近紅外光譜結(jié)合改進(jìn)鯨魚算法優(yōu)化模型BAS-WOA-SVR檢測(cè)藤椒油摻偽

許素安， 王家祥， 劉 勇

中國(guó)計(jì)量大學(xué)機(jī)電工程學(xué)院， 浙江 杭州 310018

引 言

藤椒的提取物或揮發(fā)油在抗病毒、 殺病菌和微生物等方面有顯著的功效[1]。 因受利益驅(qū)動(dòng)， 部分黑心商家會(huì)偷偷在藤椒油中添加葵花籽油， 大豆油， 玉米油等其他的中低價(jià)位油。 摻假行為不但破壞了市場(chǎng)經(jīng)濟(jì)， 同時(shí)侵犯了消費(fèi)者應(yīng)有的權(quán)益。 因此在維護(hù)合法生產(chǎn)經(jīng)營(yíng)者和廣大消費(fèi)者的切身利益的最大前提下， 對(duì)如何進(jìn)行藤椒油快速智能的摻假鑒定， 有著重要的社會(huì)價(jià)值和經(jīng)濟(jì)效益。 目前， 色譜法、 核磁共振法、 紫外光譜法、 近紅外光譜法等都是食用油的摻偽檢測(cè)方法。 這些檢測(cè)方法在實(shí)際應(yīng)用過(guò)程中要結(jié)合主成分分析、 多元線性回歸、 人工神經(jīng)網(wǎng)絡(luò)、 支持向量機(jī)回歸等， 共同對(duì)摻偽油樣進(jìn)行定性與定量模型的構(gòu)建與研究。

近年來(lái)， 近紅外光譜技術(shù)[2]應(yīng)用在糧食和農(nóng)作物的檢驗(yàn)方面， 成為一種快捷高效的現(xiàn)代分析檢測(cè)技術(shù)， 其設(shè)備構(gòu)造簡(jiǎn)易， 具有方便、 簡(jiǎn)單、 實(shí)用、 對(duì)食品傷害小、 環(huán)境污染低， 以及在線檢測(cè)等的優(yōu)點(diǎn)。 目前， 國(guó)內(nèi)外均有研究者通過(guò)近紅外光譜技術(shù)， 對(duì)食品安全進(jìn)行一系列探討研究。 王武[3]等在純凈的靈芝孢子油中摻入了玉米油、 薏仁油、 花生油進(jìn)行摻假鑒別， 建立RVM分類器， 更加高效的識(shí)別靈芝孢子油的摻假， 為靈芝孢子油摻雜其他油樣， 提供了有效的識(shí)別手段。 王哲等結(jié)合二維相關(guān)的近紅外光譜技術(shù)和特征分析技術(shù)， 在劃分植物油類別上有了比較顯著的提升， 研究成果所包含的基于自相關(guān)譜主成分歐式距離的劃分方式， 是一種較為高效的解決策略。 高冰等提出一種快速高效的篩查結(jié)合確證分析的連續(xù)分類策略， 檢測(cè)魚油存在的摻假陸生動(dòng)物油脂的問(wèn)題。 Mari Merce Cascant等運(yùn)用近紅外光譜法檢測(cè)相應(yīng)脂類和脂肪酸在鮭魚油里的含量， 構(gòu)建偏最小二乘回歸模型來(lái)檢驗(yàn)脂質(zhì)和脂肪酸的種類； 同時(shí)通過(guò)氣相色譜法和高性能薄層驗(yàn)證了預(yù)測(cè)結(jié)果， 說(shuō)明偏最小二乘結(jié)合近紅外光譜方法的預(yù)測(cè)能力較好， 預(yù)測(cè)集的相對(duì)均方根誤差值低于或等于0.018。 Thiago O Mendes等為了比較各種光譜儀器采集的橄欖油摻大豆油的樣本數(shù)據(jù)存在的差異性， 用了中紅外光譜、 拉曼光譜、 和近紅外光譜技術(shù)分別進(jìn)行了數(shù)據(jù)采集， 為工業(yè)和監(jiān)管機(jī)構(gòu)檢測(cè)橄欖油的真?zhèn)涡宰顑?yōu)化方式。 彭星星運(yùn)用近紅外光譜技術(shù)， 完成了核桃油中摻雜大豆油與菜籽油的定量分析。 經(jīng)試驗(yàn)表明， 采用了最大-最小歸一化法對(duì)摻雜了菜籽油中的核桃油進(jìn)行了光譜的預(yù)處理， 對(duì)菜籽油定量分析的模型校正集標(biāo)準(zhǔn)誤差為0.005 32， 并且其校正集相關(guān)系數(shù)為0.999 7； 交叉驗(yàn)證后得到的模型， 其相關(guān)系數(shù)為0.999 6， RMSECV是0.005 62。 而俞雅茹應(yīng)用多元散射校正、 標(biāo)準(zhǔn)正態(tài)變換的前處理來(lái)去除干擾信息， 對(duì)模型的預(yù)測(cè)能力有一定程度的提高； 且對(duì)波段進(jìn)行快速選擇特征時(shí)是應(yīng)用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法和組合區(qū)間偏最小二乘法(SiPLS)， 從而導(dǎo)致建模的變量降低， 提升了效率。 莊小麗等采集了純橄欖油分別摻入花生油、 山茶油、 罌粟油等樣品的近紅外光譜； 優(yōu)選光譜特征波段建立偏最小二乘法(PLS)回歸模型測(cè)定摻假濃度， 其回歸模型的預(yù)測(cè)相對(duì)誤差區(qū)間為-5.67%～5.61%。 劉珊珊用紅外光譜技術(shù)結(jié)合偏最小二乘法， 可以迅速測(cè)定單一品牌芝麻油中的摻假量。 以上各種方法， 均具有相應(yīng)的食用油摻假測(cè)定能力， 都可以借鑒。

