基于麻雀搜索算法結(jié)合深度前饋神經(jīng)網(wǎng)絡(luò)的近紅外模型轉(zhuǎn)移方法研究

劉鑫鵬，秦玉華，張鳳梅，蔣 薇，尹志豇

（1．青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院，山東 青島 266061；2．云南中煙工業(yè)有限責(zé)任公司技術(shù)中心，云南 昆明 650231）

近紅外光譜分析技術(shù)可以快速高效地鑒定樣品的化學(xué)組成和物質(zhì)性質(zhì)，分析過(guò)程不破壞樣本、不污染環(huán)境，被廣泛用于食品、農(nóng)業(yè)、石化、煙草等領(lǐng)域［1］。在實(shí)際應(yīng)用中，儀器間的臺(tái)間差、外界環(huán)境的變化都會(huì)影響樣品光譜的采集，導(dǎo)致對(duì)某臺(tái)儀器建立的分析校正模型難以適用于其它儀器。若針對(duì)不同儀器、環(huán)境重新建立新的分析校正模型將消耗大量的人力和物力，難以滿足網(wǎng)絡(luò)化在線快速檢測(cè)和分析的需求。目前解決這一問(wèn)題最經(jīng)濟(jì)有效的方法是建立不同儀器之間光譜的轉(zhuǎn)移模型，轉(zhuǎn)移后的光譜可直接應(yīng)用于現(xiàn)有的分析校正模型。該方法能夠緩解重復(fù)建模帶來(lái)的問(wèn)題，節(jié)約建模成本，實(shí)現(xiàn)數(shù)據(jù)共享，尤其對(duì)近紅外網(wǎng)絡(luò)化的推廣具有較大的應(yīng)用價(jià)值［2］。

模型轉(zhuǎn)移通過(guò)數(shù)學(xué)方法建立主機(jī)和從機(jī)所測(cè)光譜之間的函數(shù)關(guān)系，由確定的函數(shù)關(guān)系對(duì)光譜進(jìn)行轉(zhuǎn)換以實(shí)現(xiàn)現(xiàn)有模型的通用性［3］。襲辰辰等［4］將阿莫西林膠囊及其內(nèi)容物光譜經(jīng)分段直接校正（PDS）算法校正后，利用阿莫西林膠囊定量模型對(duì)校正后的光譜進(jìn)行含量預(yù)測(cè)，通過(guò)探討PDS中校正光譜和模型訓(xùn)練集中不同均質(zhì)樣本平均光譜的相似系數(shù)與預(yù)測(cè)誤差的關(guān)系，尋找用于判定PDS校正準(zhǔn)確性的量化指標(biāo)；Zheng等［5］利用典型相關(guān)性分析（CCA）算法驗(yàn)證了光譜模型轉(zhuǎn)移的效果；劉翠玲等［6］通過(guò)光譜空間轉(zhuǎn)換法與多種方法，實(shí)現(xiàn)了模型轉(zhuǎn)移后食用油酸值與過(guò)氧化值的分析。上述模型轉(zhuǎn)移算法均為對(duì)光譜數(shù)據(jù)進(jìn)行線性變化得到轉(zhuǎn)移光譜。根據(jù)朗伯-比爾定律與加和定律［7］，樣品的混合光譜應(yīng)為其組成成分的純光譜與對(duì)應(yīng)濃度的乘積之和，但在光譜采集過(guò)程中，受環(huán)境因素的影響，獲取的光譜往往摻雜了噪聲，非線性誤差將導(dǎo)致通過(guò)線性變換進(jìn)行模型轉(zhuǎn)移時(shí)光譜信息的丟失或重復(fù)。劉貞文等［8］采用深度自編碼器的方法建立了不同儀器之間的非線性映射，作為一種非線性特征提取方法，其在藥物片劑和玉米數(shù)據(jù)集上的模型轉(zhuǎn)移效果優(yōu)于傳統(tǒng)線性光譜轉(zhuǎn)移方法。但隨著自編碼器的加深，模型變得難以訓(xùn)練，產(chǎn)生梯度消失和過(guò)擬合現(xiàn)象［9］。

