吴继忠，时艺丹，黄 慧，厉小润

（1．浙江中烟工业有限责任公司技术中心，浙江 杭州 310008；2．浙江大学 海洋学院，浙江 舟山 316000；3．浙江大学 电气工程学院，浙江 杭州 310027）

近红外光谱分析技术具有绿色、无损、快速等优点，已广泛应用于烟草、食品、石油化工等领域［1］。基于近红外光谱的回归分析常用方法多为线性回归算法，如多元线性回归［2］、偏最小二乘回归（PLSR）［3］、Lasso 回归［4］和岭回归［5］等。线性回归算法具有结构简单、速度快、可解释性强等优点，但对于现实情景中真实关系的表达能力有限。近年来，一系列表达能力更强的非线性回归算法被应用于近红外光谱分析。例如，王立琦等［6］通过分析豆粕组分含量与近红外光谱的相关关系，建立了豆粕水分、蛋白质和脂肪的广义回归神经网络预测模型。Zhu等［7］提出了一种基于残差网络和长短期记忆神经网络的烟草化学成分分析方法，可同时准确定量分析烟叶的多种化学成分。罗智勇等［8］提出了一种基于改进卷积自编码网络特征提取的烟叶烟碱与总糖定量分析方法。现有非线性回归算法可能存在结构复杂、超参数敏感、过拟合等问题，因此，探索更强预测能力与鲁棒性的近红外光谱回归算法仍具有重要意义。

LightGBM 是一种基于序列化的集成学习算法，具有强回归预测能力，适用于挖掘复杂的非线性关系［9］。但LightGBM 需要设置合适的超参数，例如叶子节点数量和树的深度。常规的调参方法包括网格搜索、随机搜索等，但通常运算时间长。……