謝歡 陳爭(zhēng)光
摘?要?利用近紅外光譜分析方法預(yù)測(cè)了玉米秸稈纖維素的含量。針對(duì)近紅外光譜的高維高相關(guān)性的特點(diǎn),探討在對(duì)玉米秸稈纖維素建立偏最小二乘(PLS)預(yù)測(cè)模型時(shí)的特征波長(zhǎng)篩選問(wèn)題。首先探討了聯(lián)合區(qū)間偏最小二乘法(SIPLS)和后向區(qū)間偏最小二乘法(BIPLS)的區(qū)間劃分?jǐn)?shù)對(duì)算法效果的影響。在SIPLS和BIPLS的基礎(chǔ)上,利用遺傳模擬退火算法(GSAA)進(jìn)行二次特征波長(zhǎng)篩選,進(jìn)一步提高模型的預(yù)測(cè)精度和建模效率。結(jié)果表明:相對(duì)于PLS方法,3種算法單獨(dú)使用均能夠提高所建模型的預(yù)測(cè)精度,但是SIPLS、BIPLS兩種算法的效果在很大程度上受區(qū)間劃分?jǐn)?shù)的影響。BIPLS模型的預(yù)測(cè)集均方根誤差(RMSEP)雖然最小,但選擇的變量數(shù)多達(dá)485個(gè),影響模型的建模效率。在SIPLS和BIPLS的基礎(chǔ)上,利用GSAA進(jìn)行二次特征波長(zhǎng)篩選,相較于BIPLS,BIPLS-GSAA模型的RMSEP雖略增大,但其輸入變量減小到134個(gè),而建模的主成分?jǐn)?shù)也由11降為10個(gè)。相較于SIPLS,SIPLS-GSAA模型的輸入變量?jī)H為34個(gè),預(yù)測(cè)精度得到了提升,實(shí)驗(yàn)結(jié)果表明,SIPLS-GSAA模型的預(yù)測(cè)效果最好?;赟IPLS和BIPLS上的GSAA對(duì)光譜數(shù)據(jù)進(jìn)行二次篩選不僅能簡(jiǎn)化模型的輸入,而且能有效提升模型的預(yù)測(cè)能力。
關(guān)鍵詞?近紅外光譜; 玉米秸稈; 纖維素; 聯(lián)合區(qū)間偏最小二乘法; 遺傳模擬退火算法
1?引 言
玉米作為我國(guó)糧食生產(chǎn)的主要農(nóng)作物之一,其種植面積和產(chǎn)量均已位列我國(guó)第一。玉米高產(chǎn)的同時(shí),也產(chǎn)生了巨大的玉米秸稈資源,合理利用玉米秸稈資源對(duì)我國(guó)農(nóng)業(yè)可持續(xù)發(fā)展具有十分重要的意義。目前,秸稈的綜合利用主要分為肥料化、飼料化、基料化、燃料化和原料化五大類[1],玉米秸稈的木質(zhì)纖維素在飼料行業(yè)、造紙工業(yè)以及生物質(zhì)能源開(kāi)發(fā)利用等方面具有十分重要的意義。纖維素是玉米秸稈的主要成分,因此對(duì)玉米秸稈纖維素含量的準(zhǔn)確預(yù)測(cè)對(duì)玉米秸稈的綜合利用至關(guān)重要。目前,纖維素測(cè)量的主流方法依然是化學(xué)方法,主要包括范式(Van Soest)法[2]、王玉萬(wàn)法[3]和高效液相色譜法[4],這些傳統(tǒng)的化學(xué)方法測(cè)量過(guò)程復(fù)雜繁瑣,測(cè)量周期長(zhǎng)且人力成本較高。因此,為了提高玉米秸稈的綜合利用效率,需尋找一種操作簡(jiǎn)單、高效無(wú)損且能準(zhǔn)確預(yù)測(cè)玉米秸稈纖維素的方法。
近紅外光譜分析方法簡(jiǎn)單、快速且準(zhǔn)確度較高[5],已廣泛應(yīng)用在石油[6]、醫(yī)療[7]、食品[8]和木材[9]等各個(gè)方面。纖維素是一種由葡萄糖構(gòu)成的大分子多糖,具有大量的C-H、O-H等含氫化學(xué)鍵,根據(jù)近紅外光譜分析技術(shù)的原理,可利用近紅外光譜分析技術(shù)對(duì)農(nóng)作物秸稈纖維素進(jìn)行預(yù)測(cè)。上世紀(jì)八十年代,研究者開(kāi)始將近紅外光譜分析技術(shù)應(yīng)用于作物秸稈主要成分的研究,其重點(diǎn)在于秸稈飼料化的研究,主要對(duì)蛋白質(zhì)和干物質(zhì)等研究[10~12],隨著對(duì)農(nóng)作物秸稈成分研究的深入,許多研究者開(kāi)始將研究方向轉(zhuǎn)向工業(yè)化、能源化等方面,主要對(duì)秸稈中的葡聚糖、木聚糖和木質(zhì)素等進(jìn)行研究[13~15]。