深度前饋神經(jīng)網(wǎng)絡(luò)作為一種應(yīng)用廣泛、發(fā)展迅速的人工神經(jīng)網(wǎng)絡(luò)，能夠簡(jiǎn)單高效地?cái)M合函數(shù)的特征映射，擁有復(fù)雜的非線性處理能力。由于光譜模型轉(zhuǎn)移過(guò)程中，標(biāo)樣光譜樣本的數(shù)量受到限制，網(wǎng)絡(luò)各層的權(quán)值和閾值采用隨機(jī)初始化，導(dǎo)致網(wǎng)絡(luò)函數(shù)訓(xùn)練速度慢、擬合效果差。因此，本文引入麻雀搜索算法（SSA）對(duì)深度前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行全局參數(shù)優(yōu)化。麻雀搜索算法是一種群智能優(yōu)化算法［10］，通過(guò)模擬麻雀的覓食行為，求解參數(shù)的最優(yōu)值，進(jìn)而降低網(wǎng)絡(luò)的復(fù)雜性。

本文基于麻雀搜索算法和深度前饋神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，將兩者結(jié)合用于近紅外光譜的模型轉(zhuǎn)移。以不同儀器采集的煙草光譜為研究對(duì)象［11］，建立主機(jī)與從機(jī)之間的非線性函數(shù)關(guān)系，并與傳統(tǒng)的PDS、CCA方法進(jìn)行了對(duì)比分析，驗(yàn)證了方法的有效性。

1 算法與原理

1.1 深度前饋神經(jīng)網(wǎng)絡(luò)

深度前饋神經(jīng)網(wǎng)絡(luò)（DFN）是一種基于前饋神經(jīng)網(wǎng)絡(luò)（FNN）的深度學(xué)習(xí)模型［12］。前饋神經(jīng)網(wǎng)絡(luò)通過(guò)定義一個(gè)函數(shù)映射，經(jīng)多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，調(diào)整網(wǎng)絡(luò)中隱含層的連接權(quán)值和閾值參數(shù)，使非線性函數(shù)能夠無(wú)限接近目標(biāo)函數(shù)［13］，實(shí)現(xiàn)輸入空間到輸出空間的復(fù)雜映射。深度前饋網(wǎng)絡(luò)架構(gòu)如圖1所示。本文利用深度前饋神經(jīng)網(wǎng)絡(luò)建立主機(jī)和從機(jī)所測(cè)標(biāo)樣光譜之間的函數(shù)關(guān)系，由確定的函數(shù)關(guān)系實(shí)現(xiàn)對(duì)煙葉光譜數(shù)據(jù)的轉(zhuǎn)移，在已建立的光譜定性、定量分析模型下對(duì)轉(zhuǎn)移后的光譜進(jìn)行處理，提高了煙葉在線分析的效率。但深度前饋神經(jīng)網(wǎng)絡(luò)具有較深的網(wǎng)絡(luò)架構(gòu)，訓(xùn)練各層參數(shù)的權(quán)值和閾值需要消耗計(jì)算機(jī)大量的運(yùn)行內(nèi)存，增加時(shí)間成本投入。

圖1 深度前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig．1 Deep feedforward neural network structure

1.2 麻雀搜索算法

麻雀搜索算法是一種高精度、易擴(kuò)充、自組織的智能優(yōu)化算法，具有較高的全局尋優(yōu)和求解能力［14］。通過(guò)模擬麻雀種群覓食的行為，在種群中設(shè)定發(fā)現(xiàn)者、加入者、偵察者3種身份的個(gè)體，通過(guò)疊加偵查預(yù)警機(jī)制，迭代更新群體覓食位置，以獲得全局最優(yōu)的覓食資源，從而獲得參數(shù)的最優(yōu)解。

在麻雀種群尋優(yōu)過(guò)程中，發(fā)現(xiàn)者為種群尋覓高食物資源，引導(dǎo)加入者提供覓食方向，在安全區(qū)域內(nèi)，通過(guò)位置記憶更新獲取食物來(lái)源。在每次的迭代過(guò)程中，發(fā)現(xiàn)者的位置更新如下：