各類食用油研究中摻偽比例一般為5%～60%， 因?yàn)榈陀?%比例的摻偽量研究較為困難， 高于60%則是摻偽過(guò)量， 若藤椒油占摻偽油中比例過(guò)小缺少研究?jī)r(jià)值。 本研究將純藤椒油作為基底油， 按比例配置摻入大豆油、 玉米油、 葵花籽油得到油樣， 且摻偽量的濃度區(qū)間覆蓋0～100%濃度， 覆蓋濃度面廣并且按梯度進(jìn)行劃分， 結(jié)合光譜預(yù)處理和特征光譜篩選以及改進(jìn)的鯨魚算法， 對(duì)藤椒油摻偽作檢測(cè)研究。

1 實(shí)驗(yàn)部分

1.1 樣品制備

從附近超市根據(jù)國(guó)標(biāo)號(hào)采購(gòu)基底油和摻偽油： 純藤椒油(NY/T 2111—2011)， 純玉米油(GB19111)， 純大豆油(GB1535)， 純葵花籽油(GB 10464)。 將藤椒油作為基底油， 向基底油中分別單次的加入不同質(zhì)量的大豆油， 玉米油和葵花籽油， 將這些作為摻偽油， 制備總體積為20 mL， 摻假量從0～50%間隔為2%， 分別為2%, 4%, 6%, 8%， 10%， 12%, 14%, 16%, 18%, 20%, 22%, 24%, 26%, 28%, 30%, 32%, 34%, 36%, 38%, 40%, 42%， 44%, 46%, 48%和50%共25個(gè)梯度濃度； 50%～100%間隔為5%， 分別為55%, 60%, 65%, 70%, 75%, 80%, 85%, 90%, 95%和100%共10個(gè)梯度濃度， 因此每種摻假油總共有35個(gè)梯度， 所以三種濃度不同摻假油能夠制備105份樣品。 將這些油樣放入離心試管靜置24 h， 選取其中70份樣品作為訓(xùn)練集， 剩余35份樣品作為驗(yàn)證集。

