蝙蝠算法優(yōu)化近紅外光譜校正模型測(cè)定柴油黏度

胡振 陳素彬 張曉琪 唐天國 楊華

摘 ?????要：為了提高近紅外光譜定量分析的精度和效率，提出以改進(jìn)二進(jìn)制蝙蝠算法同步優(yōu)化參數(shù)和特征波長的LS-SVM模型。首先將動(dòng)態(tài)速度權(quán)重和Cauchy隨機(jī)擾動(dòng)融入蝙蝠算法，并用V-shaped函數(shù)將其離散化，得到WCBBA算法;然后以RMSECV為適應(yīng)度函數(shù)，用WCBBA算法對(duì)LS-SVM模型的參數(shù)和特征波長進(jìn)行同步優(yōu)化;最后根據(jù)優(yōu)化結(jié)果建立近紅外光譜定量校正模型，并用于180個(gè)柴油樣本的運(yùn)動(dòng)黏度測(cè)定。結(jié)果表明，該模型的各項(xiàng)性能指標(biāo)優(yōu)異，能夠用于實(shí)際檢測(cè)工作。

關(guān) ?鍵 ?詞：蝙蝠算法;近紅外光譜;定量模型;參數(shù)優(yōu)化;特征波長

中圖分類號(hào)：TQ016;O657.33 ????文獻(xiàn)標(biāo)識(shí)碼： A ??文章編號(hào)： 1671-0460（2019）03-0647-05

Abstract： In order to improve the accuracy and efficiency of the quantitative analysis of the near infrared spectrum， a LS-SVM model was proposed to improve the binary bat algorithm's synchronization optimization parameters and characteristic wavelengths. First， the dynamic velocity weight and the Cauchy random disturbance were integrated into the bat algorithm， and the V-shaped function was used to discretize it， the WCBBA algorithm was obtained. Then the RMSECV was used as the fitness function and the WCBBA algorithm was used to synchronize the parameters and characteristic wavelengths of the LS-SVM model. Finally， a quantitative correction model of near infrared spectroscopy was established based on the optimization results， and 180 diesel samples were used to measure the kinematic viscosity. The results show that the model has excellent performance and can be used for practical testing.

Key words： Bat algorithm; NIRS; Quantitative model; Parameter optimization; Characteristic wavelength

近紅外光譜（Near Infrared Spectroscopy，NIRS）分析是目前主流的儀器分析技術(shù)之一，具有無損、快速、重復(fù)性好、污染少、成本低等優(yōu)勢(shì)，能對(duì)各種氣、液、固態(tài)樣品進(jìn)行定量和定性分析，可同時(shí)滿足批量檢測(cè)的準(zhǔn)確度和在線監(jiān)測(cè)的快速性要求，因而廣泛應(yīng)用于農(nóng)業(yè)、食品、醫(yī)藥、化工、材料等領(lǐng)域。但是，近紅外光譜定量分析是一種間接定量技術(shù)，需先以化學(xué)方法測(cè)定樣品的待測(cè)屬性值，并在相應(yīng)的波長范圍采集光譜數(shù)據(jù)系列;然后將樣品按特定的方法劃分為校正集和驗(yàn)證集，建立一個(gè)該類樣品的近紅外光譜與其待測(cè)屬性值之間的校正模型，并檢驗(yàn)其有效性;最后將該模型應(yīng)用于未知樣品，即可由其光譜數(shù)據(jù)計(jì)算待測(cè)屬性值。

由于各類樣品組分眾多、結(jié)構(gòu)復(fù)雜，而近紅外光譜重疊嚴(yán)重、信噪比低，加之儀器響應(yīng)特性和人為操作誤差等不利因素影響，使待測(cè)屬性與光譜數(shù)據(jù)之間并非總是簡單的線性相關(guān)，而是更多表現(xiàn)為復(fù)雜的非線性關(guān)系，因此建模時(shí)需運(yùn)用化學(xué)計(jì)量學(xué)方法和軟件技術(shù)，采取先進(jìn)的建模方法并對(duì)模型進(jìn)行有效的優(yōu)化，才能得到一個(gè)準(zhǔn)確、高效、穩(wěn)健的近紅外光譜定量校正模型。本文以最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LS-SVM）為建模方法，主要探討利用改進(jìn)的蝙蝠算法（Bat Algorithm，BA）優(yōu)化近紅外光譜定量校正模型的參數(shù)和波長等問題，并將該優(yōu)化模型用于柴油的運(yùn)動(dòng)黏度測(cè)定。

