全 文 ：激光与光电子学进展
５０，０４３００１（２０１３） Ｌａｓｅｒ　＆Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃｓ　Ｐｒｏｇｒｅｓｓ ○Ｃ２０１３《中国激光》杂志社
近红外光谱结合极限学习机和ＧＡ－ＰＬＳ算法
检测普洱茶茶多酚含量
张海东　李贵荣%　李若诚　许文方　华英杰
（云南农业大学工程技术学院，云南 昆明６５０２０１）
摘要　利用近红外光谱技术检测普洱茶中茶多酚的含量，首先通过遗传偏最小二乘法（ＧＡ－ＰＬＳ）筛选出表征茶多
酚含量的特征波数点，并进行主成分分析，然后建立极限学习机（ＥＬＭ）预测模型。研究得到的最佳ＥＬＭ预测模型
涉及４０个变量，主成分分析后以第１、第２主成分作为输入，以Ｓｉｇｍｏｉｄａｌ函数为隐含层神经元激励函数，隐含层神
经元个数确定为１３。模型的交互验证均方根误差值、预测集均方根误差值和预测集相关系数Ｒ２ 分别为１．０１０９、
１．６６８６和０．９７０５，预测性能明显优于全光谱偏最小二乘模型和遗传偏最小二乘模型。说明利用近红外光谱技术
结合极限学习机和遗传偏最小二乘法可以很好地预测普洱茶中茶多酚的含量。
关键词　光谱学；近红外光谱；极限学习机；遗传偏最小二乘法；普洱茶；茶多酚含量
中图分类号　Ｏ６５７．３３　　　文献标识码　Ａ　　　ｄｏｉ：１０．３７８８／ＬＯＰ５０．０４３００１
Ｄｅｔｅｒｍｉｎａｔｉｏｎ　ｏｆ　Ｔｅａ　Ｐｏｌｙｐｈｅｎｏｌｓ　Ｃｏｎｔｅｎｔ　ｉｎ　Ｐｕｅｒｈ　Ｔｅａ　ＵｓｉｎｇＮｅａｒ－
Ｉｎｆｒａｒｅｄ　ＳｐｅｃｔｒｏｓｃｏｐｙＣｏｍｂｉｎｅｄ　ｗｉｔｈ　Ｅｘｔｒｅｍｅ　ＬｅａｒｎｉｎｇＭａｃｈｉｎｅ
ａｎｄ　ＧＡ－ＰＬＳ　Ａｌｇｏｒｉｔｈｍ
Ｚｈａｎｇ　Ｈａｉｄｏｎｇ　Ｌｉ　Ｇｕｉｒｏｎｇ　Ｌｉ　Ｒｕｏｃｈｅｎｇ　Ｘｕ　Ｗｅｎｆａｎｇ　Ｈｕａ　Ｙｉｎｇｊｉｅ
（Ｆａｃｕｌｔｙ　ｏｆ　Ｅｎｇｉｎｅｒｉｎｇ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｙｕｎｎａｎ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｋｕｎｍｉｎｇ，Ｙｕｎｎａｎ６５０２０１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ　Ｔｏ　ｄｅｔｅｒｍｉｎｅ　ｔｈｅ　ｔｅａ　ｐｏｌｙｐｈｅｎｏｌｓ　ｃｏｎｔｅｎｔ　ｉｎ　Ｐｕｅｒｈ　ｔｅａ　ｂｙ　ｎｅａｒ　ｉｎｆｒａｒｅｄ　ｓｐｅｃｔｒｏｓｃｏｐｙ，ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ
ｃｏｍｂｉｎｅｄ　ｗｉｔｈ　ｐａｒｔｉａｌ　ｌｅａｓｔ　ｓｑｕａｒｅ（ＧＡ－ＰＬＳ）ｉｓ　ｕｓｅｄ　ｔｏ　ｓｅｌｅｃｔ　ｔｈｏｓｅ　ｗａｖｅ－ｎｕｍｂｅｒｓ　ｃａｒｒｙｉｎｇ　ｉｎｆｏｒｍａｔｉｏｎ　ｔｈａｔ　ａｒｅ　ｈｉｇｈｌｙ
ｒｅｌａｔｅｄ　ｔｏ　ｔｈｅ　ｔｅａ　ｐｏｌｙｐｈｅｎｏｌｓ　ｏｆ　Ｐｕｅｒｈ　ｔｅａ．Ａｓ　ａ　ｒｅｓｕｌｔ，４０　ｗａｖｅ　ｎｕｍｂｅｒｓ　ａｒｅ　ｓｅｌｅｃｔｅｄ　ｆｒｏｍ　ｔｈｅ　ｓｐｅｃｔｒａｌ　ｒａｎｇｅ　ｏｆ　１０００１～
４０００　ｃｍ－１．Ｔｈｅｎ　ｐｒｉｎｃｉｐａｌ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ　ｉｓ　ａｐｐｌｉｅｄ　ｆｏｒ　ｔｈｅｓｅ　ｓｅｌｅｃｔｅｄ　ｗａｖｅ　ｎｕｍｂｅｒｓ，ａｎｄ　ｔｈｅ　ｆｉｒｓｔ　ｔｗｏ　ｐｒｉｎｃｉｐａｌ
ｃｏｍｐｏｎｅｎｔｓ　ａｒｅ　ａｃｈｉｅｖｅｄ　ｔｏ　ｉｎｐｕｔ　ｉｎｔｏ　ｔｈｅ　ｅｘｔｒｅｍｅ　ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ（ＥＬＭ）．Ｕｓｉｎｇ　ｓｉｇｍｏｉｄａｌ　ｆｕｎｃｔｉｏｎ　ａｓ　ａｃｔｉｖｅ　ｆｕｎｃｔｉｏｎ，
ｔｈｅ　ＥＬＭ　ｉｓ　ｔｒａｉｎｅｄ　ｗｉｔｈ　ｔｈｅ　ｎｕｍｂｅｒ　ｏｆ　ｈｉｄｄｅｎ－ｌａｙｅｒ　ｎｅｕｒｏｎｓ　ｖａｒｙｉｎｇ　ｆｒｏｍ１　ｔｏ　５０．Ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔ　ｉｔ　ｗｉｌ　ｒｅａｃｈ　ｔｈｅ
ｍｉｎｉｍｕｍ　ｒｏｏｔ　ｍｅａｎ　ｓｑｕａｒｅ　ｅｒｒｏｒ　ｏｆ　ｐｒｅｄｉｃｔｉｏｎ（ＲＭＳＥＰ）ｓｅｔ　ａｎｄ　ｇｅｔ　ｔｈｅ　ｏｐｔｉｍａｌ　ＥＬＭ　ｍｏｄｅｌ　ｗｈｅｎ　ｔｈｅｒｅ　ａｒｅ　１３
ｈｉｄｄｅｎ－ｌａｙｅｒ　ｎｅｕｒｏｎｓ．Ｔｈｅ　ｏｐｔｉｍａｌ　ＥＬＭ　ｍｏｄｅｌ　ｇｉｖｅｓ　ｔｈｅ　ｃｏｒｒｅｌａｔｉｏｎ　ｃｏｅｆｆｉｃｉｅｎｔ　ｏｆ　ｐｒｅｄｉｃｔｉｏｎ　ｓｅｔ　Ｒ２　ｏｆ　０．９７０５，
