独立分量分析预处理法提高苹果糖度模型预测精度研究.pdfVIP

维普资讯 第34卷 分析化学 (FENXIHUAXUE) 研究简报 第9期 2006年9月 ChineseJournalofAnalyticalChemistry 1291～1294 独立分量分析预处理法提高苹果糖度模型预测精度研究 邹小波 赵杰文 (江苏大学农产品加工研究所，镇江 212013) 摘 要 为了提高苹果近红外光谱糖度预测模型精度，利用独立分量分析方法(ICA)对苹果近红外光谱进行 了预处理，并且建立了糖度的偏最小二乘 (PLS)预测模型。结果表明，独立分量分析不但能分离出噪声信 号t，而且所分离出来的光谱信号也比原始光谱信号光滑。在预处理后的最佳 PIS糖度模型校正时的相关系 数r和标准偏差SEC分别为0．9549和0．3361，用于预测时的相关系数r。和标准偏差SEP分别为0．9071和 0．4355。与普通的平均处理法的pLS模型相比，其精度有所提高，且模型更加简洁。 关键词 独立分量分析 ，近红外光谱，噪声 ，偏最小二乘法 引 言 在农产品品质的近红外光谱无损检测中，偏最小二乘法(PLS)常被用于建立预测模型。但是由于 农产品是非常复杂的生物体，加上近红外区的谱带复杂、重叠多，因此农产品光谱中与待测品质不相关 的信息必定会对待测品质的近红外预测产生影响，特别是会造成偏最小二乘预测模型的主因子数增多． 使模型变得过于复杂…。为了解决这一问题，目前常采用平均光谱法、二阶导数光谱、净分析物法及小 波阈值法 ¨ 等对近红外光谱进行预处理。 独立分量分析 (ICA)理论是由法国学者JeannyHerault等于 1983年提出的，其最初用来解决信号 分析处理中的“盲源分离”问题，提取有用的信号 』。独立分量分析集探索性数据分析与模式识别于一 体，已在信号处理、影像判识、数据特征提取等方面得到应用 一 。笔者尝试利用独立分量分析预处理 法来提高苹果糖度的近红外光谱模型精度。 2 独立分量分析近红外光谱预处理的方法 2．1 基本原理 由光谱仪得到的近红外光谱信号中既含有有用信息，同时也叠加着随机误差(噪声)。一个光谱信 号 t)被噪声污染后为s(t)，那么基本的噪声模型就可以表示为： (t)= t)+ ·e(t) (1) 其中e(t)为噪声，为噪声强度。为了减少噪声对光谱仪精度的影响，通常是通过多次采样的平均值作 为样本的最终光谱。 ICA近红外光谱去噪的思想是：把观测到的近红外信号看成是所测物的有用近红外信号和噪声信 号两个独立源的混合信号，然后根据光谱仪对同一对象两次采集的近红外光谱差异，通过信号的ICA 处理得到解混矩阵来将有用的近红外信号和噪声信号分离。关于 ICA的理论和算法，可见文献 [6— 11]。目前ICA的算法很多，本实验采用当前比较流行的基于一种定点反复机制来寻找观测变量线性 组合的局部极值来提取独立分量。具体步骤如下： (1)采集光谱 首先用光谱仪对同一样本采集两次光谱，将两次采集的原始信号组成向量组 (X={l，2，})。 (2)对原始信号 进行预处理 预处理包括去均值和 白化 (Whitening)，是通过对观测数据向量进 行线性变换，使其均值为零，方差为 1，去除各观测之间的相关性。通常使用本征值分解 (Eigenvalue decomposition：EVD)方法进行 白化处理。首先对 进行去均值运算，使每条光谱均值为0，得到一组新 2006-01-03收稿 ；2006-03-29接受 维普资讯 1292 分 析 化 学 第34卷 的观测 向量 ，即 = X—E(X) (2) 式中E(X)为观测向量的期望，其次对 进行 白化处理，其主要 目的是去除光谱信号之间相关性。即通 过 白化矩阵 对 进行线性变换，使得：