李浩光，李衛(wèi)軍，覃 鴻，張麗萍，董肖莉，于云華

1. 中國科學(xué)院半導(dǎo)體研究所高速電路與神經(jīng)網(wǎng)絡(luò)實驗室，北京 100083

2. 中國石油大學(xué)(華東)信息與控制工程學(xué)院，山東 東營 257061

一種添加歷史數(shù)據(jù)的近紅外光譜特征提取方法研究

李浩光1,2，李衛(wèi)軍1*，覃 鴻1，張麗萍1，董肖莉1，于云華2

1. 中國科學(xué)院半導(dǎo)體研究所高速電路與神經(jīng)網(wǎng)絡(luò)實驗室，北京 100083

2. 中國石油大學(xué)(華東)信息與控制工程學(xué)院，山東 東營 257061

針對近紅外光譜定性分析中，增加新的品種進(jìn)行建模時，原有模型識別效果不夠穩(wěn)定的問題，提出一種在建模樣本的基礎(chǔ)上添加同類物質(zhì)的歷史光譜數(shù)據(jù)的特征提取方法，首先采集建模樣本的近紅外光譜數(shù)據(jù)，然后添加同種物質(zhì)樣本的歷史近紅外光譜數(shù)據(jù)，再對所有近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理，其次對所有樣本數(shù)據(jù)進(jìn)行偏最小二乘(PLS)特征提取得到偏最小二乘空間，并只將建模樣本數(shù)據(jù)向構(gòu)建的偏最小二乘空間進(jìn)行投影，最后將投影后的建模數(shù)據(jù)進(jìn)行正交線性判別分析(OLDA)特征提取。以玉米種子近紅外光譜為研究對象，分別對建模數(shù)據(jù)添加歷史近紅外光譜以及不添加歷史近紅外光譜兩種情況進(jìn)行特征提取，并通過仿生模式識別(BPR)方法構(gòu)建模型進(jìn)行驗證，實驗結(jié)果表明，添加歷史近紅外光譜構(gòu)建偏最小二乘空間的特征提取方法相對于不添加歷史近紅外光譜的方法，首先在增加建模集品種數(shù)量時，原有的品種識別率基本不變；其次在相同PLS維數(shù)時，所建模型對不同時間采集的測試集識別效果基本一致，證明了該方法可以提高模型穩(wěn)健性。在實際應(yīng)用中就可以在品種鑒別軟件中將特征提取維數(shù)設(shè)置為固定值，免除了品種鑒別軟件的用戶在增加建模集品種時為了保證最優(yōu)識別效果重新選定最優(yōu)PLS參數(shù)的麻煩。

近紅外光譜；投影；定性分析；偏最小二乘

引 言

近紅外光譜(near infrared spectrum，NIR)是介于可見光(Vis)與中紅外(Mir)之間的電磁輻射波，美國材料檢測協(xié)會(ASTM)將780～2 526 nm的區(qū)域定義為近紅外光譜譜區(qū)，是人們在吸收光譜中發(fā)現(xiàn)的第一個非可見光區(qū)。因為近紅外光譜區(qū)與有機分子中含氫基團(tuán)(O—H，N—H，C—H)振動的合頻和各級倍頻的吸收區(qū)一致，通過掃描樣品的近紅外光譜，可以獲取被測樣品中有機分子含氫基團(tuán)的特征信息，利用近紅外光譜技術(shù)分析樣品具有方便、快速、高效、準(zhǔn)確和成本較低，不破壞樣品，不消耗化學(xué)試劑，不污染環(huán)境等優(yōu)點，因此該技術(shù)受到越來越多人的青睞[1-3]。

用儀器測得的近紅外光譜實際上是樣品的表觀光譜，表觀光譜包含確定信息及不確定信息，確定信息是樣品的真實光譜特征，而不確定信息是樣品光譜上疊加的各種背景信息。表觀光譜不僅承載了樣品的化學(xué)和物理信息，還包含了測量光譜的儀器參數(shù)、樣品松緊度、溫度、濕度等多方面的背景信息，這些不確定因素會造成模型的不穩(wěn)定[4-5]。