ｗｉｔｈ　ｒｏｏｔ　ｍｅａｎ　ｓｑｕａｒｅ　ｅｒｒｏｒ　ｏｆ　ｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎ（ＲＭＳＥＣＶ）ｏｆ　１．０１０９　ａｎｄ　ＲＭＳＥＰ　ｏｆ　１．６６８６．Ｔｈｉｓ　ｍｏｄｅｌ　ｕｓｅｓ
ｏｎｌｙ　４０　ｗａｖｅ　ｎｕｍｂｅｒｓ　ａｎｄ　２　ｉｎｐｕｔ－ｌａｙｅｒ　ｎｅｕｒｏｎｓ，ｂｕｔ　ｏｂｔａｉｎｓ　ｂｅｔｔｅｒ　ｐｅｒｆｏｒｍａｎｃｅ，ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｔｈｅ　ｇｌｏｂａｌ　ＰＬＳ
ｍｏｄｅｌ　ｗｉｔｈ　１５５７　ｗａｖｅ　ｎｕｍｂｅｒｓ　ａｎｄ　ＧＡ－ＰＬＳ　ｍｏｄｅｌ　ｗｉｔｈ　４０　ｗａｖｅ　ｎｕｍｂｅｒｓ．Ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｔｅａ　ｐｏｌｙｐｈｅｎｏｌｓ
ｃｏｎｔｅｎｔ　ｉｎ　Ｐｕｅｒｈ　ｔｅａ　ｃａｎ　ｂｅ　ｄｅｔｅｒｍｉｎｅｄ　ｗｉｔｈ　ｈｉｇｈ　ｐｒｅｃｉｓｉｏｎ　ｂｙ　ｕｓｉｎｇ　ｎｅａｒ－ｉｎｆｒａｒｅｄ　ｓｐｅｃｔｒｏｓｃｏｐｙ　ｃｏｍｂｉｎｅｄ　ｗｉｔｈ
ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ａｎｄ　ＥＬＭ．
Ｋｅｙ　ｗｏｒｄｓ　ｓｐｅｃｔｒｏｓｃｏｐｙ；ｎｅａｒ　ｉｎｆｒａｒｅｄ　ｓｐｅｃｔｒｏｓｃｏｐｙ；ｅｘｔｒｅｍｅ　ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ（ＥＬＭ）；ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ－ｐａｒｔｉａｌ
ｌｅａｓｔ　ｓｑｕａｒｅ　ａｌｇｏｒｉｔｈｍ（ＧＡ－ＰＬＳ）；Ｐｕｅｒｈ　ｔｅａ；ｔｅａ　ｐｏｌｙｐｈｅｎｏｌｓ　ｃｏｎｔｅｎｔ
ＯＣＩＳ　ｃｏｄｅｓ　３００．６３４０；２００．４２６０；１２０．４２９０
　　收稿日期：２０１２－１０－３１；收到修改稿日期：２０１３－０１－２４；网络出版日期：２０１３－０３－１４
基金项目：国家自然科学基金（３０７６０１０３）资助课题。
作者简介：张海东（１９７４—），男，博士，副教授，主要从事农产品品质无损检测方面的研究。Ｅ－ｍａｉｌ：ｚｈｄ＿７４＠１２６．ｃｏｍ
　＊通信联系人。Ｅ－ｍａｉｌ：ｙｎｌｇｒ＠ｙａｈｏｏ．ｃｏｍ．ｃｎ
１　引　　言
普洱茶是中国云南特有的茶品，由大叶种茶叶经特殊发酵工艺加工而成，具有独特的滋味和香气。研究
０４３００１－１
５０，０４３００１ 激光与光电子学进展 ｗｗｗ．ｏｐｔｉｃｓｊｏｕｒｎａｌ．ｎｅｔ
表明，普洱茶特有的滋味和香气是在后发酵过程中，以茶多酚为主的多种化学成分在微生物和酶的作用下形
成的。因此，茶多酚含量是评价普洱茶品质的一项重要指标。茶多酚是从茶叶中提取的由多种儿茶素单体
及少量咖啡碱以及其他物质组成的混合物。传统上，茶多酚含量主要依靠化学分析法检测，但该法操作繁
琐、费时，且对分析人员的要求较高。近些年来，近红外光谱技术被越来越多地应用于包括茶叶在内的农产
品的内部品质检测中［１～５］，并都取得了很好的效果。在茶叶中茶多酚含量的近红外光谱检测方面，孙耀国
等［４］用近红外光谱法检测绿茶中氨基酸、咖啡碱和茶多酚的含量，通过将光谱分成三个波段并分析各波段偏
最小二乘（ＰＬＳ）预测模型后发现５０００～４０００ｃｍ－１波段的光谱结合一阶导数预处理法对茶多酚含量的ＰＬＳ
预测效果最佳。罗一帆等［５］利用近红外光谱法测定茶粉中的茶多酚和茶多糖，根据光谱特点选择
７４３２．３～６１５５．７ｃｍ－１和５４８４．６～４１９２．５ｃｍ－１两个波段共６６８个波数点建立人工神经网络（ＡＮＮ）预测模
型。Ｃｈｅｎ等［６］利用近红外光谱法同时测定绿茶中总茶多酚和咖啡碱含量，并分析了标准正态变量变换
（ＳＮＶ）、一阶导数、二阶导数法分别预处理光谱后，ＰＬＳ预测模型的性能。刘辉军等［７］通过分析光谱特点，
选择１４００～１６２８ｎｍ和１６７９～２０００ｎｍ两个波段建立茶叶中茶多酚含量的近红外光谱ＰＬＳ预测模型。罗
文文等［８］研究了绿茶中水分和茶多酚含量的近红外光谱定标模型，分析比较了主成分回归（ＰＣＲ）模型和
ＰＬＳ模型的性能以及不同预处理方法对模型性能的影响。Ｃｈｅｎ等［９］利用区间偏最小二乘法（ｉＰＬＳ）和联合
区间偏最小二乘法（ｓｉＰＬＳ）分别筛选绿茶中茶多酚含量的近红外建模区间，并与全光谱偏最小二乘模型进行
比较，发现利用ｓｉＰＬＳ法筛选出的区间所建ＰＬＳ模型性能最佳。林新等［１０］研究了绿茶中茶多酚含量的近红
外光谱预测模型，利用正交试验法分析比较了多元散射校正（ＭＳＣ）等光谱预处理方法对ＰＣＲ、ＰＬＳ以及改
进的偏最小二乘（ＭＰＬＳ）模型性能的影响。
可以看出，学者们的研究主要侧重两个方面：一是建模波长的选择，二是对建模方法的分析比较。对于
建模的波长，研究者或根据光谱特点（文献［５，７］），或结合建模方法（文献［４，９］）获得了用于预测茶叶中茶多