目前的研究對(duì)象包括桉樹(shù)等[16,17],已經(jīng)建立了線性偏最小二乘回歸法(Partial least square regression,PLSR)、非線性的支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)模型; 波數(shù)選擇方法多采用人工選擇方法[17,18],也有采用特征波長(zhǎng)選擇算法(連續(xù)投影算法和回歸系數(shù)法等[19,20])的文獻(xiàn)報(bào)道。人工選擇方法要求對(duì)化學(xué)鍵和近紅外光譜吸收區(qū)的關(guān)系足夠了解,而專門針對(duì)玉米秸稈纖維素含量檢測(cè)方面主要是對(duì)全譜預(yù)處理后直接建立模型[14]。目前,利用近紅外光譜分析技術(shù)對(duì)玉米秸稈的研究主要集中在農(nóng)業(yè)方面,建立的玉米秸稈纖維素模型是預(yù)處理后直接建模[21~23]。農(nóng)作物秸稈的能源化研究已經(jīng)成為當(dāng)前世界的發(fā)展熱點(diǎn),農(nóng)作物秸稈中的纖維素不僅是生物質(zhì)能源生產(chǎn)的關(guān)鍵原料,也是許多工業(yè)生產(chǎn)不可或缺的原料,實(shí)現(xiàn)纖維素含量快速檢測(cè)對(duì)工業(yè)生產(chǎn)和生物質(zhì)能源開(kāi)發(fā)均具有重要意義。因此,建立預(yù)測(cè)效果優(yōu)良、檢測(cè)速度快的玉米秸稈纖維素預(yù)測(cè)模型十分必要。
本研究以玉米秸稈為研究對(duì)象,利用近紅外光譜分析技術(shù)和PLSR建立玉米秸稈的纖維素含量預(yù)測(cè)模型,為了提高模型精度和效率,結(jié)合聯(lián)合區(qū)間偏最小二乘(Synergy interval partial least square,SIPLS)、反向區(qū)間偏最小二乘(Backward interval partial least square,BIPLS)和遺傳模擬退火算法(Genetic simulated annealing algorithm,GSAA)3種波長(zhǎng)選擇算法的優(yōu)勢(shì)挑選特征信息,降低數(shù)據(jù)維度,最終建立簡(jiǎn)單優(yōu)化、預(yù)測(cè)性能良好的玉米秸稈纖維素模型。
2?實(shí)驗(yàn)部分
2.1?儀器設(shè)備
使用TANGO近紅外光譜儀(德國(guó)Bruker公司)進(jìn)行紅外光譜數(shù)據(jù)獲取,儀器分辨率為8 cm1,波數(shù)范圍11542~3940 cm1,儀器測(cè)樣臺(tái)配備內(nèi)徑4.5 cm、高5 cm的樣品杯。數(shù)據(jù)分析采用CAMO公司的Unscrambler X10.3和MathWorks公司的Matlab2016a。
2.2?樣品來(lái)源及光譜獲取
實(shí)驗(yàn)所需的玉米秸稈樣本來(lái)自2017年?yáng)|北農(nóng)業(yè)大學(xué)試驗(yàn)基地,干燥后,取玉米秸稈不同部位粉碎,得到189個(gè)玉米秸稈樣本。每個(gè)樣本分為兩部分,一部分利用范式法[24]測(cè)量玉米秸稈樣本纖維素的化學(xué)值; 另一部分用于光譜數(shù)據(jù)采集。將每個(gè)樣本裝至儀器測(cè)樣臺(tái)上的樣品杯中,保證樣本杯中的樣本厚度約1.5 cm,將樣品杯放置于儀器的測(cè)樣臺(tái)上采集近紅外光譜,采集3次,最終光譜取3次采集的平均光譜。
2.3?異常樣本的剔除與樣本集劃分
利用蒙特卡洛法[25](MCCV)從獲得的189個(gè)玉米秸稈的近紅外光譜數(shù)據(jù)中剔除6個(gè)異常值,最終獲得183個(gè)實(shí)驗(yàn)樣本的近紅外光譜,再以2∶1的比例利用SPXY算法[26]劃分校正集和預(yù)測(cè)集,樣本校正集和預(yù)測(cè)集的纖維素含量分布如表1所示。