1 ?近紅外光譜定量校正模型的建立

1.1 ?近紅外光譜的特性及建模要求

近紅外光譜是由分子的非諧振動(dòng)而從基態(tài)向高能級(jí)躍遷時(shí)產(chǎn)生的，表現(xiàn)為含氫基團(tuán)X-H（X=C、O、N、S等）在780～2 526 nm波長譜區(qū)振動(dòng)的倍頻和合頻吸收，能反映大多數(shù)有機(jī)化合物和混合物的組成、結(jié)構(gòu)與狀態(tài)信息。各種基團(tuán)（或處于不同化學(xué)環(huán)境的同一基團(tuán)）在近紅外譜區(qū)具有特定的吸收波長與強(qiáng)度，其吸收（反射）程度與相應(yīng)物質(zhì)成分含量之間的相關(guān)性符合Beer-Lambert定律，故可為之建立一個(gè)近紅外光譜定量校正模型，即能由物質(zhì)的近紅外光譜強(qiáng)度預(yù)測(cè)相應(yīng)成分的含量。

近紅外譜區(qū)吸收帶較寬、吸收強(qiáng)度較弱，且倍頻、合頻譜帶嚴(yán)重重疊，致使原始譜圖中存在大量共線性變量和冗余信息;而光譜儀的溫濕度響應(yīng)特性、樣品粒度（密度）不均、操作失當(dāng)?shù)纫蛩匾搽y以避免，導(dǎo)致近紅外譜圖通常含有隨機(jī)噪聲、基線漂移、雜散光和樣品背景等非目標(biāo)信息，故其信噪比較低。因此，在建立近紅外光譜校正模型時(shí)，應(yīng)以適當(dāng)方法進(jìn)行數(shù)據(jù)預(yù)處理、異常樣本檢測(cè)和樣本集劃分，盡量消除其中的干擾信息，增強(qiáng)樣本的代表性，以提高光譜信息與待測(cè)屬性之間的相關(guān)性;同時(shí)采用有效算法從原始光譜中優(yōu)選特征波長變量，摒棄與待測(cè)屬性無關(guān)的信息，并對(duì)模型參數(shù)進(jìn)行優(yōu)化，以提高其精度、速度和泛化性能。

1.2 ?LS-SVM校正模型的建立

建立近紅外光譜校正模型的方法可分為線性回歸和非線性回歸兩類。前者包括多元線性回歸（Multivariate Linear Regression，MLR）、主成分回歸（Principal Component Regression，PCR）和偏最小二乘（Partial Least Squares Regression，PLSR）等;后者以BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）、LS-SVM和極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）為代表。兩相比較，線性方法簡便易行、應(yīng)用廣泛，但當(dāng)物質(zhì)的待測(cè)屬性與光譜數(shù)據(jù)之間的線性相關(guān)度較差時(shí)，不適合建立線性回歸模型[1];非線性方法適應(yīng)性強(qiáng)、穩(wěn)健性好，但通常需要對(duì)模型參數(shù)進(jìn)行優(yōu)化。

LS-SVM支持線性和非線性建模，其訓(xùn)練為求解線性方程組，預(yù)測(cè)則是計(jì)算各建模樣本與待測(cè)樣本之間的核函數(shù)，計(jì)算量僅取決于校正集的樣本數(shù)目，而與光譜維數(shù)無關(guān)。LS-SVM模型比一般線性模型更穩(wěn)健性，且避免了人工神經(jīng)網(wǎng)絡(luò)普遍存在的訓(xùn)練速度慢、易早熟、過擬合和泛化性差等缺陷。在分析檢測(cè)工作中，通常利用LS-SVMlab工具箱函數(shù)，以MATLAB編程來實(shí)現(xiàn)LS-SVM校正模型。

