论文部分内容阅读
粮油类食品原料是食品的重要组成部分,其组成成分及比例与原料的品质密切相关,传统的化学检测方法已不能满足现代化检测的需求。作为一种分子光谱技术,近红外光谱技术在食品与农产品品质的快速无损检测中扮演者举足轻重的位置。而基于阵列式半导体激光器(LD)的近红外光谱仪具有低成本、体积小和便于现场实时检测等优点。本文提出并应用了基于群体智能优化的近红外光谱波长优选、模型参数优化及集成建模方法,并验证了模型有效性。 主要工作如下: 1、结合近红外分析技术的原理及特点,分析了群体智能优化算法在近红外光谱分析中的应用。 2、在样品收集和光谱采集的基础上,为了建立良好的定量分析模型,对于不同的建模方法如PLSR、LS-SVM、GPR、RVM、RBF和BP,分别寻求最佳的光谱预处理方法。所用的光谱预处理方法有多元散射校正、MAF、SGF、标准化、归一化、中心化、SNV+去趋势、导数光谱、小波阈值去噪、小波模极大值去噪、小波空域相关去噪、小波平移不变去噪。结果得出,较好的建模分析方法有PLSR和LS-SVM,其最佳的光谱预处理方法分别是小波软阈值去噪和SNV+去趋势,处理后所建定量分析模型的预测相关系数Rp和预测均方根误差RMSEP分别是0.9169、0.0084和0.8460、0.0074。 3、在光谱预处理的基础上,分别把基于布谷鸟算法、杂草入侵算法、混合蛙跳算法和萤火虫算法的近红外光谱波长优选方法应用在菜籽含油率的特征波长优选中,基础建模方法分别设定为PLS和LS-SVM,并分别建立相应的定量分析模型。最后得出:对于PLSR,CS-PLS优选方法较好,变量数目为37,对于LS-SVM,IWO-LS-SVM优选方法较好,变量数目为24,对应模型的预测相关系数Rp及预测均方根误差RMSEP分别为0.9289、0.0062和0.9181、0.0059。 4、在波长优选的基础上,分别采用布谷鸟算法和差分进化算法对LSSVM的核函数参数和正则化参数进行优化,得到的模型预测相关系数和预测均方根误差分别为0.9279和0.0055。然后分别比较了基于bagging和Adaboost建模策略的集成分析模型,其中基础回归器分别取PLS、LS-SVM、GPR、RVM和BP,最后在集成的基础上提出基于布谷鸟算法的选择性集(CSSEN)成,并对PLS、LS-SVM、GPR、RVM和BP建模方法的选择性集成效果进行对比分析,结果表明CSSEN-PLS和CSSEN-LS-SVM建模分析结果较好,其模型对应的预测相关系数和预测均方根误差分别为0.9525、0.0065和0.9455、0.0055。 本研究在油菜籽样品收集和光谱采集的基础上,从光谱预处理,建模方法确立和基于群体智能优化算法的波长优选及基于群体智能优化算法的模型集成优化多个方面进行了研究,取得了较好的结果,为基于阵列式半导体激光器型的近红外光谱仪提供了良好的波长优选及模型优化方法。