2.4?SIPLS和BIPLS算法
在間隔偏最小二乘法[28](Interval partial least square,IPLS)的基礎(chǔ)上,Norgaard等[27]在2000年和2004年分別提出SIPLS和BIPLS波長(zhǎng)選擇算法,兩種算法應(yīng)用廣泛。IPLS首先將整個(gè)光譜等分成k個(gè)區(qū)間,然后分別對(duì)每個(gè)區(qū)間進(jìn)行偏最小二乘回歸,得到k個(gè)回歸模型。采用交叉驗(yàn)證的方法分別計(jì)算k個(gè)模型的均方根誤差(Root mean square error of cross validation,RMSECV),比較各個(gè)模型的RMSECV值,RMSECV最小的區(qū)間對(duì)應(yīng)的回歸模型為最優(yōu)模型。
BIPLS和SIPLS均是在IPLS劃分k個(gè)區(qū)間的基礎(chǔ)上對(duì)子區(qū)間進(jìn)行不同操作[29]。BIPLS首先剔除k個(gè)區(qū)間中相關(guān)性最差的區(qū)間,對(duì)剩下的k-1個(gè)區(qū)間建立PLS模型。然后再次剔除剩下的k-1個(gè)區(qū)間中相關(guān)性最差的區(qū)間,對(duì)剩下的k-2個(gè)區(qū)間建立PLS模型,以此類推,直到只剩下一個(gè)區(qū)間為止。以每次PLS模型的RMSECV值為評(píng)價(jià)指標(biāo),其中RMSECV最小值對(duì)應(yīng)的區(qū)間組合即為最優(yōu)區(qū)間。
SIPLS在劃分的k個(gè)區(qū)間中,隨機(jī)選擇j(2≤j≤k)個(gè)區(qū)間組成聯(lián)合區(qū)間建立PLS模型,共建立Cjk個(gè)PLS模型,最小RMSECV值對(duì)應(yīng)的j個(gè)區(qū)間的組合即為最優(yōu)區(qū)間。
2.5?遺傳模擬退火算法(GSAA)
傳統(tǒng)的遺傳算法(Genetic algorithm,GA)易出現(xiàn)局部最優(yōu)解,收斂速度慢等問(wèn)題,而模擬退火算法(Simulated annealing algorithm,SAA)則具有跳出局部最優(yōu)解的特性,兩種算法可互相取長(zhǎng)補(bǔ)短[30]。并且,GSAA應(yīng)用于近紅外光譜的特征波長(zhǎng)選擇較少[31],多應(yīng)用于調(diào)度問(wèn)題的優(yōu)化等方面[32,33]。本研究將GSAA應(yīng)用于近紅外光譜的特征波長(zhǎng)點(diǎn)的優(yōu)化選擇,控制參數(shù)為:種群最大規(guī)模為30,最大遺傳代數(shù)設(shè)為100,選擇操作的代溝設(shè)為0.9,退火初始溫度系數(shù)T0設(shè)為100,降溫系數(shù)為0.8。GSAA選擇特征波長(zhǎng)的過(guò)程主要分為三部分:首先初始化種群并計(jì)算初始種群目標(biāo)函數(shù)值和初始溫度,目標(biāo)函數(shù)值為PLS回歸模型的RMSECV值,初始溫度為T0×(最大目標(biāo)函數(shù)值-最小目標(biāo)函數(shù)值); 其次對(duì)產(chǎn)生的種群進(jìn)行選擇(輪盤算法)、交叉(離散重組)、變異(離散變異)和復(fù)制(SA的Metropolis)操作; 最后算法迭代至滿足終止條件(達(dá)到最大遺傳代數(shù)100),選出最優(yōu)的特征波長(zhǎng)點(diǎn)。
SIPLS和BIPLS兩種算法都是特征區(qū)間選擇算法,雖然選擇的特征區(qū)間建立的模型效果較好,但選擇的波長(zhǎng)點(diǎn)較多且都是區(qū)間內(nèi)連續(xù)的波長(zhǎng),利用GSAA特征波長(zhǎng)點(diǎn)選擇算法不僅可降低選出的特征區(qū)間的維度,而且是離散波長(zhǎng)選擇,可去除連續(xù)區(qū)間內(nèi)的冗余和無(wú)效波長(zhǎng)點(diǎn)。因此,本研究利用GSAA對(duì)SIPLS和BIPLS選出的特征區(qū)間分別進(jìn)行二次篩選,GSAA是一種隨機(jī)搜索算法,因此設(shè)置GSAA循環(huán)100次,經(jīng)過(guò)反復(fù)試驗(yàn),挑選出重復(fù)選入次數(shù)大于54的波長(zhǎng)點(diǎn)作為纖維素模型的輸入。