酚含量的光谱区间，但所筛选出的区间或联合区间仍不可避免地会将许多与茶多酚含量无关的信息以及冗
余信息带入模型，且容易将落选区间中与被测组分高度相关的光谱信息排除在外，影响模型的预测精度和分
析效率。对于建模方法，学者们采用最多的是偏最小二乘法，但对于茶叶这种含有多种组分的非线性复杂体
系，偏最小二乘法并不是预测其内部品质的最佳算法。而常用的人工神经网络法虽然能获得很好的预测模
型［５］，但在网络训练过程中需要不断演算、调整各层之间的连接权值、隐含层神经元数目以及隐含层神经元
的阈值以获得最佳的网络参数，因此模型训练速度较慢。
本研究将近红外光谱技术用于普洱茶中茶多酚含量的检测，利用遗传偏最小二乘法（ＧＡ－ＰＬＳ）筛选建
模波长，然后输入新型神经网络———极限学习机（ＥＬＭ）网络进行训练，以期获得更为简单、适用的茶多酚含
量预测模型，克服现有相关研究中存在的不足。
２　算法简介
２．１　极限学习机理论
极限学习机是 Ｈｕａｎｇ等［１１］由单隐含层前馈神经网络（ＳＬＦＮ）发展起来的一种新型神经网络算法，目前
已在回归预测［１２～１５］、模式识别［１６～１８］等领域取得了很好的应用效果。该算法解决了ＳＬＦＮ网络训练速度慢、
容易陷入局部极小点以及对学习率的选择敏感等缺点。极限学习机算法理论简述如下。
Ｈｕａｎｇ等［１１］发现，在ＳＬＦＮ中，当隐含层神经元的激励函数ｇ（ｘ）无限可微时，若隐含层神经元个数Ｋ
与训练集样本数Ｎ相等，则对任意的输入层神经元与隐含层神经元的连接权值ｗ和隐含层神经元的偏置ｂ，
ＳＬＦＮ网络都可以零误差逼近训练样本。或者当隐含层神经元个数Ｋ 小于训练集样本数Ｎ 时，对任意的ｗ
和ｂ，ＳＬＦＮ网络的训练误差可以逼近一个任意小的数ε（ε＞０）。在此条件下，ｗ和ｂ只需在ＳＬＦＮ网络训练
前随机选取，在训练过程中则可保持不变。而隐含层与输出层之间的连接权值β可通过最小二乘法求解以
下问题获得：
ｍｉｎ
β
‖Ｈβ－Ｔ‖， （１）
式中Ｈ为隐含层输出矩阵，Ｔ为ＳＬＦＮ网络的输出矩阵。
０４３００１－２
５０，０４３００１ 激光与光电子学进展 ｗｗｗ．ｏｐｔｉｃｓｊｏｕｒｎａｌ．ｎｅｔ
可解得
β＾＝ＨＴ， （２）
式中Ｈ为隐含层输出矩阵Ｈ的 Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ广义逆。
由上述分析可知，对于给定的样本集 ｘｉ，ｙ｛ ｝ｉ ，ｉ＝１，２，…，Ｎ，极限学习机的算法步骤为：１）确定隐含层神
经元个数，选择隐含层神经元的激励函数，并随机设定输入层与隐含层间的连接权值ｗｊ，ｊ＝１，２，…，ｌ和隐
含层神经元的偏置ｂｊ，ｊ＝１，２，…，ｌ；２）计算隐含层输出矩阵Ｈ；３）计算输出层权值β＾＝ＨＴ。
２．２　遗传偏最小二乘法
遗传偏最小二乘法由Ｌｅａｒｄｉ［１９，２０］提出，该算法能在全光谱区范围内筛选出表征待测品质信息的特征波
数。算法的基本思想是把全光谱区的每一个波数点作为一个基因进行０／１二进制编码（１表示波数点被选
中，０表示未被选中），将所有基因的二进制编码排列在一起就构成了一条染色体。然后通过选择、交叉和变
异等算子进行遗传迭代，迭代过程中，用适应度函数评价每次迭代被选中的波数点所建偏最小二乘模型的性
能。迭代结束后将被选用频数最高的前ｎ（ｎ为预先设定）个波数点按选用频数高低逐一加入待测品质的偏
最小二乘预测模型，以最小的交互验证均方根误差（ＲＭＳＥＣＶ）值确定出最佳的建模波数。遗传迭代过程中
的适应度函数可以用ＲＭＳＥＣＶ值［２１］、预测相关系数［２２］或预测相对误差［２３］为评价目标来构建。
３　实验方法与数据
３．１　实验材料
实验共采集云南勐海、绿春、下关、思茅、临沧等地不同厂家生产的普洱茶样本７０个，其中生茶样本
３４个，熟茶样本３６个。从中随机抽取５０个作为校正集，余下的２０个作为预测集，分别编号后避光贮存。
３．２　光谱采集
样本近红外光谱利用ＡｎｔａｒｉｓⅡ型傅里叶变换近红外光谱仪（美国Ｔｈｅｒｍｏ　Ｆｉｓｈｅｒ公司）采集，采集方法
为漫反射法。采集时，光谱仪参数设置为：光谱范围１０００１～４０００ｃｍ－１，扫描次数１６次，分辨率８ｃｍ－１，数
据采样间隔３．８５６ｃｍ－１。每条光谱含有１５５７个波数点。实验过程中，室内温度控制在２６℃。每个样本分
别采集３次光谱，取３次的平均值作为原始光谱。光谱采集前不对普洱茶样本进行粉碎和过筛等预处理。
考虑到光谱采集时系统、环境以及样本颗粒大小不均等因素对近红外光谱的影响，在波数筛选和建模前需要
对原始光谱进行预处理，以减小上述因素的影响。本研究经过分析比较，对原始光谱进行中心化预处理。图
１为校正集原始光谱和中心化后的光谱。
图１ （ａ）校正集原始光谱和（ｂ）中心化处理后的光谱
Ｆｉｇ．１ （ａ）Ｒａｗ　ｓｐｅｃｔｒａ　ａｎｄ（ｂ）ｍｅａｎ　ｃｅｎｔｅｒｅｄ　ｓｐｅｃｔｒａ　ｏｆ　ｃａｌｉｂｒａｔｉｏｎ　ｓｅｔ
３．３　茶多酚含量化学检测
光谱采集后，茶多酚含量的化学分析按国家标准ＧＢ／Ｔ　８３１３－２００２中规定的方法执行，即利用茶叶中多
