向后迭代区间选择算法及其在近红外光谱模型转移中的应用

摘要

近红外光谱(NIR)具有快速、无损、操作方便的特点,故广泛用于食品分析.作为一种间接的分析技术,NIR需要建立光谱与待测浓度之间的统计模型来实现检测.故模型的维护有助于保证NIR的预测准确性.在外界条件发生变化的情况下,诸如样品性状的改变、仪器对理化指标函数关系的变化、湿度和温度等环境因素的改变,会导致相同样品的光谱信号发生偏移,进而使得原有模型的预测精度下降.此时,如果重新建模,虽然可以解决光谱偏移对建模的影响,但是重新建模将耗费大量的人力物力.对此,模型转移可以在避免重新建模的情况下,校正光谱的偏移,进而提高模型预测精度.通常模型转移算法多用全光谱进行模型转移,这种方法计算量较大,且不能找到合适的有化学意义的波段.故提出一种基于模型转移中的变量选择方法:向后迭代区间选择法(IIBS),通过计算主光谱(用于建模的那组光谱)和从光谱(发生偏移,需要通过模型转移算法将其校正的光谱)中,变量区间的重要性信息(回归系数(β)、残差向量(Res)以及变量重要性投影(VIP)).进而通过计算该区间变量重要性信息的几何平均数,并以此作为该区间的区间重要性指标.接着根据区间的重要性,删除重要性信息较小的变量区间.然后对主光谱和从光谱重复迭代上述过程:计算变量的重要性信息,计算区间的重要性信息,删除重要性信息较小的区间.最后,比较不同的主光谱和从光谱区间组合的验证均方根误差(RMSEV),选择RMSEV最小的主光谱和从光谱区间作为最优区间.玉米、小麦两套NIR数据测试了该算法.结果显示,与全波段相比,β,Res以及VIP均可以从主光谱和从光谱中选择较少的,有化学意义的区间,提高模型转移的精度.在比较不同变量重要性向量方面,基于β的变量选择算法,模型转移的计算误差较小.