3?結(jié)果與討論
3.1?近紅外光譜圖譜分析
圖1是183個(gè)玉米秸稈實(shí)驗(yàn)樣本在11542~3940 cm1范圍內(nèi)的近紅外光譜圖。由圖1可見(jiàn),實(shí)驗(yàn)樣本的吸收光譜圖重疊嚴(yán)重,樣本的近紅外光譜在采集時(shí)受近紅外光譜儀和其它的背景干擾,獲得的光譜信息包含大量噪聲[34],因此先對(duì)光譜數(shù)據(jù)進(jìn)行卷積平滑處理(Savitzky-Golay,S-G)去除高頻噪聲。在建立近紅外光譜模型時(shí),濃度矩陣同樣會(huì)影響光譜數(shù)據(jù),因此,為了消除光譜數(shù)據(jù)與待測(cè)組分的無(wú)關(guān)信息,利用正交信號(hào)校正(Orthogonal signal correction,OSC)繼續(xù)對(duì)樣本的光譜數(shù)據(jù)進(jìn)行預(yù)處理。
樣本的近紅外光譜相似度極高,無(wú)法直接根據(jù)光譜圖判定纖維素含量與個(gè)別波長(zhǎng)點(diǎn)吸收度之間的關(guān)系,因此必須選擇合適的區(qū)間建立數(shù)學(xué)模型以確定近紅外光譜與纖維素含量間的關(guān)系。圖1中11542~8000 cm1區(qū)間處于CH等鍵的第三倍頻區(qū),吸收弱,噪聲干擾大; 8000~3940 cm1是CH等鍵的第二倍頻到組合頻區(qū),有多個(gè)吸收峰,吸收強(qiáng)度大,具有明顯的特征變化,能夠反映出樣品性質(zhì)和組成間的關(guān)聯(lián)。因此,在建立實(shí)際模型時(shí),應(yīng)根據(jù)不同基團(tuán)在近紅外光譜區(qū)的吸收特征將光譜數(shù)據(jù)分段建立校正模型,從而找到最佳的玉米秸稈纖維素建模區(qū)域。
3.2?BIPLS和SIPLS選擇特征子區(qū)間
將預(yù)處理后的光譜數(shù)據(jù)劃分為k個(gè)子區(qū)間(k=10、20、30、40、50、60、70)。對(duì)于每個(gè)k值,采用BIPLS選擇的特征子區(qū)間如表2中序號(hào)1~7所示。由表2可知,當(dāng)k=50時(shí),對(duì)應(yīng)的交互驗(yàn)證均方根誤差RMSECV最小; k=60時(shí),其RMSECV值比k=50時(shí)略增,因此推測(cè)在50~60之間應(yīng)該有最優(yōu)k值。為進(jìn)一步對(duì)最優(yōu)k值定位,在50~60之間進(jìn)行逐次加1擴(kuò)展,即k的取值范圍為51~59,得到的BIPLS子區(qū)間優(yōu)選結(jié)果如表2中序號(hào)8~16所示。由表2可知,最終最優(yōu)k值定位為53,對(duì)應(yīng)的RMSECV最?。?.8822),入選波長(zhǎng)點(diǎn)為485個(gè) 。
基于SIPLS對(duì)光譜數(shù)據(jù)劃分子區(qū)間,區(qū)間數(shù)k的取值分別為10、20、30、40、50、60、70,選擇隨機(jī)子區(qū)間組合數(shù)j(j = 3,4)[16],當(dāng)k和j取不同的數(shù)值時(shí),采用的SIPLS選擇的特征子區(qū)間結(jié)果如表3所示。由表3可知,當(dāng)k=50,j=4時(shí),對(duì)應(yīng)的交互驗(yàn)證均方根誤差RMSECV最?。?.9537),入選波長(zhǎng)點(diǎn)數(shù)為146個(gè)。