在以往的近紅外光譜定性分析中，通常只用某一臺儀器在一段時間內(nèi)所采集的近紅外光譜數(shù)據(jù)建模，這種方法存在以下兩個問題：(1)測試不同日期的樣本時，最優(yōu)識別效果所對應(yīng)的特征提取環(huán)節(jié)的PLS維數(shù)或PCA維數(shù)會發(fā)生變化，即同一個模型識別不同時間采集的測試樣本時，最優(yōu)識別率所對應(yīng)的特征提取維數(shù)不固定；(2)需要給新品種建模時，原有品種的最優(yōu)識別率及最優(yōu)識別率所對應(yīng)的維數(shù)都會發(fā)生變化。而在實際應(yīng)用中，使用近紅外光譜儀進(jìn)行品種鑒別或真?zhèn)舞b別時，隨著時間的推移，往往需要對許多新品種進(jìn)行建模，由于這種情況導(dǎo)致原有品種的識別效果發(fā)生變化，不利于模型的實際應(yīng)用和推廣。

為了解決上述問題，基于近紅外光譜定性分析中的“包容”的思想[1-2]，充分利用歷史實驗中采集的光譜，提高模型的穩(wěn)健性，提出了一種在建模品種基礎(chǔ)上添加同類物質(zhì)的歷史光譜數(shù)據(jù)的特征提取方法，以若干玉米種子為研究對象，對建模數(shù)據(jù)添加近紅外光譜以及不添加近紅外光譜兩種情況進(jìn)行特征提取，并通過仿生模式識別(BPR)方法[6]進(jìn)行定性分析，通過實驗結(jié)果說明提出的方法可以提高近紅外定性分析模型的穩(wěn)健性。

1 添加歷史近紅外光譜特征提取的原理

添加歷史近紅外光譜構(gòu)建PLS空間方法的原理如圖1所示，首先采集建模樣本的近紅外光譜數(shù)據(jù)，然后添加同種物質(zhì)樣本的歷史近紅外光譜數(shù)據(jù)，對前兩步中的建模樣本數(shù)據(jù)及歷史樣本數(shù)據(jù)進(jìn)行預(yù)處理，其次對所有樣本數(shù)據(jù)進(jìn)行偏最小二乘特征提取，并得到偏最小二乘空間，將建模樣本數(shù)據(jù)向構(gòu)建的偏最小二乘空間[7-8]進(jìn)行投影，最后將投影后的建模數(shù)據(jù)進(jìn)行正交線性判別分析[9-10](OLDA)特征提取。

1.1 光譜數(shù)據(jù)預(yù)處理

由于近紅外光譜中的不確定背景信息的干擾且譜帶重疊，需要對近紅外光譜進(jìn)行預(yù)處理，采用的預(yù)處理方法包括數(shù)據(jù)歸一化處理、導(dǎo)數(shù)法處理、平滑處理或中心化及標(biāo)準(zhǔn)化處理。不確定的背景信息是指受近紅外光譜儀儀器狀態(tài)、測定條件與環(huán)境影響的信息。所采用的預(yù)處理方法為：平滑、一階導(dǎo)和歸一化[3]。

圖1 添加歷史近紅外光譜的特征提取方法原理

1.2 偏最小二乘(PLS)特征提取

對所有樣本數(shù)據(jù)進(jìn)行偏最小二乘特征提取，得到偏最小二乘特征矩陣，以利用該矩陣將數(shù)據(jù)變換到偏最小二乘空間。建模樣本數(shù)據(jù)，是指經(jīng)過預(yù)處理之后的建模樣本數(shù)據(jù)，而所有樣本數(shù)據(jù)包括建模樣本數(shù)據(jù)和歷史光譜數(shù)據(jù)，具體步驟如下：

對樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即令樣本的各個變量的均值為0，方差為1；令總樣本矩陣為X0，類別信息矩陣為Y0，X01為建模樣本矩陣, 為同種物質(zhì)的歷史樣本矩陣；其中，X0定義為n條光譜p個數(shù)據(jù)點的原始光譜矩陣，Y0為對應(yīng)的類別屬性矩陣

其中

Y0中，yij=1表示第i條光譜屬于第j類，yij表示第i條光譜不屬于第j類。

1.3 對建模樣本數(shù)據(jù)進(jìn)行正交線性判別分析(OLDA)特征提取

正交線性判別分析(OLDA)特征提取方法，與傳統(tǒng)的線性判別[11]分析相比，能夠解決后者在實際應(yīng)用中遇到的小樣本問題。

對經(jīng)過偏最小二乘特征提取之后的建模集數(shù)據(jù)進(jìn)行正交線性鑒別分析特征提取，得到正交線性鑒別分析特征矩陣；與線性鑒別分析相比，正交線性鑒別分析在求解變換矩陣的過程中，特征向量之間是兩兩正交的，即滿足WTW=I。正交線性鑒別分析特征提取后得到正交線性鑒別分析特征矩陣，具體包括：

