陳 勇，吳彩娥，熊智新*

（南京林業(yè)大學(xué)輕工與食品學(xué)院，江蘇 南京 210037）

小麥粉中蛋白質(zhì)質(zhì)量分?jǐn)?shù)約為7%～15%，決定著小麥粉的營(yíng)養(yǎng)品質(zhì)和加工品質(zhì)，所以小麥粉蛋白含量的檢測(cè)具有重要意義。小麥蛋白含量測(cè)定有化學(xué)法和物理法，前者雖然具有較高的準(zhǔn)確度，但需要對(duì)實(shí)驗(yàn)材料進(jìn)行繁雜的化學(xué)處理，比較耗時(shí)費(fèi)力，同時(shí)實(shí)驗(yàn)使用的化學(xué)藥品會(huì)造成一定的環(huán)境污染。與傳統(tǒng)的化學(xué)方法相比，近紅外光譜分析是一種綠色、無損快速檢測(cè)技術(shù)，已經(jīng)廣泛應(yīng)用于農(nóng)業(yè)、食品、醫(yī)藥、化工等行業(yè)。目前，國(guó)內(nèi)外學(xué)者利用近紅外光譜法對(duì)小麥粉中蛋白質(zhì)、灰分和水分等含量進(jìn)行了檢測(cè)分析。然而，近紅外光譜有吸收信號(hào)弱、譜峰重疊嚴(yán)重以及易受外界環(huán)境干擾等缺點(diǎn)，并且一條光譜往往包含著數(shù)量眾多的波長(zhǎng)點(diǎn)，這給建立高質(zhì)量的預(yù)測(cè)模型帶來了很大的挑戰(zhàn)。通過合適的波長(zhǎng)選擇方法可以在眾多近紅外光譜波長(zhǎng)中篩選出具有特征信息的波長(zhǎng)，并對(duì)數(shù)據(jù)進(jìn)行有效地降維，降低建立預(yù)測(cè)模型的復(fù)雜程度，在一定程度上可提高預(yù)測(cè)模型的準(zhǔn)確性。

常見的波長(zhǎng)選擇方法有無信息變量消除法、競(jìng)爭(zhēng)自適應(yīng)加權(quán)采樣法、連續(xù)投影算法以及群體智能優(yōu)化算法。群體智能優(yōu)化算法具有強(qiáng)大的全局搜索能力，使其在特征變量篩選方面潛力巨大，其中遺傳算法、粒子群算法、灰狼算法等在波長(zhǎng)選擇上已有很多成功研究案例。其中，蜻蜓算法（dragonfly algorithm，DA）是Mirjalili等在2016年通過對(duì)自然界蜻蜓行為進(jìn)行觀察、總結(jié)和抽象后，提出的一種新智能群體優(yōu)化算法。之后，分別采用連續(xù)DA、二進(jìn)制DA（binary DA，BDA）及多目標(biāo)DA，通過對(duì)幾類典型函數(shù)進(jìn)行優(yōu)化驗(yàn)證了算法的有效性。2019年，Chen Yuanyuan等首次把BDA應(yīng)用于近紅外特征波長(zhǎng)篩選，并比較了單群BDA（single-BDA）、多群BDA（multi-BDA）、基于集成學(xué)習(xí)BDA（ensemble learning-based BDA，ELB-BDA），表明后兩種算法可以明顯提高波長(zhǎng)選擇的穩(wěn)定性以及分析模型的泛化能力。然而，使用BDA進(jìn)行波長(zhǎng)篩選最終得到的波長(zhǎng)位置和波長(zhǎng)數(shù)量具有強(qiáng)隨機(jī)性。盡管使用multi-BDA和ELB-BDA在一定程度上降低了波長(zhǎng)數(shù)量并進(jìn)一步篩選出特征波長(zhǎng)，提高了算法的穩(wěn)定性，但是這兩種策略操作復(fù)雜，需要多次進(jìn)行single-BDA運(yùn)算，導(dǎo)致運(yùn)行時(shí)間遠(yuǎn)多于single-BDA，不利于快速建模。并且由于multi-BDA和ELB-BDA的內(nèi)核還是single-BDA算法，選出的波長(zhǎng)分布隨機(jī)性仍然較大。為了加快變量選擇速度，Yun Yonghuan等基于達(dá)爾文自然進(jìn)化論中簡(jiǎn)單有效的“適者生存”原則，在變量組合集群分析的變量選擇策略中采用指數(shù)衰減函數(shù)不斷縮小搜尋空間以加快算法速度。借鑒這一思想，在single-BDA算法中引入指數(shù)衰減函數(shù)，使算法能在迭代過程中由快趨緩地剔除無用變量，有利于保留重要變量，但不利的是由于衰減曲線末端趨向平緩可能造成無效計(jì)算，或末端迭代刪除變量數(shù)大于1而漏掉某一組或多組變量組合中可能存在的最優(yōu)變量。為此，本研究嘗試用線性衰減函數(shù)代替末期的指數(shù)衰減函數(shù)，保證算法末期每迭代一次剔除一個(gè)變量。Single-BDA算法的改進(jìn)因此分為兩個(gè)階段：第1階段使用指數(shù)衰減函數(shù)對(duì)變量進(jìn)行快速挑選；第2階段采用線性衰減函數(shù)對(duì)變量進(jìn)行精細(xì)挑選。本研究把改進(jìn)算法命名為衰減消去BDA（attenuation elimination-BDA，AEBDA），以期能從小麥粉近紅外光譜中盡快挑選出數(shù)量少且穩(wěn)定的特征波長(zhǎng)，并建立精度較高的蛋白質(zhì)近紅外分析模型。