由表2可知,SIPLS在挑選特征波段的過(guò)程中,k值和j值的選擇會(huì)在很大程度上影響SIPLS,由于Cjk個(gè)模型運(yùn)算限制,j的取值不宜太多,通常不超過(guò)5,并且隨著k值增加,計(jì)算的模型數(shù)大,導(dǎo)致SIPLS的計(jì)算量巨大。同樣,BIPLS波長(zhǎng)選擇時(shí)也會(huì)受到k值的影響,有時(shí)甚至?xí)勾罅康臒o(wú)關(guān)信息被選入,預(yù)測(cè)模型效果不佳。因此,在使用BIPLS和SIPLS算法時(shí),選擇合適k值,對(duì)特征信息選擇、建立預(yù)測(cè)性能良好的模型至關(guān)重要。
3.3?基于GSAA的二次波長(zhǎng)選擇及模型對(duì)比
由于BIPLS和SIPLS兩種算法對(duì)于特征波長(zhǎng)的選擇是基于特征區(qū)間的,波段選擇過(guò)程中仍然會(huì)有部分干擾信息被選入,且選擇的波長(zhǎng)點(diǎn)較多。其中,BIPLS選擇了485個(gè)波長(zhǎng)點(diǎn),而SIPLS選擇了146個(gè)波長(zhǎng)點(diǎn)。因此,為了進(jìn)一步去除冗余信息,降低數(shù)據(jù)維度,提高模型的預(yù)測(cè)能力,在上述兩種特征波段選擇算法基礎(chǔ)上,利用GSAA對(duì)選出的數(shù)據(jù)進(jìn)行二次篩選。篩選后的波長(zhǎng)點(diǎn)分別降至154和34個(gè),將選出的最終波長(zhǎng)點(diǎn)對(duì)應(yīng)的光譜數(shù)據(jù)作為PLS的輸入變量,對(duì)玉米秸稈的纖維素含量進(jìn)行PLS回歸建模。表4列出了FULL-PLS、SIPLS、BIPLS、GSAA、SIPLS-GSAA和SIPLS-GSAA建立的6個(gè)模型的相關(guān)參數(shù),5個(gè)波長(zhǎng)選擇方法對(duì)應(yīng)的波長(zhǎng)選擇結(jié)果如圖3所示。
由表4可知,相對(duì)于全譜模型FULL-PLS,5種特征波長(zhǎng)選擇算法都能有效地提高模型的預(yù)測(cè)能力,最終模型的評(píng)價(jià)主要從3個(gè)方面衡量:模型的性能參數(shù)、建立模型的波長(zhǎng)點(diǎn)個(gè)數(shù)和建立模型的波長(zhǎng)點(diǎn)分布特征。首先對(duì)兩種波段選擇算法SIPLS和BIPLS建立的模型進(jìn)行評(píng)價(jià): 模型的性能參數(shù),BIPLS-PLS模型的RMSEP為0.8400,其預(yù)測(cè)性能參數(shù)好于SIPLS-PLS的模型; 建立模型的波長(zhǎng)點(diǎn)個(gè)數(shù),BIPLS-PLS模型有485個(gè)波長(zhǎng)點(diǎn),而SIPLS-PLS模型有146個(gè)波長(zhǎng)點(diǎn),顯然SIPLS模型的波長(zhǎng)點(diǎn)更少; 建立模型的波長(zhǎng)點(diǎn)分布,由圖2A和圖2B可見(jiàn),SIPLS選出的波長(zhǎng)點(diǎn)大多數(shù)分布在譜帶較強(qiáng)的第二倍頻到組合頻區(qū)域,而B(niǎo)IPLS的波長(zhǎng)點(diǎn)分布較寬,在吸收峰較弱的第三倍頻區(qū)也分布大量的波長(zhǎng)點(diǎn)。將GSAA-PLS模型與SIPLS-PLS和BIPLS-PLS模型比較,GSAA-PLS雖然波長(zhǎng)點(diǎn)個(gè)數(shù)只有130個(gè),但是模型性能參數(shù)差,而且由圖2C可知,波長(zhǎng)點(diǎn)的分布最寬。將SIPLS-GSAA和BIPLS-GSAA比較,SIPLS-GSAA的模型性能較好,模型的波長(zhǎng)數(shù)也較少且分布范圍比較集中(圖2D)。最后將SIPLS和BIPLS兩種模型與SIPLS-GSAA和BIPLS-GSAA兩種模型比較,模型性能參數(shù)較好的為BIPLS、BIPLS-PLS和SIPLS-PLS,這3種模型的性能參數(shù)相差不大,但是BIPLS模型的波長(zhǎng)數(shù)最多,約為SIPLS-GSAA模型的14倍,且波長(zhǎng)點(diǎn)分布也最寬。