假設(shè)有C類樣本，總樣本數(shù)為N，Ni為第i類樣本數(shù)，則定義類內(nèi)散布矩陣SW、類間散布矩陣SB如下

將正交線性鑒別分析的優(yōu)化問題轉(zhuǎn)換為求解下式的優(yōu)化問題

其中，wi=(i=1，2，…)對應(yīng)為下式特征值降序排列前n個值對應(yīng)的特征向量，且要滿足WTW=I

SBw=λSWw

2 實驗部分

2.1 儀器與樣品

實驗儀器采用杭州聚光科技公司(FPI)的SupNIR-2700系列的近紅外光譜儀，儀器參數(shù)如下：適用的樣品狀態(tài)為顆?；蚍勰畹裙腆w，光源為鹵鎢燈，波長范圍為1 000～1 800 nm，有效光程為0.2～5 mm，波長準(zhǔn)確性為0.2 nm，測定形式是非接觸漫反射。

所用的建模集玉米品種有農(nóng)華032、農(nóng)大108、京玉16、洛單248、屯玉2106、玉朱2107、玉朱2110、屯玉2109共八個品種足夠多的籽粒，分為有包衣和無包衣的兩種籽粒，玉米包衣是指在玉米種子外面通過人工方式包裹的一層含水藥劑和促進(jìn)生長物質(zhì)的種衣劑。本實驗無包衣玉米作為建模對象，而將有包衣玉米作為測試對象，可以檢驗?zāi)Ｐ驮谟懈蓴_情況下的識別效果，同時也是種子企業(yè)的實際需求。

交替采集8個品種的近紅外光譜數(shù)據(jù)，按照農(nóng)華032一杯—農(nóng)大108一杯—京玉16一杯—洛單248一杯—屯玉2106—玉朱2107—玉朱2110—屯玉2109…的方式采集光譜，中間無校驗。

按這種方式為每一品種的有包衣和無包衣的種子各自采集30條光譜，八個品種一共采集到8×2×30=480條光譜。

采集時間為2014年9月15日、9月16日、10月21日共3天，每天采集480條光譜，最終得到1 440條光譜。

用2014年9月15日上午采集的農(nóng)華032、農(nóng)大108、京玉16、洛單248，每個品種的30條無包衣光譜數(shù)據(jù)作為初始建模集，在此初始建模集中按順序增加屯玉2106、玉朱2107、玉朱2110、屯玉2109等四個品種，每次增加一種，對應(yīng)的建模集中玉米品種數(shù)量分別是4，5，6，7，8共五種情況，構(gòu)成建模集BM1，BM2，BM3，BM4和BM5，各建模集包含玉米品種如表1所示。

分別用9月15日、9月16日、10月21日上午每個品種的30條有包衣的光譜數(shù)據(jù)作為測試集，即每個測試集計120條光譜。三個測試集分別記作T1，T2，T3。

而同種物質(zhì)歷史近紅外光譜是指一些在過去的實驗中采集的近紅外光譜，這些歷史光譜與建模的光譜，使用的近紅外光譜儀需為同一型號，可以是同一型號的不同機器，但是周圍環(huán)境可以不同。

歷史實驗采集的玉米近紅外光譜數(shù)據(jù)相隔時間為一年左右，具體有：屯玉綠源2012、屯玉綠源2014、屯玉綠源2015、屯玉24、農(nóng)大106、農(nóng)華海南101、農(nóng)華海南2010、浚單20、甘肅臨澤2009、浚單武威3010，共計10個品種，每個品種光譜30條，30條分為三天，每天各10條，分別采于2013年6月27日、2013年7月9日、2013年7月17日，這10個品種共計300條光譜記作歷史數(shù)據(jù)集H。

表1 建模集詳細(xì)信息表

2.2 方法

為驗證添加同種物質(zhì)樣本的歷史近紅外光譜數(shù)據(jù)特征提取方法的有效性，以及對不同時間采集的有包衣玉米籽粒的鑒別效果，設(shè)計了兩個實驗，分別如下：(1)實驗一：各建模集不添加同種物質(zhì)樣本的歷史數(shù)據(jù)集H，依次將建模集BM1，BM2，BM3，BM4和BM5預(yù)處理后，進(jìn)行偏最小二乘特征提取，然后向其自身構(gòu)建偏最小二乘特征空間投影，對投影后的建模樣本數(shù)據(jù)進(jìn)行正交線性判別分析特征提取，并通過仿生模式識別方法進(jìn)行定性分析。