2 ?蝙蝠算法及其改進(jìn)

2.1 ?基本蝙蝠算法及其缺陷

蝙蝠算法[2]是Xin-She Yang基于蝙蝠的回聲定位特性提出的一種群體智能搜索算法，其求解準(zhǔn)確性和有效性優(yōu)于常用經(jīng)典算法，且模型簡單、效率高，具有潛在并行性和分布式特性。其基本過程為：

對(duì)于非線性最小值目標(biāo)函數(shù)，設(shè)蝙蝠數(shù)量為n，在d維搜索空間中，個(gè)體i∈（1，2，...，n）在t時(shí)刻的速度和位置分別為vit =（vi1t，vi2t，...，vidt）、xit =（xi1t，xi2t，...，xidt），則在（t+1）時(shí)刻其速度和位置按下列公式更新：

顯然，基本蝙蝠算法的優(yōu)化能力主要源于個(gè)體間的相互作用，而沒有提供能夠保持種群多樣性的變異機(jī)制，故易發(fā)生早熟收斂而影響尋優(yōu)精度，并因強(qiáng)化局部搜索而導(dǎo)致了后期進(jìn)化變慢[3]。

2.2 ?引入動(dòng)態(tài)權(quán)重與Cauchy擾動(dòng)的蝙蝠算法

針對(duì)蝙蝠算法的缺陷，我們引入動(dòng)態(tài)速度權(quán)重因子和Cauchy分布隨機(jī)數(shù)擾動(dòng)，以保持種群的多樣性，增強(qiáng)其全局搜索能力，同時(shí)加快收斂速度。

2.2.1 ?引入動(dòng)態(tài)速度權(quán)重因子

蝙蝠算法與粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）的數(shù)學(xué)模型和運(yùn)行機(jī)制非常相似，并可通過參數(shù)設(shè)置轉(zhuǎn)換為后者，故可借鑒PSO算法引入慣性權(quán)重，即為BA的速度變量增加一個(gè)權(quán)重因子w，并令其在預(yù)設(shè)區(qū)間[wl，wu]動(dòng)態(tài)遞減，再將式（2）替換為式（7）：

2.2.2 ?施加Cauchy分布隨機(jī)數(shù)擾動(dòng)

在基本BA中，當(dāng)rand

Cauchy分布的概率特性是兩翼較長，容易產(chǎn)生遠(yuǎn)離原點(diǎn)的隨機(jī)數(shù)。因此，對(duì)蝙蝠位置施加Cauchy分布隨機(jī)數(shù)擾動(dòng)，有利于保持群體的多樣性，降低陷入局部最優(yōu)的概率，從而有效提高算法的全局搜索性能。對(duì)蝙蝠位置xi的擾動(dòng)按式（8）進(jìn)行：

2.3 ?二進(jìn)制蝙蝠算法及其改進(jìn)

為解決組合優(yōu)化問題，需對(duì)蝙蝠算法做離散化處理，將其搜索空間由連續(xù)的實(shí)數(shù)空間映射到離散的二進(jìn)制空間[4]，即為二進(jìn)制蝙蝠算法（Binary Bat Algorithm，BBA）[5]：蝙蝠的各維位置都限定為二進(jìn)制0或1，但其速度大小則不限制[6]，故可用傳遞函數(shù)將速度轉(zhuǎn)換為概率值來確定個(gè)體的位置。若以V-shaped函數(shù)[7]進(jìn)行離散化，則相應(yīng)公式如下：

顯然，BBA主要以式（9）-（10）取代了BA的式（3），其余流程則基本一致，因而也繼承了后者固有的缺陷。為此，以2.2所述基于動(dòng)態(tài)權(quán)重和Cauchy隨機(jī)擾動(dòng)的BA為基礎(chǔ)，將其進(jìn)行離散化處理即得相應(yīng)的改進(jìn)BBA，可稱之為WCBBA。

