10.3964/j.issn.1000-0593(2023)02-0569-08
近红外光谱结合改进鲸鱼算法优化模型BAS-WOA-SVR检测藤椒油掺伪
鉴于藤椒油市场良莠不齐,以近红外光谱技术为基础,藤椒油为研究对象,展开对藤椒油掺伪检测研究.首先将纯藤椒油作为基底油,按比例配置掺入大豆油、玉米油、葵花籽油得到油样,采集藤椒油掺伪样品的近红外光谱数据;光谱数据经归一化处理后采用标准正态变换(SNV)、多元散射矫正(MSC)进行预处理,然后采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)进行特征数据提取,组合不同预处理算法与特征数据提取算法,通过支持向量机回归(SVR)建立藤椒油掺伪预测模型.结果表明:MSC-C A R S-S V R模型校正集和预测集的决定系数(R2)最高,校正集R2达到了0.7561,预测集R2达到0.7052;均方根误差(RMSE)最小,校正集RMSE达到0.743,预测集RMSE达到0.794.为了提高模型的准确性,采用鲸鱼算法(WOA)和改进鲸鱼算法(BAS-WOA)优化SVR模型,改进的鲸鱼算法以每一次鲸鱼群的最优鲸鱼作为当前天牛须的出发位置,分别探索左右须前进,计算前进后的目标函数,如果目标函数优于当前最优鲸鱼的值,则用前进后的天牛位置替换鲸鱼位置,进而实现了天牛须算子对鲸鱼算法的改进.用WOA优化SVR模型,相比之下精度最高的为MSC-CARS-WOA-SVR模型,校正集R2达到0.8591,预测集R2达到0.8216;校正集RMSE降低到了0.374,预测集RMSE降低到0.495.相比于传统的SVR模型精度和性能都有较明显提升.用BAS-WOA优化SVR模型,精度最高的是MSC-CARS-BAS-WOA-SVR模型,校正集R2高达0.9551,预测集R2高达0.9439;校正集RMSE降低到了0.054,预测集RMSE降低到0.081.相比于WOA优化算法,BAS-WOA优化的模型精确度和性能都有了进一步提升,模型预测集R2从0.8216提高到0.9439,预测集RMSE从0.495降低为0.081.鲸鱼算法优化SVR模型容易陷入局部极值和收敛速度问题,改进的鲸鱼算法通过天牛须算法的左右须探寻来改进鲸鱼算法不足,从而提升算法的全局寻优能力.研究表明近红外光谱技术结合智能优化算法能有效识别藤椒油掺伪.
近红外光谱、藤椒油、改进鲸鱼算法(BAS-WOA)、支持向量机回归(SVR)、掺伪
43
TP274(自动化技术及设备)
国家自然科学基金51105348
2023-03-06(万方平台首次上网日期,不代表论文的发表时间)
共8页
569-576