曲　楠

遗传算法在近红外光谱分析中的应用及在土壤分析中的展望

曲楠

（吉林农业大学资源与环境学院，吉林长春 130118）

随着近红外光谱（NIR）分析方法的广泛应用，具有全局优化搜索能力的遗传算法（GA）得到了人们的关注。应用GA可以自动构建基于NIR光谱的数学校正模型，选择最优的模型参数和光谱波段，进而提高模型的预报精度及建模效率。简要介绍了遗传算法的基本原理，对该技术在NIR光谱分析中的具体应用进行了评述，并对其在土壤NIR光谱分析中的前景进行了展望。

近红外光谱；遗传算法；校正模型；波段选择

NIR光谱技术以其简便、廉价、非破坏等特点，已被广泛应用到众多领域，并逐渐成为国内外学者研究的重要内容。但由于NIR光谱谱峰重叠严重，强度较弱，且干扰强烈，须采用化学计量学方法解决光谱信息的提取及背景干扰的影响，建立NIR光谱数据与被测样品特征映射关系的校正模型，进而实现NIR光谱的无损、快速定性及定量分析。

由于校正模型自身的特性，其光谱波段的选择及模型参数的选取往往需要凭借分析者的经验，受人为因素影响，因此不易得到最优的校正模型。GA是一种建立在自然选择和种群遗传学机理上的自适应启发式全局搜索算法，该方法借鉴生物界自然选择和遗传机制，通过3种遗传操作：选择，交叉和变异产生新一代种群，随着遗传迭代的进行，适应度值高的变量被保留，最终达到最优结果［1］。目前GA已被用于NIR光谱分析中，通过GA可实现对校正模型参数和光谱波段的自动优化，不但降低了模型的复杂度，同时提高了建模效率和模型预测性能。为此，本文对GA在NIR光谱分析中的应用进行了简述，并展望了GA在土壤NIR光谱分析中的前景。

1　GA基本原理

20世纪60年代美国Michigan大学的Holland教授最早提出了GA，它来源于Darwin的进化论和Mendel的生物遗传学，是一种基于自然选择和遗传机制的自适应搜索方法［2］。遗传算法首先产生一个随机种群，每一个种群则表示一个参数（或问题的解），并编码成一个二进制位串（即染色体），而每个染色体都对应一个适应度值，该值被用于评价对环境的适应性。种群不断进化直到达到较好的总体适应度值。在每一代，使用如选择、交叉和变异等遗传操作来获得一个新的种群。在进化过程中，适应度值越大的个体，其生存的可能性也就越大。若干代后，种群中包含的个体具有更好的适应度值。基本遗传算法有五大主要组成部分：编码方案、适应度计算、选择操作、交叉操作和变异操作。近年来，遗传算法已逐渐引起各国学者的重视，并广泛用于处理各种最优化问题，在NIR光谱分析中的应用也日益增加。

2　GA在NIR光谱分析中的应用

目前，在NIR光谱分析中，GA多与偏最小二乘（PLS）及人工神经网络（BP/RBF）等模型校正方法结合，用于NIR光谱波段及校正模型参数的自动选择。

2.1NIR光谱波段的选取

NIR光谱数据的压缩及信息变量的提取是NIR光谱分析的热点，是模型简化及预测精度提高的重要手段。基于GA的自适应性及全局搜索能力等，其逐渐变成广泛使用的一种波长选择方法，且已成功用于NIR的波长选择［3］。应用GA自动搜索有效光谱波段，不但减小了建模和预测运算时间，而且提高了分析结果的准确性。陈永明等［4］利用遗传算法提取近NIR光谱特征波长，结合主成分分析的BP神经网络对橄榄油产地成功进行分类。王徽蓉［5］等通过采集玉米种子的NIR光谱数据，将GA与线性鉴别分析结合，实现了对玉米品种的快速鉴别。潘璐等［6］提出利用GA进行NIR光谱波段优化可以提高砂梨糖度PLS模型精度及提高建模效率。黄常毅［7］等研究了基于GA的NIR光谱波段选择方法，并建立所优选光谱波段的预测红曲菌固态发酵生物量的PLS模型，该模型实现了对红曲菌固态发酵生物量的快速检测。

2.2校正模型参数的选择

GA除了常作为一种波段选择工具以外，还被应用于校正模型参数的选择。如徐冰［8］等采用GA和自适应建模策略，建立了能够对多组分同时定量的多目标最小二乘支持向量机（LS-SVM），并将其应用于玉米中四个组分和连翘中两个活性成分的NIR分析。多目标遗传算法被用于LS-SVM 模型超参数（正则化参数和核函数参数）的寻优搜索。Qu等将GA与RBF神经网络结合，实现了对琥乙红霉素粉末样品的NIR光谱定量分析，实验中通过GA同时对RBF神经网络输入波段及网络拓扑参数进行自动优化，提高了模型的预报精度。GA以其独特优势，在NIR光谱分析中将具有广阔的应用前景。

