徐小紅 李新鋒

摘要：為提高在線近紅外模型預(yù)測精度，本文分別采用全波長、連續(xù)投影方法、無信息變量消除方法、競爭性自適應(yīng)權(quán)重取樣法、間隔偏最小二乘方法選取有效波長，然后建立模型，對比5種方法的模型外部驗(yàn)證誤差，結(jié)果顯示在5種波長篩選方法中，采用競爭性自適應(yīng)權(quán)重取樣法外部驗(yàn)證絕對誤差和平均相對偏差最小，表明采用競爭性自適應(yīng)權(quán)重取樣法可有效提高模型預(yù)測精度。

關(guān)鍵詞：波長篩選;在線近紅外;模型外部驗(yàn)證

中圖分類號：TQ223文獻(xiàn)標(biāo)識碼：A文章編號：1672-9129（2020）13-0081-01目前，打葉復(fù)烤主要采用在線近紅外技術(shù)控制成品內(nèi)在質(zhì)量穩(wěn)定性。在在線近紅外檢測過程中由于光譜儀器噪聲影響，在某些波段下樣本光譜信噪比比較低，導(dǎo)致光譜質(zhì)量較差，且在某些波段下，樣本光譜信息與被測組成性質(zhì)間不存在多重相關(guān)性，若選用線性建模方法，會降低模型預(yù)測能力;另外，由于近紅外光譜波長之間存在多重相關(guān)性，導(dǎo)致光譜信息中存在冗余信息，計(jì)算復(fù)雜，這些問題將影響模型的預(yù)測精度和穩(wěn)定性;因此，需要在建模過程中對波長進(jìn)行選擇，通過波長選擇[1-5]進(jìn)一步簡化模型，提高模型預(yù)測精度和穩(wěn)健性。

1材料與方法

材料：2018年度不同產(chǎn)地、不同等級煙葉，其中建模集420個樣本，獨(dú)立驗(yàn)證集30個樣本。

儀器：Carl Zeiss ARMOR 711在線近紅外光譜儀，San++流動化學(xué)分析儀，F(xiàn)REAS-625烘箱，F(xiàn)T91研磨機(jī)。

方法（原理）：

（1）SPA算法。以在線近紅外全波長256個波長點(diǎn)為例，連續(xù)投影方法主要算法原理是256個波長點(diǎn)中的第一個波長點(diǎn)開始，每次循環(huán)都計(jì)算它在剩余255條波長點(diǎn)下的投影，將投影向量最大的波長點(diǎn)引入到波長組合中。每一個新選入的波長，都與前一個線性關(guān)系最小。

（2）UVE算法。無信息變量消除方法選取波長的原理主要是將PLS回歸系數(shù)作為選取波長點(diǎn)的一個重要因素。具體算法主要是隨機(jī)生成一組噪聲矩陣，然后將該矩陣加入到420個樣本的建模光譜矩陣中，每次剔除一個樣品交互驗(yàn)證，建立模型，得到偏最小二乘回歸系數(shù)，然后計(jì)算回歸系數(shù)矩陣的標(biāo)準(zhǔn)偏差和平均值，通過平均值和標(biāo)準(zhǔn)偏差的比值得到有效的波長點(diǎn)信息。

（3）CARS算法。競爭性自適應(yīng)權(quán)重取樣法也是將回歸系數(shù)作為波長點(diǎn)選擇依據(jù)的一種方法。該方法主要是模仿“適者生存”的原則來選取有效的波長點(diǎn)信息。主要步驟如下：①對于抽取的420個樣本的光譜距陣（n*m）和化學(xué)成分煙堿距陣Y（n*1），采用蒙特卡羅采樣100次，每次從樣品集中隨機(jī)抽取五分之四的樣品作為校正集，分別建立PLS回歸模型。② 對波長保留率的控制方法主要是應(yīng)用指數(shù)衰減函數(shù)。③ 選出在線近紅外256個波長點(diǎn)中回歸系數(shù)絕對值大的波長點(diǎn)，將波長點(diǎn)中回歸系數(shù)較小的去掉，選出模型交互驗(yàn)證均方根誤差值最低的子集，得到最優(yōu)波長組合。

