废旧涤／棉混纺织物NIRS定性分析模型的建立与外部验证

利用近红外光谱技术对354个废旧涤/棉混纺织物进行研究,通过偏最小二乘法（partial least squares ,PLS ）和定性鉴别系数建立了不同光谱特征的涤/棉混纺织物近红外定性分析模型。染色涤/棉混纺织物N IR光谱主要有两大类,一类具有正常涤/棉光谱特征,另一类光谱由于样本中染料、颜料和消光剂等化学助剂的影响,使光谱谱线成斜线,失去其光谱特征。如以全部样本建模,模型识别率较低。故将样本分为两类：斜线光谱样本和正常光谱样本,分别建立NIR定性分析模型。NIR定性分析模型建立后,根据验证结果分别对建模的谱区、预处理方法和主因子数进行优化,以提高模型的稳健性和可靠性。结果表明,样本分别建模后,模型的识别率大大提高,用验证集样本进行内部验证,正常光谱和斜线光谱所建模型的识别率均达99％,其校正集相关系数 RC 均为0.991,验证集相关系数 RP 分别为0.983和0.984、校正标准差S EC分别为0．887和0.453、预测标准差SEP分别为1.131和0.573。用150个界外样本分别对正常光谱样本模型和斜线光谱样本模型进行外部预测检验,模型识别率分别达91.33％和88.00％,表明所建NIR定性分析模型能够较好地在回收现场进行涤/棉混纺织物的鉴别。     

便携式近红外光谱仪对涤/棉混纺织物的快速无损鉴别

利用便携式近红外光谱仪对376个涤/棉混纺织物进行研究,利用定量分析模型中的偏最小二乘法(partical least squares,PLS)作为校正方法,结合涤/棉混纺织物中涤、棉含量设定的定性鉴别系数,建立了涤/棉混纺织物的半定量-定性分析校正模型。该模型对涤/棉混纺织物进行定性鉴别的同时得出其相对含量,分析结果具有半定量性质。在建模过程中,采用Savitzky-Golay导数法,消除噪声和基线漂移对光谱的影响,并研究了波段选择和不同预处理方法对定性校正模型的影响。纯棉的主要吸收峰位于1 400~1 600 nm,纯涤的主要吸收峰位于1 600~1 800 nm,随着涤或棉含量的增加,其相应的吸收峰强度增强,因此,建模波段以涤、棉主要吸收峰区间为基本波段,进行双向扩展,得到最佳波长区间1 100~2 500 nm(相关系数0.6,波点数934)。利用所建校正模型对验证集样本进行预测,结果表明,在1 100~2 500 nm处,预处理方法为Savitzky-Golay导数、多元散射校正与均值中心化相结合时,该模型评价参数较佳,其中RC(校正集相关系数)0.978,RP(验证集相关系数)0.940,SEC(校正标准差)1.264,SEP(预测标准差)1.590,样品预测正确率达93.4%。表明该定性分析校正模型能够较好地对涤/棉混纺织物进行半定量-定性预测。     

涤棉混纺织物近红外定量分析模型的建立及相关问题探讨（英文）

在废旧纺织品回收再利用中,纤维类型和含量的快速、准确测定是回收方案的关键部分。以598个废旧涤棉混纺织物为研究对象,采用便携式近红外(NIR)光谱仪测试了样品的原始近红外光谱。在1 400～1 700和1 900～2 200nm光谱区域,100%棉和100%聚酯样品的光谱存在明显差异,并且这些光谱差异存在于各种颜色纤维上。同时探讨了斜线光谱产生的原因可能是由于织物表面效果、着色方法及粘附在纤维表面的细小颗粒造成的。深色样品易造成其光谱基线在短波区发生漂移,经导数预处理后,基线漂移基本消除,斜线光谱呈现出正常光谱的特征。利用偏最小二乘(PLS)法结合一阶导数、S-G平滑、均值中心化和正交信号校正法,建立了废旧棉-涤混纺织物定量分析模型。为了验证模型的可靠性,选取346个样本采用内部交叉验证均方根误差(RMSECV)和预测样品集外部检验法对模型进行检验,模型的RMSECV值0.002、校正集相关系数RC=0.998、预测相关系数RP=0.997、预测标准差SEP=1.121,模型预测正确率可达97%。对模型进行匹配样本t检验结果显示,NIR方法与国家标准方法无显着性差异。NIR预测值与重量法测定值误差在±3%以内时,二者的一致性在90%以上,当误差在±5%以内,二者的一致性在95%以上,分析时间小于10s。因此,利用近红外技术结合所建模型可以快速、准确地预测废旧棉/涤混纺织物纤维成分的含量。     

