药品质量关乎人民健康和国家命脉, 随着社会经济的飞速发展对药品质量的快速、 有效鉴别具有极其重要的作用。 光谱分析技术具有较高的准确性、 较快的分析速度且对样品不存在污染等突出优点, 广泛应用在化工、 石油以及医药等重要的领域。 为了解决传统药品鉴别模型存在的鉴别精度低、 鉴别速度不能满足实际需求且鉴别模型稳定性差的问题, 采用光谱仪采集药品的近红外光谱数据达到对药品无污染鉴别的目的。 结合随机森林和CatBoost对药品进行分类鉴别, 以实现快速且准确的鉴别。 首先采用随机森林(RF)对光谱仪采集的光谱数据进行有效特征波长的筛选, 从而将药品光谱数据中的无关波长去除、 筛选出最能表征样品属性的特征波长, 然后以极限学习机(ELM)作为CatBoost的弱分类器分析筛选的特征波长对药品的属性鉴别。 由于ELM仅只含有一个隐含层且无需多次迭代寻优保证了鉴别模型运行速度更快, CatBoost通过集成弱分类器以改善模型鉴别准确性。 为对所提出的药品鉴别模型性能进行有效评估, 采用随机抽取训练集的方式构造不同规模药品光谱数据并分别上进行独立实验且以10次运行结果的均值作为其最终结果, 并通过与CatBoost、 持向量机(SVM)、 反向传播网络(BP)、 ELM、 波形叠加极限学习机(SWELM)和Boosting进行对比, 进一步对模型的性能进行评估。 从不同规模训练集的分类结果可看出, 随着训练集样本的增加分类精度最高为100%且预测标准偏差趋于0。 实验结果表明, 所建立RF-CatBoost鉴别模型在不同规模的药品数据集上较对比方法具有更高的分类准确率、 更快的速度且其鲁棒性更强, 能够广泛应用于药品类别的准确鉴别, 从而实现药品质量的有效监督。

近红外光谱检测技术已经成功应用于水泥生料成分的快速检测, 但我国水泥企业在生产水泥生料时所用原材料品种不一, 使用不同的原材料进行生产时对近红外光谱建模带来一定影响。 为了研究不同原料生产的水泥生料近红外光谱建模差异, 对不同地区水泥生产线所生产的水泥生料进行建模研究。 选取两个不同地区水泥生产线的水泥生料样本各95份和82份, 各自选取80份和67份作为校正集, 15份作为验证集。 首先将两条水泥生产线的样本每份重复装样测3次光谱, 取平均光谱做为样本的近红外光谱。 然后通过采用S-G平滑法对两个不同地区所生产的水泥生料近红外光谱进行预处理。 对比发现两个地区水泥生料近红外光谱存在一定差异, 采用偏最小二乘回归算法建立检测模型, 所建立的模型精度差异较大。 采用CARS波段挑选法, 分别对两种水泥生料近红外光谱进行挑选, 生产线一的水泥生料样本SiO₂, Al₂O₃, Fe₂O₃和CaO近红外光谱波段由3 113个变量分别保留了85, 89, 55和67个变量, 生产线二的水泥生料近红外光谱则分别保留了51, 55, 55和55个变量, 且保留的波段明显存在一定区别。 最后分别建立了两个地区的水泥生料SiO₂, Al₂O₃, Fe₂O₃和CaO近红外光谱检测模型。 通过对比发现原材料不同时所挑选的波段不同, 且检测模型预测效果良好。 生产线一的SiO₂, Al₂O₃, Fe₂O₃和CaO检测模型的RMSEP(预测均方根误差)分别为0.109, 0.053, 0.034和0.185, 生产线二 的SiO₂, Al₂O₃, Fe₂O₃和CaO检测模型的RMSEP分别为0.084, 0.024, 0.023和0.184。 结果表明当水泥生料的原材料发生变化或者产地不一时, 不能仅靠修正模型对水泥生料进行检测, 而是需要重新进行近红外光谱建模, 且光谱波段选择也会发生变化。 采用波段挑选法对水泥生料近红外光谱进行波段挑选能够提高检测模型的模型精度。