（4）IPLS算法。間隔偏最小二乘方法是一種波長區(qū)間選擇方法，其原理是將256條波長點(diǎn)等分成幾個相等的區(qū)間，然后再各個區(qū)間上進(jìn)行偏最小二乘回歸，找出均方根交叉驗(yàn)證標(biāo)準(zhǔn)差最小值所對應(yīng)的區(qū)間，然后再以該區(qū)間為中心，增加或者減少波長變量，最終選出最佳的波長區(qū)間。

2結(jié)果與分析

2.1 模型內(nèi)部驗(yàn)證情況。采用420個樣品作為校正集，其中預(yù)處理方法采用散射校正結(jié)合一階導(dǎo)數(shù)方法，波長選擇方法為全波長、連續(xù)投影方法、無信息變量消除方法、競爭性自適應(yīng)權(quán)重取樣法、間隔偏最小二乘方法，主因子數(shù)為12，采用偏最小二乘法建立模型，結(jié)果顯示：采用全波長相關(guān)系數(shù)0.8613，預(yù)測相對誤差為10.83;采用SPA相關(guān)系數(shù)0.8793，預(yù)測相對誤差8.68%;采用UVE相關(guān)系數(shù)0.8637，預(yù)測相對誤差9.87%;采用CARS相關(guān)系數(shù)0.9027，預(yù)測相對誤差7.28%;采用IPLS相關(guān)系數(shù)0.8936，預(yù)測相對誤差8.99%。從模型內(nèi)部指標(biāo)可以看出，不同波長選擇方法相關(guān)系數(shù)在0.86以上，其中CARS建立的模型中相關(guān)系數(shù)、SEC、預(yù)測絕對誤差及預(yù)測相對誤差均達(dá)到最優(yōu)狀態(tài)，因此，在建立在線近紅外煙堿模型中，建議波長點(diǎn)選擇方法為CARS方法。

2.2 模型外部驗(yàn)證情況。選取不同產(chǎn)地，不同等級的30個樣本作為驗(yàn)證集，用于模型外部驗(yàn)證，結(jié)果顯示全波長、SPA、UVE、CARS、IPLS預(yù)測相對誤差分別為11.31%、9.81%、10.33%、8.18%、9.78%，不同波長選擇方法預(yù)測誤差均在可接受范圍內(nèi)，但CARS波長選擇方法外部驗(yàn)證效果最好。

3結(jié)論

一些波段對外部環(huán)境因素、儀器噪聲、儀器內(nèi)部漂移等因素變化敏感，一旦這些因素發(fā)生變化，容易影響預(yù)測結(jié)果，導(dǎo)致樣本成為異常點(diǎn)，因此在在線近紅外建模過程中，建議采用波長選擇方法來提高建模精度。各波長選擇方法在一定程度上都可以提高模型的預(yù)測能力，但對于煙堿而言，采用CARS算法能達(dá)到最優(yōu)預(yù)測結(jié)果。

參考文獻(xiàn)：

[1]熊智新，馬璞璠，梁龍，等.近紅外光譜結(jié)合連續(xù)投影算法檢測綜纖維素含量[J].中國造紙學(xué)報(bào)，2019，34（4）：46-51.

[2]程介虹，陳爭光，張慶華.不同波長選擇方法在土壤有機(jī)質(zhì)含量檢測中對比研究[J].中國農(nóng)業(yè)科技導(dǎo)報(bào)，2020，22（1）：162-170.

[3]王鵬，趙潤，孟祥輝，等.近紅外漫反射光譜結(jié)合CARS-PLS規(guī)模化奶牛場糞便總氮定量分析模型的建立[J].天津農(nóng)學(xué)院學(xué)報(bào)，2020，27（1）：82-86.

[4]周竹，李小昱，高海龍，等.馬鈴薯干物質(zhì)含量高光譜檢測中變量選擇方法比較[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43（2）：128-133，185.

[5]李子文.蘋果醋釀造過程中關(guān)鍵參數(shù)的近紅外快速檢測方法研究[D].寧夏：寧夏大學(xué)，2016.