涤棉混纺织物近红外定量分析模型的建立及相关问题探讨

在废旧纺织品回收再利用中,纤维类型和含量的快速、准确测定是回收方案的关键部分。以598个废旧涤棉混纺织物为研究对象,采用便携式近红外（NIR）光谱仪测试了样品的原始近红外光谱。在1 400～1 700和1 900～2 200 nm光谱区域,100％棉和100％聚酯样品的光谱存在明显差异,并且这些光谱差异存在于各种颜色纤维上。同时探讨了斜线光谱产生的原因可能是由于织物表面效果、着色方法及粘附在纤维表面的细小颗粒造成的。深色样品易造成其光谱基线在短波区发生漂移,经导数预处理后,基线漂移基本消除,斜线光谱呈现出正常光谱的特征。利用偏最小二乘（PLS）法结合一阶导数、S-G平滑、均值中心化和正交信号校正法,建立了废旧棉-涤混纺织物定量分析模型。为了验证模型的可靠性,选取346个样本采用内部交叉验证均方根误差（RMSECV）和预测样品集外部检验法对模型进行检验,模型的RMSECV值0.002、校正集相关系数R_C＝0.998、预测相关系数R_P=0.997、预测标准差SEP＝1.121,模型预测正确率可达97％。对模型进行匹配样本t检验结果显示,NIR方法与国家标准方法无显着性差异。NIR预测值与重量法测定值误差在±3％以内时,二者的一致性在90％以上,当误差在±5％以内,二者的一致性在95％以上,分析时间小于10 s。因此,利用近红外技术结合所建模型可以快速、准确地预测废旧棉/涤混纺织物纤维成分的含量。     

基于近红外光谱和变量优选的棉麻混纺织物棉含量快速检测

纺织品纤维成分的快速检测对其生产过程质量监控、贸易和市场监督均具有重要的意义。利用近红外光谱技术联合变量优选对棉麻混纺织物中的棉含量进行快速检测研究。采用NIRFlex N-500型傅里叶近红外光谱仪在4 000～10 000 cm-1光谱范围内采集样本的反射光谱,对样本光谱进行范围初选和预处理分析。在此基础上,利用UVE(uninformative variables elimination),SPA(successive projections algorithm)及CARS (competitive adaptive reweighted sampling)方法对光谱变量进行优选,再应用PLS(partial least squares)建立棉麻混纺织物中的棉含量预测模型。最后,采用最优预测模型对未参与建模的样本进行预测。研究结果表明,4 052～8 000 cm-1光谱范围为棉含量较优的建模光谱范围。CARS变量选择方法能较为有效地提高预测模型的精度,CARS-PLS模型的校正集、预测集相关系数和均方根误差分别为0.903,0.749和8.01%,12.93%。因此,近红外光谱联合CARS变量优选可以用于棉麻混纺织物棉含量的快速检测,CARS方法可以有效简化预测模型,提高预测模型性能。     