其中，t代表當(dāng)前迭代次數(shù)，Si，j表示第i只麻雀在第j維中的位置，α為一個(gè)隨機(jī)數(shù)，Normal是一個(gè)服從正態(tài)分布的隨機(jī)數(shù)，L是1×d的矩陣，其內(nèi)所有元素均為1。R2（R2∈［0，1］）和ST（ST∈［0．5，1］）分別表示預(yù)警值和安全值。R2≥ST表示位置安全可以搜索，反之發(fā)出預(yù)警并離開(kāi)。

加入者通過(guò)偵聽(tīng)發(fā)現(xiàn)者位置處適應(yīng)度值的高低選擇位置覓食，當(dāng)發(fā)現(xiàn)者處有較高食物資源時(shí)，加入者會(huì)離開(kāi)當(dāng)前位置前往發(fā)現(xiàn)者位置爭(zhēng)奪資源，加入者位置變化如下：

Sposition是發(fā)現(xiàn)者所處的局部最優(yōu)位置，Sworst表示全局最差的位置。A表示一個(gè)1×d的矩陣，每個(gè)元素隨機(jī)賦值1或-1，且A+=AT（AAT）-1。當(dāng)i＞n2時(shí)，表明第i個(gè)加入者仍未獲得食物且適應(yīng)度較低，需找尋其他位置獲得食物資源。

偵察者為種群中發(fā)出預(yù)警更新安全區(qū)域的個(gè)體，其數(shù)量占種群的15%，位置更新如下：

Sbest是本輪迭代中的全局最優(yōu)位置。β作為步長(zhǎng)控制參數(shù)，是服從均值為0、方差為1的正態(tài)分布隨機(jī)數(shù)。K是［-1，1］的一個(gè)隨機(jī)數(shù)；fi、fb和fw分別表示當(dāng)前麻雀的適應(yīng)度、全局最優(yōu)和最差適應(yīng)度。ε是常數(shù)，避免分母為0。當(dāng)fi＞fb表示麻雀所處位置易遭受捕食者攻擊且正處于種群的邊緣，當(dāng)fi=fb時(shí)，表明麻雀意識(shí)到了危險(xiǎn)，需要更新其位置降低被攻擊的風(fēng)險(xiǎn)。

1.3 基于麻雀搜索算法結(jié)合深度前饋神經(jīng)網(wǎng)絡(luò)的光譜轉(zhuǎn)移方法

本文使用麻雀搜索算法優(yōu)化深度前饋神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，利用深度前饋神經(jīng)網(wǎng)絡(luò)建立近紅外光譜轉(zhuǎn)移模型的步驟如圖2所示。

圖2 基于SSA-DFN建立光譜轉(zhuǎn)移模型Fig．2 Establishment of spectral transfer model based on SSA-DFN

Step1：根據(jù)深度前饋神經(jīng)網(wǎng)絡(luò)的架構(gòu)初始化麻雀種群數(shù)量（Population）和種群進(jìn)化次數(shù)（MaxEvo）。以種群中容易找到食物的個(gè)體作為發(fā)現(xiàn)者，其他個(gè)體作為加入者，少部分為偵察者，隨機(jī)初始化位置矩陣S，將優(yōu)化后的位置矩陣作為深度前饋神經(jīng)網(wǎng)絡(luò)各層參數(shù)的初始值。計(jì)算個(gè)體所處位置食物資源的分配情況，即位置矩陣S個(gè)體的種群適應(yīng)度（Fitness）。在深度前饋神經(jīng)網(wǎng)絡(luò)中，均方根誤差Ek可以反映光譜轉(zhuǎn)移的變化情況，因此使用均方根誤差作為種群適應(yīng)度的值，適應(yīng)度函數(shù)表達(dá)如下：

Step2：麻雀種群數(shù)量是影響種群找尋食物資源的關(guān)鍵因素，為確定麻雀種群數(shù)量與優(yōu)化算法性能之間的關(guān)系，將麻雀種群數(shù)量以6為間隔從20變化到140，以從機(jī)轉(zhuǎn)移光譜與對(duì)應(yīng)主機(jī)光譜之間的交叉驗(yàn)證均方根誤差（RMSECV）作為評(píng)價(jià)參數(shù)，生成RMSECV與麻雀種群數(shù)量之間的關(guān)系圖。如圖3所示，隨著種群數(shù)量增多，RMSECV逐漸降低，當(dāng)種群數(shù)量為92時(shí)，RMSECV達(dá)到最低；種群數(shù)量超過(guò)92后，RMSECV逐步上升，因此將麻雀種群數(shù)量設(shè)為92。

