傅里叶变换中红外光谱谱区宽, 搜索空间大, 需要采用高效率和高质量的算法进行波长选择.敏感波段及其 组合的选择是简化分析模型和提高模型预测精度的关键技术之一.本研究以水稻孕穗期叶片干样的中红外光谱透 射率和叶片氮素含量为数据源, 通过协同偏最小二乘算法(siPLS)从宽谱区中初选出波段范围1583.3～992.2 cm -1 , 再采用迭代遗传算法(GA)从中选出了84个水稻叶片氮素含量预测的敏感波段.研究结果显示以此敏感波 段建立的偏最小二乘回归模型的预测均方根误差(RMSEP)和水稻叶片总氮含量的测量值与预测值之间的相关系 数分别为0.1186和0.9120, 该预测结果明显优于协同偏最小二乘法(siPLS)和光谱指数NFSA的预测结果, 说明傅 里叶变换红外光谱技术结合siPLS-GA-PLS算法能够实现水稻叶片氮素含量的预测

提出一种偏最小二乘法（PLS）和人工神经网络（ANN）结合用于近红外光谱（NIRS）的分析方法， 以提高奶粉蛋白质模型的预测精度。 首先采用基于遗传算法的波长选择法（RS-GA）优化光谱数据， 建立GA-PLS模型预测奶粉蛋白线性部分； 然后在RS-GA法选择的波段上进行主成分分析（PCA）， 以主成分的得分矩阵作为ANN模型输入层， 以GA-PLS预测值与真实值之差作为输出层， 建立PC-ANN模型预测其非线性部分。 最终预测结果为两个模型预测值之和， 以模型的预测标准偏差（RMSEP）作为评价指标， 以便考察新方法的有效性。 同时建立线性的全谱模型（Fr-PLS）， 其Fr-PLS、 GA-PLS和GA-PLS+PC-ANN模型的RMSEP分别为0.511， 0.440和0.235。 结果表明： 考虑奶粉蛋白含量近红外模型的非线性部分， 可以显著提高模型的预测精度， 该方法也可为其它复杂体系模型精度的提高提供借鉴。