近红外光谱技术结合教与学算法优化极限学习机实现烤烟等级判定

该研究基于近红外光谱（NIRs）技术,以2016～2018年来自13个省份的937个烟叶样本为研究对象,比较了竞争性自适应重加权采样方法（CARS）、蒙特卡洛无信息变量消除法（MC－UVE）以及随机青蛙算法（RF）3种变量筛选方法的极限学习机（ELM）模型效果,与常规判别方法偏最小二乘判别分析（PLS－DA）比较,验证了ELM模型的优势。并通过教与学优化（TLBO）算法对ELM模型进行优化,建立烤烟样本的等级判定模型。结果表明,验证集的分类正确率达到90.16%,测试集的外部验证表现良好,TLBO－ELM模型收敛速度快,泛化能力强,可应用于烤烟等级判定。近红外光谱技术结合教与学算法优化极限学习机为智能化实现烟叶等级判定提供了一种新方法。     

红外光谱定量分析中的一种变量聚类偏最小二乘算法

偏最小二乘算法( Partial least squares, PLS)可以很好地解决分析数据中的变量共线性问题,在光谱分析,尤其是近/中红外及拉曼光谱的定量分析中应用广泛。针对PLS存在的有效信息提取和噪声抑制问题,提出一种变量聚类重加权的PLS算法。通过对光谱的各波数变量进行聚类并分别建模,然后集成为全谱模型。通过对计算并赋予各子类不同的权重,根据对模型的贡献对变量进行重加权,从而提高算法的预测精度。汽油中的辛烷值预测和烟草中的烟碱含量预测两组近红外数据验证表明,所提出算法优于经典的PLS算法,其RMSEP在两组数据中分别降低32%和22%,在光谱数据的定量分析中具有潜在的应用优势。     

近红外光谱结合无参数校正增强实现不同年份烟叶总糖含量模型更新

近红外光谱技术因快速、无损等特点,已广泛应用于烟草行业质量快速分析。然而,由于采收时间、环境差异等因素的影响,建立的近红外定量模型在新批次样本中的预测性能通常变差,因此必须对原有模型进行维护和更新。该研究采用半监督无参数校正增强（SS－PFCE）方法,通过约束优化,对主模型的回归系数进行修正。首先建立了2016年烟叶样本总糖含量的原始定量模型,其预测相关系数（Rp）为0.997 8、预测均方根误差（RMSEP）为0.310 8。采用SS－PFCE方法对模型更新后,分别预测2017年、2018年和2020年样本的总糖含量,3个测试集的Rp值比未更新模型提高了0.13%、1.32%和4.29%,RMSEP分别下降了15.26%、58.69%和36.53%。与重新建立的定量分析模型相比,更新后的模型具有更优的预测性能,同时大大降低了建模成本。研究表明,SS－PFCE方法可高效地实现不同年份烟叶样本的模型维护,在实际生产中具有重要的应用价值。