而B(niǎo)IPLS-GSAA雖然波長(zhǎng)點(diǎn)個(gè)數(shù)降至154個(gè),但其波長(zhǎng)點(diǎn)個(gè)數(shù)約為SIPLS-GSAA的5倍,且其模型的性能參數(shù)要差于SIPLS-GSAA的模型,由圖2E可知,其波長(zhǎng)點(diǎn)的分布與BIPLS類似,分布較寬。綜上可知,GSAA算法可有效提取特征波長(zhǎng),但單獨(dú)使用時(shí)效果并不明顯,將其用于SIPLS和BIPLS的二次波長(zhǎng)選擇時(shí),卻可有效地提升模型的性能。而B(niǎo)IPLS在單獨(dú)使用時(shí)雖可得到較好的模型性能參數(shù),但由于選擇的區(qū)間較多導(dǎo)致波長(zhǎng)點(diǎn)個(gè)數(shù)大幅度增加[35],影響模型的計(jì)算速度,且波長(zhǎng)點(diǎn)的分布比較寬,不利于模型的實(shí)際應(yīng)用。SIPLS可將選擇區(qū)間定位到幾個(gè)區(qū)域,大幅減少波長(zhǎng)點(diǎn)個(gè)數(shù),但由于其選擇的連續(xù)區(qū)間內(nèi)的冗余信息降低了模型的性能參數(shù)[36]。而GSAA在SIPLS的基礎(chǔ)上在連續(xù)的區(qū)間內(nèi)選擇有效性高的離散波長(zhǎng)點(diǎn),建立的SIPLS-GSAA-PLS模型,其模型的性能參數(shù)較好,建模的數(shù)據(jù)波長(zhǎng)點(diǎn)個(gè)數(shù)少,且建立模型的波長(zhǎng)點(diǎn)大多集中在第二倍頻到組合頻內(nèi),因此,此模型不僅可降低模型的預(yù)測(cè)時(shí)間,而且也有利于后期的實(shí)際應(yīng)用。
4?結(jié) 論
利用近紅外光譜技術(shù)研究黑龍江地區(qū)的玉米秸稈纖維素含量,建立的玉米秸稈纖維素模型能快速高效地對(duì)黑龍江地區(qū)的玉米秸稈纖維素含量進(jìn)行評(píng)價(jià)分析,有利于玉米秸稈中纖維素進(jìn)一步的高效利用。將近紅外光譜分析技術(shù)應(yīng)用于玉米秸稈纖維素含量預(yù)測(cè)為未來(lái)提高農(nóng)作物秸稈的綜合利用效率提供了一種新思路。針對(duì)SIPLS和BIPLS兩種方法的篩選結(jié)果受區(qū)間劃分?jǐn)?shù)k的影響,尚未找到一種高效率的方法能快速搜索出最優(yōu)k值,并且本研究只探討了3種特征波長(zhǎng)篩選方法。因此,在后續(xù)的研究中,應(yīng)重點(diǎn)研究特征波長(zhǎng)算法對(duì)玉米秸稈纖維素模型的影響,以及SIPLS和BIPLS快速定位k值等。
References
1?WANG Jin-Wu,TANG Han,WANG Jin-Feng. Transactions of the Chinese Society for Agricultural Machinery,2017,48(5): ?1-21
王金武,唐 漢,王金峰. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2017,48(5): 1-21
2?Suharti P H,Rulianah S,Maryanty Y,Irawan B,F(xiàn)rederick C,Tsai M J. Adv. Sci. Lett.,2017,23(6): 5669-5671
3?LI Chao-Ying,ZHENG Lu,MO Shi-Yu. Journal of Zhejiang Agricultural Sciences,2019,60(03): 427-429
李朝英,鄭 路,莫世宇.?浙江農(nóng)業(yè)科學(xué),2019,60(03): 427-429
4?Bauer S,Ibanez A B. Biotechnol. Bioeng.,2014,111(11): 2355-2357
5?NIE Min,LIU Meng,ZONG Shi-Chun,YANG Guang,PEI Chang-Xing. Spectrosc. Spect. Anal.,2017,37(2):?446-451
