海上溢油事故不仅造成极大的石油资源浪费, 而且严重威胁生态环境。 因此, 利用荧光光谱对油膜厚度进行快速无损检测对于有效评估溢油量有重要意义。 基于激光诱导荧光(LIF)技术对海水表面0#柴油、 5#白油油膜的荧光光谱进行检测, 进而实现对油膜厚度的量化分析。 首先使用SG平滑滤波对原始光谱数据进行预处理以减少原始光谱中的背景噪声。 然后采用间隔随机蛙跳算法(IRF)结合变量子集迭代优化法(IVSO)对获取的全光谱数据进行波长选择以剔除冗余变量, 将经过二次筛选出的光谱特征波长作为偏最小二乘回归(PLS)的自变量输入数据建立油膜厚度反演模型。 该方法第一步利用IRF从全光谱数据中筛选出特征波段, 再利用IVSO对特征光谱波段组合进一步筛选出特征波长变量, 从而有效提高优选出的特征波长建立油膜厚度反演模型的预测能力和稳定性。 将IRF-IVSO与全光谱及移动窗口偏最小二乘法(MWPLS)、 间隔随机蛙跳算法(IRF)、 变量组合集群分析法(VCPA)、 变量子集迭代优化法(IVSO)四种波长优选方法进行对比, 发现IRF-IVSO筛选出0#柴油数据和5#白油数据的特征波长数量分别占全光谱数据的4.48%和19.40%。 将全光谱及上述波长优选方法筛选出的特征波长作为输入建立PLS模型进行分析讨论。 结果表明, 特征波长选择方法结合PLS所建立的不同模型预测能力和效率较全光谱有明显提高。 其中, IRF-IVSO结合PLS所建立的油膜厚度反演模型预测效果最优, 该模型可以实现对厚度分别为0.141 5～2.291 8和0.052～0.980 mm的0#柴油及5#白油油膜的有效反演, 柴油油膜测试集相关系数RP可达到0.961 1, 测试集均方根误差RMSEP为0.137 5, 白油油膜测试集相关系数RP可达到0.971 2, 测试集均方根误差RMSEP为0.079 0。 该研究表明, IRF-IVSO通过结合区间波段筛选和单一变量选择能够有效而稳定地筛选出特征波长变量, 结合PLS建立的油膜厚度反演模型能够实现可靠预测。

大豆品种快速准确的鉴别, 对于鉴定种子品质、 净化种业市场以及保障粮食安全具有重要意义。 为解决传统农作物品种鉴别方法中存在精度差和效率低等问题, 采用拉曼光谱结合特征波长提取方法建立偏最小二乘(PLS)鉴别模型, 对黑龙江省4个高蛋白大豆品种（黑农88、 黑农98、 绥农71以及绥农76）进行快速鉴别。 随机蛙跳(RF)算法是一种通过迭代计算变量被选概率, 以确定变量重要性的新型特征波长选择算法, 可以有效剔除全光谱数据中的冗余信息。 该方法存在初始变量集随机性、 所需迭代次数大、 阈值选取不确定的问题, 因此提出一种基于最小绝对收敛与选择算子(LASSO)回归的改进随机蛙跳（MRF）算法。 采用LASSO算法提取与属性变量最相关的特征波长点作为RF初始变量集F0, 消除初始变量的随机性, 在此基础上开始迭代计算, 可以减少无用迭代次数, 提高模型的预测精确度。 RF算法通过设定阈值的方法选择变量, 因此提取的特征波长往往具有不确定性。 改进如下: 首先去除被选概率为0的变量, 对于排序后变量以10个波长点为间隔, 每次增加1个间隔建立特征波长与大豆品种属性的偏最小二乘回归模型, 当交叉验证均方根误差(RMSECV)取最小值时的建模波长为优选特征波长。 以MRF优选特征波长作为输入变量建立PLS鉴别模型, 并与全光谱以及常用的RF、 LASSO和ElasticNet特征波长选择算法建模结果进行对比分析。 结果表明, MRF算法提取300个特征波长点, 仅占全谱波长的9.37%, 有效筛选了关键特征变量, 简化了模型复杂度。 预测结果中均方根误差(RMSEP)和决定系数(R2p)分别为0.246 9和0.951 2, 识别准确率达到100%, 为所有模型中最优。 拉曼光谱结合MRF算法可以实现大豆品种的快速鉴别, 同时也为其他农作物品种的快速鉴别提供了一种新思路。

