writer：武新燕，卞希慧，楊 盛，徐 沛，王海濤
keywords：近紅外光譜，變量選擇，灰狼算法，偏最小二乘
source：期刊
specific source：分析測試學(xué)報(bào)
Issue time：2020年
近紅外光譜往往由成千上百個(gè)波長點(diǎn)組成，并不是所有波長點(diǎn)都與目標(biāo)組分相關(guān)。為了建立一個(gè)高質(zhì)量的模型，往往需要在多元校正前進(jìn)行變量選擇。基于群體智能的灰狼（Gray Wolf Optimizer）算法因其參數(shù)少，結(jié)構(gòu)簡單，易于實(shí)現(xiàn)，但是在光譜領(lǐng)域的應(yīng)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(shù)據(jù)為例，考察了GWO算法中狼群性能、迭代次數(shù)、狼群數(shù)量以及運(yùn)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(zhì)、脂肪、水分以及淀粉含量的測定。結(jié)果顯示，GWO算法運(yùn)算效率很高，經(jīng)過參數(shù)調(diào)優(yōu)后建立PLS模型，蛋白質(zhì)、脂肪、水分以及淀粉保留變量數(shù)分別為19，19，14，34，預(yù)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(guān)系數(shù)也相應(yīng)地提高。因此，GWO算法不僅優(yōu)化速度快、選擇變量數(shù)少，還可以顯著提高PLS模型的預(yù)測精度，是一種近紅外光譜變量選擇的有效方法。