纺织品近红外光谱定性分析的一种新方法

近红外光谱分析技术可用于对样本的快速无损检测,在人们的生产和生活中发挥着越来越重要的作用。支持向量机是建立定性分析模型的常用方法,可通过寻找最优分类超平面将两类样本分开。在小样本情况下,支持向量机方法有其独特的优势。主成分分析是常用的数据降维方法,可将数据降维之后作为支持向量机方法的输入变量,简化模型并提高模型识别的准确性。因此,基于主成分分析的支持向量机(简称PCA-SVM)适合用于建立近红外光谱定性分析模型。多模型方法是人们使用较少的建模方法,用该方法建立的模型一般具有较好的稳定性。将多模型方法与PCA-SVM方法成功结合形成了新方法。以棉锦混合、棉涤混合纺织品为例,用新方法建立了这两类纺织品样本的近红外光谱定性分析模型。建模时将光谱数据按照波长分为4组,用每组光谱数据建立一个子模型,将子模型的输出值进行加权平均便得到最终的预测结果。这样可以更充分地使用光谱数据中所包含的信息。为了便于对比不同的方法,仍使用上述校正集和验证集,又用PCA-SVM方法建立了这两类纺织品样本的近红外光谱定性分析模型。对预测结果做交叉验证,用新方法所建模型判别的正确率的平均值为85.49%,正确率的标准差为0.066 7, 用PCA-SVM方法所建模型判别的正确率的平均值为83.34%,正确率的标准差为0.109 6。研究结果表明用新方法所建模型的分类效果好于用PCA-SVM方法所建模型的分类效果;用新方法建立的模型的稳定性明显高于用PCA-SVM方法建立的模型的稳定性。用PCA-SVM方法所建模型的预测效果受校正集构成情况的影响较大,而用新方法所建模型的预测效果则相对稳定。对废旧纺织品进行分类回收可大量节约纺织原材料,但采用人工分拣方式效率低且成本高。采用近红外光谱分析方法对纺织品进行分类,为废旧纺织品的大规模精细分拣和分级奠定了一定的基础。该新方法有望用于某些其他类型样本的分类。     

鱼粉中掺杂豆粕的可见和近红外反射光谱分析研究

探讨了基于可见和近红外反射光谱分析技术检测鱼粉中是否掺有植物饼粕的可行性。收集了我国常用的鱼粉和豆粕,将豆粕按不同浓度掺杂到鱼粉中制备试验样本,分别进行了定性和定量分析研究。定性分析用206个样本作为校正集,103个样本作为检验集,选择合适的光谱预处理方法和光谱范围建立了定性判别分析模型,模型对外部检验集的正确判断率为96.12％。定量分析用掺杂有豆粕的130个鱼粉样本作为校正集,65个鱼粉样本作为检验集,采用偏最小二乘法(PLS)建立了定量分析模型。以变量标准化处理(SNV)与二阶导数(2, 4, 4, 1)相结合处理效果最佳,其预测值和测量值的决定系数R2和标准差SEC分别为0.989 0和1.539 0;检验集进行外部验证的决定系数R2和标准差SEP分别为0.988 8和1.786 0,RPD为8.61。结果表明,利用近红外光谱分析技术可以成功检测鱼粉中豆粕的存在和含量。     

微型近红外光纤光谱仪用于奶粉中蛋白质脂肪的定量检测研究

提出利用微型近红外光谱仪、结合Y型光纤探头,在900～1 700 nm范围内对奶粉中蛋白质、脂肪含量进行快速、无损检测的漫反射光谱检测方法。基于Unscrambler 9.7化学计量学软件,选择合适的光谱波段,通过PLS算法分别建立了蛋白质、脂肪的校正模型,得到蛋白质、脂肪校正模型的决定系数R2分别为0.987和0.986,均方根误差RMSC分别为0.385和0.419。利用所建模型对预测样本数据集进行预测验证,得到蛋白质的标准差SEP_Protein=0.768、脂肪的标准差SEP_Fat=1.109,表明所建模型具有较高的预测能力,已基本达到实用化要求。     

