BiPLS结合GA优选可见近红外光谱MLR变量.pdfVIP

第29卷，第10期 光谱学与光谱分析 200 and October，2009 9年10月 SpectralAnalysis Spectroscopy BiPLS结合’GA优选可见／近红外光谱MLR变量 李鹏飞，王加华，曹楠宁，韩东海。 中国农业大学食品科学与营养工程学院．北京100083 摘要利用反向区问偏最小二乘法(BiPLS)定位光谱糖度若干信息区间，运用遗传算法(GA)从中选择波 长点，建立了多元线性回归(MI，R)模型。光谱进行卷积平滑和二阶导数处理后，将光谱(225个数据点)分割 成25个子区间时，BiPLS优化结果最优。在所定位的信息Ⅸ问进行GA二次选择特征变量，运行100次依 次选择入选频率较高的12个波长点。为简化MLR模型，对于入选的相邻波长选择频率较岛者，最后选择 638，734，752，868，910，916和938nrn作为同归变量．建立的MI。R预测模型相关系数(R2)、校JF均方根 建模结果。表明BiPLS结合GA可以有效地对李子糖度可见／近红外光谱MLR回归变量进行筛选，提高了 模型的精度。 关键词可见／近红外光谱；反向区间偏最小二乘法；遗传算法；多元线性同归；变最筛选 中图分类号：0657．3文献标识码：A 初步筛选。 引 言 本文以李子为研究对象，首先利用BiPLS定位出李子糖 度町见／近红外光谱若干信息区间，再运用GA从中选择波 近红外光谱结合化学计冒学方法在水果糖度的无损检测 长点，依次选取GA运算结果中入选频率较高者。对于入选 中已得到了广泛的应用【l剖。常用的水果糖度定龋建模方法 的相邻波长作进一步的筛选，将被GA选中频率最高者作为 有偏最小二乘法，主成分分析，多元线性回归分析，人工神 入选波长点。所有入选波长点对应的光谱变龋作为MI。R的 linear回归变量，建立MLR同门模型。问时对未知样本进行了预 经网络等[4引。其中多元线性问归分析(Multiple 测，考察了MI。R校正模型的预测精度。 regression，MLR)是近红外定量分析中最基本，也是最常用 的处理方法。 在建市近红外MLR定母模型时，为r消除不相干或非1材料与方法 线性的变量对模=fl!!预测结果的f：扰，常对近红外光谱变量进 1．1样品与仪器 行筛选[7一]。常用的MLR变量筛选方法是逐步回归分析方 实验所用李子于2008年7月在北京自由市场上采购， 法(Stepwiseregressionanalysis，SRA)，但是该方法选取的 变董问具有多重交互作用，模型巾的一个变量可能会屏蔽其 共95个。光谱采集仪器为日本久保IfJ株式会社的便携式短 他变量对结果的影响[9]，因此，逐步回归法选取的变繁在大 波近红外光谱仪K-BAl00R，具有光谱自动校正功能，可以 消除测鼍环境变化，仪器振动等对仪器输出信号的影响。仪 多数情况下不是最优的。遗传算法(geneticalgorithms，GA) 器工作功率为72W。光谱采集方式为漫透射，样品的光谱信 作为一种变鼍筛选方法，近年来得到了广泛的应用[]o-lzj，具 息通过1rn长的光纤传输到仪器内部的线阵检测器中，光谱 有很大的