基于集群方法(ER)的近红外光谱转移集优化法

近红外光谱因为具有小成本、易操作、低耗时等优点,所以广泛用于食品领域。作为一种间接的检测方法,近红外光谱检测需要建立光谱和浓度之间的统计模型。但是,一种条件下建立的模型在另一种检测条件下会失效。针对此问题,重新建模可以加以解决,但是重新建立光谱与浓度之间的模型非常繁琐耗时。此时,模型转移可以在避免重新建模的情况下,通过光谱校正,保证预测精度。在模型转移中,已经建立好模型的光谱称为主光谱(A),不用建立模型,而只用主光谱模型预测的光谱称为从光谱 (B)。模型转移方法的步骤是,先在校正集中选择一些样本作为主光谱的转移集(A_t),然后选择从光谱中浓度和A_t相同的光谱,以此作为从光谱的转移集(B_t)。通过A_t和B_t构建模型转移矩阵。最后将需要校正的从光谱(B_v)乘以上述的转移矩阵中,即可获得校正后的从光谱(B_new)。此时,B_new就可以用主光谱的模型来直接预测。在模型转移中,转移集样本的选择对模型校正至关重要。目前,转移集的样本通常从光谱之间的距离而非模型转移误差获得。但是,转移误差对模型转移结果的验证至关重要,故该研究出了基于集群分析的集群优化法(ER)并将其用于优化KS方法产生的转移集样本。ER先用随机方法建立转移集的多个子集合,并计算每个子集合的转移误差。然后,对某一个样本,计算包含这个样本的子集合转移误差均值。最后,选择转移误差均值较低的样本作为新转移集样本进行模型转移。以玉米数据测试了ER算法。结果显示,对于典型相关分析-有信息成分提取法(CCA-ICE)、直接校正法(DS)、分段直接校正法(PDS)、光谱空间转化法(SST)这些常见的模型转移方法,相比于KS样本选择方法,ER方法可以找出重要的转移集样本,进而显著降低模型转移误差。     

双光谱区间遗传算法及其在模型转移中的应用

在近红外光谱分析中，将近红外光谱和浓度信息建立统计模型，通过光谱代入模型即可预测未知样本浓度。但是，检测条件的变化会导致光谱的改变，进而导致原有的模型不能准确预测光谱改变后的样本。对此，模型转移可以通过校正新测量的光谱（从光谱），使得从光谱能够被原有光谱（主光谱）建立的模型准确预测。模型转移可以使用全光谱进行校正，但是全光谱中往往包括噪声、背景等干扰信息，这些干扰会增加预测误差。故可以使用变量选择方法找出光谱中有化学意义的信息来模型转移。但是一般的变量选择算法只选择主光谱的区间，从光谱使用主光谱相同的波长区间模型转移。但是在实际工作中，主光谱和从光谱有化学意义的区间往往不一致，主从光谱使用同一区间模型转移会增加误差；此外，有时二者原光谱的波长范围并不一致，从主光谱选出的区间不能用于从光谱的校正。对此，提出了基于双光谱区间遗传算法（GA-IDS），同时选择主光谱和从光谱有化学意义的区间，进而实现模型转移。GA-IDS算法步骤包括，①随机产生种群；②分析种群中每条染色体，删去错误染色体；③根据每条染色体，找出其相应的主光谱和从光谱波段组合，并计算其模型转移后的验证均方根误差(RMSEV)；④按照概率，执行选择、交叉、变异操作。在一次迭代结束之后，返回到步骤②，重新执行纠错、计算RMSEV、选择、交叉、变异。达到停止迭代的要求后，将最低的RMSEV值所对应的染色体保存下来作为最优染色体，其所对应的主从光谱区间作为最优区间。用玉米、小麦两套数据测试了该算法，结果显示，与全光谱相比，GA-IDS选择的主从光谱区间可以显著地降低误差；与向后迭代区间选择法（IIBS）相比，在小样本情况下，GA-IDS的误差显著地小于IIBS方法。