李兆雨 張靜 袁華強(qiáng)

(東莞理工學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，廣東東莞 523808)

糖是人體所必須的營(yíng)養(yǎng)物質(zhì)，人體活動(dòng)所消耗的能量絕大多數(shù)都是由糖分提供，糖分是人體能量第一來(lái)源。糖的生產(chǎn)主要依靠甘蔗制糖和甜菜制糖，其中甘蔗含蔗糖量高，制糖工藝簡(jiǎn)單，甘蔗始終是制糖最主要的原料。

甘蔗的制糖過(guò)程包括壓榨提汁、清凈、蒸發(fā)、結(jié)晶、分蜜和干燥等工序[1]。清糖漿是蒸發(fā)工序中的中間產(chǎn)物，而蒸發(fā)工段作為生產(chǎn)工藝質(zhì)量穩(wěn)定控制的重要工序，保證清糖漿的質(zhì)量才能使下一道工序順利進(jìn)行。因此，對(duì)清糖漿的成分進(jìn)行分析，對(duì)制糖工業(yè)來(lái)說(shuō)有重要意義。

轉(zhuǎn)光度(Pol)是甘蔗制糖工藝流程中重要的品質(zhì)指標(biāo)，轉(zhuǎn)光度是指用一次旋光法測(cè)得溶液中蔗糖含量百分率的近似值(單位：%)。在制糖過(guò)程中對(duì)轉(zhuǎn)光度指標(biāo)的快速在線檢測(cè)，對(duì)制糖生產(chǎn)過(guò)程中產(chǎn)品質(zhì)量的控制，物料的平衡有重要影響?？梢?，對(duì)甘蔗清糖漿的轉(zhuǎn)光度進(jìn)行質(zhì)量檢測(cè)，對(duì)甘蔗制糖的品質(zhì)保證十分重要。

傳統(tǒng)的轉(zhuǎn)光度檢測(cè)常用的方法除了旋光法以外，還有同位素稀釋法、氣相色譜法、酶法和化學(xué)法[2]。但是這些方法測(cè)量時(shí)需要人工將糖液稀釋后送至實(shí)驗(yàn)室進(jìn)行檢測(cè)，最后將測(cè)量結(jié)果送至車間再根據(jù)要求進(jìn)行生產(chǎn)。這一檢測(cè)過(guò)程受人力物力的限制，整個(gè)過(guò)程耗時(shí)耗財(cái)力，還會(huì)造成生產(chǎn)的質(zhì)量達(dá)不到要求等問題。因此，尋找一種快速的清糖漿轉(zhuǎn)光度的分析方法對(duì)于制糖工業(yè)具有重要的發(fā)展意義。

近紅外(Near Infrared，NIR)光譜是由于分子振動(dòng)的非諧振動(dòng)使分子從基態(tài)向高能級(jí)躍遷時(shí)產(chǎn)生的，它主要是對(duì)含氫基團(tuán)X-H(如C-H，O-H和N-H)振動(dòng)的倍頻和合頻吸收[3]。它通常不需要試劑，可以直接測(cè)量樣品(或簡(jiǎn)單的樣品制備后)。近紅外光譜分析技術(shù)是光譜分析技術(shù)與計(jì)算機(jī)技術(shù)的結(jié)合，它是一項(xiàng)間接分析技術(shù)，通過(guò)建立校正模型實(shí)現(xiàn)對(duì)待測(cè)物質(zhì)的定量或定性分析。該技術(shù)具有簡(jiǎn)單、快速、安全等優(yōu)點(diǎn)。目前，它已在許多領(lǐng)域得到有效應(yīng)用，如生物醫(yī)學(xué)[4-5]、農(nóng)業(yè)[6]、食品[7]和土壤[8-9]等。