3　GA在土壤NIR光谱分析中的前景展望

近些年NIR光谱分析法在土壤学领域的应用日益增多，其广阔的应用前景已经显露。而利用GA进行土壤NIR光谱分析也有相关报道，如方利民［9］等利用土壤样品的可见/近红外光谱，将快速独立分量分析（FastICA）算法与BP神经网络相结合，并通过GA优化BP网络结构参数，建立的ICAGA-BP分析模型实现了对土壤中有机碳含量和阳离子交换量的快速分析。解宏图［10］等通过GA对黑龙江农田黑土的NIR

光谱进行波长选择，并结合PLS校正模型建立了土壤有机碳的预测模型。GA的应用不但提升了模型的稳定性，还提高了预测精度。张瑶［11］等应用GA优化BP神经网络参数，所建模型的建模精度及在土壤各个层次的预测精度都有了显著的提高，证明了该方法在土壤全氮含量预测过程中具有明显的优势。由于在土壤NIR光谱分析中引入GA的时间尚短，目前仍有许多工作需要继续开展。如杨爱霞［12］等尝试用蚁群和遗传算法结合区间偏最小二乘法提取荒漠土壤全磷含量特征波长，建立的土壤全磷区间偏最小二乘回归模型可以较好的估算荒漠土壤全磷含量。进一步尝试GA与各种化学计量学方法联合，寻求其在土壤分析领域的广泛应用将是今后工作的重点。

［1］ 别军象，赵宇峰.遗传算法在肉类近红外光谱分析中波长选择的应用［J］.计算机与数字工程，2014，（1）.

［2］ Leardi R，Seasholtz M B，Pell R J.Variable selection for multivariate calibration using a genetic algorithm：prediction of additive concentrations in polymer films from Fourier transform-infrared spectral data［J］.Analytica Chimica Acta，2002，（2）.

［3］ 陆婉珍，袁洪福，徐广通，等.现代近红外光谱分析技术［M］.北京：中国石化出版社，2001.

［4］ 陈永明，林萍，何勇.基于遗传算法的近红外光谱橄榄油产地鉴别方法研究［J］.光谱学与光谱分析，2009，（3）.

［5］ 王徽蓉，李卫军，刘扬阳，等.基于遗传算法与线性鉴别的近红外光谱玉米品种鉴别研究［J］.光谱学与光谱分析，2011，（3）.

［6］ 潘璐，王加华，李鹏飞，等.砂梨糖度近红外光谱波段遗传算法优化［J］.光谱学与光谱分析，2009，（5）.

［7］ 黄常毅，范海滨，刘飞，等.近红外光谱结合遗传算法快速检测红曲菌固态发酵生物量［J］.分析测试学报，2014，（5）.

［8］ 徐冰，王星，Dhaene Tom，等.基于遗传算法的多目标最小二乘支持向量机在近红外多组分定量分析中的应用［J］.光谱学与光谱分析，2014，（3）.

［9］ 方利民，冯爱明，林敏.可见/近红外光谱快速测定土壤中的有机碳含量和阳离子交换量［J］.光谱学与光谱分析，2010，（2）.

［10］ 解宏图，宣然然，彭义，等.基于遗传算法的波长选择方法对土壤有机碳预测模型影响［J］.土壤通报，2014，（4）.

［11］ 张瑶，李民赞，郑立华，等.基于近红外光谱分析的土壤分层氮素含量预测［J］.农业工程学报，2015，（9）.

［12］ 杨爱霞，丁建丽，李艳红，等.基于可见-近红外光谱变量选择的荒漠土壤全磷含量估测研究［J］.光谱学与光谱分析，2016，（3）.

Genetic Algorithm and its Prospects in the Near-infrared Spectroscopic Analysis of Soil Analysis

Qu Nan

With the wide application of near-infrared spectroscopy（NIR）analysis method，with global optimization search ability of genetic algorithm（GA）to get people's attention.Application of GA can automatically build the mathematical model based on NIR spectra of calibration，selecting the optimal model parameters and spectral bands，thus improving the accuracy of forecasting and modeling efficiency model.Introduces the basic principles of genetic algorithms，the specific application of this technology in the NIR spectral analysis were reviewed，and its prospects in the soil NIR spectroscopic analysis were discussed.

near infrared spectroscopy；GA；calibration model；band selection

O657.33

A

1003-6490（2016）06-0164-02