1 材料與方法

1.1 材料

市購不同品牌以及不同批次的160 個(gè)小麥粉的樣品，置于保鮮袋中于室溫（20～23 ℃）保存。

1.2 儀器與設(shè)備

Micro NIR Pro 1700便攜式近紅外光譜儀 美國(guó)Viavi Solutions公司；D200杜馬斯定氮儀 海能未來科技有限公司。

1.3 方法

1.3.1 小麥粉蛋白質(zhì)含量的測(cè)定

參照GB 5009.5ü2016《食品中蛋白質(zhì)的測(cè)定》中的燃燒法進(jìn)行測(cè)定。

1.3.2 近紅外光譜采集

對(duì)小麥粉樣品在室溫（20～23 ℃）環(huán)境下不做前處理進(jìn)行光譜掃描。光譜儀機(jī)身采用金屬試管架夾持固定，探頭向下垂直對(duì)準(zhǔn)深1 cm的圓盤樣品池，樣品池頂部與探頭底部相距1 cm。采集光譜時(shí)，小麥粉樣品鋪平樣品池，按120°的角度間隔采集，得到3 條不同檢測(cè)點(diǎn)的光譜，取平均作為該樣品的最終采集光譜。儀器的波長(zhǎng)范圍為908～1 650 nm，光譜分辨率為6.25 nm，有125 個(gè)波長(zhǎng)通道，并用與儀器配套的測(cè)控軟件MicroNIRTM Pro v2.5采集和儲(chǔ)存信號(hào)。

1.3.3 預(yù)處理方法

常見的預(yù)處理方法有移動(dòng)平滑法（moving average filter，MAF）、卷積平滑法（Savitzky-Golay filter，SGF）、一階導(dǎo)數(shù)（1st D）、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate transformation，SNV）等。使用這4 種預(yù)處理方法的3 種組合（MAF與SNV、SGF與SNV、1st D與SNV，預(yù)處理窗口寬度為5）以求達(dá)到最好的建模預(yù)測(cè)效果。

1.3.4 建模與模型評(píng)估方法

建模方法采用偏最小二乘回歸（partial least square regression，PLSR）算法，交互驗(yàn)證采用留一法；single-BDA和AE-BDA算法中采用的適應(yīng)度函數(shù)為PLSR回歸建模中交互驗(yàn)證標(biāo)準(zhǔn)偏差（root mean square error of cross validation，RMSECV）。

使用RMSECV、預(yù)測(cè)標(biāo)準(zhǔn)偏差（root mean square errors of prediction，RMSEP）、決定系數(shù)（）對(duì)所建立的校正模型進(jìn)行評(píng)估，計(jì)算方法如下：

式（1）～（3）中：y為第個(gè)樣品化學(xué)值的測(cè)定值；y為預(yù)測(cè)過程中第個(gè)樣品的預(yù)測(cè)值；為所用樣品集樣品數(shù)；為化學(xué)值測(cè)定值的均值。

在建模預(yù)測(cè)過程中，越接近1，表示模型的回歸或者預(yù)測(cè)結(jié)果越好；如果為負(fù)值，表示擬合效果極差。RMSECV與RMSEP的值越小表示所建立的模型的穩(wěn)定性與精確度越好。

