水分含量是哈密大枣干制过程中的重要指标, 对其外观、 口感、 贮藏和运输具有重要的影响。 因此, 为实现哈密大枣水分含量的准确预测, 采用近红外光谱结合变量优选方法, 建立干制哈密大枣水分含量的GA-ELM预测模型。 为提高模型的稳定性和预测精度, 开展并讨论了核函数和神经元个数对GA-ELM预测模型的影响。 采用多种预处理方法对全波段光谱进行处理, 对比分析发现标准正态变换方法（SNV）效果最佳。 对标准正态变换处理后的光谱利用连续投影算法（SPA）、 联合区间偏最小二乘（si-PLS）和遗传算法（GA）及其组合算法分别从全波段927.77~2 501.14 nm范围内筛选特征波长, 并建立对应GA-ELM预测模型, 同时与全波段的GA-ELM模型效果相比较, 采用SNV+SPA筛选的14个特征波长建立的GA-ELM模型效果最佳, 预测结果Rc和Rp分别为0.984 2和0.967 5, RMSEC和RMSEP分别为0.006 1和0.007 9, RPD为3.678 8。 研究结果表明： SNV+SPA+GA-ELM方法可实现干制哈密大枣水分含量的准确预测, 为近红外光谱技术应用于干制哈密大枣在线检测提供了参考。

极限学习机理论(extreme learning machine, ELM)作为一种新的化学计量学方法, 在近红外光谱定量分析中的应用研究, 已引起学术界的高度重视。 然而, 由于光谱数据维数较高, 建立ELM模型时需要大量的隐节点, 导致隐含层输出矩阵维数高且存在高度共线性, 用现有的Moore-Penrose广义逆算法求取隐含层输出矩阵与待测性质间的回归模型往往会存在病态问题。 基于ELM建立光谱波长变量与性质之间的回归模型, 提出以ELM模型隐含层输出矩阵作为新的变量, 采用作者最新提出的基于变量投影重要性的改进叠加PLS算法(stacked partial least squares regression algorithm based on variable importance in the projection, VIP-SPLS), 建立新变量与待测性质间的回归模型。 VIP-SPLS算法充分利用了每个隐节点的输出信息, 能有效解决高维共线性问题, 同时具有模型集成的优点, 从而改进了ELM模型的性能。 将提出的改进ELM算法(improved ELM, iELM)应用于标准近红外光谱数据集, 结果表明iELM模型的精度相对于现有的PLS模型和ELM模型分别显著提升了29.06%和27.47%。