基于MC-UVE、GA算法及因子分析对葡萄酒酒精度近红外定量模型的优化研究

对葡萄酒酒精度偏最小二乘（Partial least squares,PLS）回归模型进行优化研究。使用近红外光谱仪采集葡萄酒样本的光谱数据,用于建立酒精度定量模型,实现在线快速检测。通过蒙特卡罗无信息变量消除（Monte Carlo uninformative variable elimination,MC-UVE）和遗传算法（Genetic algorithm,GA）进行变量选择,基于被选择的变量分别进行PLS和因子分析（Factor analysis,FA）,建立回归模型。结果表明,MC-UVE-GA-FAR模型预测集相关系数（R²）为0.946,预测均方根误差（Root mean square error of prediction,RMSEP）为0.215,效果优于MC-UVE-GA-PLS模型。与基于全范围光谱所建PLS回归模型相比,模型效果有所提升,而且模型所选变量个数仅为6,极大地简化了模型。MC-UVE和GA算法与FA分析结合可以实现模型的优化。