3 ?用改進(jìn)蝙蝠算法優(yōu)化NIRS定量校正模型

3.1 ?LS-SVM模型參數(shù)的優(yōu)化

LS-SVM模型的參數(shù)隨其核函數(shù)而不同。一般情況下，徑向基函數(shù)（Radial Basis Function，RBF）因其支持向量少、計(jì)算簡單、支持小樣本訓(xùn)練集等優(yōu)勢(shì)而被廣泛采用，但其正則化參數(shù)γ和核寬度σ2會(huì)直接影響模型的泛化性能、支持向量數(shù)目和預(yù)測(cè)精度，因此對(duì)其進(jìn)行優(yōu)化是至關(guān)重要的。

在常用的LS-SVM模型參數(shù)優(yōu)化方法中，單純形法（Simplex）穩(wěn)定性較差，結(jié)果差異較大;網(wǎng)格搜索法（Grid Search）較復(fù)雜、精度偏低，不宜于大樣本集;遺傳算法（Genetic Algorithm，GA）、PSO算法則易發(fā)生早熟收斂而影響模型精度。

3.2 ?特征波長變量的選擇

原始近紅外光譜中含有大量共線性變量和非目標(biāo)信息，會(huì)嚴(yán)重影響模型的性能和效率，故應(yīng)在建模時(shí)選取特征波長變量，摒棄無關(guān)信息、降低數(shù)據(jù)維數(shù)、簡化模型，提高其精度、速度和穩(wěn)健性。

選擇特征波長的常用方法包括無信息變量消除（Uninformative Variable Elimination，UVE）、連續(xù)投影算法（Successive Projections Algorithm，SPA）、競爭性自適應(yīng)重加權(quán)采樣法（Competitive Adaptive Reweighted Sampling，CARS）、間隔偏最小二乘（interval Partial Least Squares，iPLS）及其衍生算法SiPLS/BiPLS/MWPLS等。近年來，GA和PSO等智能算法因其搜索空間的多樣性和全局尋優(yōu)等特性而逐漸用于波長優(yōu)選，并取得了較好的效果。

3.3 ?用WCBBA同步優(yōu)化模型參數(shù)和特征波長

現(xiàn)有研究幾乎都以不同方法將模型參數(shù)優(yōu)化與特征波長選擇分步進(jìn)行，但二者在同一個(gè)NIRS定量校正模型中是相互影響的[8]，將其置于同一過程進(jìn)行聯(lián)合優(yōu)化才能得到最佳結(jié)果。為此，本文針對(duì)以LS-SVM方法所建NIRS定量校正模型，運(yùn)用WCBBA來實(shí)現(xiàn)建模參數(shù)與特征波長的同步優(yōu)化。

3.3.1 ?優(yōu)化變量編碼

首先考慮NIRS的特征波長選擇問題，以蝙蝠的各維位置對(duì)應(yīng)波長變量，若某維取值為1，則相應(yīng)波長的光譜數(shù)據(jù)被選中，反之表示未選中[9]。取值為1的各維對(duì)應(yīng)的波長組合即為特征子集;與此同時(shí)還需尋求LS-SVM模型（RBF核函數(shù)）參數(shù)γ和σ2的最優(yōu)值，以求模型的性能達(dá)到最佳。

在WCBBA中對(duì)優(yōu)化變量進(jìn)行二進(jìn)制編碼，它由參數(shù)γ、σ2和特征集3個(gè)部分構(gòu)成。設(shè)Bi為蝙蝠個(gè)體i的編碼，則可表示為：

3.3.2 ?適應(yīng)度函數(shù)

在對(duì)NIRS定量校正模型的參數(shù)和波長變量尋優(yōu)過程中，采用留一法交叉驗(yàn)證（Leave-One-Out Cross Validation，LOO-CV）規(guī)則進(jìn)行建模、預(yù)測(cè)，以常用性能指標(biāo)之一的交叉驗(yàn)證均方根誤差（Root Mean Square Error of Cross Validation，RMSECV）作為適應(yīng)度函數(shù)[10]：