糖及其衍生物中包含大量水分、蔗糖、氨基酸等有機(jī)物，這些成分都含有NIR吸收能力的含氫基團(tuán)。因此，近紅外光譜可以用于糖在分子水平上的定量分析。目前該技術(shù)在制糖過(guò)程的分析檢測(cè)中也有眾多應(yīng)用。例如，近紅外光譜已經(jīng)被用來(lái)分析甘蔗制糖生產(chǎn)中間產(chǎn)物廢蜜的錘度和還原糖分[10]。已經(jīng)有學(xué)者提出使用近紅外光譜在甘蔗蔗汁蔗糖分析中的應(yīng)用[11]。也有相關(guān)論文表明近紅外光譜分析技術(shù)可以應(yīng)用于甘蔗初壓汁錘度指標(biāo)的檢測(cè)[12]。文獻(xiàn)[13]中使用近紅外光譜分析技術(shù)對(duì)甘蔗多產(chǎn)物多指標(biāo)進(jìn)行分析。

甘蔗制糖的中間產(chǎn)物清糖漿是經(jīng)過(guò)蒸發(fā)工序得到的粘稠狀液體，采集到的光譜信息除了樣品自身的有效信息外，同時(shí)會(huì)混有各種無(wú)用信息和噪聲，直接將采集到的樣品光譜數(shù)據(jù)用于模型的建立，得到的預(yù)測(cè)結(jié)果往往難以令人滿意，而建模前對(duì)樣品光譜進(jìn)行預(yù)處理則可以有效解決上述問題。常見的光譜預(yù)處理方法有：多元散射校正(Multiplicative Scatter Correction，MSC)[14]，Norris導(dǎo)數(shù)濾波(NDF)[15]，標(biāo)準(zhǔn)正態(tài)變量變換(Standard Normal Variate，SNV)[16]等。

偏最小二乘回歸(Partial Least-squares Method，PLS)方法是多元線性回歸和主成分分析的完美結(jié)合。PLS回歸可以綜合篩選光譜數(shù)據(jù)，提取信息變量，克服光譜共線性。能有效地降低數(shù)據(jù)維度，并且在實(shí)際應(yīng)用中表現(xiàn)出良好的性能。因此在光譜多元校正分析中得到最為廣泛的應(yīng)用。

光譜儀在檢測(cè)過(guò)程中的掃描間隔為2 nm，掃描范圍為400～2 498 nm(可見-近紅外波段范圍)，每個(gè)樣品檢測(cè)出來(lái)的光譜都會(huì)含有1 050個(gè)波長(zhǎng)點(diǎn)數(shù)。為了提取波長(zhǎng)變量與轉(zhuǎn)光度指標(biāo)相關(guān)的光譜信息，需要對(duì)波長(zhǎng)模型進(jìn)行優(yōu)化?；谄钚《嘶貧w的移動(dòng)窗口PLS(Moving Window PLS，MW-PLS)可以根據(jù)起點(diǎn)波長(zhǎng)(I)和波長(zhǎng)數(shù)(N)兩個(gè)循環(huán)參數(shù)對(duì)所有波段進(jìn)行遍歷，固定其中任何一個(gè)參數(shù)，通過(guò)改變另一個(gè)參數(shù)都可以得到不同的波長(zhǎng)組合[17-19]。

近期提出的等距組合PLS(the Equidistant Combination PLS，EC-PLS)可以在起點(diǎn)波長(zhǎng)(I)、波長(zhǎng)間隔(G)和波長(zhǎng)數(shù)(N)三個(gè)循環(huán)參數(shù)的基礎(chǔ)上對(duì)所有波段實(shí)現(xiàn)等距組合的遍歷篩選[20-22]。當(dāng)波長(zhǎng)間隔G=1時(shí)，即是MW波長(zhǎng)篩選方法，EC-PLS方法在算法上涵蓋了MW-PLS方法。