1.2 儀器與光譜采集

實(shí)驗(yàn)檢測(cè)平臺(tái)如圖1所示。 檢測(cè)平臺(tái)包含了光源， 光纖， 比色皿， 近紅外光譜儀和計(jì)算機(jī)。 光源適配的是HL-2000鹵鎢燈光源， 光譜儀是海洋光學(xué)公司NIRQuest256光譜儀， 光譜儀波長(zhǎng)范圍為897.22～2 124.47 nm。 將光源與光譜儀進(jìn)行通電處理， 在實(shí)驗(yàn)開(kāi)始之前， 為了保證光源輸出穩(wěn)定的光強(qiáng)， 保證光譜儀穩(wěn)定的工作， 5 min的時(shí)間預(yù)熱儀器。 然后在比色皿內(nèi)放入藤椒油的樣品， 通過(guò)光纖將光照射入比色皿中， 光線透過(guò)藤椒油油樣品后通過(guò)光纖輸入到近紅外光譜儀； 光譜儀連接PC端計(jì)算機(jī)， 計(jì)算機(jī)通過(guò)上位機(jī)對(duì)光譜數(shù)據(jù)進(jìn)行采集， 得到原始光譜。

圖1 檢測(cè)平臺(tái)Fig.1 Detection platform

1.3 數(shù)據(jù)處理分析

使用近紅外光譜儀檢測(cè)樣品光譜數(shù)據(jù)時(shí)， 近紅外光譜信號(hào)會(huì)受到一些環(huán)境的干擾和噪音影響， 直接使用原始光譜， 會(huì)出現(xiàn)數(shù)據(jù)不夠準(zhǔn)確的情況， 所以先進(jìn)行歸一化處理顯得尤為重要。 采用標(biāo)準(zhǔn)正態(tài)變換(standard normal variation， SNV)、 多元散射矯正(multiplicative scatter correction， MSC)算法預(yù)處理原始光譜數(shù)據(jù)， 以消除噪聲和干擾影響， 提高光譜數(shù)據(jù)的可靠度從而提升模型的精度和穩(wěn)定性。 對(duì)已經(jīng)經(jīng)過(guò)預(yù)處理后的光譜數(shù)據(jù)通過(guò)競(jìng)爭(zhēng)自適應(yīng)法(competitive adaptive reweighted sampling, CARS)、 連續(xù)投影算法(successive projections algorithm, SPA)有效的獲取特征數(shù)據(jù)， 利用SVR[4]處理特征數(shù)據(jù)， 比較各種方法提取的特征數(shù)據(jù)建模效果， 有助于加強(qiáng)對(duì)藤椒油摻偽建模的認(rèn)知， 為后期建立藤椒油摻偽模型提供參考。

1.4 模型評(píng)估指標(biāo)

(1)均方根誤差(RMSE)是用于測(cè)量所建模型的真實(shí)值同預(yù)測(cè)值間的偏差。 均方根誤差的數(shù)值與建模效果的優(yōu)劣之間是有一定的關(guān)聯(lián)性的， 模型的預(yù)測(cè)效果越好， 則對(duì)應(yīng)的均方根誤差的值也越小。 RMSE的基本定義是如式(1)所示。

(1)

(2)決定系數(shù)(R2)是校正集驗(yàn)證系數(shù)和預(yù)測(cè)集驗(yàn)證系數(shù)， 該決定系數(shù)是用來(lái)評(píng)價(jià)待測(cè)樣本的真實(shí)值與預(yù)測(cè)值的關(guān)聯(lián)性。R2的基本定義是如式(2)所示。

(2)

2 結(jié)果與討論

2.1 純藤椒油樣品和摻偽樣品的近紅外光譜比較

藤椒油中摻偽了大豆油的108份油樣的初始近紅外光譜如圖2。 在897.22～2 124.47 nm波長(zhǎng)范圍內(nèi)， 波峰位于1 200， 1 400和1 800 nm附近， 純藤椒油樣品及摻大豆油樣品的峰型較為相似， 位置較為相近。 若從初始的圖譜直接判別是否摻假是具有較高難度的。 若在光譜重疊度較大的附近來(lái)提取相關(guān)的光譜信息， 這時(shí)一定要與化學(xué)計(jì)量學(xué)進(jìn)行適當(dāng)?shù)娜诤希?將采集得到的多元信息與微弱信息進(jìn)行適當(dāng)?shù)奶幚恚?才能順利進(jìn)行藤椒油摻偽大豆油定量鑒定的建模過(guò)程。