圖3 RMSECV隨麻雀種群數(shù)量的變化Fig．3 Variation of RMSECV with sparrow population

Step3：種群進(jìn)化次數(shù)能夠決定模型收斂的情況，使優(yōu)化后深度前饋神經(jīng)網(wǎng)絡(luò)各層參數(shù)的初始值更容易訓(xùn)練。種群進(jìn)化次數(shù)過(guò)少，麻雀搜索算法參數(shù)尋優(yōu)結(jié)果不充分；種群進(jìn)化次數(shù)過(guò)多，RMSECV達(dá)到一定水平后將不再變化，額外的種群進(jìn)化將帶來(lái)不必要的時(shí)間開(kāi)銷。如圖4所示，種群進(jìn)化次數(shù)從20變化到300，RMSECV呈階梯式下降，當(dāng)種群進(jìn)化次數(shù)達(dá)210次后，RMSECV不再變化，說(shuō)明麻雀種群個(gè)體位置已達(dá)全局最優(yōu)解，模型的優(yōu)化效果最佳［15］。

圖4 RMSECV隨麻雀種群進(jìn)化次數(shù)的變化Fig．4 Variation of the RMSECV with the number of sparrow population iterations

Step4：分別采用公式（1）、（2）、（3）對(duì)發(fā)現(xiàn)者、加入者、偵察者進(jìn)行位置更新，找尋更多的食物。調(diào)整個(gè)體身份，使覓食過(guò)程中加入者和發(fā)現(xiàn)者身份不斷變化但所占比例不變，即當(dāng)有一只麻雀變?yōu)榘l(fā)現(xiàn)者必然有一只麻雀變?yōu)榧尤胝?，種群個(gè)體在獲取更多食物資源的同時(shí)躲避捕食者。

Step5：計(jì)算位置更新后種群中個(gè)體的適應(yīng)度，根據(jù)種群個(gè)體適應(yīng)度標(biāo)記位置矩陣資源分配情況，并與原位置處的適應(yīng)度進(jìn)行比較，將適應(yīng)度高的位置作為該個(gè)體的新位置。判定是否滿足全局位置適應(yīng)度最優(yōu)或達(dá)到MaxEvo次種群進(jìn)化，若滿足則輸出位置矩陣，否則重復(fù)執(zhí)行步驟2、3，更新種群個(gè)體的位置信息與適應(yīng)度。當(dāng)麻雀種群處于安全區(qū)域內(nèi)最優(yōu)的覓食點(diǎn)，獲取全局最優(yōu)的位置矩陣，實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)初始尋優(yōu)。

Step6：對(duì)于給定光譜訓(xùn)練集Train=｛（x1，y1），（x2，y2），…（xn，yn）｝，xn∈Rd，yn∈Rd，輸入從機(jī)光譜xi，輸出對(duì)應(yīng)的主機(jī)光譜yi，xi和yi皆為由d個(gè)波長(zhǎng)點(diǎn)組成的實(shí)值向量。設(shè)在深度前饋神經(jīng)網(wǎng)絡(luò)中輸入層包含n個(gè)輸入量，輸出層包含n個(gè)輸出量，隱藏層包含q個(gè)神經(jīng)元，建立7層神經(jīng)網(wǎng)絡(luò)模型，通過(guò)麻雀搜索算法初始化網(wǎng)絡(luò)各層的權(quán)值和閾值。共優(yōu)化8 092個(gè)參數(shù)，對(duì)經(jīng)過(guò)迭代尋優(yōu)后的種群位置矩陣S賦予網(wǎng)絡(luò)各層權(quán)值和閾值。