三七是一种传统的中药材, 具有较高的药用价值。 目前市场上中药售假的现象屡见不鲜, 许多不法商贩将三七支根或剪口粉末假冒主根粉末销售, 严重损害了消费者的利益。 利用高光谱技术结合多元分析方法实现三七不同部位粉末的快速无损鉴别。 通过高光谱成像系统分别采集了三七剪口、 须根和主根粉末在400~1 000 nm范围内的高光谱图像, 共300个样本。 采用Savitzky-Golay（SG）平滑结合标准变量变换（SNV）的方法对高光谱数据进行去噪和消除因散射引起的光谱差异。 为了移除光谱变量中的重迭和冗余信息, 利用竞争自适应重加权采样（CARS）算法和本文提出的一种考虑了变量间交互作用的二进制竞争自适应重加权采样（BCARS）算法进行特征波长选择。 最后分别建立了基于全光谱、 CARS和BCARS特征波长的支持向量机（SVM）和极端梯度提升（XGBoost）分类模型。 结果表明, BCARS-XGBoost模型的分类效果最优, 训练集和测试集的分类准确率分别为100%和99.33%。 与CARS相比, BCARS所选择的特征波长数量较少, 有助于多光谱系统和便携式仪器的开发。 利用高光谱技术结合BCARS-XGBoost模型鉴别三七不同部位粉末是可行的。

在随机蛙跳算法的基础上,提出了一种改进的窗口随机蛙跳算法,即使用连续窗口代替单个波长点,所提算法提高了原蛙跳算法的寻优精度,降低了随机蛙跳算法的迭代次数,从而提高了算法的收敛速度。血液样本的实验结果表明,相较于全波段,建立的偏最小二乘法模型的预测均方根误差下降了47.9%,预测集相关系数R_p提高了4.07%,证明了所提算法的有效性。通过对3种主流算法及改进随机蛙跳算法筛选出的特征波长建立回归分析模型,证明了改进算法在特征波长选择上的优越性。

高铁肌红蛋白(metmyoglobin, MetMb)在肉中所占的比例直接影响肉的色泽。 利用可见近红外光谱(ViS-NIR)采集到的滩羊肉数据与化学计量学方法相结合, 探讨高光谱成像快速无损检测滩羊肉中MetMb含量的可行性以及开发滩羊肉中MetMb含量的定量函数。 采用分光光度计测量滩羊样本的MetMb含量, 使用ENVI4.8软件提取贮藏期间200个样本光谱图像的感兴趣区域, 将获取的光谱数据与化学值相结合, 定量解释两者的相关性; 利用光谱理化值共生距离法, 按照3∶1的比例划分样本, 对校准模型进行独立(外部)验证; 采用乘法散射校正(multiple scattering correction, MSC)、 一阶导数 (first derivative, 1st derivative)和去趋势(De-trending)等3种不同的方法对原始光谱数据进行预处理, 以消除噪音对原始光谱的干扰; 竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)、 区间变量迭代空间收缩方法(interval variable iterative space shrinkage approach, iVISSA)、 间隔随机蛙跳算法(interval random frog, IRF)、 变量组合集群分析法(variables combination population analysis, VCPA)、 连续投影算法(successie projection algorithm, SPA)以及IRF+SPA、 iVISSA+SPA组合方法被用于光谱的变量选择和优化; 使用典型的线性建模方法: 偏最小二乘回归(partial least square regression, PLSR)建立全波段和特征波段的预测模型, 确定最佳模型; 通过最佳模型建立滩羊肉中MetMb含量的定量函数。 结果表明: 原始光谱模型性能较好于3种预处理光谱的模型性能, 其R2C=0.852, R2P=0.788, RMSEC=4.604, RMSEP=5.729; 原始光谱经过CARS, VCPA, IRF, SPA, iVISSA, IRF+SPA, iVISSA+SPA等方法分别选出16, 13, 48, 14, 45, 10和11个特征波长, 占总波长的12.8%, 10.4%, 38.4%, 11.2%, 36%, 8%和8.8%。 通过对比PLSR模型, IRF+SPA-PLSR模型性能最佳, R2C=0.808, R2P=0.826, RMSEC=5.253, RMSEP=5.149, IRF+SPA算法不仅减少了计算时间, 而且生成了更准确, 更稳健的预测模型; 最后, 基于IRF+SPA算法建立的MetMb含量的定量函数为: (MetMb)=3.249 7+1.900 2λ468-4.791 2λ482+5.913 5λ512-1.856 2λ530-5.879 3λ545+2.246 3λ560+5.066 1λ580-2.320 1λ588+1.214 9λ790-1.348 8λ814。 表明ViS-NIR光谱对滩羊肉中MetMb含量的快速无损检测是可行的, 开发的定量函数为快速测定滩羊肉中MetMb的含量提供参考。