SVDD的近红外光谱定性分析光谱质量判定方法

近红外光谱属微弱信号,其质量易受被测物体自身状态及各种外界因素干扰,具体而言,在近红外光谱定性分析中,影响光谱质量的因素主要有光谱仪状态改变、光谱采集人员错误操作、奇异样本干扰等。建模时若混入质量较差的光谱易影响所建模型的稳健性与适用性,因此光谱质量判定是确保模型预测能力的一项重要工作。目前用于定量分析的光谱质量判定研究较多,而用于定性分析的光谱质量判定研究较少,为此,提出一种基于支持向量机数据描述的近红外光谱定性分析光谱质量判定方法,采用自制漫透射近红外光谱装置采集单籽粒玉米光谱,以正常状况下采集的某品种玉米单籽粒漫透射光谱作为正常样本,而人为漏光、近红外探测器窗口覆盖玉米表皮碎屑、光源强度改变、光源与被测玉米籽粒距离改变、相近品种玉米籽粒混入等几种情况下所采集光谱作为异常样本,在此数据集基础上研究了基于支持向量机数据描述的定性分析光谱质量判定模型建立的原理与方法,其后将支持向量机数据描述方法与常用的马氏距离法、局部异常因子法等光谱质量判定方法进行了对比,并以正常样本正确识别率与异常样本正确拒识率的均值作为评价标准,对实验结果进行分析,由实验结果可以看出相比其他两种方法,基于支持向量机数据描述的光谱质量判定方法具有最优判定能力,建模集正常样本数目会影响光谱质量判定能力,在实际使用光谱质量判定方法时,建模集应包含足量样本。在近红外定性分析时可以将该方法作为剔除异常光谱的手段,在预处理、特征提取,模式分类等近红外光谱定性分析步骤前首先进行基于支持向量机的光谱质量判定步骤,并剔除异常光谱,可有效提高近红外光谱定性分析模型的可靠性,亦为近红外光谱定性分析光谱质量判定提供新的方法参考。     

一种添加历史数据的近红外光谱特征提取方法研究

针对近红外光谱定性分析中,增加新的品种进行建模时,原有模型识别效果不够稳定的问题,提出一种在建模样本的基础上添加同类物质的历史光谱数据的特征提取方法,首先采集建模样本的近红外光谱数据,然后添加同种物质样本的历史近红外光谱数据,再对所有近红外光谱数据进行预处理,其次对所有样本数据进行偏最小二乘(PLS)特征提取得到偏最小二乘空间,并只将建模样本数据向构建的偏最小二乘空间进行投影,最后将投影后的建模数据进行正交线性判别分析(OLDA)特征提取。以玉米种子近红外光谱为研究对象,分别对建模数据添加历史近红外光谱以及不添加历史近红外光谱两种情况进行特征提取,并通过仿生模式识别(BPR)方法构建模型进行验证,实验结果表明,添加历史近红外光谱构建偏最小二乘空间的特征提取方法相对于不添加历史近红外光谱的方法,首先在增加建模集品种数量时,原有的品种识别率基本不变;其次在相同PLS维数时,所建模型对不同时间采集的测试集识别效果基本一致,证明了该方法可以提高模型稳健性。在实际应用中就可以在品种鉴别软件中将特征提取维数设置为固定值,免除了品种鉴别软件的用户在增加建模集品种时为了保证最优识别效果重新选定最优PLS参数的麻烦。     

基于LSA与PCA的常见滋补中药NIR聚类

潜在语义分析在信息检索领域应用较多,但在近红外光谱领域应用较少.利用近红外漫反射光谱技术,结合潜在语义分析（LSA）和主成分分析（PCA）,比较了不同预处理方法、不同奇异值和主成分个数对所建模型的影响,最后确定的模型校正集误判数分别为4和3.用建立的校正模型对验证集进行验证,总的识别率分别达到了96.00％和96.50％.对于功效较近、难以聚类的滋补中药,潜在语义分析是一种新的有效的方法.     

NIR光谱的Isomap-PLS非线性建模方法

针对样品的近红外(NIR)光谱与其物理化学性质之间存在的非线性关系,提出了一种结合等距映射(Isomap)和偏最小二乘(PLS)的非线性建模新方法。Isomap是一种新的非线性降维方法,属于流形学习方法,能有效地发现高维数据中的本真低维结构。Isomap-PLS建模方法首先用Isomap对高维NIR光谱数据作非线性降维,再用PLS降维并建立校正模型。将Isomap-PLS建模方法分别应用于两个公开的NIR光谱标准数据集,并与PLS单独建模进行比较。结果表明,在两个数据集上,用Isomap-PLS方法建立的校正模型比单独用PLS算法建立的校正模型具有更小的交叉验证均方根误差(RMSECV);对某些性质数据,Isomap-PLS模型比PLS模型的RMSECV值要小2～5倍。因此,Isomap能够有效反映NIR光谱中存在的非线性结构,Isomap-PLS比PLS具有更好的建模与预测能力。     

