本文選題：近紅外光譜 + 智能優(yōu)化算法�。� 參考：《光譜學(xué)與光譜分析》2017年01期

【摘要】：近紅外光譜(NIRS)是一種間接分析技術(shù),其應(yīng)用需建立相應(yīng)的校正模型。為了提高模型的解釋能力、預(yù)測(cè)準(zhǔn)確度和建模效率,需要對(duì)NIRS進(jìn)行波長(zhǎng)選擇,優(yōu)選最小化冗余信息。智能優(yōu)化算法是以生物的行為方式或物質(zhì)的運(yùn)動(dòng)形態(tài)為背景,經(jīng)過數(shù)學(xué)抽象建立算法模型,通過迭代計(jì)算來求解組合最優(yōu)化問題,其核心策略是以某種目標(biāo)函數(shù)為標(biāo)準(zhǔn),基于多元校正建模并以逐步逼近的方法篩選出有效的波長(zhǎng)點(diǎn)。選用蟻群優(yōu)化(ACO)、遺傳優(yōu)化(GA)、粒子群優(yōu)化(PSO)、隨機(jī)青蛙(RF)和模擬退火(SA)5種智能優(yōu)化算法對(duì)煙葉總氮和煙堿近紅外光譜數(shù)據(jù)進(jìn)行特征波長(zhǎng)選擇,結(jié)合偏最小二乘(PLS)算法,構(gòu)建了多個(gè)煙葉總氮和煙堿的校正模型,結(jié)果顯示:所選用兩個(gè)數(shù)據(jù)集的總氮最優(yōu)模型分別為PSO-PLS和GA-PLS模型,煙堿最優(yōu)模型分別為GA-PLS和SA-PLS模型,五種智能優(yōu)化算法所建模型預(yù)測(cè)性能并非全部?jī)?yōu)于全譜PLS模型,但是通過智能優(yōu)化算法進(jìn)行波長(zhǎng)選擇后建立的PLS模型大大簡(jiǎn)化,模型的預(yù)測(cè)精度、可解釋性和穩(wěn)定性均有所提高。同時(shí)也對(duì)優(yōu)選波長(zhǎng)進(jìn)行了解釋和分析,煙葉總氮特征波長(zhǎng)優(yōu)選組合為4 587~4 878和6 700~7 200cm-1;煙葉煙堿特征波長(zhǎng)優(yōu)選組合為4 500~4 700和5 800~6 000cm-1,優(yōu)選出來的特征波長(zhǎng)具有實(shí)際物理意義。
[Abstract]:Near infrared spectroscopy (NIR) is an indirect analysis technique, and its application needs to establish the corresponding correction model. In order to improve the interpretation ability, prediction accuracy and modeling efficiency of the model, it is necessary to select the wavelength of NIRS and minimize redundant information. The intelligent optimization algorithm is based on the biological behavior or the movement of matter, establishes the algorithm model by mathematical abstraction, and solves the combinatorial optimization problem by iterative calculation. The core strategy of the intelligent optimization algorithm is to take a certain objective function as the standard. The effective wavelength points are screened by stepwise approximation based on multivariate correction modeling. Ant colony optimization (ACOO), genetic optimization (GA), particle swarm optimization (PSO), random frog (RFF) and simulated annealing (SA) were used to select the characteristic wavelengths of total nitrogen and nicotine near infrared spectral data of tobacco leaves, combined with partial least squares (PLS) algorithm. Several calibration models of total nitrogen and nicotine in tobacco leaves were constructed. The results showed that the optimal models of total nitrogen of the two data sets were PSO-PLS and GA-PLS, respectively, and the optimal models of nicotine were GA-PLS and SA-PLS, respectively. The prediction performance of the five intelligent optimization algorithms is not all better than that of the full-spectrum PLS model, but the PLS model established by the intelligent optimization algorithm is simplified greatly and the prediction accuracy of the model is greatly simplified. Interpretability and stability are improved. At the same time, the optimum wavelength of tobacco leaves was explained and analyzed. The optimum combination of the characteristic wavelength of total nitrogen of tobacco leaves was 4 587N 4 878 and 6 700 C 7 200 cm -1, and the optimum combination of characteristic wavelength of tobacco nicotine was 4 500 C 4 700 and 5 800 C 6 000 cm -1. The optimized characteristic wavelength was of practical physical significance.
【作者單位】： 湖南農(nóng)業(yè)大學(xué)生物科學(xué)技術(shù)學(xué)院;中南大學(xué)化學(xué)化工學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(21275164) 湖南省研究生科研創(chuàng)新項(xiàng)目(CX2015B237)資助
【分類號(hào)】：O657.33

