近红外技术广泛应用于食品、 药品等生产过程和产品质量检测, 具有样品无需预处理、 成本低、 无破坏性、 测定速度快等优点。 但是, 全光谱数据维数高、 冗余信息多, 直接应用于建模会导致模型复杂性高、 稳定性差等问题。 siPLS是最常见的光谱数据降维方法, 但是难以处理光谱数据的共线性问题。 LASSO是一种相对新的数据降维方法, 但在小样本应用中具有不稳定性。 针对siPLS和LASSO在近红外光谱数据应用中存在的问题, 提出了基于siPLS-LASSO的近红外特征波长选择方法, 并将其应用于秸秆饲料蛋白固态发酵过程pH值监测。 该方法首先采用siPLS算法, 实现对光谱波长最佳联合子区间的优选; 然后, 对优选联合子区间使用LASSO算法进行特征波长选择, 在此基础上建立PLS校正模型。 同时, 将siPLS-LASSO方法与其他传统特征波长选择方法进行了对比。 结果表明: 建立在siPLS-LASSO方法优选33个特征波长基础上的PLS模型预测结果更好, 其预测方差(RMSEP)和相关系数(Rp)分别为0071 1和0980 8; 所提siPLS-LASSO方法有效选取了特征波长, 提高了模型预测性能。

为了提高乙醇固态发酵过程在线监测的精度, 开展了基于傅里叶近红外光谱(FT-NIRS)分析技术的乙醇固态发酵过程参数快速定量检测研究。采用联合区间偏最小二乘法(siPLS)对标准正态变量变换(SNV)预处理后的光谱进行特征波长区间优选; 引入遗传算法(GA)、竞争自适应重加权采样(CARS)法和迭代保留信息变量(IRIV)法从优选后波长区间中进一步筛选特征波长变量; 最后, 建立不同变量筛选方法所得特征波长的乙醇固态发酵过程参数(乙醇和还原糖含量)的偏最小二乘(PLS)预测模型。实验结果显示, 与GA和CARS方法相比, IRIV方法所得的波长变量数最少; 其中, 与乙醇和还原糖相关的特征变量个数分别为43和40; 在验证集中, PLS预测模型乙醇含量的验证集均方根误差(RMSEP)和预测相关系数Rp分别为0.2511和0.9934, 还原糖含量的RMSEP和Rp分别为0.1730和0.9926, 其预测精度亦高于其他方法所得结果。实验结果表明, 利用近红外光谱分析技术实现乙醇固态发酵过程关键参数的在线检测是可行的; 并且IRIV方法是一种有效近红外光谱特征波长优选方法, 可提高预测模型精度。

目前市面上销售的橄榄油主要分为特级初榨橄榄油和普通初榨橄榄油两类, 为了鉴别两种不同品质的橄榄油, 提出了一种应用siPLS-IRIV-PCA算法的橄榄油品质鉴别的新方法。 基于橄榄油的近红外光谱数据, 应用联合区间偏最小二乘法(siPLS)对橄榄油的近红外光谱进行了波长区间优选, 使用交叉验证均方根误差(RMSECV)评估模型的性能并选择最优波长区间, 通过迭代保留信息变量(IRIV)算法从最优波长区间中选择特征波长, 根据选择的特征波长构建主成分分析(PCA)模型。 对90组特级初榨橄榄油和90组普通橄榄油样本进行了判别鉴定。 PCA将1 427个波长变量作为输入变量, 前两个主成分贡献率为51.891 8%和26.473 2%; siPLS-PCA将408个波长变量作为输入变量, 前两个主成分贡献率为56.039 1%和36.235 5%; siPLS-IRIV-PCA将6个波长变量作为输入变量, 前两个主成分贡献率为66.347 6%和32.304 3%。 结果表明, 与PCA和siPLS-PCA鉴别方法相比, siPLS-IRIV-PCA具有最佳的鉴别性能。

为了实现固态发酵过程状态的快速监测, 以饲料蛋白固态发酵为实验对象, 开展了基于近红外光谱分析技术的饲料蛋白固态发酵过程状态定性识别研究。 首先利用Antaris Ⅱ型傅里叶变换近红外光谱仪采集140个固态发酵物样本的近红外光谱, 并采用标准正态变换(SNV)光谱预处理方法对获得的原始光谱进行预处理; 其次, 采用谱回归判别分析(SRDA)法对预处理后的近红外光谱进行特征提取; 最后, 采用最近邻(NN)分类算法作为弱分类器建立固态发酵过程状态识别模型, 并对测试集样本进行识别。 结果显示, 与利用主成分分析(PCA)法和线性判别分析(LDA)法提取的光谱特征建立的识别模型结果相比较, SRDA-NN识别模型获得的结果最佳, 在测试集中的正确识别率达到94.28%; 为了进一步提高识别模型的准确率, 将自适应提升法(Adaboost)与SRDA-NN方法结合, 提出了Adaboost-SRDA-NN集成学习算法来建立饲料蛋白固态发酵过程状态的在线监测模型。 通过Adaboost算法提升后的SRDA-NN模型预测性能得到了进一步增强, Adaboost-SRDA-NN模型在测试集中的正确识别率达到100%。 试验结果表明: 在近红外光谱定性分析模型校正过程中, SRDA方法能有效地对近红外光谱数据进行特征提取, 以实现维数约简; 另外, Adaboost算法能很好地提升最终分类模型的预测精度。

针对近红外光谱数据的内在特点, 提出了一种基于稳定性竞争自适应重加权采样(stability competitive adaptive reweighted sampling, SCARS)策略的近红外特征波长优选方法。该方法以PLS模型回归系数的稳定性作为变量选择的依据, 其过程包含多次循环迭代, 每次循环均首先计算相应变量的稳定性, 而后通过强制变量筛选以及自适应重加权采样技术(ARS)进行变量筛选; 最后对每次循环后所得变量子集建立PLS模型并计算交互验证均方根误差(RMSECV), 将RMSECV值最小的集合作为最优变量子集。利用饲料蛋白固态发酵过程近红外光谱数据集对所提方法进行了验证, 并与基于PLS的蒙特卡罗无信息变量消除法(MC-UVE)和竞争自适应重加权采样(CARS)方法所得结果进行了比较。试验结果显示: 建立在SCARS方法优选的21个特征波长变量基础上的PLS模型预测效果更好, 其预测均方根误差(RMSEP)和相关系数(Rp)分别为0.054 3和0.990 8; 该优选策略能有效地增强固态发酵光谱数据特征波长变量选择的准确性和稳定性, 提高了模型的预测精度, 具有一定的应用价值。

pH值是固态发酵过程关键参数之一， 为此提出基于近红外光谱技术的秸秆蛋白饲料固态发酵过程参数pH值检测方法。 利用近红外光谱系统获取140个固态发酵过程产物样本在10 000～4 000 cm-1范围内的近红外光谱数据， 通过酸度计测得近红外光谱预测模型的参考测量值； 运用ELM算法建立pH值的预测模型， 在模型建立过程中由交互验证法确定最佳主成分因子数和ELM网络隐含层节点数。 试验结果显示： 最佳ELM网络模型的拓扑结构为10-40-1， 模型预测集相关系数（Rp）和预测均方根误差（RMSEP）分别为0.961 8和0.104 4。 研究结果可为固态发酵过程参数的在线检测提供技术基础。