李艷肖，黃曉瑋，鄒小波，趙杰文，石吉勇，張小磊

（江蘇大學食品與生物工程學院，江蘇鎮(zhèn)江 212013）

蟻群和遺傳算法優(yōu)化花茶花青素近紅外光譜預(yù)測模型的比較

李艷肖，黃曉瑋，鄒小波*，趙杰文，石吉勇，張小磊

（江蘇大學食品與生物工程學院，江蘇鎮(zhèn)江 212013）

以建立花茶花青素含量的最優(yōu)近紅外光譜模型為目標，對比研究了蟻群算法（Ant Colony Optimization，ACO）和遺傳算法（Genetic Algorithm，GA）優(yōu)化近紅外光譜譜區(qū)的效果。ACO-iPLS將全光譜劃分為12個子區(qū)間時，優(yōu)選出第1、9、10共3個子區(qū)間，所建的校正集和預(yù)測集相關(guān)系數(shù)分別為0.901 3和0.864 2；交互驗證均方根誤差（RMSECV）和預(yù)測均方根誤差（RMSEP）分別為0.160 0 mg/g和0.202 0 mg/g；GA-iPLS將全光譜劃分為15個子區(qū)間時，優(yōu)選出第1、5共2個子區(qū)間，所建模型的校正集和預(yù)測集相關(guān)系數(shù)分別為0.906 3和0.879 3，交互驗證均方根誤差（RMSECV）和預(yù)測均方根誤差（RMSEP）分別為0.156 0 mg/g和0.206 0 mg/g。研究結(jié)果表明：ACO-iPLS和GA-iPLS均可以有效選擇近紅外光譜特征波長，其中GA-iPLS模型的精度更高。

蟻群算法，遺傳算法，區(qū)間偏最小二乘法，花茶，花青素，定量分析模型

近紅外光譜法（near infrared spectroscopy，NIR）是一種快速無損的檢測方法，隨著計算機軟件技術(shù)的發(fā)展，其在石油、醫(yī)藥、農(nóng)產(chǎn)品等的檢測方面顯示出了巨大的潛力［1-5］。由于樣本成分的復(fù)雜性和相干性，在對待測樣品近紅外光譜數(shù)據(jù)建立預(yù)測模型時，為了減少運算時間和剔除噪聲過大的譜區(qū)，需要確定組分的特征譜區(qū)［6-8］。此外，優(yōu)選特征譜區(qū)也具有一定實際運用價值，因為工程實際應(yīng)用中的濾光片和LED光源都有一定的帶寬，優(yōu)選到的特征譜區(qū)可以為挑選合適的濾光片和LED光源提供參考。

國內(nèi)外學者對近紅外光譜特征波長選擇方法的研究有很多，參考文獻［9］中有詳細介紹，每種方法均有各自的優(yōu)劣［10］。例如，目前比較常用的光譜信息提取方法有區(qū)間偏最小二乘法（iPLS），該方法雖然能有效提取光譜中與特定組分最相關(guān)的譜區(qū)，但建模時光譜區(qū)間的挑選方法比較單一，往往只考察單個子區(qū)間或者少數(shù)幾個子區(qū)間，使得挑選出來的子區(qū)間不能全面表征特征信息，模型難以達到最佳的預(yù)測效果。

近年來，基于仿生優(yōu)化而發(fā)展起來的蟻群算法（Ant Colony Optimization，ACO）和遺傳算法（Genetic Algorithm，GA）是特征變量篩選方法的研究熱點，雖然都是基于群體智能發(fā)展起來的算法，但是兩者的基本原理不相同。蟻群算法是由意大利學者M.Dorigo提出的一種模擬螞蟻群體智能行為的仿生算法，它是一個增強型學習系統(tǒng)，具有良好的魯棒性和分布式計算特性，但蟻群算法求解時間長，容易出現(xiàn)停滯現(xiàn)象［11］；遺傳算法是由John Holland教授提出的，以達爾文的生物進化論和孟德爾的遺傳理論為基礎(chǔ)，模擬自然界中生物遺傳機制的仿生優(yōu)化算法，該算法具有與問題域無關(guān)的全局搜索能力，且不易陷入局部最優(yōu)，使用評價函數(shù)作為啟發(fā)信息［12］。本文中將這兩種算法分別與iPLS相結(jié)合，以建立最優(yōu)預(yù)測花茶花青素含量的近紅外光譜模型為目標，比較這兩種算法對近紅外光譜譜區(qū)的篩選效果。