聶 敏,劉 蒙,宗時(shí)春,楊 光,裴昌幸.?光譜學(xué)與光譜分析,2017,37(2):?446-451
6?WANG Zhi-Hong,LIU Jie,WANG Jing-Ru,SUN Yu-Yang,YU Yong,LIN Jun. Journal of Jilin University(Engineering and Technology Edition),2013,43(4):?1017-1022
王智宏,劉 杰,王婧茹,孫玉洋,于 永,林 君.?吉林大學(xué)學(xué)報(bào)(工學(xué)版),2013,43(4):?1017-1022
7?Durantin G,Gagnon J F,Tremblay S,Dehais F. Behav. Brain Res.,2014,259(2): 16-23
8?Botelho B G,Reis N,Oliveira L,Sena M M. Food Chem.,2015,181: 31-37
9?Todorovic N,Popovic Z G,Milic G. Wood Sci. Technol.,2015,49(3): 527-549
10?Melchinger A E,Schmidt G A,Geiger H H. Plant Breeding,1986,97(1): 20-29
11?Dhillon B S,Gurrath P A,Paul C,Zimmer E,Gurrath P A,Klein D,Pollmer W G. Crop Sci.,1990,30(4): 931-936
12?Albanell E,Plaixats J,F(xiàn)erret A. J. Sci. Food Agric.,1995,69(3): 269-273
13?Wolfrum E J,Sluiter A D. Cellulose,2009,16(4): 567-576
14?Mourtzinis S,Cantrell K B,Arriaga F J,Balkcom K S,Novak J M,F(xiàn)rederick J R,Karlen D L. Bioenergy Res.,2014,7(2): 551-558
15?Naidu V R,Deshpande R S,Syed M R,Deoghare P,Singh D,Wakte P S. AAPS Pharm. Sci. Tech,2017,18(6): 2045-2054
16?Downes G,Meder R,Harwood C. J. Near Infrared Spectrosc.,2010,18(6): 381-387
17?Baer I,Gurny R,Margot P. Forensic Sci. Int.,2007,167(2-3): 234-241
18?He W,Hu H. Bioresour. Technol.,2013,140: 299-305
19?Jin X,Chen X,Shi C,Li M,Guan Y,Yu C Y,Yamada T,Sacks E J,Peng J. Bioresour. Technol.,2017,241: 603-609
20?Li X,Sun C,Zhou B,He Y. Sci. Rep.,2015,5(1): 17210
21?HU Shi-Yang,XU You-Hai,NING Yan-Chun,YUE Jun,HUI Ji-Xing,WANG Ji-Yan. Science & Technology In Chemical Industry,2007,25(4):?34-39
胡世洋,徐友海,寧艷春,岳 軍,惠繼星,王繼艷.?化工科技,2017,25(4):?34-39
22?LIU Hui-Ying,LI Guo-Li,XUE Dong-Hua,XU Hong-Zhang,YE Xiao-Jin. Chinese Agricultural Science Bulletin,2013,29(35):?182-186
劉會(huì)影,李國(guó)立,薛東樺,徐洪章,葉小金.?中國(guó)農(nóng)學(xué)通報(bào),2013,29(35):?182-186