酚类物质与亚铁离子形成紫蓝色络合物的原理进行分光光度检测。表１分别列出了校正集与预测集样本中
茶多酚含量实测值的范围、均值和标准偏差。
０４３００１－３
５０，０４３００１ 激光与光电子学进展 ｗｗｗ．ｏｐｔｉｃｓｊｏｕｒｎａｌ．ｎｅｔ
表１　校正集和预测集样本中茶多酚含量实测值
Ｔａｂｌｅ　１　Ｒｅｆｅｒｅｎｃｅ　ｍｅａｓｕｒｅｍｅｎｔ　ｏｆ　ｔｅａ　ｐｏｌｙｐｈｅｎｏｌｓ　ｃｏｎｔｅｎｔ　ｉｎ　ｔｒａｉｎｉｎｇ　ｓｅｔ　ａｎｄ　ｐｒｅｄｉｃｔｉｏｎ　ｓｅｔ
Ｓａｍｐｌｅ　ｓｅｔ　 Ｎｕｍｂｅｒ　ｏｆ　ｓａｍｐｌｅｓ　 Ｒａｎｇｅ／％ Ｍｅａｎ／％ Ｓｔａｎｄａｒｄ　ｄｅｖｉａｔｉｏｎ／％
Ｃａｌｉｂｒａｔｉｏｎ　ｓｅｔ　 ５０　 ３．３～３３．９　 １６．５０２　 １０．３３０９
Ｐｒｅｄｉｃｔｉｏｎ　ｓｅｔ　 ２０　 ５．４～３３．４　 １９．６５０　 ９．９７１５
４　数据处理与结果分析
光谱中心化处理后先用遗传偏最小二乘法筛选出表征茶多酚含量的特征波数，然后以特征波数为输入
训练极限学习机网络模型。研究中的所有数据处理均在 Ｍａｔｌａｂ　６．５（美国 Ｍａｔｈｗｏｒｋｓ）平台上完成。
４．１　遗传偏最小二乘法筛选特征波数
本研究中，遗传偏最小二乘法的搜索范围为全谱区，即１０００１～４０００ｃｍ－１，共１５５７个波数点。迭代过程中
以ＲＭＳＥＣＶ值为评价指标，ＲＭＳＥＣＶ值越小表明被选波数点所建模型性能越好，由此可构建适应度函数：
Ｆ（Ｘｋ）＝ １１＋ＥＣＶ（Ｘｋ）
， （３）
式中Ｘｋ 代表种群中第ｋ个染色体，ＥＣＶ（Ｘｋ）为第ｋ个染色体产生的ＲＭＳＥＣＶ值，Ｆ（Ｘｋ）为第ｋ个染色体的
适应度值。遗传算法的控制参数设定为：初始群体大小为３０，交叉概率ｐｃ＝０．５，变异概率ｐｍ＝０．０１，遗传迭
代次数为１００次。迭代结束后将选用频数最高的前１００个波数点依选用频数高低逐一顺序加入茶多酚ＰＬＳ
预测模型，以最小的ＲＭＳＥＣＶ值确定建模波数点。为防止遗传操作过程中的随机性对波数筛选结果的影
响，共进行了５次运算，最后挑选出其中综合性能最好的模型所选用的波数点作为最佳波数点。
表２列出了各次运算的波数筛选情况及所建偏最小二乘回归模型的性能。可以看出，５次运算分别筛
选出４８、６５、４０、６６和７０个波数，都远远少于全谱区１５５７个波数。从模型的复杂度来看，全谱ＰＬＳ模型
（Ｇｌｏｂａｌ　ＰＬＳ　ｍｏｄｅｌ）采用了６个主成分，５个ＧＡ－ＰＬＳ模型采用的主成分数分别为４个（ＧＡ－ＰＬＳ３）、５个
（ＧＡ－ＰＬＳ２、４）及７个（ＧＡ－ＰＬＳ１、５），与全谱模型相比，参与建模的主成分数没有明显变化。从模型的性能
看，全谱模型的预测均方根误差（ＲＭＳＥＰ）为２．３７４６，而５个ＧＡ－ＰＬＳ模型的ＲＭＳＥＰ值都比全谱模型提高
了７．８％以上，说明经ＧＡ－ＰＬＳ法筛选建模波数后，模型对外部样本的预测能力有了明显的提高。这主要是
由于遗传算法高效的全局搜索能力和偏最小二乘法本身所具备的信息提取能力有机结合后，将谱区中与茶
多酚含量不相关或相关性极小的波数点剔除了的缘故。
表２　遗传偏最小二乘法筛选波数结果
Ｔａｂｌｅ　２　Ｒｅｓｕｌｔｓ　ｏｆ　ｗａｖｅ－ｎｕｍｂｅｒ　ｓｅｌｅｃｔｉｏｎ　ｃａｌｃｕｌａｔｅｄ　ｆｒｏｍ　ＧＡ－ＰＬＳ
Ｍｏｄｅｌ
Ｎｕｍｂｅｒ　ｏｆ　ｓｅｌｅｃｔｅｄ
ｗａｖｅ　ｎｕｍｂｅｒｓ
Ｎｕｍｂｅｒ　ｏｆ　ｐｒｉｎｃｉｐａｌ
ｃｏｍｐｏｎｅｎｔｓ
ＲＭＳＥＣＶ　 ＲＭＳＥＰ
Ｒ２　ｆｏｒ
ｐｒｅｄｉｃｔｉｏｎ　ｓｅｔ
Ｇｌｏｂａｌ　ＰＬＳ　 １５５７　 ６　 １．２４３２　 ２．３７４６　 ０．９４３３
ＧＡ－ＰＬＳ１　 ４８　 ７　 １．０７９０　 ２．１７７０　 ０．９５２３
ＧＡ－ＰＬＳ２　 ６５　 ５　 １．１２０３　 ２．１３８４　 ０．９５４０
ＧＡ－ＰＬＳ３　 ４０　 ４　 １．３７６６　 １．７４９０　 ０．９６９２
ＧＡ－ＰＬＳ４　 ６６　 ５　 １．１０８７　 ２．１８８０　 ０．９５１８
ＧＡ－ＰＬＳ５　 ７０　 ７　 １．１７４２　 ２．０２３２　 ０．９５８８
　　综合分析５次运算后所建ＰＬＳ模型的性能，本研究选取第３次运算筛选出的波数作为极限学习机网络
的输入。第３次运算共筛选出４０个波数，图２显示了这４０个波数在谱区中的位置。
４．２　极限学习机预测模型的建立
考虑到校正集样本数为５０，与ＧＡ－ＰＬＳ法筛选出的变量数较为接近，为了防止极限学习机网络产生过
拟合，对筛选出的４０个变量进行主成分分析，以第１、第２主成分（方差贡献率分别为８２．９２％和１５．６５％）作
为ＥＬＭ的输入。根据理论，极限学习机网络的隐含层神经元数目需在训练前确定，而其输入层与隐含层之
间的权值ｗ以及隐含层神经元的偏置ｂ只需随机设定，且训练过程中无需进行调整。因此网络训练前先确
定隐含层神经元的数目，本研究中将隐含层神经元数目初始化为１，并以１为步长逐步增加到５０（校正集样
０４３００１－４