1 蟻群區(qū)間偏最小二乘法（ACO--iiPPLLSS）和遺傳區(qū)間偏最小二乘法（GGAAA---iiPPLLSSS）

1.1 ACO-iPLS基本原理

蟻群優(yōu)化算法是模仿螞蟻覓食方式的一種新的啟發(fā)式算法。研究發(fā)現(xiàn)，螞蟻在其覓食路上會留下一種被稱為信息素（Pheromone）的物質(zhì)，并且在搜尋的過程中能夠感知出信息素的存在及強度，以此作為其選擇路徑的參考。螞蟻在覓食過程中，通常朝著信息素強度大的方向運動，某一條路經(jīng)過的螞蟻越多信息素便越強，后來者選擇該路徑的概率也就越大。此外，信息素還會揮發(fā)，路徑越長、時間越長，信息素揮發(fā)得愈多，信息素的強度就越小。信息素的累積和揮發(fā)的總和成為信息交流的媒體。相互協(xié)作的蟻群就是通過這種信息正反饋原理來完成最佳路徑搜尋的［13-14］。

圖1是ACO-iPLS的流程。假設(shè)將光譜分為m個區(qū)間，有k只螞蟻進行優(yōu)化。其算法簡要介紹如下：

1）信息素含量初始化：每個區(qū)間擁有相同的信息素含量，τi（0）=?（i=1，2，……，m）。

2）解的選擇：每只螞蟻基于概率函數(shù)選取特征區(qū)間，最簡單有效的概率選擇方法為

式（1）中，τi（t）是區(qū)間i在時間t時所擁有的信息素含量。這一選擇過程簡要描述如下：①多個區(qū)間的選擇概率和通過公式

計算，式（2）中，accu（0）=0，當然，accu（m）=1（m是所有區(qū)間總數(shù)）；②產(chǎn)生一個隨機（0，1）之間的隨機變量，如果這個隨機變量在accu（i-1）和accu（i）之間，則第i個區(qū)間入選。這種選擇方法廣泛用于遺傳算法中，顯然，光譜區(qū)間擁有的信息素量越多就越容易被選到，可以通過權(quán)重函數(shù)來調(diào)整各個區(qū)間的選擇概率。

圖1 ACO優(yōu)選光譜區(qū)間的流程圖Fig.1Flowchart of ACO oriented optimization process

3）解的計分評價：建立一個標準或客觀函數(shù)來評價多得的解。本研究中基于已選區(qū)間上的iPLS模型預(yù)測精度作為每只螞蟻所選區(qū)間的評價參數(shù)，即模型的預(yù)測均方根誤差RMSEP的倒數(shù)作為評價函數(shù)。

4）信息素含量的更新：每個區(qū)間的信息素含量的更新通過公式（3）計算。

式（3）中，i為第i個光譜區(qū)間，r為區(qū)間信息素含量遺留率，對應(yīng)信息素含量揮發(fā)率e（r=1-e），r為（0，1）之間的常數(shù)，Δτi（t）為信息素含量的增長值，他與每只螞蟻在所選區(qū)間上建立的iPLS模型精度成正比。即建立在該區(qū)間上的模型精度越高則信息素含量越多。在整個選擇過程中，信息素含量的揮發(fā)率可以通過預(yù)先設(shè)定的揮發(fā)率e來獲得。

