基于灰狼算法的近红外光谱变量选择方法研究

摘要：

基于群体智能的灰狼优化(GWO)算法具有参数少、结构简单、易于实现的优点,但在光谱领域的应用较少.该研究将GWO算法引入近红外光谱的变量筛选中,以玉米数据为例,考察了GWO算法中狼群性能、迭代次数、狼群数量及运算效率,并建立了偏最小二乘(PLS)模型对玉米样品中蛋白质、脂肪、水分以及淀粉含量的测定.结果 显示,GWO算法运算效率很高,经过参数调优后建立PLS模型,其蛋白质、脂肪、水分及淀粉的保留变量数分别为19、19、14、34,预测均方根误差(RMSEP)从全波长PLS建模的o.245 8、0.122 4、0.339 8、1.105 8分别下降到0.147 7、0.080 1、0.176 2、0.739 8,分别下降了40％、35％、48％、33％,相关系数也相应地提高.因此,GWO算法不仅优化速度快,选择变量数少,还可以显著提高PLS模型的预测精度,是一种近红外光谱变量选择的有效方法.

关键词：近红外光谱、变量选择、灰狼算法(GWO)、偏最小二乘(PLS)

所属期刊栏目：39

分类号：O657.33;O629.73(分析化学)

资助基金：国家留学基金委公派项目;天津市中外联合研究中心项目;京津冀三地联合攻关项目

在线出版日期：2020-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1288-1292