基于群體智能優(yōu)化算法的油菜籽含油率NIR光譜波長優(yōu)選及模型優(yōu)化.pdf

1、糧油類食品原料是食品的重要組成部分，其組成成分及比例與原料的品質(zhì)密切相關(guān)，傳統(tǒng)的化學(xué)檢測(cè)方法已不能滿足現(xiàn)代化檢測(cè)的需求。作為一種分子光譜技術(shù)，近紅外光譜技術(shù)在食品與農(nóng)產(chǎn)品品質(zhì)的快速無損檢測(cè)中扮演者舉足輕重的位置。而基于陣列式半導(dǎo)體激光器(LD)的近紅外光譜儀具有低成本、體積小和便于現(xiàn)場(chǎng)實(shí)時(shí)檢測(cè)等優(yōu)點(diǎn)。本文提出并應(yīng)用了基于群體智能優(yōu)化的近紅外光譜波長優(yōu)選、模型參數(shù)優(yōu)化及集成建模方法，并驗(yàn)證了模型有效性。
　　主要工作如下:
　

2、　1、結(jié)合近紅外分析技術(shù)的原理及特點(diǎn)，分析了群體智能優(yōu)化算法在近紅外光譜分析中的應(yīng)用。
　　2、在樣品收集和光譜采集的基礎(chǔ)上，為了建立良好的定量分析模型，對(duì)于不同的建模方法如PLSR、LS-SVM、GPR、RVM、RBF和BP，分別尋求最佳的光譜預(yù)處理方法。所用的光譜預(yù)處理方法有多元散射校正、MAF、SGF、標(biāo)準(zhǔn)化、歸一化、中心化、SNV+去趨勢(shì)、導(dǎo)數(shù)光譜、小波閾值去噪、小波模極大值去噪、小波空域相關(guān)去噪、小波平移不變?nèi)ピ搿＝Y(jié)果得

3、出，較好的建模分析方法有PLSR和LS-SVM，其最佳的光譜預(yù)處理方法分別是小波軟閾值去噪和SNV+去趨勢(shì)，處理后所建定量分析模型的預(yù)測(cè)相關(guān)系數(shù)Rp和預(yù)測(cè)均方根誤差RMSEP分別是0.9169、0.0084和0.8460、0.0074。
　　3、在光譜預(yù)處理的基礎(chǔ)上，分別把基于布谷鳥算法、雜草入侵算法、混合蛙跳算法和螢火蟲算法的近紅外光譜波長優(yōu)選方法應(yīng)用在菜籽含油率的特征波長優(yōu)選中，基礎(chǔ)建模方法分別設(shè)定為PLS和LS-SVM，并分

4、別建立相應(yīng)的定量分析模型。最后得出:對(duì)于PLSR，CS-PLS優(yōu)選方法較好，變量數(shù)目為37，對(duì)于LS-SVM，IWO-LS-SVM優(yōu)選方法較好，變量數(shù)目為24，對(duì)應(yīng)模型的預(yù)測(cè)相關(guān)系數(shù)Rp及預(yù)測(cè)均方根誤差RMSEP分別為0.9289、0.0062和0.9181、0.0059。
　　4、在波長優(yōu)選的基礎(chǔ)上，分別采用布谷鳥算法和差分進(jìn)化算法對(duì)LSSVM的核函數(shù)參數(shù)和正則化參數(shù)進(jìn)行優(yōu)化，得到的模型預(yù)測(cè)相關(guān)系數(shù)和預(yù)測(cè)均方根誤差分別為0.92

5、79和0.0055。然后分別比較了基于bagging和Adaboost建模策略的集成分析模型，其中基礎(chǔ)回歸器分別取PLS、LS-SVM、GPR、RVM和BP，最后在集成的基礎(chǔ)上提出基于布谷鳥算法的選擇性集(CSSEN)成，并對(duì)PLS、LS-SVM、GPR、RVM和BP建模方法的選擇性集成效果進(jìn)行對(duì)比分析，結(jié)果表明CSSEN-PLS和CSSEN-LS-SVM建模分析結(jié)果較好，其模型對(duì)應(yīng)的預(yù)測(cè)相關(guān)系數(shù)和預(yù)測(cè)均方根誤差分別為0.9525、0.