重復(fù)以上2）—4）步驟中k個螞蟻的“選擇”、“計分評價”和“更新”這一迭代過程，最終通過一定數(shù)量的迭代后，理論上所有螞蟻都會收斂到相同的區(qū)間變量上，從而得到最佳光譜區(qū)間。更多有關(guān)ACO的算法的原理請見參考文獻［15-16］。

1.2 GA-iPLS的基本原理

本文中所用的遺傳區(qū)間偏最小二乘波長篩選法是對N?rgaard提出的一種波長篩選法的改進和發(fā)展，該法主要用于篩選偏最小二乘建模的波長區(qū)域。其算法如下：

1.2.1 特征波譜區(qū)間入選編碼首先將整個花茶近紅外光譜等分為s個區(qū)間，對這s個區(qū)間入選的問題，可用一含有s個0/1字符（基因）的字符串（染色體串）來表示每種區(qū)間組合。字符串0和1分別代表對應(yīng)區(qū)間未被選中和選中，例如對8個區(qū)間的問題區(qū)間組合“00110101”，表示第3，4，6，8個區(qū)間被選中，其余則未被選中。

1.2.2 適應(yīng)度函數(shù)的設(shè)計采用PLS交互驗證中因變量的預(yù)測值和實際值的相關(guān)系數(shù)（r）為適應(yīng)度函數(shù)。具體實施方法為，對每個個體所選的區(qū)間進行數(shù)據(jù)重新組合，再用PLS交互驗證得到相關(guān)系數(shù)（r）。相關(guān)系數(shù)（r）的計算公式為

式（4）中，N為樣品個數(shù)；xˉ為交互驗證預(yù)測值的均值；yˉ為實際測量值的均值。

1.2.3 初始群體本研究的初始種群由計算機隨機產(chǎn)生的n個個體組成，而每個個體由s個字符組成。

1.2.4 遺傳操作設(shè)計選擇算子采用最常用的選擇方法——適應(yīng)度比例方法，也稱轉(zhuǎn)輪法，每個個體的選擇概率與其適應(yīng)度成比例。交叉算子采用單點交叉方法，見表達式

參與交叉的個體概率為一個小于1的小數(shù)（如0.8）。

變異算子采用基本變異算子，即在某個個體（字符串）中隨機挑選一個或多個基因（字符）進行變異，參與變異的個體概率也為一個小于1的小數(shù)，它通常比較?。ㄈ?.1）。

1.2.5 運算終止條件本文中以遺傳迭代次數(shù)達到設(shè)定的交互驗證均方根誤差（RMSECV）為收斂終止條件。

1.2.6 區(qū)間選取本文中采用的方法為，在遺傳迭代后，具有最小RMSECV的區(qū)間組合中的所有入選區(qū)間為特征波譜區(qū)間［17-19］。

2 材料與方法

2.1 實驗材料與儀器設(shè)備

從超市購買6種花茶（山茶花茶、洛神花花茶、月季花茶、玫瑰花茶、康乃馨花茶、勿忘我花茶），每種花茶分別用粉碎機粉碎，并過40目篩，然后按照四分法原則，隨機稱取2 g左右的粉末作為一個樣本，每種花茶取10個平行樣本，6種花茶共60個樣本。

AntarisⅡ型傅里葉變換近紅外光譜儀，美國賽默飛世爾公司制造；UV-1601型紫外分光光度計，日本島津公司制造。

2.2 光譜采集及預(yù)處理

本實驗中采用InGaAs檢測器，波數(shù)范圍10 000～4 000 cm-1，掃描次數(shù)為32次；分辨率為8 cm-1，波數(shù)間隔為3.853 6 cm-1，每條光譜包含有1 557個變量。數(shù)據(jù)采集過程中，室內(nèi)濕度保持基本不變，溫度保持在25℃左右。由于花茶粉末為不透明顆粒，所以實驗中采用積分球的漫反射采樣方式，每個樣本掃描一次后將樣品池旋轉(zhuǎn)120°，共掃描3次，取其平均光譜作為該樣本的原始光譜，如圖2所示。