(2)實驗二：各建模集添加同種物質(zhì)樣本的歷史數(shù)據(jù)集H，依次用建模集BM1，BM2，BM3，BM4和BM5共計240條光譜；添加屯玉2106、玉朱2107等10個品種的同種物質(zhì)歷史近紅外光譜數(shù)據(jù)H，預(yù)處理后一起進(jìn)行偏最小二乘特征提取，構(gòu)建偏最小二乘空間，然后將各建模集向建模集與歷史數(shù)據(jù)集H聯(lián)合構(gòu)建的偏最小二乘特征空間投影，最后對投影后的建模樣本數(shù)據(jù)進(jìn)行正交線性判別分析特征提取，并通過仿生模式識別方法進(jìn)行定性分析。

仿生模式識別(biomimetic pattern recognition，BPR)是由中國科學(xué)院半導(dǎo)體研究所王守覺院士通過分析人類認(rèn)識事物的特點所提出的一種全新思想的模式識別方法 。與傳統(tǒng)模式識別不同，仿生模式識別把模式識別問題看成是一類一類樣本的“認(rèn)識”，而不是多類樣本的劃分。仿生模式識別以“同源連續(xù)性”為基點，認(rèn)為兩個同類樣本之間至少存在一個漸變過程，在漸變過程中間的各樣本都是同屬于該類的，或者說特征空間中同類樣本的全體是連續(xù)的，這個連續(xù)性規(guī)律是客觀世界中人類直觀認(rèn)識范圍的客觀存在的規(guī)律，也是仿生模式識別中用來作為樣本點分布的“先驗知識”，從而來提高對事物的認(rèn)識能力。因此，仿生模式識別的目標(biāo)就是如何對一類樣本在特征空間的分布進(jìn)行最佳覆蓋，覆蓋的結(jié)果可以看作是特征空間中表征該類別的一個復(fù)雜幾何形體；仿生模式識別的任務(wù)就是判別特征空間中待識別樣本點是否屬于該幾何形體[12]。

使用仿生模式識別方法依次對BM1，BM2，BM3，BM4，BM5進(jìn)行建模，然后用測試集T1，T2和T3進(jìn)行測試。實驗一和實驗二分別對有、無歷史數(shù)據(jù)集H兩種情況下，增加建模集品種數(shù)目，最優(yōu)識別率對應(yīng)的PLS維數(shù)進(jìn)行了統(tǒng)計。

(1)在實驗一中，當(dāng)OLDA的特征維數(shù)為4時，未將歷史數(shù)據(jù)集H與各建模集一起構(gòu)建PLS空間，最優(yōu)識別率對應(yīng)的PLS維數(shù)如表2所示。

(2)在實驗二中，當(dāng)OLDA的特征維數(shù)為4時，將歷史數(shù)據(jù)集H分別與各建模集BM1，BM2，BM3，BM4和BM5聯(lián)合構(gòu)建PLS空間，最優(yōu)識別率對應(yīng)的PLS維數(shù)如表3所示。

從表2可以看出，使用未添加同種物質(zhì)歷史近紅外光譜構(gòu)建PLS空間方法時，建模集數(shù)量由四種增加到八種時，即建模集分別為BM1，BM2，BM3，BM4和BM5，最優(yōu)識別率所對應(yīng)的PLS維數(shù)在6～15之間變化，當(dāng)測試集不同時，最優(yōu)識別率所對應(yīng)的PLS維數(shù)也發(fā)生變化。而表3中，使用添加歷史樣本光譜聯(lián)合構(gòu)建PLS空間方法以后，建模集由四種增加到八種時，最優(yōu)識別率所對應(yīng)的PLS維數(shù)變化范圍主要在6～8之間，且主要穩(wěn)定在6維。

表2 實驗一最優(yōu)識別率對應(yīng)的PLS維數(shù)

表3 實驗二最優(yōu)識別率對應(yīng)的PLS維數(shù)

圖2是未使用添加同種物質(zhì)歷史近紅外光譜構(gòu)建PLS空間方法，PLS維數(shù)等于6時，隨建模集品種從四種增加至八種，9月15日、9月16日、10月21日三個測試集T1，T2和T3測試所得的識別率變化曲線。