Step7：深度前饋神經(jīng)網(wǎng)絡(luò)接收輸入向量x，由前向傳遞函數(shù)計(jì)算得到輸出結(jié)果?并與對(duì)應(yīng)的主機(jī)光譜y進(jìn)行比較，再結(jié)合誤差逆?zhèn)鞑ィ˙P）算法，更新網(wǎng)絡(luò)中的連接權(quán)值和閾值大小。根據(jù)公式（5）、（6）實(shí)現(xiàn)數(shù)據(jù)前向計(jì)算：

其中，vit為輸入層第i個(gè)神經(jīng)元與隱藏層第t個(gè)神經(jīng)元之間連接權(quán)值，ωtj為輸出層第j個(gè)神經(jīng)元與隱藏層第t個(gè)神經(jīng)元之間連接權(quán)值；隱藏層第t個(gè)神經(jīng)元的閾值用γt表示，輸出層第j個(gè)神經(jīng)元的閾值用μj表示。隱藏層第t個(gè)神經(jīng)元接收到輸入為αt，經(jīng)過(guò)Sigmoid激活函數(shù)生成st；輸出層第j個(gè)神經(jīng)元接收到的輸入為βj，經(jīng)過(guò)激活函數(shù)生成從機(jī)預(yù)測(cè)轉(zhuǎn)移光譜向量完成前向計(jì)算。在訓(xùn)練集上的均方根誤差為：

Step8：基于梯度下降策略，以目標(biāo)的負(fù)梯度方向?qū)Ω鲗訁?shù)進(jìn)行調(diào)整，直至均方根誤差Ek達(dá)到一個(gè)較小的水平。在給定的學(xué)習(xí)率η下，根據(jù)下列公式調(diào)整連接權(quán)值ωtj、υit和閾值μj、γt：

誤差反向傳播算法通過(guò)在每一輪的迭代中訓(xùn)練更新前饋神經(jīng)網(wǎng)絡(luò)每一層的連接權(quán)值與閾值，不斷降低損失函數(shù)的值，使損失函數(shù)逐漸收斂，從而獲取從機(jī)光譜與主機(jī)光譜的非線性函數(shù)映射，建立主、從機(jī)之間的光譜轉(zhuǎn)移模型［16］。

2 實(shí)驗(yàn)部分

2.1 樣品制備

選取某煙草企業(yè)提供的具有代表性的452個(gè)煙葉樣品，置于60℃烘箱內(nèi)2 h，磨碎過(guò)40目篩，常溫避光密封保存24 h進(jìn)行光譜采集。實(shí)驗(yàn)室溫度控制在18~22℃、濕度＜60%。每個(gè)樣品取20 g置于樣本杯中用壓樣器壓實(shí)，使用2臺(tái)賽默飛世爾公司AntarisⅡ近紅外光譜儀分別作為主機(jī)和從機(jī)進(jìn)行光譜采集，光譜掃描范圍為4 000~10 000 cm-1。為獲得精準(zhǔn)的光譜數(shù)據(jù)，每個(gè)樣品在主機(jī)和從機(jī)上均重復(fù)掃描3次取平均值作為該樣品的光譜。

2.2 光譜預(yù)處理與實(shí)驗(yàn)設(shè)計(jì)

樣品的近紅外光譜除包含自身的質(zhì)量信息外，還承載了噪聲、環(huán)境參數(shù)的影響。在建立校正模型前，選用Savitzky Golay（5，3）一階導(dǎo)數(shù)進(jìn)行預(yù)處理，以降低高頻噪聲、基線漂移和環(huán)境因素造成的影響。

以煙葉中總糖、總煙堿含量作為研究指標(biāo)，選取315個(gè)主機(jī)和從機(jī)掃描的樣品光譜作為訓(xùn)練集分別建立主機(jī)和從機(jī)的校正模型。另外選取25個(gè)不同產(chǎn)區(qū)、不同部位、不同等級(jí)、重復(fù)性好的樣品作為模型轉(zhuǎn)移的標(biāo)準(zhǔn)樣品集，最終根據(jù)測(cè)試集均方根誤差（RMSEP）確定模型轉(zhuǎn)移最佳標(biāo)準(zhǔn)化樣品個(gè)數(shù)，分別采用PDS、CCA、SSA-DFN 3種方法進(jìn)行轉(zhuǎn)移研究。剩余樣品作為測(cè)試集，用來(lái)驗(yàn)證、對(duì)比轉(zhuǎn)移方法的有效性。

