作者：武新燕，卞希慧，楊 盛，徐 沛，王海濤
關鍵字：近紅外光譜，變量選擇，灰狼算法，偏最小二乘
論文來源：期刊
具體來源：分析測試學報
發表時間：2020年
近紅外光譜往往由成千上百個波長點組成，并不是所有波長點都與目標組分相關。為了建立一個高質量的模型，往往需要在多元校正前進行變量選擇。基于群體智能的灰狼（Gray Wolf Optimizer）算法因其參數少，結構簡單，易于實現，但是在光譜領域的應用還較少。本研究將GWO算法引入到近紅外光譜的變量篩選中，以玉米數據為例，考察了GWO算法中狼群性能、迭代次數、狼群數量以及運算效率，并建立偏最小二乘（Partial Least Squares Regression）模型對玉米樣品中蛋白質、脂肪、水分以及淀粉含量的測定。結果顯示，GWO算法運算效率很高，經過參數調優后建立PLS模型，蛋白質、脂肪、水分以及淀粉保留變量數分別為19，19，14，34，預測均方根誤差（RMSEP）從全波長PLS建模的0.2458，0.1224，0.3398，1.1058分別下降到0.1477，0.0801，0.1762，0.7398，下降了40%，35%，48%，33%，相關系數也相應地提高。因此，GWO算法不僅優化速度快、選擇變量數少，還可以顯著提高PLS模型的預測精度，是一種近紅外光譜變量選擇的有效方法。