５０，０４３００１ 激光与光电子学进展 ｗｗｗ．ｏｐｔｉｃｓｊｏｕｒｎａｌ．ｎｅｔ
图２ ＧＡ－ＰＬＳ法筛选出的最佳波数点在谱区中的位置
Ｆｉｇ．２ Ｄｉｓｔｒｉｂｕｔｉｏｎ　ｄｉａｇｒａｍ　ｏｆ　ＧＡ－ＰＬＳ　ｓｅｌｅｃｔｅｄ　ｗａｖｅ　ｎｕｍｂｅｒｓ
本数），用ＲＭＳＥＰ值来确定最佳的隐含层神经元数目。
本研究以Ｓｉｇｍｏｉｄａｌ函数为ＥＬＭ 网络隐含层神经元的
激励函数。图３显示了隐含层神经元数目对极限学习机
性能的影响。从图中可以看出，随着隐含层神经元数的
增加，ＲＭＳＥＣＶ值逐渐减小，当隐含层神经元数增加到
５０，即与校正集样本数相等时，ＲＭＳＥＣＶ值趋近于０（为
１．９０５９×１０－８）。但从ＲＭＳＥＰ值来看，随着隐含层神经
元数的增加，ＲＭＳＥＰ值呈先减小后增大的变化趋势，当
隐含层神经元数为１３时，ＲＭＳＥＰ达到最小值１．６６８６，
隐层神经元数为５０时，ＲＭＳＥＰ达到最大值１３．７５２６。
根据上述分析，本研究取隐含层神经元数为１３。图４为
隐含层神经元数取１３时，利用第１、第２主成分作为输入
建立的极限学习机模型（ＧＡ－ＥＬＭ模型）对校正集和预测集样本的预测值与实测值的散点图，从图中可以看
出，该模型对普洱茶中茶多酚的含量具有很高的预测精度。
图３ 隐含层神经元个数对极限学习机模型
均方根误差的影响
Ｆｉｇ．３ Ｅｆｆｅｃｔ　ｏｆ　ｈｉｄｄｅｎ－ｌａｙｅｒ　ｎｅｕｒｏｎｓ　ｎｕｍｂｅｒ　ｏｎ　ｒｏｏｔ
ｍｅａｎ　ｓｑｕａｒｅ　ｅｒｒｏｒ　ｏｆ　ＥＬＭ　ｍｏｄｅｌ
图４ ＧＡ－ＥＬＭ模型对校正集和预测集样本的茶多酚
预测值与实测值之散点图
Ｆｉｇ．４ Ｒｅｆｅｒｅｎｃｅ　ｍｅａｓｕｒｅｍｅｎｔ　ｖｅｒｓｕｓ　ＧＡ－ＥＬＭ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ
ｔｅａ　ｐｏｌｙｐｈｅｎｏｌｓ　ｃｏｎｔｅｎｔ　ｆｏｒ　ｃａｌｉｂｒａｔｉｏｎ　ｓｅｔ　ａｎｄ　ｐｒｅｄｉｃｔｉｏｎ　ｓｅｔ
４．３　极限学习机预测模型性能分析
图５ 全谱ＰＬＳ模型、全谱ＥＬＭ模型及ＧＡ－ＥＬＭ模型
的预测性能比较
Ｆｉｇ．５ Ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｐｒｅｄｉｃｔｉｏｎ　ｐｒｅｃｉｓｉｏｎ　ａｍｏｎｇ　ｇｌｏｂａｌ
ＰＬＳ　ｍｏｄｅｌ，ｇｌｏｂａｌ　ＥＬＭ　ｍｏｄｅｌ　ａｎｄ　ＧＡ－ＥＬＭ　ｍｏｄｅｌ
表３列出了经波数筛选后的极限学习机预测模型
（ＧＡ－ＥＬＭ模型）和全谱极限学习机模型（Ｇｌｏｂａｌ－ＥＬＭ）
对普洱茶中茶多酚含量的预测性能。从表中可以看出，
两种模型都能很好地预测普洱茶中茶多酚的含量，但
ＧＡ－ＥＬＭ模型的输入层神经元数仅为２，其 ＲＭＳＥＣＶ
值为１．０１０９，ＲＭＳＥＰ值为１．６８８６，预测集相关系数Ｒ２
为０．９７０５，综合模型的结构、均方根误差以及预测集相
关系数等几项指标来看，ＧＡ－ＥＬＭ 模型对普洱茶中茶多
酚含量的预测性能明显优于Ｇｌｏｂａｌ－ＥＬＭ模型，其对外
部样本的预测能力比后者高出９．９％，同时大大减少了
数据处理量，提高了处理效率。模型也优于全光谱ＰＬＳ
模型和 ＧＡ－ＰＬＳ模型（表２）。图５显示了全谱ＰＬＳ模
型、全谱ＥＬＭ 模型和ＧＡ－ＥＬＭ模型对预测集样本的预
测性能，从图中也可以看出，ＧＡ－ＥＬＭ 模型的预测精度
最高，全谱ＥＬＭ模型次之，全谱ＰＬＳ模型精度最低。从模型性能参数看，ＧＡ－ＥＬＭ 模型的ＲＭＳＥＣＶ值和
０４３００１－５
５０，０４３００１ 激光与光电子学进展 ｗｗｗ．ｏｐｔｉｃｓｊｏｕｒｎａｌ．ｎｅｔ
ＲＭＳＥＰ值分别比全光谱ＰＬＳ模型减小１８．６９％和２９．７３％。从对外部样本的预测能力来看，全谱ＥＬＭ模型
的性能虽然低于ＧＡ－ＥＬＭ模型和表２中的ＧＡ－ＰＬＳ了模型，但仍表现出了较好的预测性能。这说明无论是否
经过波数筛选，极限学习机网络模型都可以很好地预测普洱茶中茶多酚的含量。同时，模型在训练过程中只需
对一个参数即隐含层神经元个数进行人为调整，克服了传统网络需要反复调整多个参数带来的不便。
表３ ＧＡ－ＥＬＭ预测模型和全谱ＥＬＭ预测模型性能比较
Ｔａｂｌｅ　３　Ｐｅｒｆｏｒｍａｎｃｅ　ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ＧＡ－ＥＬＭ　ｍｏｄｅｌ　ａｎｄ　ｇｌｏｂａｌ　ＥＬＭ　ｍｏｄｅｌ
Ｍｏｄｅｌ
Ｎｕｍｂｅｒ　ｏｆ　ｓｅｌｅｃｔｅｄ
ｗａｖｅ　ｎｕｍｂｅｒｓ
Ｎｕｍｂｅｒ　ｏｆ　ｉｎｐｕｔ－ｌａｙｅｒ
ｎｅｕｒｏｎｓ
Ｎｕｍｂｅｒ　ｏｆ　ｈｉｄｄｅｎ－ｌａｙｅｒ
ｎｅｕｒｏｎｓ
ＲＭＳＥＣＶ　 ＲＭＳＥＰ
Ｒ２　ｆｏｒ
ｐｒｅｄｉｃｔｉｏｎ　ｓｅｔ
Ｇｌｏｂａｌ－ＥＬＭ　 １５５７　 １５５７　 １２　 １．１８４８　 １．８５１８　 ０．９６３７
ＧＡ－ＥＬＭ　 ４０　 ２　 １３　 １．０１０９　 １．６６８６　 ０．９７０５
５　结　　论
利用近红外光谱技术结合极限学习机网络预测普洱茶中茶多酚的含量，取得了满意的预测精度。特别