3 結(jié)果與討論

3.1 標(biāo)準(zhǔn)化樣品數(shù)的確定

標(biāo)準(zhǔn)化樣品個(gè)數(shù)的選取對(duì)模型轉(zhuǎn)移的效果有一定影響，標(biāo)準(zhǔn)化樣品數(shù)過(guò)多將造成數(shù)據(jù)冗余，過(guò)少則會(huì)使轉(zhuǎn)移數(shù)據(jù)丟失，從而影響轉(zhuǎn)移效果。圖5為不同標(biāo)準(zhǔn)化樣品個(gè)數(shù)下測(cè)試集總糖指標(biāo)RMSEP的變化情況。

由圖5可以看出，3種轉(zhuǎn)移方法測(cè)試集的RMSEP均隨標(biāo)準(zhǔn)化樣品數(shù)的增多而降低，當(dāng)標(biāo)準(zhǔn)化樣品數(shù)為17個(gè)時(shí)RMSEP值最小，隨著標(biāo)準(zhǔn)化樣品數(shù)的繼續(xù)增多，RMSEP值有所增大后趨于平穩(wěn)，因此選定17個(gè)樣品作為轉(zhuǎn)移的標(biāo)準(zhǔn)化樣品。

圖5 不同標(biāo)準(zhǔn)化樣品數(shù)下測(cè)試集總糖指標(biāo)的RMSEPFig．5 RMSEP of total sugars in the test set under different standardized samples

3.2 轉(zhuǎn)移光譜對(duì)比

圖6為某煙葉樣品主機(jī)、從機(jī)采集的光譜對(duì)比?？梢钥闯觯瑑膳_(tái)儀器的差異主要集中在4 900~5 700 cm-1，說(shuō)明兩臺(tái)光譜儀器之間存在較為顯著的非線性偏移。

圖6 主機(jī)、從機(jī)的原始光譜對(duì)比Fig．6 Comparison of original spectra between master and slave

圖7為采用PDS、CCA和SSA-DFN方法轉(zhuǎn)移后的主、從機(jī)光譜對(duì)比?？梢钥闯?，3種方法轉(zhuǎn)移后的從機(jī)光譜與主機(jī)光譜均有不同程度的重合，說(shuō)明3種轉(zhuǎn)移方法均具一定的效果。從全波段來(lái)看，SSA-DFN轉(zhuǎn)移后的從機(jī)光譜與主機(jī)光譜重合度最高，在各個(gè)波數(shù)點(diǎn)處消除儀器間非線性偏移的效果較好，從機(jī)每個(gè)波數(shù)點(diǎn)的吸光度與主機(jī)基本一致，說(shuō)明該方法能夠有效對(duì)不同儀器光譜進(jìn)行轉(zhuǎn)移。

圖7 轉(zhuǎn)移光譜譜圖對(duì)比Fig．7 Comparison of transferred spectra

3.3 光譜投影對(duì)比

利用主成分分析可將光譜數(shù)據(jù)降維，使新變量能夠盡可能多地表達(dá)原始數(shù)據(jù)的特征。圖8為分別采用不同轉(zhuǎn)移方法后主機(jī)和從機(jī)測(cè)試樣品的主成分空間分布圖。

圖8 不同轉(zhuǎn)移方法光譜投影對(duì)比Fig．8 Comparison of spectral projection with different transfer methods

可以看出，轉(zhuǎn)移前的主機(jī)光譜與從機(jī)光譜存在明顯差異，經(jīng)過(guò)PDS、CCA、SSA-DFN 3種方法轉(zhuǎn)移后的從機(jī)光譜與主機(jī)光譜均有不同程度的重合。相比PDS、CCA方法，SSA-DFN轉(zhuǎn)移后的光譜與主機(jī)光譜的投影重合度最高，說(shuō)明轉(zhuǎn)移后從機(jī)光譜與主機(jī)光譜所包含的數(shù)據(jù)特征最為相近，數(shù)據(jù)信息在轉(zhuǎn)移后丟失率低，轉(zhuǎn)移效果最佳。

