林双杰， 柴琴琴, 王 武, 2， 李玉榕, 2

(1. 福州大学电气工程与自动化学院， 福建 福州 350116; 2. 福建省医疗器械和医药技术重点实验室， 福建 福州 350002)

0 引言

近红外光谱技术具有快速、 方便、 低成本以及无损的特点， 广泛应用于食品、 制药、 烟草、 化工、 农产品等多个领域[1-5]. 在建立近红外光谱模型时， 为了降低模型的复杂度， 减少冗余信息， 提高模型的稳健性以及预测能力， 需要对光谱进行特征波长优选， 选择出冗余信息最少， 光谱共线性最少的特征波长组合. 光谱波长的筛选主要方法有连续投影法[6]、 无信息变量消除法[7]、 蒙特卡洛法[8]、 间隔偏最小二乘法[9]等. 近年来， 具有全局搜索能力的群智能优化算法也广泛运用到波长优选， 如： 遗传算法[10]、 粒子群算法[11]和萤火虫算法[12]等. 人工蜂群算法(artificial bee colony algorithm, ABC)是Karaboga等[13-14]提出的一种启发式优化算法， 在函数优化、 组合优化等方面的应用十分广泛[15-16]， 并且在一些应用中也优于遗传算法、 蚁群算法等[17-18]. 目前， 该算法已成功应用于高光谱图像的波段优选中[19]， 因此本文采用人工蜂群算法优选后的特征波长建立预测模型， 为光谱波长的优选提供一个新的方法.

近红外光谱建立预测模型一般采用偏最小二乘(partial least squares, PLS)方法[20]， 但该方法对光谱重叠情况严重的处理效果不是很理想. 浓度残差增广的最小二乘算法[21](concentration residual augmented classical least squares, CRACLS)是一种最小二乘的改进算法， 与PLS相比， 该算法实现更为简单， 同时具备PLS解决光谱数据高度共线性的能力， 并且对待测物质中的隐含信息进行更有效的……