1.3.5 波長(zhǎng)變量選擇方法

1.3.5.1 Single-BDA波長(zhǎng)選擇

蜻蜓通常通過5 種主要策略改變它們的位置：避撞、結(jié)隊(duì)、聚集、覓食、躲避。應(yīng)用到波長(zhǎng)選擇方法中，食物即最優(yōu)解，敵人即極差解，通過不斷改變位置即迭代更新運(yùn)算直至到達(dá)食物的位置即求得最優(yōu)解。據(jù)此建立的位置更新計(jì)算方法如表1所示。

表1 蜻蜓5 種主要位置更新策略的數(shù)學(xué)建模Table 1 Mathematical modeling of five major position shift strategies of dragonfly

采用single-BDA算法進(jìn)行波長(zhǎng)選擇時(shí)，位置向量X的每個(gè)元素值只能是0或1，因此蜻蜓位置更新并非如表1所示的直接在原有位置X后加上更新速度值Δ，而是只能在0和1之間切換。這就需要對(duì)Δ進(jìn)行連續(xù)域到離散域的轉(zhuǎn)換。最簡(jiǎn)單、最有效的方法是采用傳遞函數(shù)（式（4）），以Δ作為函數(shù)輸入，返回一個(gè)[0,1]之間的數(shù)值，表示位置變化的概率。

計(jì)算所有個(gè)體位置的變化概率后，應(yīng)用式（5）更新蜻蜓在空間中的搜索位置：

式（5）中：為0到1之間的隨機(jī)數(shù)，負(fù)號(hào)表示邏輯取反運(yùn)算。

1.3.5.2 AE-BDA波長(zhǎng)選擇

AE-BDA算法是經(jīng)single-BDA算法結(jié)合指數(shù)和線性衰減函數(shù)改進(jìn)而來，其在波長(zhǎng)篩選過程中主要分為前后兩個(gè)部分：快速挑選和精細(xì)挑選，兩部分流程如圖1所示。設(shè)定最優(yōu)波長(zhǎng)組合比例，AE-BDA算法在迭代運(yùn)行過程中，統(tǒng)計(jì)每次迭代single-BDA計(jì)算完畢產(chǎn)生的所有個(gè)體中前h個(gè)最優(yōu)RMSECV個(gè)體中波長(zhǎng)出現(xiàn)的次數(shù)。出現(xiàn)的頻率越高，表示波長(zhǎng)越重要。然后，按指數(shù)或線性衰減函數(shù)所計(jì)算的當(dāng)前AE-BDA迭代應(yīng)保留的變量數(shù)，確定需要剔除的無用波長(zhǎng)。AE-BDA算法采用均等抽樣法（equal sampling method，ESM），產(chǎn)生算法迭代中single-BDA第一代初始二進(jìn)制矩陣，保證每個(gè)波長(zhǎng)具有相同的被選中機(jī)會(huì)。

圖1 AE-BDA流程圖Fig.1 Flow chart of AE-BDA

波長(zhǎng)快速挑選部分：算法開始，在全波段中無用波長(zhǎng)數(shù)所占比例高，隨著迭代的進(jìn)行其所占比例逐步降低，根據(jù)指數(shù)衰減函數(shù)曲線特點(diǎn)，波長(zhǎng)剔除速度由快到緩。在這一步中，設(shè)置種群數(shù)中個(gè)體數(shù)為，原始變量數(shù)為，快速篩選部分篩選變化率，算法運(yùn)行結(jié)束保留的波長(zhǎng)個(gè)數(shù)為p（1為快速挑選部分迭代次數(shù)），如果當(dāng)前迭代變量數(shù)hr＜p，則快速挑選部分結(jié)束；通過不斷的迭代更新，波長(zhǎng)數(shù)量呈指數(shù)級(jí)減少，達(dá)到所設(shè)置保留的波長(zhǎng)個(gè)數(shù)p為止。每次迭代所保留的波長(zhǎng)數(shù)為：

式（6）中：為當(dāng)前迭代次數(shù)；為波長(zhǎng)篩選率；p為第次迭代后所剩的理論波長(zhǎng)數(shù)。

精細(xì)挑選部分：根據(jù)線性衰減函數(shù)曲線特點(diǎn)，保證在算法末期每代可剔除一個(gè)變量。設(shè)置最終波長(zhǎng)數(shù)p（2為精細(xì)挑選部分迭代次數(shù)），篩選過程中每次迭代并剔除出現(xiàn)次數(shù)最少的1 個(gè)波長(zhǎng)，利用當(dāng)次迭代得到的波長(zhǎng)組合建立PLSR模型，記錄校正集的RMSECV。每次迭代所保留的波長(zhǎng)數(shù)為：