3.3.3 ?優(yōu)化和建模流程

（1） 樣本集數(shù)據(jù)預(yù)處理、異常樣本檢出，并將其按4：1～3：1劃分為建模集和預(yù)測(cè)集。

（2） 設(shè)置WCBBA各參數(shù)，初始化蝙蝠群B。

（3） 從建模集中取1個(gè)樣本作測(cè)試集、其余為訓(xùn)練集，按式（11）將蝙蝠的二進(jìn)制編碼轉(zhuǎn)換為LS-SVM的參數(shù)γ、σ2和特征集，進(jìn)行NIRS校正模型訓(xùn)練和測(cè)試。重復(fù)本步驟至各樣本皆作測(cè)試集。

（4） 以式（12）計(jì)算RMSECV，將其作為適應(yīng)度更新當(dāng)前最優(yōu)的個(gè)體位置和全局位置。

（5） 依式（6）、（1）和（7）更新權(quán)重因子、脈沖頻率和速度，再由式（9）和（10）進(jìn)行位置更新，并根據(jù)條件執(zhí)行式（8）;按式（5）更新脈沖速率和響度。

（6） 若達(dá)到最大迭代次數(shù)，則輸出全局最優(yōu)個(gè)體位置;否則重復(fù)執(zhí)行步驟（3）-（5）。

（7） 由全局最優(yōu)個(gè)體位置解析出參數(shù)γ、σ2和特征子集，據(jù)此建立NIRS定量校正模型，并應(yīng)用于預(yù)測(cè)集進(jìn)行驗(yàn)證。

為了區(qū)別于普通的LS-SVM建模方法（通常僅做參數(shù)優(yōu)化），將按上述流程設(shè)計(jì)、實(shí)現(xiàn)的LS-SVM模型稱為WCBBA-LSSVM模型。

4 ?以優(yōu)化NIRS定量校正模型測(cè)定柴油的運(yùn)動(dòng)黏度

柴油是發(fā)動(dòng)機(jī)的主要燃料之一[11]。黏度是表征柴油使用性能的重要指標(biāo)，對(duì)發(fā)動(dòng)機(jī)的供油量、霧化質(zhì)量及供油系統(tǒng)精密偶件的潤滑都有重要影響，國家標(biāo)準(zhǔn)GB 252-2015《普通柴油》和GB 19147-2016《車用柴油》均將運(yùn)動(dòng)黏度列為控制指標(biāo)。測(cè)定柴油運(yùn)動(dòng)黏度的國標(biāo)方法為GB 265-88《石油產(chǎn)品運(yùn)動(dòng)黏度測(cè)定法和動(dòng)力黏度計(jì)算法》，但需用儀器、試劑較多，準(zhǔn)備工作與試驗(yàn)步驟繁瑣、耗時(shí)較長[12]。因此，嘗試建立近紅外光譜定量校正模型來檢測(cè)柴油樣品的運(yùn)動(dòng)黏度。

4.1 ?樣品化學(xué)檢測(cè)、NIRS采集與數(shù)據(jù)處理

采集0#柴油樣品187個(gè)，以國標(biāo)方法測(cè)其同溫條件下的運(yùn)動(dòng)黏度，并用光譜儀掃描得到各樣品在750～1 550 nm波長區(qū)間（間隔2 nm）的401個(gè)NIRS數(shù)據(jù)。嘗試、對(duì)比了多種數(shù)據(jù)預(yù)處理算法，包括中心化（Centering）、歸一化（Normalization）、標(biāo)準(zhǔn)正態(tài)變量變換（Standard Normal Variable，SNV）、平滑（Smoothing）、導(dǎo)數(shù)（Derivative）和多元散射校正（Multiplicative Scatter Correction，MSC）等，以組合方案“S-G卷積平滑+一階導(dǎo)數(shù)”所得結(jié)果最佳;再用蒙特卡洛交互驗(yàn)證法（Monte Carlo Cross Validation，MCCV）剔除異常樣本后，剩余180組樣本數(shù)據(jù)，相應(yīng)的預(yù)處理光譜如圖1所示。