圖2 花茶原始光譜圖Fig.2Raw NIR spectra of scented tea samples

2.3 花青素含量的測定

準確稱取2 g花茶粉末，加入100 mL含有1 mol/ L檸檬酸的體積分數(shù)70%乙醇溶液，放入60℃水浴鍋中浸提4 h后，經(jīng)真空抽濾，60℃旋轉(zhuǎn)蒸發(fā)10 min，取0.5 mL濃縮后的溶液置于2個50 mL容量瓶中，分別用pH值為1的鹽酸緩沖液和pH為4.5的醋酸鈉緩沖液定容至刻度線，分別靜置50 min和80 min，用分光光度計在513 nm和730 nm下測定吸光度值，花青素質(zhì)量分數(shù)［20-23］

式（5）中：

A為吸光度；Df為稀釋因子；ε為矢車菊花青素-3-葡萄糖苷的消光系數(shù)，26 900；MW為矢車菊花青素-3-葡萄糖苷的相對分子質(zhì)量，449.4；V為最終體積，mL；Wt為產(chǎn)品質(zhì)量，mg；L為光程，1 cm。

3 結(jié)果與討論

3.1 檢測原始數(shù)據(jù)和光譜預(yù)處理

60個樣本花茶中的花青素含量統(tǒng)計結(jié)果如表1所示，花青素含量范圍為0.175 9～1.603 69 mg/g，每種花茶隨機選擇其中6個樣本作為校正集，4個樣本作為預(yù)測集，校正集共36個樣本，預(yù)測集共24個樣本。

表1 花茶樣本花青素含量實測值數(shù)據(jù)統(tǒng)計Table 1Statistics of anthocyanin content for calibration and prediction set of scented tea

試驗中，花茶樣本顆粒的粒徑大小和樣本的密實度不可能完全一致，將會影響到光在固體顆粒內(nèi)的漫反射。因而，需要對樣本的原始光譜數(shù)據(jù)進行預(yù)處理，本實驗中采用SNV預(yù)處理。SNV首先從原光譜中減去該條光譜的平均值，再除以標準偏差，主要用于消除由于樣品顆粒大小不均勻和密實度不一樣對光譜的影響［24］。預(yù)處理后的光譜如圖3所示。

圖3 經(jīng)SNV預(yù)處理后的花茶光譜Fig.3NIRspectraofscentedteasamplesafterSNVspectral

3.2 ACO-iPLS選擇特征子區(qū)間

花茶粉末近紅外光譜不僅包含了花青素信息，還包含了除花青素以外的組分信息。由于花青素在近紅外光譜的多個波長處有吸收，且近紅外光譜的譜峰較寬，故難以確定花青素特征子區(qū)間寬度。為了使ACO-iPLS準確定位包含花青素特征波長的子區(qū)間，需要對子區(qū)間劃分總數(shù)進行優(yōu)化。

ACO-iPLS通過選擇光譜子區(qū)間寬度、螞蟻個數(shù)、遺傳代數(shù)、循環(huán)次數(shù)和變量數(shù)，選擇最佳光譜區(qū)間進行建模。目標函數(shù)是判斷種群中個體優(yōu)劣和群體優(yōu)化程度的標準，選擇一個合適的目標函數(shù)可以加速算法收斂，提高計算精度。目標函數(shù)包括方差、標準差等。試驗結(jié)果表明，選擇均方根誤差作為目標函數(shù)能夠較快地收斂，因此選擇均方根誤差作為目標函數(shù)。

將預(yù)處理后的光譜數(shù)據(jù)劃分為p個子區(qū)間，p的取值范圍為10～30。當p取不同值時，采用ACO-iPLS選擇的特征子區(qū)間，如表2所示。

表2 ACO-iPLS子區(qū)間優(yōu)選結(jié)果Table 2Optimal spectra regions by ACO-iPLS method

續(xù)表2

可以看出，當光譜劃分為12（即p=12）時，對應(yīng)的預(yù)測均方根誤差（Rmesp）最小，選擇窗口寬帶為122 cm-1，每個光譜子區(qū)間對所建模型的權(quán)重系數(shù)是不相同的，如圖4所示。

