遗传算法结合偏最小二乘法无损评价西洋梨糖度

基于遗传算法的波段选择法在组合优化问题上具有很大的搜索优势,适应性很广.文章将该方法应用于西洋梨糖度近红外光谱分析中,探讨数据优化筛选的可行性.光谱经多元散射校正或标准归一化处理后进行波段选择,选择结果与样品中被测成分有关,4个品种洋梨的最佳个体染色体编码有一定共性.分别建立了四种洋梨的GA-PLS模型和全谱模型,早红考密斯、五九香、凯斯凯德和康佛伦斯的GA-PLS建模数据点分别从1 557减少到了434,496,310和496.GA-PLS/Fr-PLS模型的预测标准偏差分别为0.428/0.518,0.696/0.694,0.425/0.421和0.567/0.633,其中早红考密斯和康佛伦斯GA-PLS模型的预测精度明显优于全谱模型,而五九香和凯斯凯德的GA-PLS模型与全谱模型相近.结果表明,遗传算法用于PLS建立西洋梨糖度校正模型前的数据优化筛选是可行的,有效提高测量精度,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町行的.     

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 000cm-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。     

基于卡尔曼滤波的近红外光谱特征波长变量优选方法

将经典的卡尔曼滤波器与近红外光谱分析技术相结合,提出了一种新的特征波长变量选择方法——卡尔曼滤波法。分析了卡尔曼滤波器用于波长优选的原理,设计了波长选择算法并将其应用到大豆油脂酸价的近红外光谱检测中。首先利用偏最小二乘法(PLS)对油脂不同吸收波段建模,初步筛选出4 472~5 000 cm~(-1)油脂酸价特征波段共132个波长点,然后进一步利用卡尔曼滤波器进行特征波长选择,从中优选出22个特征波长变量建立PLS校正模型,预测集决定系数R~2、预测误差均方根RMSEP分别为0.970 8和0.125 4,与利用132个波长点建立的校正模型预测结果相当,而波长变量数减少到原来的16.67%。该波长变量选择算法是一种确定性的迭代过程,无复杂的参数设置和变量选择的随机性,物理意义明确。优选出少数对模型影响较大的特征波长变量以代替全谱建模,在简化模型的同时提高了模型的稳健性,为开发专用油脂近红外光谱分析仪器提供了重要参考依据。     

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 200cm-1;烟叶烟碱特征波长优选组合为4 500~4 700和5 800~6 000cm-1,优选出来的特征波长具有实际物理意义。     

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。     

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。     

苹果可溶性固形物近红外光谱检测的偏最小二乘回归变量筛选研究

为了提高苹果可溶性固形物含量近红外光谱校正模型的预测能力和稳健性,分别采用反向区间偏最小二乘法、遗传算法和连续投影算法,筛选苹果可溶性固形物的近红外光谱变量,并建立了偏最小二乘回归模型。利用遗传算法筛选的141个变量建立的校正模型,预测效果最好,与全谱建立的校正模型比较,预测相关系数,从0.93提高到0.96,预测均方根误差,从0.30°Brix降低到0.23°Brix。实验结果表明遗传算法结合偏最小二乘回归方法,有效地提高了苹果可溶性固形物近红外光谱检测模型的预测精度。     

BiPLS结合GA优选可见/近红外光谱MLR变量

利用反向区间偏最小二乘法(BiPLS)定位光谱糖度若干信息区间,运用遗传算法(GA)从中选择波长点,建立了多元线性回归(MLR)模型.光谱进行卷积平滑和二阶导数处理后,将光谱(225个数据点)分割成25个子区间时,BiPLS优化结果最优.在所定位的信息区间进行GA二次选择特征变量,运行100次依次选择入选频率较高的12个波长点.为简化MLR模型,对于入选的相邻波长选择频率较高者,最后选择638,734,752,868,910,916和938 nm作为同归变量,建立的MLR预测模型相关系数(R2)、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.984,0.364和0.471,优于常用的逐步多元线性回归的建模结果.表明BiPLS结合GA可以有效地对李子糖度可见/近红外光谱MLR回归变量进行筛选,提高了模型的精度.     

应用GA-DOSC算法消除果皮影响近红外漫反射光谱分析苹果硬度的研究

通过偏最小二乘法(PLS)分别建立去皮前后苹果硬度的近红外回归模型.采用光谱附加散射校正(MSC)、微分处理(Derivative)、直接正交信号校正(DOSC)等预处理方法和基于遗传算法(GA)的有效波段选择方法来消除果皮对模型精度的影响.结果表明,苹果果皮对近红外光谱分析模型的预测能力有很大影响,但仅通过常规的光谱预处理方法(MSC、Derivative)很难有效消除.文章提出的遗传算法结合直接正交信号校正(GA-DOSC)方法能有效消除果皮的影响,不但使所建模型的波长点和最佳主因子数分别由1480和5降到36和1;其相关系数r由0.753提高到0.805,更重要的是模型的预测相对误差RSDp从16.71%显著下降到12.89%,并接近采用苹果果肉建模的预测性能(12.36%),达到了对苹果硬度的近红外无损检测要求.     