4.2 ?NIRS定量校正模型建立與驗(yàn)證

4.2.1 ?樣本集劃分

以KS法將180組樣品數(shù)據(jù)按3：1劃分為建模集和預(yù)測(cè)集，二者的基本信息如表1所示。

4.2.2 ?LS-SVM模型參數(shù)和特征波長的同步優(yōu)化

根據(jù)3.3.3所述的優(yōu)化建模流程，在MATLAB R2015b環(huán)境中，首先編程實(shí)現(xiàn)WCBBA優(yōu)化主程序;然后利用LS-SVMlab 1.8工具箱函數(shù)編寫適應(yīng)度函數(shù)——柴油樣品的NIRS交叉驗(yàn)證模型，返回RMSECV作為WCBBA算法的適應(yīng)度值。

算法參數(shù)設(shè)置：最大迭代次數(shù)60，蝙蝠種群規(guī)模40;速度權(quán)重區(qū)間[1.0， 0.5]，脈沖頻率范圍[0， 2];聲波響度A和脈沖速率r的初值分別為0.25、0.1，前者的衰減系數(shù)和后者的增強(qiáng)系數(shù)均為0.9。以網(wǎng)格搜索法確定LS-SVM模型參數(shù)的搜索范圍為γ∈[6.638 7e2， 1.979 0e6]、σ2∈[6.334 2e-4， 9.397 4e-2]，并將其二進(jìn)制編碼長度皆設(shè)為20位;再加上特征波長集的編碼長度401位，最終所得優(yōu)化變量的二進(jìn)制編碼串為441位。

載入建模集數(shù)據(jù)運(yùn)行優(yōu)化程序，得到模型參數(shù)γ= 871 294.759 1、σ2= 0.026 0，同時(shí)選出波點(diǎn)數(shù)165個(gè)。優(yōu)化過程中RMSECV變化如圖2所示。

4.2.3 ?優(yōu)化的NIRS模型建立與預(yù)測(cè)

用LS-SVMlab 1.8工具箱函數(shù)編程建立柴油樣品的NIRS定量校正模型，代入優(yōu)化所得參數(shù)γ、σ2和特征波長集，以預(yù)測(cè)集數(shù)據(jù)運(yùn)行、測(cè)試之，并通過相關(guān)系數(shù)Rc2和Rp2、均方根誤差RMSEC和RMSEP、相對(duì)分析誤差RPD評(píng)價(jià)其性能。

4.3 ?結(jié)果與比較分析

為了驗(yàn)證WCBBA-LSSVM模型的有效性，同時(shí)還用表1的樣本集數(shù)據(jù)建立PLS、CARS-PLS和LS-SVM模型進(jìn)行測(cè)試比較，結(jié)果如表2所示。

由表2的數(shù)據(jù)可知，四種模型的Rc2>0.96、Rp2>0.89、RMSEC<0.11、RMSEP<0.11、RPD>3，因此均具有較好的性能，能夠應(yīng)用于實(shí)際檢測(cè)工作，相比之下，PLS和CARS-PLS模型的各項(xiàng)性能指標(biāo)非常接近，其Rc2、Rp2和RPD較小、RMSEC和RMSEP較大，表明其預(yù)測(cè)精度偏低。而LS-SVM模型的Rc2、Rp2和RPD顯著增大、RMSEC和RMSEP明顯減小，故其性能大幅領(lǐng)先于前兩種模型;在此基礎(chǔ)上，WCBBA-LSSVM模型并進(jìn)一步提高了Rp2和RPD、降低了RMSEP，且Rc2和Rp2、RMSEC和RMSEP這兩對(duì)指標(biāo)值相差更少，因此其預(yù)測(cè)精度、穩(wěn)健性和泛化性能更佳。