是经遗传算法筛选波数后建立的茶多酚ＥＬＭ 预测模型的各项性能参数都明显优于全谱ＥＬＭ 模型、ＧＡ－
ＰＬＳ模型以及传统的全谱ＰＬＳ模型。而且该模型仅涉及４０个波数点，输入层神经元数为２，远少于全谱模
型的１５５７个波数点，大大减少了数据运算量，提高了分析效率，显示了近红外光谱技术结合极限学习机和遗
传偏最小二乘法快速检测普洱茶中茶多酚含量的潜力。
参 考 文 献
１Ｇｕｏ　Ｆｅｉ，Ｌｉｕ　Ｊｉｎｇｊｉｎｇ，Ｌｕｏ　Ｘｉａｏ　ｅｔ　ａｌ．．Ｆｅａｓｉｂｉｌｉｔｙ　ｓｔｕｄｙ　ｏｆ　ＲＢＦ　ｆｕｚｚｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｎ　ｃａｓｈｍｅｒｅ　ａｎｄ　ｗｏｏｌ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ
ｂａｓｅｄ　ｏｎ　ｎｅａｒ　ｉｎｆｒａｒｅｄ　ｓｐｅｃｔｒｏｓｃｏｐｙ［Ｊ］．Ｌａｓｅｒ　＆Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃｓ　Ｐｒｏｇｒｅｓｓ，２０１２，４９（８）：０８３００１
　 郭　飞，刘净净，罗　宵 等．ＲＢＦ模糊神经网络用于 ＮＩＲ鉴别羊绒和羊毛的可行性研究［Ｊ］．激光与光电子学进展，
２０１２，４９（８）：０８３００１
２Ｚｈａｏ　Ｊｉｅｗｅｎ，Ｚｈａｎｇ　Ｙａｎｈｕａ，Ｃｈｅｎ　Ｑｕａｎｓｈｅｎｇ　ｅｔ　ａｌ．．Ｍｅａｓｕｒｅｍｅｎｔ　ｏｆ　ＴＶＢ－Ｎ　ｃｏｎｔｅｎｔ　ｂｙ　ｍｕｌｔｉ－ｉｎｆｏｒｍａｔｉｏｎ　ｆｕｓｉｏｎ
ｔｅｃｈｎｉｑｕｅ　ｂａｓｅｄ　ｏｎ　ｓｐｅｃｔｒｏｓｃｏｐｙ　ａｎｄ　ｉｍａｇｉｎｇ［Ｊ］．Ｌａｓｅｒ　＆Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃｓ　Ｐｒｏｇｒｅｓｓ，２０１２，４９（６）：０６３００３
　 赵杰文，张燕华，陈全胜 等．光谱和成像融合技术检测猪肉中挥发性盐基氮［Ｊ］．激光与光电子学进展，２０１２，４９（６）：
０６３００３
３Ｇｕｏ　Ｗｅｉｌｉａｎｇ，Ｗａｎｇ　Ｄａｎ，Ｓｏｎｇ　Ｊｉａ　ｅｔ　ａｌ．．Ｓｉｍｕｌｔａｎｅｏｕｓ　ａｎｄ　ｒａｐｉｄ　ｑｕａｎｔｉｔａｔｉｖｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｆｏｕｒ　ｃｏｍｐｏｎｅｎｔｓ　ｉｎ　ｃｏｒｄｙｃｅｐｓ
ｍｉｌｉｔａｒｉｓ　ｍｙｃｅｌｉｕｍ　ｐｏｗｄｅｒ　ｕｓｉｎｇ　ｎｅａｒ　ｉｎｆｒａｒｅｄ　ｓｐｅｃｔｒｏｓｃｏｐｙ［Ｊ］．Ａｃｔａ　Ｏｐｔｉｃａ　Ｓｉｎｉｃａ，２０１１，３１（２）：０２３０００２
　 郭伟良，王　丹，宋　佳 等．近红外光谱法同时快速定量分析蛹虫草菌丝体中４种有效成分［Ｊ］．光学学报，２０１１，
３１（２）：０２３０００２
４Ｓｕｎ　Ｙａｏｇｕｏ，Ｌｉｎ　Ｍｉｎ，ＬüＪｉｎｅｔ　ａｌ．．Ｄｅｔｅｒｍｉｎａｔｉｏｎ　ｏｆ　ｔｈｅ　ｃｏｎｔｅｎｔｓ　ｏｆ　ａｍｉｎｏ　ａｃｉｄｓ，ｃａｆｆｅｉｎｅ，ａｎｄ　ｐｏｌｙｐｈｅｎｏｌｓ　ｉｎ　ｇｒｅｅｎ　ｔｅａ　ｂｙ
ｎｅａｒ　ｉｎｆｒａｒｅｄ　ｓｐｅｃｔｒｏｓｃｏｐｙ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊ．Ｓｐｅｃｔｒｏｓｃｏｐｙ　Ｌａｂｏｒａｔｏｒｙ，２００４，２１（５）：９３９～９４３
　 孙耀国，林　敏，吕　进 等．近红外光谱法测定绿茶中氨基酸、咖啡碱和茶多酚的含量［Ｊ］．光谱实验室，２００４，２１（５）：
９３９～９４３
５Ｌｕｏ　Ｙｉｆａｎ，Ｇｕｏ　Ｚｈｅｎｆｅｉ，Ｚｈｕ　Ｚｈｅｎｙｕｅｔ　ａｌ．．Ｓｔｕｄｉｅｓ　ｏｎ　ＡＮＮ　ｍｏｄｅｌｓ　ｏｆ　ｄｅｔｅｒｍｉｎａｔｉｏｎ　ｏｆ　ｔｅａ　ｐｏｌｙｐｈｅｎｏｌ　ａｎｄ　ａｍｙｌａｓｅ　ｉｎ　ｔｅａ
ｂｙ　ｎｅａｒ－ｉｎｆｒａｒｅｄ　ｓｐｅｃｔｒｏｓｃｏｐｙ［Ｊ］．Ｓｐｅｃｔｒｏｓｃｏｐｙ　ａｎｄ　Ｓｐｅｃｔｒａｌ　Ａｎａｌｙｓｉｓ，２００５，２５（８）：１２３０～１２３３
　 罗一帆，郭振飞，朱振宇 等．近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究［Ｊ］．光谱学与光谱分析，
２００５，２５（８）：１２３０～１２３３
６Ｃｈｅｎ　Ｑｕａｎｓｈｅｎｇ，Ｚｈａｏ　Ｊｉｅｗｅｎ，Ｈｕａｎｇ　Ｘｉｎｙｉ　ｅｔ　ａｌ．．Ｓｉｍｕｌｔａｎｅｏｕｓ　ｄｅｔｅｒｍｉｎａｔｉｏｎ　ｏｆ　ｔｏｔａｌ　ｐｏｌｙｐｈｅｎｏｌｓ　ａｎｄ　ｃａｆｆｅｉｎｅ　ｃｏｎｔｅｎｔｓ
ｏｆ　ｇｒｅｅｎ　ｔｅａ　ｂｙ　ｎｅａｒ－ｉｎｆｒａｒｅｄ　ｒｅｆｌｅｃｔａｎｃｅ　ｓｐｅｃｔｒｏｓｃｏｐｙ［Ｊ］．Ｍｉｃｒｏｃｈｅｍｉｃａｌ　Ｊｏｕｒｎａｌ，２００６，８３（１）：４２～４７
