基于稳定一致波长优选的综纤维素近红外分析模型传递

以实现纸浆材综纤维素含量的近红外分析模型在3台不同型号光谱仪上共享为目标,提出SWCSS-UVE及SWCSS-CARS联用算法。即分别利用竞争性自适应重加权采样算法（CARS）和无信息变量剔除（UVE）算法,减少SWCSS方法中入选的无信息或信息少波长的不利影响,以提高模型转移精度,并与单独的SWCSS和分段直接标准化算法（PDS）以及斜率截距（S/B）算法校正后的传递结果进行比较。结果表明,通过SWCSS-UVE方法最终可从稳定一致光谱信号中进一步优选出91个波长建立模型,该模型能同时应用于2台从机所测量光谱的分析,预测标准偏差（RMSEP）分别从模型转移前的2.0114和9.4518下降到了1.5919与1.6818,优于SWCSS, SWCSS-CARS和PDS以及S/B算法的结果。这表明SWCSS-UVE算法可以有效剔除SWCSS方法中包含的无效波长,简化模型传递过程,提高模型传递效率和稳健性。     

二进制蜻蜓算法-直接校正算法优选标样集在小麦粉蛋白质近红外模型传递中的应用

为了实现小麦粉蛋白质含量近红外分析模型的传递，探究二进制蜻蜓算法(Binary Dragonfly Algorithm, BDA)与直接校正算法(Direct Standardization, DS)相结合构成的BDA-DS算法挑选标样集对模型传递结果的影响。以棱光S450光栅型近红外光谱仪为主机，NeoSpectra Micro傅里叶变换型近红外光谱仪为从机，采集了126个小麦粉的近红外光谱，用偏最小二乘回归法建立了主机近红外光谱与小麦粉蛋白质的关联模型。经BDA-DS算法模型传递后，主机模型对从机样品预测决定系数为0.9812,预测标准偏差为0.1838,从机与主机的光谱集合平均马氏距离由22.34下降到1.40,均接近于主机模型精度水平。该研究同时与采用Kennard/Stone(K/S)挑选标样集再结合DS构成的传统K/S-DS算法进行了对比，结果表明：相对于K/S-DS算法，BDA-DS算法挑选出较少的标样集就能表征仪器的差异，有效地提高了主机模型对从机样品的预测精度，为近红外模型传递提供了一种更加有效的标样集选择方法。