提出了特征矩阵联合对角化(JADE)结合超限学习机(ELM)的稳健建模方法, 并应用于砂梨成熟度的鉴别。砂梨近红外光谱是多种独立化合物光谱信号的随机线性混合, 首先采用多元散射校正和小波变换去除原始光谱噪声, 再利用 JADE提取独立光谱, 得到包含独立化合物浓度信息的混合矩阵; 随后使用 ELM算法, 通过调节隐层节点个数建立稳健性强的成熟度鉴别模型。JADE利用高阶累积量全面提取原始光谱的幅值、相位信息, 降低不同化合物之间的光谱干扰, 而 ELM隐层节点参数随机生成, 两者的有机结合可使所建模型稳健性强, 有利于模型的传递与共享。该方法应用于砂梨 4种不同成熟度的鉴别, 所建模型预测准确率为 96.67%。

遗传算法不受搜索空间限制性假设的约束, 利用简单的编码技术和繁殖机制来解决复杂近红外光谱数据的优化问题。 文章采用遗传算法的波段选择法(R-SGA)对砂梨近红外光谱进行了波段优化, 得到丰水、 圆黄、 黄金三种梨的R-SGA最佳因子数分别为10, 12和16, 并分别建立了单一品种GA-PLS模型； 丰水梨和黄金梨的GA-PLS模型精度高于全谱PLS模型, 其模型的RMSEP分别为0.608/0.632和0.524/0.540； 圆黄梨GA-PLS模型精度(RMSEP=0.610)与全谱PLS模型(RMSEP=0.595)相当。 经波段优化分析表明, 使用552个数据点建立多品种砂梨混合模型, 具有较高稳健性和预测性(RMSEC=0.627, RMSEP=0.641)。 结果表明： 基于遗传算法进行波段优化可以提高砂梨糖度模型精度, 提高建模效率, 同时说明建立多品种砂梨糖度通用模型是可行的。