23?WU Jun,BAI Qi-Ling,SU Sheng-Bao,CHEN Shao-Jiang,MENG Qing-Xiang,YAN Yan-Lu. Chinese J. Anal. Chem.,2005,33(10):?1421-1423
吳 軍,白琪林,蘇勝寶,陳紹江,孟慶翔,嚴(yán)衍祿.?分析化學(xué),2005,33(10):?1421-1423
24?Van S P J,Robertsov J B,Lewisb A. J. Dairy Sci.,1991,74(10): 3583-3597
25?YIN Bao-Quan,SHI Yin-Xue,SUN Rui-Zhi. Journal of University of Science and Technology of China,2016,46(3): 208-214
尹寶全,史銀雪,孫瑞志. 中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào),2016,(3):?208-214
26?MAO Bo-Hui,SUN Hong,LIU Hao-Jie,ZHANG Jun-Yi,LI Ming-Zan,YANG Li-Wei. Transactions of the Chinese Society for Agricultural Machinery,2017,48(S1):?160-165
毛博慧,孫 紅,劉豪杰,張俊逸,李民贊,楊立偉.?農(nóng)業(yè)機(jī)械學(xué)報(bào),2017,48(S1):?160-165
27?Leardi R,Norgaard L. J. Chemometrics,2004,18(11): 486-497
28?Norgaard L,Saudland A,Wagner J,Nielsen J P,Munck L,Engelsen S B. Appl. Spectrosc.,2000,54(3):?413-419.
29?SHI Jie-Yong,ZOU Xiao-Bo,ZHAO Jie-Wen,MAO Han-Ping. Journal of Infrared and Millimeter Waves,2011,30(5): 458-462
石吉勇,鄒小波,趙杰文,毛罕平.?紅外與毫米波學(xué)報(bào),2011,30(5):?458-462
30?MENG Fan-Chao,CHU Dian-Hui,LI Ke-Qiu,ZHOU Xue-Quan. Journal of Software,2016,27(4):?916-932
孟凡超,初佃輝,李克秋,周學(xué)權(quán).?軟件學(xué)報(bào),2016,27(4):?916-932
31?LIU Jing-Ming,CHU Xiao-Dong,WANG Zhi,XU Yong-Hua,LI Wen-Zhe,SUN Yong. Spectros. Spect. Anal.,2019,39(3): 743-750
劉金明,初曉冬,王 智,徐永花,李文哲,孫 勇.?光譜學(xué)與光譜分析,2019,39(3): 743-750
32?Yadegari E,Zandieh M. Appl. Decision Sci.,2015,48(4): 400-426
33?Jerin L I,Saravana S S,Ponnambalam S G. Int. J. Adv. Manufact. Technol.,2016,84(58): 787-799
34?XIE Yue,LI Fei-Yue,F(xiàn)AN Xing-Jun,HU Shui-Jin,XIAO Xin,WANG Jian-Fei. Chinese J. Anal. Chem.,2018,46(4): 609-615
謝 越,李飛躍,范行軍,胡水金,肖 新,汪建飛.?分析化學(xué),2018,46(4): 609-615
35?Chen Q,Jiang P,Zhao J. Spectrochim. Acta A,2010,76(1): 50-55
36?Shariati-Rad M,Hasani M. J. Chemometrics,2010,24: 45-56