遺傳算法在近紅外光譜分析中的應用及在土壤分析中的展望

曲　楠

遺傳算法在近紅外光譜分析中的應用及在土壤分析中的展望

曲楠

（吉林農業大學資源與環境學院，吉林長春 130118）

隨著近紅外光譜（NIR）分析方法的廣泛應用，具有全局優化搜索能力的遺傳算法（GA）得到了人們的關注。應用GA可以自動構建基于NIR光譜的數學校正模型，選擇最優的模型參數和光譜波段，進而提高模型的預報精度及建模效率。簡要介紹了遺傳算法的基本原理，對該技術在NIR光譜分析中的具體應用進行了評述，并對其在土壤NIR光譜分析中的前景進行了展望。

近紅外光譜；遺傳算法；校正模型；波段選擇

NIR光譜技術以其簡便、廉價、非破壞等特點，已被廣泛應用到眾多領域，并逐漸成為國內外學者研究的重要內容。但由于NIR光譜譜峰重疊嚴重，強度較弱，且干擾強烈，須采用化學計量學方法解決光譜信息的提取及背景干擾的影響，建立NIR光譜數據與被測樣品特征映射關系的校正模型，進而實現NIR光譜的無損、快速定性及定量分析。

由于校正模型自身的特性，其光譜波段的選擇及模型參數的選取往往需要憑借分析者的經驗，受人為因素影響，因此不易得到最優的校正模型。GA是一種建立在自然選擇和種群遺傳學機理上的自適應啟發式全局搜索算法，該方法借鑒生物界自然選擇和遺傳機制，通過3種遺傳操作：選擇，交叉和變異產生新一代種群，隨著遺傳迭代的進行，適應度值高的變量被保留，最終達到最優結果［1］。目前GA已被用于NIR光譜分析中，通過GA可實現對校正模型參數和光譜波段的自動優化，不但降低了模型的復雜度，同時提高了建模效率和模型預測性能。為此，本文對GA在NIR光譜分析中的應用進行了簡述，并展望了GA在土壤NIR光譜分析中的前景。

1　GA基本原理

20世紀60年代美國Michigan大學的Holland教授最早提出了GA，它來源于Darwin的進化論和Mendel的生物遺傳學，是一種基于自然選擇和遺傳機制的自適應搜索方法［2］。遺傳算法首先產生一個隨機種群，每一個種群則表示一個參數（或問題的解），并編碼成一個二進制位串（即染色體），而每個染色體都對應一個適應度值，該值被用于評價對環境的適應性。種群不斷進化直到達到較好的總體適應度值。在每一代，使用如選擇、交叉和變異等遺傳操作來獲得一個新的種群。在進化過程中，適應度值越大的個體，其生存的可能性也就越大。若干代后，種群中包含的個體具有更好的適應度值?；具z傳算法有五大主要組成部分：編碼方案、適應度計算、選擇操作、交叉操作和變異操作。近年來，遺傳算法已逐漸引起各國學者的重視，并廣泛用于處理各種最優化問題，在NIR光譜分析中的應用也日益增加。

2　GA在NIR光譜分析中的應用

目前，在NIR光譜分析中，GA多與偏最小二乘（PLS）及人工神經網絡（BP/RBF）等模型校正方法結合，用于NIR光譜波段及校正模型參數的自動選擇。

2.1NIR光譜波段的選取

NIR光譜數據的壓縮及信息變量的提取是NIR光譜分析的熱點，是模型簡化及預測精度提高的重要手段。基于GA的自適應性及全局搜索能力等，其逐漸變成廣泛使用的一種波長選擇方法，且已成功用于NIR的波長選擇［3］。應用GA自動搜索有效光譜波段，不但減小了建模和預測運算時間，而且提高了分析結果的準確性。陳永明等［4］利用遺傳算法提取近NIR光譜特征波長，結合主成分分析的BP神經網絡對橄欖油產地成功進行分類。王徽蓉［5］等通過采集玉米種子的NIR光譜數據，將GA與線性鑒別分析結合，實現了對玉米品種的快速鑒別。潘璐等［6］提出利用GA進行NIR光譜波段優化可以提高砂梨糖度PLS模型精度及提高建模效率。黃常毅［7］等研究了基于GA的NIR光譜波段選擇方法，并建立所優選光譜波段的預測紅曲菌固態發酵生物量的PLS模型，該模型實現了對紅曲菌固態發酵生物量的快速檢測。