７Ｌｉｕ　Ｈｕｉｊｕｎ，ＬüＪｉｎ，Ｚｈａｎｇ　Ｗｅｉｇａｎｇ　ｅｔ　ａｌ．．Ａ　ｔｅｓｔｉｎｇ　ｍｏｄｅｌ　ｆｏｒ　ｔｅａ　ｐｏｌｙｐｈｅｎｏｌ　ｃｏｎｔｅｎｔ　ｂａｓｅｄ　ｏｎ　ＮＩＲ［Ｊ］．Ｉｎｆｒａｒｅｄ
Ｔｅｃｈｎｏｌｏｇｙ，２００７，２９（７）：４２９～４３２
　 刘辉军，吕　进，张维刚 等．茶叶中茶多酚含量的近红外光谱检测模型研究［Ｊ］．红外技术，２００７，２９（７）：４２９～４３２
８Ｌｕｏ　Ｗｅｎｗｅｎ，Ｚｈａｎｇ　Ｙｕｅｌｉｎｇ，Ｇｏｎｇ　Ｓｈｕｙｉｎｇ　ｅｔ　ａｌ．．Ｐｒｅｌｉｍｉｎａｒｙ　ｃｏｎｓｔｒｕｃｔｉｏｎ　ｏｆ　ＮＩＲ　ｃａｌｉｂｒａｔｉｏｎ　ｍｏｄｅｌ　ｆｏｒ　ｍｏｉｓｔｕｒｅ　ａｎｄ
ｔｏｔａｌ　ｔｅａ　ｐｏｌｙｐｈｅｎｏｌｓ　ｏｆ　ｇｒｅｅｎ　ｔｅａ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｔｅａ，２００７，３３（２）：６７～７０
　 罗文文，张月玲，龚淑英 等．绿茶水分和茶多酚总量近红外分析定标模型的建立与应用［Ｊ］．茶叶，２００７，３３（２）：６７～７０
９Ｃｈｅｎ　Ｑｕａｎｓｈｅｎｇ，Ｚｈａｏ　Ｊｉｅｗｅｎ，Ｌｉｕ　Ｍｕｈｕａ　ｅｔ　ａｌ．．Ｄｅｔｅｒｍｉｎａｔｉｏｎ　ｏｆ　ｔｏｔａｌ　ｐｏｌｙｐｈｅｎｏｌｓ　ｃｏｎｔｅｎｔ　ｉｎ　ｇｒｅｅｎ　ｔｅａ　ｕｓｉｎｇ　ＦＴ－ＮＩＲ
ｓｐｅｃｔｒｏｓｃｏｐｙ　ａｎｄ　ｄｉｆｆｅｒｅｎｔ　ＰＬＳ　ａｌｇｏｒｉｔｈｍｓ［Ｊ］．Ｊ．Ｐｈａｒｍａｃｅｕｔｉｃａｌ　ａｎｄ　Ｂｉｏｍｅｄｉｃａｌ　Ａｎａｌｙｓｉｓ，２００８，４６（３）：５６８～５７３
１０Ｌｉｎ　Ｘｉｎ，Ｎｉｕ　Ｚｈｉｙｏｕ．Ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　ｍｏｄｅｌｓ　ｆｏｒ　ｑｕａｎｔｉｔａｔｉｖｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｔｅａ　ｐｏｌｙｐｈｅｎｏｌｓ　ｉｎ　ｇｒｅｅｎ　ｔｅａ　ｂｙ　ｎｅａｒ　ｉｎｆｒａｒｅｄ
ｓｐｅｃｔｒｏｐｈｏｔｏｍｅｔｒｙ［Ｊ］．Ｆｏｏｄ　Ｓｃｉｅｎｃｅ，２００９，３０（１０）：１４４～１４８
　 林　新，牛智有．绿茶茶多酚近红外光谱定量分析模型优化研究［Ｊ］．食品科学，２００９，３０（１０）：１４４～１４８
０４３００１－６
５０，０４３００１ 激光与光电子学进展 ｗｗｗ．ｏｐｔｉｃｓｊｏｕｒｎａｌ．ｎｅｔ
１１Ｇ．Ｂ．Ｈｕａｎｇ，Ｑ．Ｙ．Ｚｈｕ，Ｃ．Ｋ．Ｓｉｅｗ．Ｅｘｔｒｅｍｅ　ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ：ｔｈｅｏｒｙ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００６，
７０（１－３）：４８９～５０１
１２Ｆ．Ｌ．Ｃｈｅｎ，Ｔ．Ｙ．Ｏｕ．Ｓａｌｅｓ　ｆｏｒｅｃａｓｔｉｎｇ　ｓｙｓｔｅｍ　ｂａｓｅｄ　ｏｎ　ｇｒａｙ　ｅｘｔｒｅｍｅ　ｌｅａｒｉｎｇ　ｍａｃｈｉｎｅ　ｗｉｔｈ　Ｔａｇｕｃｈｉ　ｍｅｔｈｏｄ　ｉｎ　ｒｅｔａｉｌ
ｉｎｄｕｓｔｒｙ［Ｊ］．Ｅｘｐｅｒｔ　Ｓｙｓｔｅｍｓ　ｗｉｔｈ　Ａｐｐｌｉｃａｔｉｏｎｓ，２０１１，３８（３）：１３３６～１４４５
１３Ｙ．Ｌａｎ，Ｙ．Ｃ．Ｓｏｈ，Ｇ．Ｂ．Ｈｕａｎｇ．Ｔｗｏ－ｓｔａｇｅ　ｅｘｔｒｅｍｅ　ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ　ｆｏｒ　ｒｅｇｒｅｓｓｉｏｎ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１０，
７３（１６－１８）：３０２８～３０３８
１４Ｙ．Ｂ．Ｙｕａｎ，Ｙ．Ｇ．Ｗａｎｇ，Ｆ．Ｌ．Ｃａｏ．Ｏｐｔｉｍｉｚａｔｉｏｎ　ａｐｐｒｏｘｉｍａｔｉｏｎ　ｓｏｌｕｔｉｏｎ　ｆｏｒ　ｒｅｇｒｅｓｓｉｏｎ　ｐｒｏｂｌｅｍ　ｂａｓｅｄ　ｏｎ　ｅｘｔｒｅｍｅ
ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１１，７４（１６）：２４７５～２４８２
１５Ｚ．Ｌ．Ｓｕｎ，Ｔ．Ｍ．Ｃｈｏｉ，Ｋ．Ｆ．Ａｕ　ｅｔ　ａｌ．．Ｓａｌｅｓ　ｆｏｒｅｃａｓｔｉｎｇ　ｕｓｉｎｇ　ｅｘｔｒｅｍｅ　ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ　ｗｉｔｈ　ａｐｐｌｉｃａｔｉｏｎｓ　ｉｎ　ｆａｓｈｉｏｎ
ｒｅｔａｉｌｉｎｇ［Ｊ］．Ｄｅｃｉｓｉｏｎ　Ｓｕｐｐｏｒｔ　Ｓｙｓｔｅｍ，２００８，４６（１）：４１１～４１９
１６Ｇ．Ｂ．Ｈｕａｎｇ，Ｘ．Ｊ．Ｄｉｎｇ，Ｈ．Ｍ．Ｚｈｏｕ．Ｏｐｔｉｍｉｚａｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｅｘｔｒｅｍｅ　ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ　ｆｏｒ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．
Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１０，７４（１－３）：１５５～１６３
１７Ａ．Ａ．Ｍｏｈａｍｍｅｄ，Ｒ．Ｍｉｎｈａｓ，Ｑ．Ｍ．Ｊｏｎａｔｈａｎ　Ｗｕ　ｅｔ　ａｌ．．Ｈｕｍａｎ　ｆａｃｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｍｕｌｔｉｄｉｍｅｎｓｉｏｎ　ＰＣＡ　ａｎｄ
ｅｘｔｒｅｍｅ　ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ［Ｊ］．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，２０１１，４４（１０，１１）：２５８８～２５９７
１８Ｗ．Ｗ．Ｚｏｎｇ，Ｇ．Ｂ．Ｈｕａｎｇ．Ｆａｃｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｅｘｔｒｅｍｅ　ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１１，７４（１６）：
２５４１～２５５１
１９Ｒ．Ｌｅａｒｄｉ．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ－ＰＬＳ　ｆｏｒ　ｆｅａｔｕｒｅ　ｓｅｌｅｃｔｉｏｎ　ｉｎ　ｓｐｅｃｔｒａｌ　ｄａｔａ　ｓｅｔｓ［Ｊ］．Ｊ．Ｃｈｅｍｏｍｅｔｒｉｃｓ，２０００，
１４（６）：６４３～６５５
２０Ｒ．Ｌｅａｒｄｉ，Ｍ．Ｂ．Ｓｅａｓｈｏｌｔｚ，Ｒ．Ｊ．Ｐｅｌ．Ｖａｒｉａｂｌｅ　ｓｅｌｅｃｔｉｏｎ　ｆｏｒ　ｍｕｌｔｉｖａｒｉａｔｅ　ｃａｌｉｂｒａｔｉｏｎ　ｕｓｉｎｇ　ａｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ：ｐｒｅｄｉｃｔｉｏｎ
ｏｆ　ａｄｄｉｔｉｖｅ　ｃｏｎｃｅｎｔｒａｔｉｏｎｓ　ｉｎ　ｐｏｌｙｍｅｒ　ｆｉｌｍｓ　ｆｒｏｍ　Ｆｏｕｒｉｅｒ　ｔｒａｎｓｆｏｒｍ－ｉｎｆｒａｒｅｄ　ｓｐｅｃｔｒａｌ　ｄａｔａ［Ｊ］．Ａｎａｌ．Ｃｈｉｍ．Ａｃｔａ，２００２，
４６１（２）：１８９～２００
２１Ｓｈｉ　Ｊｉｙｏｎｇ，Ｚｏｕ　Ｘｉａｏｂｏ，Ｚｈａｏ　Ｊｉｅｗｅｎ　ｅｔ　ａｌ．．Ｓｅｌｅｃｔｉｏｎ　ｏｆ　ｗａｖｅｌｅｎｇｔｈ　ｆｏｒ　ｓｔｒａｗｂｅｒｒｙ　ＮＩＲ　ｓｐｅｃｔｒｏｓｃｏｐｙ　ｂａｓｅｄ　ｏｎ　ＢｉＰＬＳ
ｃｏｍｂｉｎｅｄ　ｗｉｔｈ　ＳＡＡ［Ｊ］．Ｊ．Ｉｎｆｒａｒｅｄ　＆ Ｍｉｌｌｉｍｅｔｅｒ．Ｗａｖｅｓ，２０１１，３０（５）：４５８～４６２
　 石吉勇，邹小波，赵杰文 等．ＢｉＰＬＳ结合模拟退火算法的近红外光谱特征波长选择研究［Ｊ］．红外与毫米波学报，２０１１，
３０（５）：４５８～４６２
２２Ｘｕｅ　Ｌｏｎｇ，Ｌｉ　Ｊｉｎｇ，Ｌｉｕ　Ｍｕｈｕａ　ｅｔ　ａｌ．．Ｎｏｎｄｅｓｔｒｕｃｔｉｖｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｓｏｌｕｂｌｅ　ｓｏｌｉｄｓ　ｃｏｎｔｅｎｔ　ｏｎ　ｎａｖｅｌ　ｏｒａｎｇｅ　ｗｉｔｈ　Ｖｉｓ／ＮＩＲ
ｂａｓｅｄ　ｏｎ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｌａｓｅｒ　＆Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃｓ　Ｐｒｏｇｒｅｓｓ，２０１０，４７（１２）：１２３００１
　 薛　龙，黎　静，刘木华 等．基于遗传算法的脐橙可溶性固形物的可见／近红外光谱无损检测［Ｊ］．激光与光电子学进展，
２０１０，４７（１２）：１２３００１
２３Ｇｕｏ　Ｚｈｉｍｉｎｇ，Ｃｈｅｎ　Ｌｉｐｉｎｇ，Ｈｕａｎｇ　Ｗｅｎｑｉａｎｅｔ　ａｌ．．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ－ｌｅａｓｔ　ｓｑｕａｒｅｓ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｒｅｇｒｅｓｓｉｏｎ
ｗｉｔｈ　ｎｅａｒ　ｉｎｆｒａｒｅｄ　ｓｐｅｃｔｒｏｓｃｏｐｙ　ｆｏｒ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｎｉｃｏｔｉｎｅ　ｃｏｎｔｅｎｔ　ｉｎ　ｔｏｂａｃｃｏ［Ｊ］．Ｌａｓｅｒ　＆ Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃｓ　Ｐｒｏｇｒｅｓｓ，２０１２，
４９（２）：０２１２０１
　 郭志明，陈立平，黄文倩 等．近红外光谱结合ＧＡ－ＬＳＳＶＲ分析烟草尼古丁含量［Ｊ］．激光与光电子学进展，２０１２，４９（２）：
０２１２０１
０４３００１－７