基于Elman网络的近红外光谱技术多组分定量分析研究.pdfVIP

第27卷，第12期 光 谱 学 与 光 谱 分 析 Vo1．27，No．12，pp2456-2459 2 0 0 7年 1 2月 Spectroscopy and Spectral Analysis December，2007 基于Elman网络的近红外光谱技术多组分定量分析研究 刘波平L。，秦华俊。，罗 香。，曹树稳。，王俊德h 1．南京理工大学现代光谱研究室，江苏南京 210014 2．江西省分析测试中心，江西南昌 330029 3．南昌大学食品科学教育部重点实验室，江西南昌 330047 摘 要 研究了Elman神经网络(反馈神经网络，Recurrent Network)在近红外光谱定量分析中的应用。以 饲料样品为实验材料，采用Elman网络建立了饲料中苯丙氨酸(Phe)、赖氨酸(Lys)、酪氨酸(Tyr)和胱氨酸 (Cys)四种氨基酸含量的近红外光谱定量分析模型。用偏最小二乘法(partial least squares，PLS)将原始数据 压缩为主成分，取前3个主成分的12个吸收峰值输入Elman网络，网络中间层神经元个数为47。Elman网 络模型对样品4个氨基酸含量的预测决定系数( )分别为0．960，0．981，0．979，0．952。表明所建Elman网 络预测模型通过近红外光谱能够较准确预测饲料中苯丙氨酸、赖氨酸、酪氨酸和胱氨酸四种氨基酸的含量， 为通过近红外光谱技术进行多组分定量分析提供了新思路。 关键词 近红外光谱；Elman网络；偏最小二乘法；多组分定量分析 中图分类号：O657．3 文献标识码：A 文章编号：1000—0593(2007)12—2456—04 引 言 1 Elman网络基本原理 近红外光谱作为一种分析手段是根据样品化学成分在近 Elman神经网络是Elman于1990年提出的，该模型在 红外光谱区域的光学吸收波长不同，通过对已知化学成分含 前馈网络的隐含层中增加一个承接层，作为一步延时算子， 量的样品与其近红外反射光谱的回归分析，建立定标方程， 达到记忆的目的，从而使系统具有适应时变特性的能力，能 从而对同一种类及其相似类型的未知样品进行估测。近红外 直接反映动态过程系统的特性[g]。Elman神经网络一般分为 光谱定量分析采用的建模方式有很多，如主成分分析、多元 4层：输入层、中间层(隐含层)、承接层和输出层，其输入 线性回归、逐步线性回归、偏最小二乘、人工神经网络 层、隐含层和输出层的连接类似于前馈网络，输入层的单元 等[1 ]。其中PLS压缩的主成分所含信息能精确地表达输入 仅起信号传输作用，输出层单元起线性加权作用。隐含层单 与输出间的关系，建立的模型具有较高的预测精度[6 ；神 元的传递函数可采用线性或非线性函数，承接层又称为上下 经网络作为一种新兴的化学计量学方法，有着其他经典方法 文层或状态层，它用来记忆隐含层单元前一时刻的输出值， 无可比拟的特点，它的测定结果准确，受干扰影响小，是多 可以认为是一个一次延时算子。 组分同时定量测定中的一种首选方法[8]，El,nan网络是一种 Elman型神经网络的特点是隐含层的输出通过承接层的 动态神经元网络，它是在BP网络基本结构的基础上，通过 延迟与存储，自联到隐含层的输入，这种自联方式使其对历 存储内部状态使其具备映射动态特征的功能，从而使系统具 史状态的数据具有敏感性，内部反馈网络的加入增加了网络 有适应时变特性的能力，比前向神经网络具有更强的计算能 本身处理动态信息的能力，从而达到了动态建模的目的。 力[g]。目前，Elman网络在组分预测主要应用在色谱和紫 Elman网络的非线性状态空间表达式为 外[1o-18]。本文将El