圖4 ACO-iPLS光譜區(qū)間選擇Fig.4intervals selected by ACO-iPLS

選擇權(quán)重系數(shù)≥0.3的子區(qū)間進行建模，滿足上述條件的共有3個子區(qū)間：第1子區(qū)間（系數(shù)為1.00），第9子區(qū)間（系數(shù)為0.81），第10子區(qū)間（系數(shù)為1.00），這3個子區(qū)間對應(yīng)的光譜范圍分別為：4000～4466cm-1，7764～8231cm-1，8235～8701cm-1。在上述3個子區(qū)間的基礎(chǔ)上，用iPLS建模，將所選光譜區(qū)間集合劃分為25個子區(qū)間時，模型的預(yù)測精度和計算效率最高，校正集預(yù)測值和實測值之間的相關(guān)系數(shù)為0.901 3；預(yù)測集預(yù)測值和實測值之間的相關(guān)系數(shù)為0.864 2，其Rmsecv和Rmsep分別為0.160 0 mg/g和0.202 0 mg/g，如圖5所示。

3.3 GA-iPLS譜區(qū)篩選模型優(yōu)選特征區(qū)間

圖5 ACO-iPLS最佳模型的預(yù)測值與實測值之間的關(guān)系Fig.5Reference measured versus NIR predicted by ACO-iPLS（a）calibration sets（b）prediction sets

應(yīng)用GA-iPLS對花茶的近紅外光譜譜區(qū)進行篩選時，將全光譜分別劃分為10、11、12、…、30個子區(qū)間，以考查不同數(shù)目的子區(qū)間劃分對模型性能以及最佳波長區(qū)間的影響。GA-iPLS選擇的特征子區(qū)間見上表2。

將全光譜劃分為15個子區(qū)間，主成分數(shù)為11，初始群體為40，交叉概率為0.95，變異概率為0.1；迭代次數(shù)為60次時，模型的預(yù)測精度和計算效率最高，校正集預(yù)測值和實測值之間的相關(guān)系數(shù)為0.906 3；預(yù)測集預(yù)測值和實測值之間的相關(guān)系數(shù)為0.879 3，其Rmsecv和Rmsep分別為0.156 0 mg/g和0.206 0 mg/g，如圖6所示。

3.4 模型比較

為了對建模效果進行比較，分別對全光譜PLS、iPLS進行建模，結(jié)果如表3所示。

圖6 GA-iPLS最佳模型樣本的預(yù)測值與實測值之間的關(guān)系Fig.6Reference measured versus NIR predicted by GA-iPLS in prediction and calibration sets

表3 不同譜區(qū)篩選的模型的結(jié)果Table 3Results of different selecting wavelength regions models

從表3可以看出，ACO-iPLS和GA-iPLS模型精度都比全光譜PLS和iPLS模型精度高，其中GA-iPLS最高。而GA-iPLS模型和ACO-iPLS模型需要的光譜區(qū)間所含的波數(shù)點分別為208和366，只有全光譜（波數(shù)點數(shù)為1 557個）的約1/7和1/4；iPLS建模雖只需一個光譜區(qū)間，但是模型的精度和預(yù)測效果較差。

對比結(jié)果表明，ACO-iPLS和GA-iPLS均可以大大簡化模型，同時還能提高模型的預(yù)測精度和魯棒性，且兩種優(yōu)化算法都包含有4 000～4 400 cm-1（2 270～2 500 nm）這個波段。