例如，在900～916 nm范圍內(nèi)，使用MW波長(zhǎng)篩選方法得到的波長(zhǎng)參數(shù)組合為(900 nm，9)也就是起點(diǎn)波長(zhǎng)I=900 nm和波長(zhǎng)數(shù)N=9，MW方法篩選出來(lái)的波長(zhǎng)組合為900、902、904、906、908、910、912、914、916(nm)，然后利用這9個(gè)波長(zhǎng)點(diǎn)的光譜數(shù)據(jù)與轉(zhuǎn)光度化學(xué)值建立PLS模型。若使用EC波長(zhǎng)篩選方法得到的波長(zhǎng)參數(shù)組合為(900 nm，2，5)也就是起點(diǎn)波長(zhǎng)I=900 nm；波長(zhǎng)間隔G=2和波長(zhǎng)數(shù)N=5。EC方法篩選出來(lái)的波長(zhǎng)組合為900、904、908、912、916(nm)。同樣的范圍內(nèi)，使用MW波長(zhǎng)篩選方法篩選了9個(gè)波長(zhǎng)點(diǎn)，而通過(guò)改變波長(zhǎng)間隔參數(shù)(G)使用EC波長(zhǎng)篩選方法篩選了5個(gè)?？梢钥闯鯡C波長(zhǎng)篩選方法能得到的波長(zhǎng)組合比MW更多，也更加靈活。本研究使用EC-PLS方法對(duì)清糖漿的近紅外分析中的波長(zhǎng)模型進(jìn)行優(yōu)化。

如果一個(gè)波數(shù)信息可以用來(lái)建立定標(biāo)預(yù)測(cè)模型，那么以它為中心其周圍的范圍內(nèi)也應(yīng)該可以建立定標(biāo)預(yù)測(cè)模型；如果一個(gè)波數(shù)信息受到與目標(biāo)物無(wú)關(guān)信息的干擾，那么以其為中心周圍的范圍內(nèi)也應(yīng)該受到與目標(biāo)物無(wú)關(guān)信息的干擾[23]。針對(duì)EC-PLS模型在波長(zhǎng)篩選過(guò)程中出現(xiàn)冗余波長(zhǎng)的問題，提出了一種基于PLS的波長(zhǎng)篩選方法，波長(zhǎng)逐步淘汰PLS(the Wavelength Step-by-step phase-out PLS，WSP-PLS)。進(jìn)一步消除EC-PLS模型中的冗余波長(zhǎng)。

WSP-PLS方法可用于優(yōu)化任意波長(zhǎng)模型，如n個(gè)波長(zhǎng)的連續(xù)和離散模型。波長(zhǎng)被消除的步驟如下：首先，波長(zhǎng)被反向消除。即每消除一個(gè)波長(zhǎng)，得到最小的預(yù)測(cè)誤差，直到只剩下一個(gè)波長(zhǎng)。在波長(zhǎng)被逐步淘汰的過(guò)程中，通過(guò)波長(zhǎng)消除選擇最優(yōu)模型[24]。

綜合以上分析，結(jié)合文獻(xiàn)[13]受到的啟發(fā)。在本研究中，基于SNV預(yù)處理方法和PLS回歸，使用EC-PLS和WSP-PLS方法應(yīng)用于甘蔗清糖漿轉(zhuǎn)光度指標(biāo)分析中的波長(zhǎng)篩選。開展近紅外光譜分析模型的建立和參數(shù)優(yōu)化研究。根據(jù)預(yù)測(cè)效果，選擇最優(yōu)的模型參數(shù)。使用不參與建模的檢驗(yàn)集樣品對(duì)最優(yōu)模型進(jìn)行檢驗(yàn)。實(shí)驗(yàn)在建模階段取得了較好的結(jié)果，實(shí)驗(yàn)驗(yàn)證了近紅外光譜技術(shù)用于甘蔗清糖漿轉(zhuǎn)光度指標(biāo)定量分析的可行性。