從圖2可以看出，對于同一個測試集，雖然在PLS=6時，當(dāng)建模集品種從四種增加到八種過程中，識別率都會在某一個點高于90%，但是不穩(wěn)定，同時對于三個日期的測試集T1，T2和T3，識別效果也不一致，所建模型缺乏實際應(yīng)用價值。

圖2 實驗一PLS=6識別率變化曲線

圖3是使用添加同種物質(zhì)歷史近紅外光譜構(gòu)建PLS空間方法后，PLS維數(shù)等于6時，建模集分別為BM1，BM2，BM3，BM4和BM5，隨建模集品種從四種增加到八種，9月15日、9月16日、10月21日三個測試集T1，T2和T3測試所得的識別率變化曲線。

圖3 實驗二PLS=6識別率變化曲線

從圖3可以看出，對于同一個測試集，當(dāng)PLS=6時，建模集分別為BM1，BM2，BM3，BM4和BM5，當(dāng)建模集品種從四種增加到八種，識別率都高于90%，且對于不同日期的測試集T1，T2和T3，識別效果波動不大，因此在實際應(yīng)用時就可以在品種鑒別軟件中固定設(shè)置PLS=6，免除了農(nóng)作物種子企業(yè)在增加建模集品種時為了保證最優(yōu)識別效果重新選定最優(yōu)PLS參數(shù)的麻煩。

在實驗一中未添加歷史光譜，雖然對某一測試集能夠在某一個PLS維數(shù)下獲得較高的識別率，但是對于不同的測試集識別效果不一致。此外，在原有模型中增加新的品種時，最優(yōu)識別率所對應(yīng)的PLS維數(shù)也發(fā)生變化，同樣也表明模型穩(wěn)定性不足。說明只用建模品種來構(gòu)建PLS空間，雖然可以剔除一定的相關(guān)信息，提取一些能夠解釋不同品種間差異的變量，但是由于樣本容量相比于變量個數(shù)仍顯不足，導(dǎo)致模型穩(wěn)定性不足。若在偏最小二乘環(huán)節(jié)加入歷史近紅外光譜，相當(dāng)于在同樣的變量個數(shù)情況下，擴大了樣本容量，使得偏最小二乘空間包容了更多的差異性，可以進(jìn)一步消除變量之間的相關(guān)性，剔除多重相關(guān)信息的干擾，突出不同品種玉米之間的類間差異，從而提高了模型的穩(wěn)健性。

3 結(jié) 論

針對近紅外光譜定性分析中，不同時間下的測試樣本的識別效果會發(fā)生變化，具體來說：同一個模型識別不同天的測試樣本時，最優(yōu)識別率所對應(yīng)的PLS維數(shù)不固定，此外，給新的品種建模時，原有品種的最優(yōu)識別率所對應(yīng)的維數(shù)也會發(fā)生變化，而實際生產(chǎn)中，往往有許多新的品種需要加入原有模型中，由于這種情況導(dǎo)致原有品種的識別效果發(fā)生變化，不利于模型的實際應(yīng)用。本文提出一種將同種物質(zhì)歷史光譜加入建模集，經(jīng)過預(yù)處理后聯(lián)合構(gòu)建偏最小二乘空間的特征提取方法。一方面在建模集品種數(shù)增加時，使最優(yōu)識別率所對應(yīng)的PLS維數(shù)穩(wěn)定在某一固定值；另一方面使用本文所提出的特征提取方法后的數(shù)據(jù)所建模型對不同天次的測試樣本識別率均能達(dá)到90%以上，即具有較好的穩(wěn)健性，使得該方法能夠在實際中具有一定的實用價值。

[1] YAN Yan-lu(嚴(yán)衍祿). Modern Instrumental Analysis·3rd ed.(現(xiàn)代儀器分析·第3版). Beijing: China Agricultural University Press(北京：中國農(nóng)業(yè)大學(xué)出版社)，2010.

[2] LU Wan -zhen, YUAN Hong-fu, XU Guang-tong, et al( 陸婉珍, 袁洪福, 徐廣通, 等) . Modern Near Infrared Spectroscopy Analytical Technology·2nd ed.(現(xiàn)代近紅外光譜分析技術(shù)·第2版). Beijing: China Petrochemical Press(北京: 中國石化出版社), 2007.

[3] ZHU Er-yi，YANG Peng-yuan(朱爾一，楊芃原). Chemometrics Technology and Application(化學(xué)計量學(xué)技術(shù)及應(yīng)用). Beijing：Science Press(北京：科學(xué)出版社)，2001.

