和二维相关光谱分析,选择糖度特征光谱参数。结果表明:红枣糖度中心波长9 116,9 418和10 500cm-1,采集分辨率16cm-1,扫描次数8次,糖度相对误差8%～10%,单粒红枣光谱数据量减少为原来的1/10,采集时间减少了3s左右。通过实验参数,压缩了数据量,建立了初级在线校正模型,基本实现南疆红枣品质近红外光谱在线检测。     

苹果糖度近红外光谱分析模型的温度补偿

温度变化对水果品质近红外评价有很大影响,需要补偿温度波动对模型的影响。文章研究了温度变化(2～42 ℃)对苹果近红外漫反射光谱的影响,采用剔除温度变量法和内校正法补偿温度对模型的影响,提高预测精度。研究表明,温度与光谱信息存在一定相关性, 其模型R2=0.985,RMSEC=1.88,RMSEP=2.32;未进行温度校正模型的预测标准偏差达到2.55;采用复合预处理方法和改进的遗传算法对光谱数据优化,剔除温度变量法模型的R2=0.954,RMSEC=0.63,RMSEP₁=0.72,RMSEP₂=0.74;内校正法的模型R2=0.952,RMSEC=0.64,RMSEP₁=0.69,RMSEP₂=0.68;相比未进行温度补偿模型均提高了预测精度。结果显示：温度对苹果近红外光谱影响呈非线性变化,剔除温度变量法和内校正法可用于补偿温度对模型的影响,可提高模型预测精度。     

净分析信号算法用于近红外模型优化的研究

将净分析信号概念引入多元复杂的银杏叶提取物分析中,利用净分析信号算法对近红外光谱图进行处理,并用净分析算法结合二维相关光谱算法对模型进行了优化,最终建立槲皮素、山柰素和异鼠李素三种组分同时测定的近红外定量模型。利用两种净分析信号算法(Lorber的NAS算法和Goicoechea 与 Olivieri的HLA/GO算法)作为光谱预处理方法,用一系列主因子重构后的光谱图建立校正模型,并通过净分析信号-二维相关光谱算法对图谱中主对角线处的波段进行选择,优化模型建立所采用的波段。所采用的两种基于净分析信号的预处理方法成功的应用于银杏叶中三种黄酮：槲皮素,山奈素和异鼠李素含量的同时测定。净分析信号预处理方法显著降低了建模所需主因子数,提高模型的稳健性。净分析信号-二维相关光谱算法能够优化建模波段,提高模型的预测能力。结论：净分析信号算法能够应用于近红外光谱模型预处理和优化过程,在复杂多组分且干扰未知植物药含量分析的研究中具有实际应用价值。     

近红外光谱分析中异常值的判别与定量模型优化

介绍了利用马氏距离、Cook距离、光谱特征异常值、光谱残差比、化学值绝对误差等指标结合数理统计检验来判断光谱和化学值的异常 ,并利用这些方法进行近红外光谱定量分析中模型优化 ,取得了很好的效果     

应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究

应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究。采集浙江省文城地区农田土壤样品近红外光谱数据,土壤样品数为394个。为简化模型,采用遗传算法结合连续投影算法挑选出18个特征波长建模,应用偏最小二乘回归建立有机质预测模型,建模集的决定系数为0.81,均方根预测误差为0.22, 剩余预测偏差为2.31,预测集的决定系数为0.83,均方根预测误差为0.20,剩余预测偏差为2.45。研究发现,遗传算法结合连续投影算法在简化模型同时,模型的预测评价指标同采用全谱波长建模并没有明显降低。因此,遗传算法结合连续投影算法挑选的特征波长可以应用于近红外光谱检测土壤有机质含量。     

基于离散萤火虫算法的近红外波长优选方法研究

近红外光谱数据量大,需要进行压缩,以降低建立光谱校正模型的计算复杂度,提高模型精度和稳健性。为此,提出了一种基于离散萤火虫算法(discrete firefly algorithm)的近红外光谱波长变量筛选方法。首先采用蒙特卡罗方法剔除异常值,并应用Kennard-Stone法进行校正样本的选择。对通用萤火虫算法进行离散化处理,改进了吸引度的自适应公式,在移动公式中增加了牵引权重,以适应离散化处理的影响和优化算法,并在离散萤火虫算法中加入精英保留策略,加快算法的收敛速度。实验中找到DFA算法中的各项参数中的最佳值。通过离散萤火虫算法优选波长变量,建立发酵液中丁二酸含量的近红外光谱偏最小二乘回归(partial least squares regression)校正模型。与标准遗传算法(genetic algorithm)优选波长方法进行了比较。结果显示,基于离散萤火虫算法的波长优选方法所建立的PLS校正模型,其校正集的相关系数(R2_c)为0.986,RMSEC为0.409,预测集的相关系数(R2_p)为0.969,RMSEP为0.458,模型稳健性和精度都要优于全光谱建模以及遗传算法波长优选方法。显示了DFA在近红外光谱数据筛选方面的优越性。     

用遗传区间偏最小二乘法建立苹果糖度近红外光谱模型

为了简化苹果糖度预测模型和提高模型的精度,用遗传区间偏最小二乘法(GA-iPLS)建立苹果近红外光谱预测模型。应用结果表明,整个光谱划分为40个子区间, GA-iPLS选择其中的第4,6,8,11,18号共5个子区间联合建立苹果糖度模型。遗传区间偏最小二乘法所建的模型,其校正时的相关系数r_c和交互验证均方根误差RMSECV分别为0.962和0.334 6,预测时的相关系数r_p和预测均方根误差RMSEP分别为0.932和0.384 2。与全光谱模型相比,该方法建立的模型不论对校正集还是预测集,模型的预测能力都提高了许多,且模型得到了很大的简化：其实际采用的波数点个数比全光谱模型采用的波数点个数大大减少,主因子数也比全光谱少,由此建立的模型更加简洁、数据运算量也更少。     

一种近红外光谱特征子区间选择新算法

为了简化光谱模型和提高模型精度,在传统遗传算法中引入Metropolis接受准则,提出了一种新的模拟退火-遗传区间选择算法(SAA-GA-iPLS),用于快速提取近红外光谱特征子区间,采用偏最小二乘法(PLS)建立近红外光谱模型。以黄瓜叶近红外光谱数据及其类胡萝卜素含量为例,将全光谱分为40个区间,模拟退火-遗传算法能快速优选出7个子区间(分别为第3,5,14,18,21,32,33子区间),在所选7个子区间的基础上建立了黄瓜叶类胡萝卜素PLS光谱模型。与传统遗传算法的比较结果表明:无论是建模效果还是算法执行效率,模拟退火-遗传算法均优于传统遗传算法。