1 實(shí)驗(yàn)和方法

1.1 實(shí)驗(yàn)材料、儀器以及測(cè)量方法

105份甘蔗清糖漿樣品及其用常規(guī)方法測(cè)定的轉(zhuǎn)光度數(shù)據(jù)(作為光譜分析的參考化學(xué)值)由廣西某糖廠提供。全體樣品轉(zhuǎn)光度實(shí)際值的最小值、最大值、平均值和標(biāo)準(zhǔn)差如表1所示。分別為48.94%、57.88%、54.01%、1.87%。

表1 甘蔗清糖漿樣品化學(xué)值的數(shù)據(jù)分析

采用Foss公司的XDS Rapid Liquid光柵型近紅外光譜分析儀，掃描光譜范圍400～2 498 nm(可見-近紅外波段范圍)，掃描間隔為2 nm。在實(shí)驗(yàn)溫度(25±1)℃和46%±1%的相對(duì)濕度下計(jì)算每個(gè)樣品的光譜數(shù)據(jù)用于建模。

1.2 定標(biāo)、預(yù)測(cè)和檢驗(yàn)過(guò)程中的評(píng)價(jià)指標(biāo)1.2.1 定標(biāo)、預(yù)測(cè)和檢驗(yàn)的樣品劃分

從105份樣品中隨機(jī)選取35個(gè)樣品作為獨(dú)立檢驗(yàn)集，將其排除在建模之外。將剩余的70個(gè)樣品作為建模集，建模集進(jìn)一步分為定標(biāo)集(35個(gè)樣品)和預(yù)測(cè)集(35個(gè)樣品)分20次，以實(shí)現(xiàn)參數(shù)的穩(wěn)定性。用模型中排除在外的檢驗(yàn)集樣品對(duì)所選模型進(jìn)行檢驗(yàn)。

1.2.2 評(píng)價(jià)指標(biāo)

建模時(shí)，根據(jù)預(yù)測(cè)值和實(shí)際值計(jì)算預(yù)測(cè)樣品的均方根誤差(Root Mean Square Error of Prediction，SEP)和相關(guān)系數(shù)(Rp)。對(duì)于建模集的每次劃分計(jì)算所有劃分的均方根誤差和相關(guān)系數(shù)的平均值(SEPAve，Rp，Ave)和標(biāo)準(zhǔn)差(SEPSD，Rp，SD)。使用綜合指標(biāo)SEP+=SEPAve+SEPSD來(lái)選擇最優(yōu)的模型參數(shù)。SEP+同時(shí)考慮了建模的預(yù)測(cè)精度(SEPAve)和穩(wěn)定性(SEPSD)。SEP+越小，模型的預(yù)測(cè)能力越好。

PLS主因子數(shù)(LV)的選擇直接關(guān)系到PLS模型的實(shí)際預(yù)測(cè)能力。使用的主因子數(shù)過(guò)少，樣品的光譜信息就不能得到充分反映；而過(guò)多的主因子數(shù)則會(huì)加入一些不必要的噪音，降低模型的預(yù)測(cè)精度。在本研究中，根據(jù)預(yù)測(cè)效果來(lái)選擇主因子數(shù)。

1.3 EC-PLS 方法

以起點(diǎn)波長(zhǎng)(I)、波長(zhǎng)數(shù)(N)和波長(zhǎng)間隔(G)為循環(huán)參數(shù)。具體表示為，首先選擇波長(zhǎng)為I的起點(diǎn)波長(zhǎng)，然后固定間隔G后選取下一個(gè)點(diǎn)，直到選取了N個(gè)點(diǎn)為止。對(duì)使用EC方法篩選出的所有波長(zhǎng)參數(shù)組合，接著使用PLS方法對(duì)所有波長(zhǎng)組合構(gòu)建EC-PLS模型。

本研究采用整個(gè)可見-近紅外波段區(qū)域(400～2 498 nm)作為EC-PLS方法的篩選區(qū)域。參數(shù)I，N，G和PLS因子數(shù)分別設(shè)為I∈{400,402,…,2 498},N∈{1,2,…,200},G∈{1,2,…,20}和LV∈{1,2,…,20}，此外，終點(diǎn)波長(zhǎng)(E)如下計(jì)算：

E=I+2(N-1)G.