从土壤速效钾光谱中挖掘关键特征较为困难, 导致高光谱反演模型预测精度较低。 针对此问题, 提出了一种混合式随机森林特征选择算法。 首先采用封装式特征选择方法进行特征预选, 快速去除冗余并保留相关特征, 然后再利用改进的随机森林特征选择算法对预处理后的特征进行精选, 通过增大关键特征与冗余特征的区分度以及采用迭代特征选择的方式, 使精选后的特征具有更好的鲁棒性与区分性, 较好的解决了土壤速效钾高光谱反演模型精度较低的问题。 为了验证所提出算法的有效性, 选取了青岛市大沽河流域具有代表性的124个土壤样品为实验对象, 利用提出的算法从2 051个原始波段选出含有13个敏感波段的最优光谱子集建立土壤速效钾反演模型, 并与现有特征选择算法所建模型进行对比分析。 结果表明: 该算法构建的回归模型具有较低的预测均方根误差RMSEP(9.661 5), 较高的相关系数ｒ(0.936 9)和预测分析相对误差RPD(2.14)。 混合式随机森林特征选择算法以较少的特征波长数实现了较好的预测效果, 可为土壤养分实时光谱传感器的设计提供一定的理论依据。

在烷烃类多组分混合气体, 尤其轻烷烃类气体傅里叶变换红外光谱定量分析中, 其中在红外光谱区域吸收峰严重交叉重叠, 不易建立定量分析模型。 为此, 采用Tikhonov正则化算法对甲烷、 乙烷、 丙烷、 异丁烷、 正丁烷、 异戊烷和正戊烷等七种轻烷烃类混合气体傅里叶变换红外光谱进行特征波长的选择, 以便建立定量分析模型。 选择六种各气体浓度组成混合烷烃气体, 采用Tikhonov正则化算法, 通过对比分析混合气体在中红外全波段、 主吸收峰和次吸收峰波段特征波长的选择和TR参数的优化, 选择出七种气体成分的傅里叶变换红外光谱的特征波长。 利用选择的特征波长和Tikhonov正则化参数对实测甲烷光谱数据进行检验分析, 与其他气体成分的交叉灵敏度最大为11.153 7%, 最小为1.239 7%, 预测均方根误差为0.004 8, 有效增强了Tikhonov正则化算法在轻烷烃类混合气体定量分析中的实用性, 初步验证了利用Tikhonov正则化进行烷烃类混合气体傅里叶变换红外光谱特征波长选择的可行性。

为了能在用光全散射法测量颗粒粒径时选择对粒径影响较显著的特征波长进行测量,通过在可见及可见-红外波段内对粒径服从单峰R-R分布颗粒系的消光光谱，一阶微分以及二阶微分消光光谱进行主成分变换,提出一种特征波长选择方法。该方法首先对颗粒系的一阶微分消光光谱进行主成分变换，然后将每个波长下的一阶微分消光谱对主成分贡献率的大小作为特征波长选择的主要依据，并将光谱范围的边界波长也作为特征波长。分别对粒径服从单峰及双峰R-R分布的颗粒系进行数值仿真，并采用标准颗粒的实测数据进行验证。验证结果显示,采用基于主成分分析的波长选择方法计算方便、易于实现,得到的标准颗粒粒径反演误差均小于3%，表明采用提出的波长选择方法能够保证选出的光谱消光值具有较高的信息量。