式（7）中：為當(dāng)前迭代次數(shù)。

當(dāng)波長(zhǎng)數(shù)減少到最小設(shè)定值p時(shí)，迭代終止。選取全部RMSECV記錄中最小的波長(zhǎng)組合作為AE-BDA波長(zhǎng)優(yōu)選結(jié)果。

圖2中，曲線1為AE-BDA算法波長(zhǎng)數(shù)量的衰減趨勢(shì)圖（以初始變量數(shù)＝500 個(gè)，p＝30 個(gè)，最終波長(zhǎng)數(shù)p＝10 個(gè)為例）。在快速挑選部分，受指數(shù)函數(shù)性質(zhì)影響，波長(zhǎng)數(shù)量經(jīng)過1次迭代快速降低到p個(gè)，然后再由精細(xì)挑選進(jìn)一步壓縮波長(zhǎng)數(shù)量至最小波長(zhǎng)數(shù)p個(gè)；曲線2為指數(shù)衰減函數(shù)變量衰減曲線，曲線1相比較于曲線2在算法末端（p至p階段）逐個(gè)波長(zhǎng)剔除，不會(huì)導(dǎo)致某一波長(zhǎng)點(diǎn)數(shù)被跳過。圖2的柱狀圖為每一次迭代剔除的無用變量數(shù)量，在快速挑選部分，隨著迭代次數(shù)的增加每次迭代剔除的無用變量數(shù)也呈指數(shù)減少；在精細(xì)挑選部分，每一代消去1 個(gè)無用變量，保證無用變量被精細(xì)均勻剔除。

圖2 AE-BDA算法波長(zhǎng)數(shù)衰減圖Fig.2 Decreasing number of variables in AE-BDA

1.4 數(shù)據(jù)處理

使用MATLAB 2016a軟件以及實(shí)驗(yàn)室自主開發(fā)的NIRSA 5.9.4化學(xué)計(jì)量學(xué)軟件，采用主成分分析和馬氏距離相結(jié)合的方法檢測(cè)異常樣本，主成分分析結(jié)合Kennard-Stone的方法對(duì)校正集和預(yù)測(cè)集進(jìn)行劃分。

2 結(jié)果與分析

2.1 小麥粉近紅外光譜圖

圖3為小麥粉近紅外光譜部分原始光譜，共有160 條小麥粉近紅外光譜，每條光譜含125 個(gè)波長(zhǎng)通道。

圖3 小麥粉近紅外光譜部分原始光譜Fig.3 Selected original near-infrared spectra of wheat flour

2.2 小麥粉蛋白質(zhì)含量

由表2可知，所選樣本的蛋白質(zhì)含量基本覆蓋小麥粉中蛋白質(zhì)質(zhì)量分?jǐn)?shù)（7%～15%）且分布較為均勻，表明實(shí)驗(yàn)所選樣本具有代表性。

表2 小麥粉蛋白質(zhì)含量統(tǒng)計(jì)表Table 2 Statistics of protein content of wheat flour

2.3 樣本異常值剔除與樣本集劃分

樣品、采集環(huán)境和儀器在一定程度上會(huì)產(chǎn)生異常樣本數(shù)據(jù)，嚴(yán)重影響所建模型的穩(wěn)定性與預(yù)測(cè)能力，所以在建模前必須將異常樣本數(shù)據(jù)從集合中剔除。3 種預(yù)處理組合各自檢測(cè)出的異常樣本集的并集（共8 個(gè)樣本）作為總異常樣本集予以剔除。最后，劃分剩余的152 個(gè)樣本為校正集和預(yù)測(cè)集；共得到98 個(gè)校正集樣本，54 個(gè)預(yù)測(cè)集樣本。如表3所示，校正集與預(yù)測(cè)集的樣本分布較寬，具有良好的代表性。

表3 校正集與預(yù)測(cè)集小麥粉蛋白質(zhì)含量統(tǒng)計(jì)表Table 3 Statistics of protein content of wheat flour in calibration and prediction sets

2.4 預(yù)處理方法對(duì)全譜段PLSR建模及預(yù)測(cè)的影響

由表4可知，MAF與SNV預(yù)處理組合的PLSR模型除

表4 不同預(yù)處理方法全譜PLSR模型性能Table 4 Performance of full-band PLSR models developed using different preprocessing methods