(1)

1.4 WSP-PLS 方法

由于EC方法篩選出來(lái)的波長(zhǎng)組合仍具有一定的規(guī)律性，而特征波長(zhǎng)往往不會(huì)按照規(guī)律出現(xiàn)。因此，EC-PLS方法篩選出來(lái)的波長(zhǎng)組合中難免會(huì)含有冗余波長(zhǎng)。進(jìn)一步采用WSP-PLS方法對(duì)EC-PLS方法得到的波長(zhǎng)組合模型進(jìn)行優(yōu)化。具體算法如下:

Step1：需要進(jìn)行優(yōu)化的波長(zhǎng)組合(包含N個(gè)波長(zhǎng)數(shù))記錄如下：

(2)

Step2：對(duì)于Ω(N)內(nèi)的波長(zhǎng)組合隨機(jī)淘汰一個(gè)波長(zhǎng)，將得到包括N-1個(gè)波長(zhǎng)在內(nèi)的N個(gè)波長(zhǎng)組合，結(jié)果如下：

(3)

(4)

(5)

其中N*是最佳波長(zhǎng)組合的波長(zhǎng)數(shù),1≤N*≤N，當(dāng)N*

使用MATLAB R2017a軟件建立了上述方法相對(duì)應(yīng)的算法平臺(tái)。

2 結(jié)果與討論

對(duì)于整個(gè)可見-近紅外波段掃描區(qū)域(400～2 498 nm)，105份甘蔗清糖漿樣品未經(jīng)預(yù)處理和SNV預(yù)處理后的近紅外光譜如圖1所示(清糖漿樣品的105條光譜圖在大部分波段中緊挨著呈現(xiàn)為一條線)。

圖1 甘蔗清糖漿樣品在掃描區(qū)域(400～2 498 nm)的105條近紅外光譜圖

2.1 SNV-PLS模型

作為比較，建立了沒有光譜預(yù)處理的可見-近紅外波段區(qū)域(400～2 498nm)的PLS模型。建模效果(SEP+，Rp)總結(jié)在表2中，RP值為0.929，預(yù)測(cè)值和實(shí)際值之間存在一定的相關(guān)性。需要通過(guò)進(jìn)一步的模型優(yōu)化來(lái)提高預(yù)測(cè)精度。在SNV光譜的基礎(chǔ)上，建立了PLS模型。建模效果也總結(jié)在表2中。接下來(lái)對(duì)預(yù)處理的SNV光譜進(jìn)行下一個(gè)波長(zhǎng)模型優(yōu)化。

表2 PLS模型在全譜區(qū)的建模效果

2.2 EC-PLS模型

在上述SNV光譜的基礎(chǔ)上，使用EC-PLS方法用于進(jìn)一步的建模優(yōu)化。為了確定合適的波長(zhǎng)模型，觀察各單參數(shù)對(duì)模型效果的影響，圖2給出了I、N和G三個(gè)參數(shù)對(duì)應(yīng)的局部最優(yōu)模型的SEP+值。全局最優(yōu)模型參數(shù)為I=1 778 nm，N=8，G=10，LV=8。由(1)式可知，對(duì)應(yīng)的波段為1 778～1 918 nm。EC-PLS模型的波長(zhǎng)組合為1 778、1 798、1 818、1 838、1 858、1 878、1 898、1 918 nm，模型相應(yīng)的預(yù)測(cè)效果如表3所示。最優(yōu)EC-PLS模型的SEP+進(jìn)一步提高到0.692%，相比較于直接PLS模型的預(yù)測(cè)性能高出14個(gè)百分點(diǎn)。采用的波長(zhǎng)數(shù)減少到8個(gè)。結(jié)果表明，EC-PLS模型的預(yù)測(cè)性能有很大提高，波長(zhǎng)模型的復(fù)雜度明顯減少。