光譜分析表明，該近紅外波段頻率的4倍對應(yīng)的是花青素在可見光波段的特征吸收波段（560～6 200 nm）。

4 結(jié)語

將ACO和GA分別與iPLS相結(jié)合，以建立最優(yōu)花茶花青素含量的近紅外光譜預(yù)測模型為目標，對比研究這兩種算法對近紅外光譜區(qū)篩選的結(jié)果，ACO-iPLS模型對應(yīng)的校正集和預(yù)測集相關(guān)系數(shù)分別為0.901 3和0.864 2，Rmsecv和Rmsep分別為0.160 0 mg/g和0.202 0 mg/g；GA-iPLS模型對應(yīng)的校正集和預(yù)測集相關(guān)系數(shù)分別為0.906 3和0.879 3，Rmsecv和Rmsep各為0.156 0 mg/g和0.206 0 mg/g，均優(yōu)于全光譜PLS和iPLS模型。研究結(jié)果充分表明，將ACO-iPLS和GA-iPLS對花茶花青素含量進行建模，簡化了模型復(fù)雜度，提高了模型的預(yù)測精度和計算效率，其中GA-iPLS模型的精度更高。

［1］石吉勇，鄒小波，趙杰文，等.基于近紅外光譜的設(shè)施栽培水果黃瓜磷元素虧缺初期快速診斷［J］.光譜學與光譜分析，2011，31（12）：3264-3268.

SHI Jiyong，ZOU Xiaobo，ZHAO Jiewen et al.Rapid diagnostics of early phosphorus deficiency in mini-cucumber plants under protected cultivation by near infrared spectroscopy［J］.Spectroscopy and Spectral Analysis，2011，31（12）：3264-3268.（in Chinese）

［2］劉燕德，陳興苗，孫旭東.可見/近紅外漫反射光譜無損檢測南豐蜜桔維生素C的研究［J］.光譜學與光譜分析，2008，28（10）：2318-2324.

LIU Yande，CHEN Xingmiao，SUN Xudong.Nondestructive measurement of vitamin c in nanfeng tangerine by visible/near-infrared diffuse reflectance spectroscopy［J］.Spectroscopy and Spectral Analysis，2008，28（10）：2318-2324.（in Chinese）

［3］湯旭光，宋開山，劉殿偉，等.基于可見/近紅外反射光譜的大豆葉綠素含量估算方法比較［J］.光譜學與光譜分析，2011，31（2）：371-374.

TANG Xuguang，SONG Kaishan，LIU Dianwei，et al.Comparison of methods for estimating soybean chlorophyll content based on visual/near infrared reflection spectra［J］.Spectroscopy and Spectral Analysis，2011，31（2）：371-374.（in Chinese）

［4］李水芳，張欣，單楊，等.近紅外光譜檢測蜂蜜中可溶性固形物含量和水分的應(yīng)用研究［J］.光譜學與光譜分析，2010，30（9）：2377-2380.

LI Shuifang，ZHANG Xin，SHANG Yang，et al.Prediction Analysis of soluble solids content and moisture in honey by near infrared spectroscopy［J］.Spectroscopy and Spectral Analysis，2010，30（9）：2377-2380.（in Chinese）

［5］芮玉奎，辛術(shù)貞，李軍會.應(yīng)用近紅外光譜技術(shù)測試溫室黃瓜葉片全氮含量［J］.光譜學與光譜分析，2011，31（8）：2114-2116.

RUI Yukui，XIN Shuzhen，LI Junhui.Application of NIRS to detecting total n of cucumber leaves growing in greenhouse［J］. Spectroscopy and Spectral Analysis，2011，31（8）：2114-2116.（in Chinese）

［6］石吉勇，鄒小波，趙杰文，等.BiPLS結(jié)合模擬退火算法的近紅外光譜特征波長選擇研究［J］.紅外與毫米波學報，2011，30（5）：458-466.

SHI Jiyong，ZOU Xiaobo，ZHAO Jiewen et al.Selection of wavelength for strawberry NIR spectroscopy based on BIPLS combined with SAA［J］.j.Infrared Millim Waves，2011，30（5）：458-466.（in Chinese）

［7］石吉勇，鄒小波，趙杰文等.一種近紅外光譜特征子區(qū)間選擇新算法［J］.光譜學與光譜分析，2010，54（12）：3119-3125.