值略低于SGF與SNV預(yù)處理組合的PLSR模型外，各指標(biāo)均優(yōu)于其他建模方法。這說明采用MAF和SNV組合的預(yù)處理方法建立PLSR全譜校正模型可以提高小麥粉近紅外全譜段模型穩(wěn)定性和預(yù)測(cè)精度。因此，后續(xù)波長(zhǎng)選擇算法研究中光譜都采用MAF與SNV組合進(jìn)行預(yù)處理。

2.5 2 種算法對(duì)波長(zhǎng)選擇建模及預(yù)測(cè)的影響

分別用single-BDA和AE-BDA 2 種方法進(jìn)行波長(zhǎng)篩選后建模，16 次建模及預(yù)測(cè)實(shí)驗(yàn)結(jié)果的比較列于表5。實(shí)驗(yàn)S1～S8波長(zhǎng)選擇方法為single-BDA，實(shí)驗(yàn)A1～A8波長(zhǎng)選擇方法為AE-BDA。其中，AE-BDA算法設(shè)置種群數(shù)為200 個(gè)，衰減率為0.9，p設(shè)置為20 個(gè)，p設(shè)置為10 個(gè)，每次迭代中內(nèi)核single-BDA迭代次數(shù)為10 次。經(jīng)過程序運(yùn)行后AE-BDA共迭代28 次（快速挑選迭代18 次，精細(xì)挑選迭代10 次），其內(nèi)核single-BDA共迭代280 次。為了便于改進(jìn)前后方法對(duì)比，single-BDA設(shè)置種群數(shù)量為200 個(gè)，迭代次數(shù)為280 次，篩選率為20%。

由表4和表5可知，無論是single-BDA還是AE-BDA算法，挑選后的波長(zhǎng)進(jìn)行建模及預(yù)測(cè)效果均明顯優(yōu)于全譜段建模。使用single-BDA進(jìn)行波長(zhǎng)選擇時(shí)，實(shí)驗(yàn)S1～S8所挑選出的平均波長(zhǎng)數(shù)為28.38 個(gè)，占原始波長(zhǎng)數(shù)（125 個(gè)）的22.7%；而使用AE-BDA方法進(jìn)行波長(zhǎng)選擇時(shí)，實(shí)驗(yàn)A1～A8所挑選出平均波長(zhǎng)數(shù)為15.8 個(gè)，為原始波長(zhǎng)數(shù)的12.6%，相較于single-BDA方法篩選出建模波長(zhǎng)數(shù)量更少。同時(shí)可以看到，AE-BDA方法挑選出的波長(zhǎng)建模和預(yù)測(cè)評(píng)價(jià)指標(biāo)相應(yīng)都較接近，且其預(yù)測(cè)效果總體上好于single-BDA方法。盡管single-BDA方法建立的模型評(píng)價(jià)指標(biāo)及RMSECV總體上比AE-BDA好，但預(yù)測(cè)效果卻相對(duì)略差，這說明single-BDA方法選擇的波長(zhǎng)過多，建立的模型可能存在過擬合現(xiàn)象，導(dǎo)致預(yù)測(cè)結(jié)果變差。

表5 Single-BDA與AE-BDA建模及預(yù)測(cè)性能比較Table 5 Comparison of modeling and prediction performance between single-BDA and AE-BDA

由圖4和圖5可知，盡管兩種方法都是采用隨機(jī)算法更新決策變量，但AE-BDA與single-BDA相比所挑選的波長(zhǎng)點(diǎn)少，分布范圍更加集中，且AE-BDA中有3 個(gè)特征波長(zhǎng)（1 385.07、1 508.95 nm和1 589.48 nm）在8 次實(shí)驗(yàn)中均被挑選出來，而single-BDA方法挑選出頻次最多的2 個(gè)波長(zhǎng)（908.1、1 502.76 nm）只有7 次。這說明AE-BDA挑選波長(zhǎng)的隨機(jī)性要弱于single-BDA方法，結(jié)果更加穩(wěn)定。

圖4 Single-BDA（A）和AE-BDA（B）實(shí)驗(yàn)入選波長(zhǎng)位置Fig.4 Selected wavelength locations in single-BDA (A) and AE-BDA (B) experiments

圖5 Single-BDA（A）和AE-BDA（B）實(shí)驗(yàn)中波長(zhǎng)出現(xiàn)頻次圖Fig.5 Frequency of appearance of wavelengths in single-BDA (A) and AE-BDA (B) experiments