3.4 預(yù)測(cè)結(jié)果對(duì)比

表1為不同的主、從機(jī)模型對(duì)不同測(cè)試集預(yù)測(cè)結(jié)果的對(duì)比。可以看出，直接使用主、從機(jī)模型分別對(duì)對(duì)應(yīng)的主、從機(jī)測(cè)試集進(jìn)行預(yù)測(cè)時(shí)，各項(xiàng)指標(biāo)均達(dá)到較理想的效果，說(shuō)明不同儀器建立的校正模型對(duì)本機(jī)采集的光譜適用度較高，單臺(tái)儀器建?？梢匀〉幂^好的效果。而使用主機(jī)模型對(duì)從機(jī)測(cè)試集、從機(jī)模型對(duì)主機(jī)測(cè)試集進(jìn)行預(yù)測(cè)的誤差均較大（高于5%），難以滿足企業(yè)需求，且在t檢驗(yàn)下（顯著性水平α=0．05），主、從機(jī)模型對(duì)不同測(cè)試集的預(yù)測(cè)結(jié)果均存在顯著性差異，說(shuō)明主機(jī)和從機(jī)的臺(tái)間差較大，主機(jī)模型無(wú)法適用于從機(jī)采集的光譜，需要進(jìn)行模型轉(zhuǎn)移。

表1 主、從機(jī)模型對(duì)不同測(cè)試集的預(yù)測(cè)結(jié)果對(duì)比Table 1 Comparison of prediction results between master and slave models for different test sets

表2為主機(jī)模型分別采用PDS、CCA、DFN、SSA-DFN 4種方法對(duì)從機(jī)測(cè)試集光譜轉(zhuǎn)移前后總糖、煙堿含量的預(yù)測(cè)結(jié)果?？梢钥闯?，轉(zhuǎn)移前主機(jī)模型對(duì)從機(jī)樣品的預(yù)測(cè)誤差較大，4種方法轉(zhuǎn)移后的預(yù)測(cè)誤差較轉(zhuǎn)移前均有所降低。對(duì)于PDS、CCA、DFN方法，雖然模型轉(zhuǎn)移后t檢驗(yàn)差異不顯著，但經(jīng)PDS和CCA轉(zhuǎn)移后光譜預(yù)測(cè)的總糖、煙堿平均誤差高于5%，DFN轉(zhuǎn)移后光譜預(yù)測(cè)的總糖平均誤差為5．13%，均無(wú)法滿足企業(yè)需求（低于5%）。SSA-DFN方法轉(zhuǎn)移后總糖、煙堿預(yù)測(cè)誤差分別降為4．65%和4．82%，t檢驗(yàn)差異不顯著，取得較好的轉(zhuǎn)移效果，該結(jié)果與基于譜圖及光譜投影的結(jié)果一致。

表2 不同轉(zhuǎn)移算法預(yù)測(cè)結(jié)果對(duì)比Table 2 Comparison of prediction results of different transfer algorithms

4 結(jié)論

為提高不同儀器之間光譜模型轉(zhuǎn)移的準(zhǔn)確性，本文提出了基于麻雀搜索算法結(jié)合深度前饋神經(jīng)網(wǎng)絡(luò)的模型轉(zhuǎn)移方法SSA-DFN，在譜圖、光譜投影以及建模效果等方面均取得了較優(yōu)的實(shí)驗(yàn)結(jié)果，證明SSA-DFN是一種穩(wěn)定、高效的非線性模型轉(zhuǎn)移方法。將深度前饋神經(jīng)網(wǎng)絡(luò)用于擬合模型轉(zhuǎn)移的映射函數(shù)，并利用麻雀搜索算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，可使網(wǎng)絡(luò)訓(xùn)練變得容易且高效。通過(guò)SSA-DFN方法對(duì)光譜進(jìn)行模型轉(zhuǎn)移，將一臺(tái)儀器上建立的模型應(yīng)用于其他儀器，一定程度上滿足了網(wǎng)絡(luò)化快速分析的需求，減少了重復(fù)建模的額外開(kāi)銷，提高了已有模型的利用率。