圖2 每個(gè)單參數(shù)對(duì)應(yīng)的局部最優(yōu)EC-PLS模型SEP+

表3 EC-PLS模型在全譜區(qū)的建模效果

2.3 WSP-PLS模型

基于最優(yōu)EC-PLS模型進(jìn)一步采用WSP-PLS方法進(jìn)行二次優(yōu)化。

使用波長(zhǎng)逐步淘汰方法每次淘汰EC-PLS模型中一個(gè)冗余波長(zhǎng)。EC-PLS模型中的波長(zhǎng)數(shù)從N逐漸減少到1。在該淘汰過(guò)程中剩余波長(zhǎng)數(shù)量與預(yù)測(cè)效果之間的對(duì)應(yīng)關(guān)系如圖3所示。

圖3 WSP-PLS模型在波長(zhǎng)淘汰過(guò)程中剩余的波長(zhǎng)數(shù)與對(duì)應(yīng)的SEP+

對(duì)于在最優(yōu)EC-PLS模型波長(zhǎng)區(qū)域的EC-WSP-PLS模型，最佳波長(zhǎng)數(shù)(N*)為5，LV為5。波長(zhǎng)組合為1 798、1 818、1 838、1 858、1 918 nm。所選波長(zhǎng)在樣品的平均光譜中標(biāo)記，如圖4所示。它們?cè)谌V區(qū)域的400～2 498 nm內(nèi)非等距分布。預(yù)測(cè)的效果總結(jié)在表4中。

表4 WSP-PLS模型對(duì)清糖漿轉(zhuǎn)光度指標(biāo)的建模效果

圖4 WSP-PLS模型中的離散波長(zhǎng)組合在平均光譜圖中的標(biāo)記位置

結(jié)果表明，使用較少波長(zhǎng)的最優(yōu)EC-WSP-PLS模型(參與建模的波長(zhǎng)數(shù)N*為5)獲得了比最優(yōu)EC-PLS模型(參與建模的波長(zhǎng)數(shù)N*為8)更好的預(yù)測(cè)效果，比EC-PLS模型的預(yù)測(cè)能力提高了16個(gè)百分點(diǎn)。

2.4 獨(dú)立檢驗(yàn)

首先利用SNV光譜和建模集樣品轉(zhuǎn)光度指標(biāo)的化學(xué)值建立PLS模型。接著對(duì)PLS模型進(jìn)行波長(zhǎng)篩選和二次優(yōu)化得到EC-WSP-PLS模型，然后利用EC-WSP-PLS模型和檢驗(yàn)集樣品的光譜數(shù)據(jù)計(jì)算預(yù)測(cè)清糖漿轉(zhuǎn)光度指標(biāo)的值。35個(gè)未參與建模的檢驗(yàn)集樣品用于評(píng)估最優(yōu)WSP-PLS模型。

預(yù)測(cè)值與實(shí)際值的關(guān)系如圖5所示。檢驗(yàn)的評(píng)估值(SEP和RP)匯總在表5中。預(yù)測(cè)值與實(shí)際值接近，兩者具有較高的精度和相關(guān)性。EC-WSP-PLS模型的檢驗(yàn)效果較好且模型中的波長(zhǎng)數(shù)較EC-PLS模型相比較少。結(jié)果表明，EC-WSP-PLS方法的波長(zhǎng)模型取得了更好的效果。

圖5 檢驗(yàn)集樣品轉(zhuǎn)光度指標(biāo)的預(yù)測(cè)值與實(shí)測(cè)值的關(guān)系

表5 WSP-PLS模型對(duì)甘蔗清糖漿轉(zhuǎn)光度指標(biāo)的檢驗(yàn)效果

2.5 實(shí)驗(yàn)小結(jié)