紫花苜蓿粗蛋白和粗纤维近红外分析模型的建立

采用近红外漫反射光谱技术,结合偏最小二乘法(PLS),以152个来源不同的紫花苜蓿样品建立了粗蛋白和粗纤维含量的近红外定量分析校正模型。在近红外光谱范围内(950～1 650 nm)对紫花苜蓿样品采集光谱数据时,分别设置了粗磨样、细磨样两种样品的状态和1,2,5 nm三种光谱扫描间隔,对建立的模型进行准确性和重复性的验证,比较其优劣。结果显示：光谱扫描时样品为细磨样,光谱扫描间隔为2 nm时所建立的粗蛋白和粗纤维含量的校正模型最佳,其相关系数(R2_cal)分别是0.97和0.94,最佳因素数时的定标标准差(SECV)分别是0.42和0.78。所建近红外定量分析模型对独立检验集样品粗蛋白和粗纤维含量的预测值与化学值的相关系数(R2_val)分别为0.96和0.92,预测标准差(SEP)分别为0.43和0.79。该研究结果表明：利用近红外漫反射光谱法测定紫花苜蓿内在主要品质性状是可行的,为紫花苜蓿粗蛋白和粗纤维含量的检验提供了新的方法模式。     

鸭梨黑心病可见/近红外漫透射光谱在线检测

鸭梨黑心病是鸭梨的主要生理病害,直接影响鸭梨的出口创汇;准确快速鉴别鸭梨黑心病对于梨的出口业具有重要现实意义。探讨可见/近红外漫透射光谱在线检测鸭梨黑心病的可行性,选取80个正常鸭梨和70个黑心鸭梨作为建模集,建模集被分为校正集和预测集以求获得最优模型。未参与建模的30个正常梨和20个黑心梨作为预测集,用于评价模型的预测能力。鸭梨的可见/近红外漫透射光谱,在5个/秒的速度下采集。建模集能量谱经标准正交变换(SNV)和多元散射校正(MSC)处理后,分别建立健康梨和黑心梨的偏最小二乘判别模型(DPLS)、峰面积判别模型(DPA)、主成分判别模型(DPCA)。用建模集模型判别预测集鸭梨,经比较,DPLS模型的判别准确率最高,黑心梨正确识别率达到100%。实验结果表明：可见/近红外漫透射光谱结合DPLS判别方法,可以实现黑心鸭梨的在线检测。相比传统的人工破损方法,在线检测可为梨出口贸易提供技术支撑和科学参考依据。     

基于光谱技术和支持向量机的生鲜猪肉水分含量快速无损检测

为实现生鲜肉水分含量的快速无损检测,在波长350～1 700 nm范围内采集生鲜猪肉98个样本的可见近红外反射光谱。经中值平滑滤波、多元散射校正和一阶微分复合预处理方法对原始光谱进行降噪处理。将样本数据随机分为训练集和测试集,以训练集交叉验证网格搜索法确定最佳惩罚参数,利用径向基核函数的支持向量机算法建立了支持向量机预测模型,并与偏最小二乘回归建模法进行比较。用径向基核函数的支持向量机算法所建模型对生鲜肉水分含量进行预测的结果为：训练集的预测相关系数R_c为0.96、标准差SEC为0.32,测试集的预测相关系数R_v为0.87、标准差SEV为0.67。实验结果证实用支持向量机所建模型适合于生鲜猪肉水分含量的无损快速检测。     

样品表面近红外光谱结合多类支持向量机快速鉴别枸杞子产地

采用便携式近红外光谱仪采集枸杞子表面不同部位的近红外漫反射光谱,结合多类支持向量机算法对枸杞子产地进行快速无损辨识。以识别率为评价指标进行光谱预处理方法的选择,为了消除样本划分偏性对结果的影响,本研究通过重复划分样本集多次建模与预测,利用识别率的统计结果考察各个光谱采集部位的建模结果。实验结果表明,原始数据经二阶导数加SG平滑处理后,所建模型具有良好的产地预测性能。除了枸杞子顶端部位外,其他部位模型的稳定性及准确性均较好,其外部验证识别率的中位数与平均值均大于97%。这表明利用枸杞子样品表面近红外光谱可实现产地的准确鉴别,便携式近红外光谱技术可作为中药材流通环节中的有效监控手段。     