[4] YAN Yan-lu, CHEN Bin, ZHU Da-zhou(嚴(yán)衍祿, 陳 斌，朱大洲). Near Infrared Spectroscopy Analytical—Principles, Technology and Application(近紅外光譜分析的原理、技術(shù)與應(yīng)用) . Beijing: China Light Industry Press(北京: 中國輕工業(yè)出版社), 2007.

[5] CAO Wu, LI Wei-jun, WANG Ping, et al(曹 吾，李衛(wèi)軍，王 平，等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析)，2014, 34(6): 1.

[6] WANG Shou-jue(王守覺). First Step to Multi-Dimensional Space Biomimetic Informatics(多維空間仿生信息學(xué)入門). Beijing: National Defense Industry Press(北京：國防工業(yè)出版社)，2008.

[7] Ji Guoli, Huang Guangzao, Yang Zijiang, et al. Chemometrics and Intelligent Laboratory Systems, 2015, 144：56.

[8] Bi Yiming, Chu Guohai, Wu Jizhong, et al. Chinese Journal of Analytical Chemistry, 2015, 43(7)：1086.

[9] Duda R O，Hart P E，Stork D G. Pattern Classification(模式分類). Translated by LI Hong-dong，YAO Tian-xiang，et al(李宏東，姚天翔，等譯). Beijing：China Machine Press(北京：機械工業(yè)出版社)，2003.

[10] Chen Quansheng, Hui Zhe, Zhao Jiewen, et al LWT-Food Science and Technology, 2014, 57(2)：502.

[11] Yang J, Jin Z, Yang J Y, et al. Pattern Recognition, 2004, 37(10): 2097.

[12] Wang Shoujue. Biomimetic Pattern Recognition and Multi-Weight Neuron. Beijing: National Defense Industry Press，2012.

(Received Aug. 18, 2015; accepted Dec. 6, 2015)

*Corresponding author

A New Feature Extraction Method of Near-Infrared Spectra Based on the Addition of Historical Data

LI Hao-guang1,2，LI Wei-jun1*, QIN Hong1, ZHANG Li-ping1, DONG Xiao-li1, YU Yun-hua2

1. Institute of Semiconductors, Chinese Academy of Sciences, Beijing 100083, China

2. College of Information and Control Engineering, China University of Petroleum, Dongying 257061, China

In traditional qualitative analysis of near-infrared (NIR) spectra, the stability of recognition models is decreased when new varieties of samples are added into the model. In order to improve the robustness of the model, a new feature extraction method based on the addition of historical data was put forward. The NIR training samples will be collected first, after that the historical data of the same species is added to constitute a larger and richer dataset. Then, the pretreated data of these training samples is projected to the feature space, which is constructed by feature extraction using partial least squares (PLS) based on the above dataset. Subsequently, orthogonal linear discriminant analysis (OLDA) is employed to extract features of the projected data. 18 varieties of corn seeds were taken as study subject, the comparative experiments with and without historical data are implemented respectively, and then the biomimetic pattern recognition (BPR) method is applied to verify the efficiency of the method proposed. The results suggest that the method adopted can improve the robustness of recognition model more effectively compared with the method without historical data. It maintains the high correct recognition ratios when new varieties are added into the model. Besides that, the recognition effect on test sets of the different days remains the same basically in the condition of same PLS dimensions. Therefore, the dimension of feature extraction can be set to some fixed values in recognition software. In this way, it can keep out of the trouble of manually modifying the optimal PLS parameter in recognition software if new varieties need to be added into the model. The experiment results of the thesis manifested the effectiveness of the proposed method.

The near-infrared Spectra; Project; Qualitative analysis; Partial least square

2015-08-18，

2015-12-06

國家重大科學(xué)儀器設(shè)備開發(fā)專項(2014YQ470377)，中央高?；究蒲袠I(yè)務(wù)費專項資金項目(15CX02103A)，國家公派訪問學(xué)者項目(留金發(fā)[2014]3012號)和中國石油大學(xué)勝利學(xué)院科技計劃項目(KY2015011)資助

李浩光，1981年生，中國科學(xué)院半導(dǎo)體研究所博士研究生 e-mail：lihaoguang@semi.ac.cn *通訊聯(lián)系人 e-mail：wjli@semi.ac.cn

O657.3

A

10.3964/j.issn.1000-0593(2016)10-3148-06