實(shí)驗(yàn)驗(yàn)證了近紅外光譜結(jié)合PLS算法對(duì)甘蔗清糖漿轉(zhuǎn)光度指標(biāo)進(jìn)行定量分析的可行性。相較于文獻(xiàn)[13]的研究方法(Norris導(dǎo)數(shù)濾波預(yù)處理方法+PLS建模)本文最終的研究方法(標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理方法+PLS建模)得出的模型預(yù)測(cè)效果(SEP+=0.676，RP=0.949)與文獻(xiàn)[13]的預(yù)測(cè)效果(SEP+=0.918，Rp=0.932)相比本文模型的SEP+提高了24個(gè)百分點(diǎn)，Rp提高了2個(gè)百分點(diǎn)。本文研究模型的檢驗(yàn)效果(SEP+=0.895，RP=0.904)相比較于文獻(xiàn)[13]的模型檢驗(yàn)效果(SEP+=0.899，RP=0.932)稍有提升。本文研究得出的最優(yōu)波長(zhǎng)模型范圍(1 798～1 918 nm)與文獻(xiàn)[13]優(yōu)選出的波長(zhǎng)模型范圍(1 766～1 906 nm)相比略有移動(dòng)。出現(xiàn)該問題的主要原因可能是因?yàn)楸疚乃x的樣品較少或者所選樣品的代表性不足。因此后續(xù)的工作中還可以增加實(shí)驗(yàn)樣品的數(shù)量，這樣得到的模型就會(huì)有更好的適應(yīng)性。

3 結(jié)語(yǔ)

甘蔗清糖漿轉(zhuǎn)光度是甘蔗制糖工藝流程中的重要指標(biāo)，傳統(tǒng)的檢測(cè)方法耗時(shí)、浪費(fèi)人力財(cái)力。不能夠及時(shí)對(duì)轉(zhuǎn)光度指標(biāo)進(jìn)行快速檢測(cè)，對(duì)于制糖過(guò)程中產(chǎn)品質(zhì)量的控制，生產(chǎn)工藝條件的調(diào)整有重要影響，一種甘蔗清糖漿轉(zhuǎn)光度指標(biāo)的快速檢測(cè)方法在制糖工藝中具有重要的應(yīng)用價(jià)值。

本文提出了一種基于近紅外光譜和PLS算法的甘蔗清糖漿轉(zhuǎn)光度的快速定量分析方法。使用SNV用于光譜預(yù)處理，EC-PLS用于波長(zhǎng)篩選，進(jìn)一步采用波長(zhǎng)逐步淘汰WSP-PLS算法來(lái)優(yōu)化EC-PLS模型。結(jié)果表明：SNV預(yù)處理方法可以較大地提高模型的預(yù)測(cè)精度；EC-PLS方法可以篩選更加有效的特征波段；在檢驗(yàn)階段中，EC-WSP-PLS方法選出的最優(yōu)模型表現(xiàn)出較高的精確度和穩(wěn)定性，檢驗(yàn)集樣品的SEP和RP達(dá)到0.895%和0.904%。波長(zhǎng)數(shù)也明顯減少。

實(shí)驗(yàn)結(jié)果證實(shí)了利用近紅外光譜技術(shù)結(jié)合PLS算法對(duì)甘蔗清糖漿轉(zhuǎn)光度進(jìn)行定量分析的可行性。近紅外光譜技術(shù)簡(jiǎn)單、快速、安全，是一種很有發(fā)展空間的分析技術(shù)。本文提出的甘蔗清糖漿轉(zhuǎn)光度的快速分析方法相較于傳統(tǒng)的化學(xué)檢測(cè)方法來(lái)說(shuō)效果更好。實(shí)驗(yàn)所得出的甘蔗清糖漿轉(zhuǎn)光度波長(zhǎng)模型可以代替全波段獲得更好的預(yù)測(cè)效果，為設(shè)計(jì)小型專業(yè)近紅外光譜儀器提供依據(jù)。