SHI Jiyong，ZOU Xiaobo，ZHAO Jiewen et al.A new method of characteristic wavelength sub-range selection of near infrared spectroscopy［J］.Spectroscopy and Spectral Analysis，2010，54（12）：3119-3125.（in Chinese）

［8］Shi Jiyong，Zou Xiaobo，Zhao Jiewen，et al.Diagnostics of nitrogen deficiency in mini-cucumber plant by near infrared reflectance spectroscopy［J］.African Journal of Biotechnology，2011（10）：19687-19692.

［9］Zou Xiaobo，Zhao Jiewen，Povey Malcolm J W，et al.Variables selection methods in near-infrared spectroscopy［J］.Analytica Chimica Acta，2010，667（1-2）：14-32.

［10］Zou Xiaobo，Zhao Jiewen，Huang Xingyi，et al.Use of FT-NIR spectrometry in non-invasivemeasurements of solublesolid contents（SSC）of‘Fuji'applebasedondifferentPLSmodels［J］.Chemometrics And Intelligent Laboratory Systems，2007，87（1）：43-51.

［11］劉甲林.基于改進蟻群算法的油品調(diào)和配方優(yōu)化研究［D］.大連：大連理工大學，2011.

［12］欒東磊.近紅光譜分析技術(shù)在幾種水產(chǎn)品中的應(yīng)用研究［D］.大連：大連理工大學，2009.

［13］陳永明，林萍，何勇.基于遺傳算法的近紅外光譜橄欖油產(chǎn)地鑒別方法研究［J］.光譜學與光譜分析，2009，29（3）：671-674.

CHEN Yongming，LIN Ping，HE Yong.Study on discrimination of producing area of olive oil using near infrared spectra based on genetic algorithms［J］.Spectroscopy and Spectral Analysis，2009，29（3）：671-674.（in Chinese）

［14］Allegrini Franco，Olivieri Alejandro C.A new and efficient variable selection algorithm based on ant colony optimization. Applications to near infrared spectroscopy/partial least-squares analysis［J］.Analytica Chimica Acta，2011，699（1）：18-25.

［15］郭亮，吉海彥.蟻群算法在近紅外光譜定量分析中的應(yīng)用研究［J］.光譜學與光譜分析，2007，27（9）：1703-1705.

GUO Liang，JI Haiyan.Application study of ant colony algorithm in near infrared spectroscopy quantitative analysis［J］. Spectroscopy and Spectral Analysis，2007，27（9）：1703-1705.（in Chinese）

［16］朱峰，陳莉.蟻群與遺傳算法融合的聚類算法研究［J］.西北大學學報：自然科學版，2009，39（5）：745-749.

ZHU Feng，CHEN Li.Research on clustering algorithm based on fusion of ant colony and genetic algorithm［J］.Journal ofNorthwest University（Natural Science Edition），2009，39（5）：745-749.（in Chinese）

［17］李艷肖，鄒小波，董英.用遺傳區(qū)間偏最小二乘法建立蘋果糖度近紅外光譜模型［J］.光譜學與光譜分析，2007，27（10）：2001-2004.

LI Yanxiao，ZOU Xiaobo，DONG Ying.Near infrared determination of sugar content in apples based on ga-ipls［J］.Spectroscopy and Spectral Analysis，2007，27（10）：2001-2004.（in Chinese）

［18］屠振華，籍保平，孟超英，等.基于遺傳算法和間隔偏最小二乘的蘋果硬度特征波長分析研究［J］.光譜學與光譜分析，2009，29（10）：2760-2764.

TU Zhenhua，JI Baoping，MENG Chaoying，et al.Analysis of nir characteristic wavelengths for apple flesh firmness based on ga and ipls［J］.Spectroscopy and Spectral Analysis，2009，29（10）：2760-2764.（in Chinese）

［19］王加華，韓東海.基于遺傳算法的蘋果糖度近紅外光譜分析［J］.光譜學與光譜分析，2008，28（10）：2308-2311.