基于GA和SCMWPLS算法的NIR光谱信息变量提取研究

光谱数据压缩、信息变量提取是近红外应用研究的热点,是简化模型、提高预测精度的重要手段。本文以杏可见/近红外光谱为例,采用二阶导数、标准化和正交信号校正(OSC)处理以滤除光谱与浓度阵无关的信号;使用SCMWPLS选择出880,894~910和932 nm为建模区间建立PLS预测模型,其相关系数(R)、校正误差(SEC)和预测误差(SEP)分别为0.920,0.454和0.470;进行独立运行GA程序100次,依次选择入选频率较高的2个波长点888和900 nm作为回归变量,建立GA-MLR预测模型,其R,SEC,SEP分别为0.905,0.488和0.459,均优于全谱的偏最小二乘建模结果。结果显示,OSC可以滤除光谱与浓度阵无关的信号,减少建立模型所用的主因子数;SCMWPLS和GA可以寻找最优信息变量组合。该方法对于建立低维度、高精度近红外快速分析模型具有普遍参考意义。     

Partial Least Squares Processing of Near‐Infrared Spectra for Discrimination and Quantification of Adulterated Olive Oils

Abstract

A new processing based on partial least squares (PLS) algorithm for the discrimination and determination of adulterants in pure olive oil using near‐infrared (NIR) spectroscopy has been introduced. The 280 adulterations of olive oil with corn oil (n=70), hazelnut oil (n=70), soya oil (n=70), and sunflower oil (n=70) were prepared, and their NIR spectra in the region 12,000–4550 cm^?1 were collected. The 70 spectra of each adulteration of olive oil were divided into two sets, 50 spectra for a calibration set and 20 spectra for a prediction set. The spectra of a total calibration set (n=200) were separated into individual adulterant calibration sets (n_i=50, i=corn, hazelnut, soya, sunflower) by using discriminant PLS (DPLS) analysis, and PLS calibration models for the quantification of adulterants with corn oil, hazelnut oil, soya oil, or sunflower oil were developed separately. A variety of wavelength ranges and data pretreatments were examined for obtaining optimal results for the discrimination and quantification objects. Four PLS models for differentiating the adulterant types were evaluated by classifying the NIR spectra of a total prediction set (n=80) into known adulterant types. Then, these known adulterant spectra were analyzed by the PLS calibration models developed for each type to determine the content of an adulterant in pure olive oil. The results of evaluation revealed that the processing reported in this article works excellently for the discrimination and quantification of the adulterations of olive oil.     

不知火杂柑可溶性固形物在线检测模型建立及优化

应用近红外漫透射光谱检测技术对不知火杂柑的可溶性固形物(SSC)进行在线检测具有十分重要的意义。研究变量筛选方法对不知火杂柑可溶性固形物在线检测模型的影响,为实现其快速、准确的在线检测分级奠定基础。实验把形状不整、内藏瓤瓣的不知火杂柑作为研究对象,选取560~930nm的光谱,采用偏最小二乘法(PLS)建立不知火杂柑可溶性固形物的在线检测模型,并讨论不同的光谱预处理方法(卷积平滑(S-G)、一阶微分(1st derivatives)等),不同的变量筛选方法(移动窗口偏最小二乘法MWPLS、遗传算法GA、连续投影SPA)对PLS所建预测模型性能的影响。经对比,多元散射校正(MSC)能有效地消除光散射的影响,遗传算法能大大地降低了建模的波长点数,缩短了建模时间,改善模型预测精度。其最优PLS模型的RP=0.956,RMSEP=0.380,RC=0.967,RMSEC=0.340。实验表明在线检测不知火杂柑的可溶性固形物是完全可行的。     

简化苹果糖度预测模型的近红外光谱预处理方法

采用正交信号校正法(OSC)和净分析物预处理法(NAP)分别对苹果的近红外光谱(1300~2100 nm)进行预处理,并结合偏最小二乘法(PLS)建立了糖度预测模型。应用结果显示,随着预处理过程中所用的正交信号校正因子或净分析物预处理因子的逐渐增加,偏最小二乘糖度模型(OSC/PLS模型和NAP/PLS模型)所采纳的最佳因子数也会随之减少,甚至可减至1。当采用10个正交信号校正因子预处理苹果光谱时,OSC/PLS糖度模型达到最佳性能,最佳模型采纳的因子数为2;采用11个净分析物预处理因子预处理光谱时,NAP/PLS糖度模型达到最佳性能,最佳模型采纳的因子数为1。从总体上评价,最佳OSC/PLS糖度模型和最佳NAP/PLS糖度模型的性能都明显优于原始光谱的最佳偏最小二乘模型。这些结果表明,正交信号校正法和净分析物预处理法都能在保证精度的同时有效地简化苹果糖度预测模型。