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 王輝;錢鋒;;群體智能優(yōu)化算法[J];化工自動(dòng)化及儀表;2007年05期

2 侯勇嚴(yán);郭文強(qiáng);黨宏社;;智能優(yōu)化算法及其在打漿優(yōu)化中的應(yīng)用[J];計(jì)算機(jī)測(cè)量與控制;2008年11期

3 ;[J];;年期

相關(guān)會(huì)議論文 前3條

1 張曉菲;張火明;高明正;;三種智能優(yōu)化算法的研究進(jìn)展[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

2 張火明;孫小麗;高明正;;智能優(yōu)化平臺(tái)設(shè)計(jì)[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

3 孫俊清;李平;韓梅;;裝卸橋調(diào)度問題及其混合智能優(yōu)化算法GASA[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 伍國(guó)華;基于勘探和開采策略控制的智能優(yōu)化算法及其應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

2 路靜;智能優(yōu)化算法在電磁場(chǎng)逆散射中的應(yīng)用研究[D];河北工業(yè)大學(xué);2014年

3 何小鋒;量子群智能優(yōu)化算法及其應(yīng)用研究[D];上海理工大學(xué);2014年

4 趙夢(mèng)玲;基于智能優(yōu)化算法的聚類分析及應(yīng)用[D];西安電子科技大學(xué);2015年

5 楊勁秋;智能優(yōu)化算法評(píng)價(jià)模型研究[D];浙江大學(xué);2011年

6 豐小月;基于量子機(jī)制與組合方法的智能優(yōu)化算法及應(yīng)用研究[D];吉林大學(xué);2008年

7 馮春時(shí);群智能優(yōu)化算法及其應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2009年

8 高永超;智能優(yōu)化算法的性能及搜索空間研究[D];山東大學(xué);2007年

9 唐正茂;智能優(yōu)化算法適用性研究及其在船舶工程中的應(yīng)用[D];華中科技大學(xué);2013年

10 鄧武;基于協(xié)同進(jìn)化的混合智能優(yōu)化算法及其應(yīng)用研究[D];大連海事大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 葉樹錦;基于群智能優(yōu)化算法的收斂控制器框架及其應(yīng)用[D];華南理工大學(xué);2015年

2 趙杰;群智能優(yōu)化算法在聚類分析中的應(yīng)用研究[D];陜西師范大學(xué);2015年

3 張振星;基于智能優(yōu)化算法的電站鍋爐燃燒優(yōu)化[D];華北電力大學(xué);2015年

4 郝曉亮;基于智能優(yōu)化算法的Jiles-Atherton磁滯模型參數(shù)計(jì)算研究[D];浙江師范大學(xué);2015年

5 李艷良;基于多目標(biāo)智能優(yōu)化算法的可重構(gòu)天線優(yōu)化與設(shè)計(jì)[D];電子科技大學(xué);2014年

6 薛威力;基于方差的智能優(yōu)化算法參數(shù)調(diào)整的研究[D];西安工程大學(xué);2016年

7 陳鋼;基于函數(shù)優(yōu)化問題的兩種混合智能優(yōu)化算法[D];華中科技大學(xué);2014年

8 趙博偉;多目標(biāo)智能優(yōu)化算法及其天線設(shè)計(jì)應(yīng)用的研究[D];南京郵電大學(xué);2016年

9 王建;群智能優(yōu)化算法的MapReduce化實(shí)現(xiàn)[D];南京郵電大學(xué);2016年

10 姜飛;混合智能優(yōu)化算法及其應(yīng)用[D];西安電子科技大學(xué);2011年

，

本文編號(hào)：2001377