自适应蚁群优化算法的近红外光谱特征波长选择方法.pdfVIP

第42卷 分析化学(FENXIHUAXUE)研究报告 第4期 2014年4月 ChineseJournalof 513～518 AnalyticalChemistry 自适应蚁群优化算法的近红外光谱特征波长选择方法 郭志明1’2 黄文倩2 彭彦昆“ 王秀1，2 汤修映1 1(中国农业大学工学院，北京100083) 2(国家农业智能装备工程技术研究中心，北京100097) 摘要为提高近红外光谱预测模型的精度和适用性，同时简化模型，提出了自适应蚁群优化偏最小二乘法 优选特征波长的方法，建立不同产地苹果可溶性固形物含量混合分析模型。收集山东、陕西和新疆的富士苹 果，采集3800～14000 cm“范围的近红外光谱，并对其重要品质指标可溶性固形物含量进行测定。利用蚁群 算法启发式全局搜索的特点，结合蒙特卡罗轮盘赌随机选择机制，优选苹果可溶性固形物含量的近红外光谱 特征波长，然后用偏最dx__-乘法建立分析模型。与全光谱偏最dx--乘模型和遗传偏最小二乘模型相比，蚁群 优化算法选择的波长数最少，模型预测能力最强，预测的相关系数R和预测均方根误差RMSEP分别为 0．9708和0．5144。研究结果表明，自适应蚁群优化算法可以有效选择近红外光谱特征波长，提高模型的稳健 性和适用性。 关键词近红外光谱；蚁群优化算法；特征波长；苹果；可溶性固形物含量 1 引 言 近红外光谱区是指波长在780～2526 am范围内的电磁波，是分子振动光谱倍频和合频吸收谱，具 有丰富的结构和组成信息，可用于碳氢有机物质的组成与性质的测量。与传统分析技术相比，近红外光 谱具有无损检测、分析效率高、成本低、重现性好、样品测量一般不需预处理、适合于现场检测和在线分 析等优势。随着近红外光谱分析技术、化学计量学和近红外光谱仪器的快速发展，近红外光谱分析技术 已在许多领域得到广泛应用。借助先进的近红外光谱仪，研究者可快速获取大量光谱数据。但物质在 该谱区的倍频和合频吸收信号弱，谱带重叠，解析复杂；且由于仪器所采集的数据除样品的自身信息外， 还包含了其它无关信息和噪音，如电噪音、样品背景等，这些信息在预处理中很难全部消除；其次有些光 谱区域样品的信息很弱，与样品的组成或性质间相关程度不高；另外，同一样本的光谱数据内部存在共 12 线性关系，易产生数据冗余u J。如果将这些数据都参与建模，不但计算量大、模型复杂，而且精度也受 到影响。因此，光谱特征变量优选方法成为提高建模质量的关键环节。 目前，近红外光谱的特征变量选择方面的大量研究主要集中在特征波段的选择、特征波长的优选及 波段和波长选择相结合的筛选方法。在特征波段的选择上主要有区间偏最dx--乘法(iPLS)∞4J、移动 型建立方法以偏最小二乘法(PLS)最为经典，且PLS应用广泛，一般认为其具有较强的抗干扰能力，对 非海量数据建模稳定性较好。蚁群优化算法(Ant colony 90年代初提出，是人工智能或群体智能的新发展，具有分布计算、信息正反馈和启发式搜索的特征，已 较好的解决旅行商、通讯、网络路由和定量构效关系等组合优化问题¨¨12J。目前已有学者采用ACO算 法进行光谱变量的选择¨n15j，但信息素初始权值的分配有待进一步的研究。蚁群优化算法结合偏最小 二乘法(ACO—PLS)用于近红外光谱的特征波长选择，可实现光谱变量的全局搜索，建立精度高稳定性 强的多元校正模型。 苹果可溶性固形物含量的近红外光谱检测研究多选取同一产地同批次或多个批次的苹果样 2013-07—12收稿；2013-09-26接受 队建设项目资助 $E—mail：ypeng@cau．edu．cn 万方数据 514