在四種模型中，CARS-PLS模型的建模波點(diǎn)數(shù)最少，故其具有結(jié)構(gòu)精巧、運(yùn)行高效的優(yōu)勢(shì)，但其各項(xiàng)性能指標(biāo)遠(yuǎn)不及WCBBA-LSSVM模型，說明其尚有部分特征波長未被選入建模特征集中;WCBBA-LSSVM模型則將建模波點(diǎn)數(shù)縮減為全部波長的1/3，且在簡化結(jié)構(gòu)、提高速度的同時(shí)，顯著地改善了模型的性能。

5 ?結(jié)束語

本文運(yùn)用改進(jìn)的二進(jìn)制蝙蝠算法實(shí)現(xiàn)近紅外光譜校正模型參數(shù)和特征波長的同步優(yōu)化，構(gòu)建了一種WCBBA-LSSVM模型，將其應(yīng)用于180個(gè)柴油樣品的運(yùn)動(dòng)黏度檢測(cè)，并與常用的PLS、CARS-PLS和LS-SVM模型進(jìn)行對(duì)比。所得Rc2和Rp2分別為0.997 2、0.984 2，RMSEC和RMSEP分別為0.027 6、0.040 7，RPD達(dá)到8.06，各項(xiàng)指標(biāo)皆顯著優(yōu)于PLS、CARS-PLS和LS-SVM模型，表明該模型的預(yù)測(cè)精度高、外推性好、適應(yīng)性強(qiáng)，能滿足實(shí)際檢測(cè)要求。

參考文獻(xiàn)：

[1]包鑫. 穩(wěn)健回歸技術(shù)及其在光譜分析中的應(yīng)用[D]. 杭州：浙江大學(xué)，2010.

[2]Yang XS.A new met heuristic bat-inspired algorithm[M]. González JR， Pelta DA， Cruz C， et al. Nature Inspired Cooperative Strategies for Optimization. Berlin Heidelberg： Springer， 2010：65-74.

[3]張曉琪，胡振，唐天國. 改進(jìn)蝙蝠算法在模糊層次分析中的應(yīng)用[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2018，27（3）：146-152.

[4]劉天健. 禁忌搜索的混合蝙蝠算法的研究及應(yīng)用[D]. 南寧：廣西大學(xué)，2016.

[5]Mirjalili S， Mirjalili S M， Yang X S. Binary bat algorithm[J]. Neural Computing and Applications， ?2014，25（3）：663-681.

[6]李賀，靳慶路，高善波. 基于蝙蝠算法的含分布式電源配電網(wǎng)故障定位[J]. 電氣技術(shù)，2017，18（1）：34-38.

[7]Mirjalili S， Lewis A. S-shaped versus V-shaped transfer functions for binary particle swarm optimization[J]. Swarm and Evolutionary Computation，2013，9（1）：1-14.

[8] 張進(jìn)，丁勝，李波. 改進(jìn)的基于粒子群優(yōu)化的支持向量機(jī)特征選擇和參數(shù)聯(lián)合優(yōu)化算法[J]. 計(jì)算機(jī)應(yīng)用，2016，36（5）：1330-1335.

[9]李航，趙海東，申金媛，等. 基于BPSO和SVM的煙葉近紅外有用特征光譜選擇[J]. 物理實(shí)驗(yàn)，2015，35（6）：8-12.

[10]劉澤蒙，張瑞，張廣明，等. 基于離散螢火蟲算法的近紅外波長優(yōu)選方法研究[J]. 光譜學(xué)與光譜分析，2016，36（12）：3931-3936.

[11]陳素彬，胡振. 近紅外光譜的ELM校正模型測(cè)定柴油凝點(diǎn)[J]. 當(dāng)代化工，2017，46（5）：1010-1013.

[12] GB 265-88 石油產(chǎn)品運(yùn)動(dòng)黏度測(cè)定法和動(dòng)力黏度計(jì)算法[S].北京：國家標(biāo)準(zhǔn)局，1988.