2.2校正模型參數的選擇

GA除了常作為一種波段選擇工具以外，還被應用于校正模型參數的選擇。如徐冰［8］等采用GA和自適應建模策略，建立了能夠對多組分同時定量的多目標最小二乘支持向量機（LS-SVM），并將其應用于玉米中四個組分和連翹中兩個活性成分的NIR分析。多目標遺傳算法被用于LS-SVM 模型超參數（正則化參數和核函數參數）的尋優搜索。Qu等將GA與RBF神經網絡結合，實現了對琥乙紅霉素粉末樣品的NIR光譜定量分析，實驗中通過GA同時對RBF神經網絡輸入波段及網絡拓撲參數進行自動優化，提高了模型的預報精度。GA以其獨特優勢，在NIR光譜分析中將具有廣闊的應用前景。

3　GA在土壤NIR光譜分析中的前景展望

近些年NIR光譜分析法在土壤學領域的應用日益增多，其廣闊的應用前景已經顯露。而利用GA進行土壤NIR光譜分析也有相關報道，如方利民［9］等利用土壤樣品的可見/近紅外光譜，將快速獨立分量分析（FastICA）算法與BP神經網絡相結合，并通過GA優化BP網絡結構參數，建立的ICAGA-BP分析模型實現了對土壤中有機碳含量和陽離子交換量的快速分析。解宏圖［10］等通過GA對黑龍江農田黑土的NIR

光譜進行波長選擇，并結合PLS校正模型建立了土壤有機碳的預測模型。GA的應用不但提升了模型的穩定性，還提高了預測精度。張瑤［11］等應用GA優化BP神經網絡參數，所建模型的建模精度及在土壤各個層次的預測精度都有了顯著的提高，證明了該方法在土壤全氮含量預測過程中具有明顯的優勢。由于在土壤NIR光譜分析中引入GA的時間尚短，目前仍有許多工作需要繼續開展。如楊愛霞［12］等嘗試用蟻群和遺傳算法結合區間偏最小二乘法提取荒漠土壤全磷含量特征波長，建立的土壤全磷區間偏最小二乘回歸模型可以較好的估算荒漠土壤全磷含量。進一步嘗試GA與各種化學計量學方法聯合，尋求其在土壤分析領域的廣泛應用將是今后工作的重點。

［1］ 別軍象，趙宇峰.遺傳算法在肉類近紅外光譜分析中波長選擇的應用［J］.計算機與數字工程，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］ 陸婉珍，袁洪福，徐廣通，等.現代近紅外光譜分析技術［M］.北京：中國石化出版社，2001.

［4］ 陳永明，林萍，何勇.基于遺傳算法的近紅外光譜橄欖油產地鑒別方法研究［J］.光譜學與光譜分析，2009，（3）.

［5］ 王徽蓉，李衛軍，劉揚陽，等.基于遺傳算法與線性鑒別的近紅外光譜玉米品種鑒別研究［J］.光譜學與光譜分析，2011，（3）.

［6］ 潘璐，王加華，李鵬飛，等.砂梨糖度近紅外光譜波段遺傳算法優化［J］.光譜學與光譜分析，2009，（5）.

［7］ 黃常毅，范海濱，劉飛，等.近紅外光譜結合遺傳算法快速檢測紅曲菌固態發酵生物量［J］.分析測試學報，2014，（5）.

［8］ 徐冰，王星，Dhaene Tom，等.基于遺傳算法的多目標最小二乘支持向量機在近紅外多組分定量分析中的應用［J］.光譜學與光譜分析，2014，（3）.

［9］ 方利民，馮愛明，林敏.可見/近紅外光譜快速測定土壤中的有機碳含量和陽離子交換量［J］.光譜學與光譜分析，2010，（2）.

［10］ 解宏圖，宣然然，彭義，等.基于遺傳算法的波長選擇方法對土壤有機碳預測模型影響［J］.土壤通報，2014，（4）.

［11］ 張瑤，李民贊，鄭立華，等.基于近紅外光譜分析的土壤分層氮素含量預測［J］.農業工程學報，2015，（9）.

［12］ 楊愛霞，丁建麗，李艷紅，等.基于可見-近紅外光譜變量選擇的荒漠土壤全磷含量估測研究［J］.光譜學與光譜分析，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