AE-BDA相較于single-BDA方法計(jì)算效率更高。由圖6可知，種群數(shù)相同（200 個(gè)）的情況下，隨著迭代次數(shù)的增加，AE-BDA參與迭代計(jì)算的總波長(zhǎng)數(shù)呈指數(shù)下降，意味計(jì)算量也呈指數(shù)級(jí)降低，計(jì)算過程逐步加速；而single-BDA算法在迭代過程中，進(jìn)入每一次迭代的總波長(zhǎng)數(shù)是不變的，計(jì)算量不變，運(yùn)算速度保持相對(duì)恒定，運(yùn)算時(shí)間較長(zhǎng)。

圖6 Single-BDA和AE-BDA在迭代過程中初始波長(zhǎng)數(shù)變化曲線Fig.6 Change in initial number of wavelength in single-BDA and AE-BDA as a function of number of iterations

雖然近紅外光譜帶重疊嚴(yán)重且很難清晰地指出各譜峰對(duì)應(yīng)的具體基團(tuán)信息，但根據(jù)近紅外主要譜帶歸屬仍可對(duì)所選波長(zhǎng)的合理性做出必要分析。本研究?jī)H討論8 次AE-BDA實(shí)驗(yàn)中每次都被挑選出的3 個(gè)波長(zhǎng)點(diǎn)。蛋白質(zhì)分子中含有氨基，NüH鍵伸縮振動(dòng)的一級(jí)倍頻吸收帶位于1 510 nm波長(zhǎng)附近，1 508.95nm波長(zhǎng)處為-氨基酸中的氨基的吸收峰；甲基和亞甲基中CüH鍵的伸縮振動(dòng)的一級(jí)倍頻和變形振動(dòng)的基頻吸收帶位于1 360～1 395nm波長(zhǎng)處，1 385.07 nm波長(zhǎng)處為CüH吸收峰；波長(zhǎng)1 589.48 nm處位于OüH鍵的一級(jí)倍頻吸收譜區(qū)，由于模型中其標(biāo)準(zhǔn)回歸系數(shù)為負(fù)且較大，可以判斷為主要由非蛋白質(zhì)分子中OüH鍵吸收引起（波長(zhǎng)點(diǎn)位置見圖7）。這可以作為對(duì)小麥粉中淀粉、脂肪等強(qiáng)背景組分的修正。通過進(jìn)一步對(duì)照分析可以看出，所選其他波長(zhǎng)點(diǎn)大部分也位于以上譜帶區(qū)域內(nèi)或者附近。

圖7 出現(xiàn)8 次的波長(zhǎng)點(diǎn)在全譜段的位置Fig.7 Locations of wavelengths that appeared eight times in the full-band spectrum

3 結(jié) 論

針對(duì)常規(guī)的single-BDA在近紅外光譜波長(zhǎng)篩選過程中出現(xiàn)的問題，引入指數(shù)衰減函數(shù)和線性衰減函數(shù)對(duì)其進(jìn)行改進(jìn)，形成AE-BDA，并結(jié)合PLSR建立了小麥粉蛋白質(zhì)近紅外分析模型。通過對(duì)AE-BDA所挑選出的波長(zhǎng)進(jìn)行特征分析表明，這些波長(zhǎng)較好地分布于蛋白質(zhì)分子的主要官能團(tuán)吸收區(qū)域。蛋白質(zhì)分子中重要的NüH鍵的吸收波長(zhǎng)（1 508.95 nm）每次都能被挑選出來；其他反映蛋白質(zhì)分子的甲基、亞甲基以及次甲基的CüH鍵吸收波長(zhǎng)也因出現(xiàn)頻次高而作為挑選出的特征波長(zhǎng)用于建立小麥粉蛋白質(zhì)近紅外分析模型，提高了模型的可解釋性。

改進(jìn)后的AE-BDA運(yùn)算速度快，所選波長(zhǎng)穩(wěn)定，且一定程度上克服了過擬合，所建模型精度高。這為小麥粉蛋白質(zhì)近紅外光譜提供了一種可靠、有效的波長(zhǎng)挑選方法，對(duì)于其他分析對(duì)象的近紅外光譜的變量選擇也有重要的借鑒意義。在后續(xù)研究中可以優(yōu)化算法中各因子的取值范圍，探討其對(duì)AE-BDA的影響，進(jìn)一步提高算法的運(yùn)行效率和自動(dòng)化水平。