棉籽油分含量近红外无损检测分析模型与应用

棉花是一种重要的油料作物。建立快速、无损检测棉花种子含油量的方法,对于棉花油分育种工作中的材料鉴定、筛选具有重要意义。利用近红外光谱仪采集118份不同油分含量棉花种籽的近红外漫反射光谱,结合化学方法测定验证,建立了棉籽油分含量快速无损检测的近红外模型。光谱预处理方法采用一阶导数＋多元散射校正(MSC),光谱范围5 446～8 848 cm-1,主成分维数为5,以基本覆盖陆地棉棉籽含油量范围的106份试验材料为校正样品集,利用偏最小二乘法(PLS)建立了棉籽仁油分含量近红外反射光谱(NIR)校正模型。校正模型决定系数R2=0.975,校正标准差SEC=0.67。用外部验证样品集进行外部验证,对所建模型的实际预测能力进行检验。结果表明,油分含量预测值与化学值相关系数r=0.978,预测结果误差范围0.1%～1.7%,建立的模型具有很好的预测性。利用建立的模型对784份育种材料进行了油分含量预测,结果显示,该模型应用可以加快棉花育种材料的油分鉴定。     

NIR光谱的LLE-PLS非线性建模方法及应用

传统的偏最小二乘(PLS)建模方法不能有效反映近红外(NIR)光谱与分析样本的物理化学性质之间存在的非线性关系。局部线性嵌入(LLE)是一种新的非线性降维方法,属于流形学习方法,它能有效地发现高维数据中的本真低维结构。结合LLE和PLS,提出一种近红外光谱非线性建模的新方法,并用于建立丹参多酚酸盐柱层析过程中丹酚酸B含量的回归校正模型。该方法首先用LLE对NIR光谱数据降维,再用PLS建立校正模型。结果表明,与多元散射校正、一阶导等预处理方法结合PLS建模比较,参数优化后的LLE-PLS方法能更准确地预测丹酚酸B的含量,其交叉验证均方根误差为0.128 mg·mL-1、决定系数为0.998 8。基于NIR光谱及LLE-PLS建模,可实现丹参多酚酸盐柱层析过程的在线检测。     

基于Vis/NIR光谱技术的酿酒葡萄成熟期间SSC预测研究

酿酒葡萄成熟度是确定葡萄采收期的重要品质指标,针对酿酒葡萄大田中成熟度检测难度大的问题,利用可见/近红外（Vis/NIR）光谱技术和化学计量学,研究了酿酒葡萄可溶性固形物含量（SSC）与光谱数据之间的内在联系。采用USB2000+光谱仪获取5种酿酒葡萄及其叶片在不同成熟时期的Vis/NIR光谱数据,通过OMNIC 8.0软件提取光谱数据,将化学值与光谱吸收率值通过TQ Analyst8.0软件建立模型。选取信噪比高的450~1 000 nm波段,利用PCA剔除异常光谱数据,将一阶导数（FD）、Savitzky-Golay卷积平滑（S-G）、多元散射校正（MSC）、标准正态变换（SNV）分别组合共4种方法用于光谱数据预处理。利用偏最小二乘（PLS）法分别建立了5种葡萄基于酿酒葡萄光谱数据的SSC预测模型,建立了5种葡萄基于冠层叶片光谱数据的SSC预测模型,对比了不同方式预处理后的建模效果,并选择最优预处理方式建模。最后用外部样本分别验证了SSC预测模型。结果表明,采用S-G平滑+FD+MSC的预处理方法时大多数预测模型性能达到最好。5种葡萄浆果校正集和验证集的R分别达到0.93和0.86以上,最高均方根误差分别为0.30和0.48,5种葡萄冠层叶片校正集和验证集的R分别达到0.73和0.65以上,最大均方根误差分别为0.95和0.75。5种葡萄浆果外部试验样本预测值与真实值间的平均RE最高为0.43%。基于酿酒葡萄浆果光谱的SSC预测模型具备良好的预测能力,优于基于酿酒葡萄冠层叶片光谱的SSC预测模型,SSC预测模型能够为酿酒葡萄成熟度评价研究提供理论参考。Vis/NIR光谱技术适用于在酿酒葡萄大田中快速、无损检测SSC。     

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。