WANG Jiahua，HAN Donghai.Analysis of near infrared spectra of apple ssc by genetic algorithm optimization［J］.Spectroscopy and Spectral Analysis，2008，28（10）：2308-2311.（in Chinese）

［20］朱毛毛.桑椹紅色素的提取純化及其抗氧化活性和穩(wěn)定性研究［D］.鎮(zhèn)江：江蘇大學，2009.

［21］Patil Ganapathi，Madhusudhan M C，Babu B Ravindra，et al.Extraction，dealcoholization and concentration of anthocyanin from red radish［J］.Chemical Engineering and Processing：Process Intensification，2009，48（1）：364-369.

［22］Sarma Annamraju D，Sreelakshmi Yellamraju，Sharma Rameshwar.Antioxidant ability of anthocyanins against ascorbic acid oxidation［J］.Phytochemistry，1997，45（4）：671-674.

［23］陳健，孫愛東，高雪娟，等.藍莓花青素的提取及抗氧化性的研究［J］.北京林業(yè)大學學報，2011，33（2）：126-129.

SU Jian，SUN Aidong，GAO Xuejuan，et al.Extraction and antioxidation of anthocyanins from blueberry［J］.Journal of Beijing Forestry University，2011，33（2）：126-129.（in Chinese）

［24］Chen Quansheng，Jiang Pei，Zhao Jiewen.Measurement of total flavonen content in snow lotus（Saussurea involucrate）using near infrared spectroscopy combined with interval PLS and genetic algorithm［J］.Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2010，76（1）：50-55.

Optimization of NIR Spectroscopy Based on Ant Colony Optimization and Genetic Algorithm for the Anthocyanin Content in Scented Tea

LI Yanxiao，HUANG Xiaowei，ZOU Xiaobo*，ZHAO Jiewen，SHI Jiyong，ZHANG Xiaolei
（College of Food and Biological Engineering，Jiangsu University，Zhenjiang 212013，China）

Optimization of Near infrared（NIR）spectroscopy for quantitative analysis of the anthocyanin content in scented tea was discussed by selecting the optimal spectra intervals from the whole NIR spectroscopy using two variable models：Ant colony optimization interval partial least squares（ACO-iPLS）and Genetic Algorithm interval partial least squares（GA-iPLS）.The ACO-iPLS full-spectrum was split into 12 intervals.The optimal intervals selected were the 1st interval，9th interval and 10th interval.The calibration and prediction correlation coefficient of ACO-iPLS model were 0.901 3 and 0.864 2，in which the root mean square error of cross validation（RMSECV）of 0.160 0 mg/g and the root mean square error of prediction（RMSEP）of 0.206 0 mg/g were achieved.As in the GA-iPLS model，the data set was split into 15 intervals for optimization where 1st and 5th intervals were selected.The calibration and prediction correlation coefficient of GA-iPLS model were 0.901 3 and 0.864 2，and the RMSECV and RMSEP of GA-iPLS models based on these intervals were 0.156 0 mg/g and 0.206 0 mg/g，respectively.The results showed that both ACO-iPLS and GA-iPLS models could efficiently select spectrum intervals for quantitative analysis of anthocyanin in scented tea.The optimal GA-iPLS model had better performance with higher accuracy.

ant colony optimization，genetic algorithm，interval partial least squares，scented tea，anthocyanin，quantitative analysis model

O657·3

A

1673—1689（2015）06—0575—09

2014-06-22

國家自然科學基金項目（60901079）；國家863計劃項目（2011AA108007）；江蘇省杰出青年基金項目（BK2013010）；江蘇特聘教授基金項目（201205）

李艷肖（1976-），女，河北石家莊人，工學碩士，實驗師，主要從事農(nóng)產(chǎn)品、食品檢測。E-mail：li_yanxiao@163.com

*通信作者：鄒小波（1974-），男，湖南汨羅人，工學博士，教授，博士研究生導師，主要從事農(nóng)產(chǎn)品、食品品質(zhì)無損檢測研究。E-mail：zou_xiaobo@ujs.edu.cn