圖2 藤椒油摻偽大豆油原始近紅外光譜圖Fig.2 The original near-infrared spectra of vine pepper oil adulterated with soybean oil

2.2 光譜預(yù)處理方法的選擇

通過(guò)多元散射校正(MSC)的方法， 進(jìn)行數(shù)據(jù)預(yù)處理， 能夠使樣本的近紅外光譜數(shù)據(jù)與樣本自身所包含的物理信息之間的相關(guān)性有顯著的增加； 預(yù)處理結(jié)果如圖3。

圖3 MSC-NIRS后的光譜預(yù)處理Fig.3 Spectrum of vine pepper oil samples pretreatment by MSC-NIRS

樣品表面的散射和光程變化可能會(huì)對(duì)近紅外光譜產(chǎn)生一定的影響， 用SNV算法預(yù)處理可以適當(dāng)?shù)南魅踹@些影響， 優(yōu)化樣品近紅外光譜， 顯然這種方法在現(xiàn)實(shí)中有著更高的可實(shí)用性。 預(yù)處理結(jié)果如圖4所示。

2.3 特征波長(zhǎng)篩選

CARS算法， 是基于蒙特卡羅采樣和PLS回歸系數(shù)的特征波長(zhǎng)選取方式。 首先構(gòu)建的PLS模型是有關(guān)蒙特卡羅取樣的， 進(jìn)而計(jì)算該蒙特卡羅采樣中的波長(zhǎng)回歸系數(shù)的絕對(duì)值權(quán)重， 然后對(duì)權(quán)重絕對(duì)值較小的波長(zhǎng)變量進(jìn)行剔除， 再用衰減指數(shù)法來(lái)計(jì)算刪除的波長(zhǎng)數(shù)量， 最后用剩下的變量構(gòu)建PLS模型， 通過(guò)運(yùn)算后的RMSE值最小的模型對(duì)應(yīng)的波長(zhǎng)就是選擇的特征波長(zhǎng)， 搜索最優(yōu)建模變量組合的過(guò)程可以采用CARS方法來(lái)執(zhí)行， 如圖5， 圖6所示。 反式烯烴上C—H的面外彎曲振動(dòng)， 在1 900 nm處表現(xiàn)明顯， 容易得出這是大豆油與藤椒油的特征吸收峰。

圖5 SNV-CARS優(yōu)選變量Fig.5 Preferred variables (SNV-CARS)

圖6 MSC-CARS優(yōu)選變量Fig.6 Preferred variables (MSC-CARS)

SPA算法， 是前向變量的選擇算法， 可以使矢量空間共線性最小化。 SPA所包含的優(yōu)點(diǎn)是能夠在全波段光譜中， 合理的提取相應(yīng)的波長(zhǎng)， 在一定程度上， 將原始的光譜矩陣中所包含的多余可消除的信息進(jìn)行去除。 如圖7， 圖8。

圖7 SNV-SPA優(yōu)選變量Fig.7 Preferred variables (SNV-SPA)

圖8 MSC-SPA優(yōu)選變量Fig.8 Preferred variables (MSC-SPA)

2.4 近紅外光譜建模方法

近紅外光譜的建模方法主要包滑主成分分析(principal component analysis， PCA)、 聚類分析(cluster analysis)、 多元線性回歸(multiple linear regression， MLR)、 偏最小二乘回歸(partial least squares regression， PLS)、 支持向量機(jī)分類(support vector machine classification， SVM)、 支持向量機(jī)回歸(support vector machine regression， SVR)等。 其中支持向量機(jī)回歸、 主成分分析和最小二乘回歸為近紅外光譜中較為常用的定量分析方法。

光譜儀采集的樣本光譜中包含有大量重要可用信息， 同時(shí)包含采集時(shí)的外部實(shí)驗(yàn)環(huán)境信息。 如果直接通過(guò)特征提取算法后提取的特征波長(zhǎng)很難區(qū)分不同種類及不同濃度的摻偽油樣。 因此將提取的特征信息結(jié)合支持向量機(jī)定量分析方法， 采集大量藤椒油摻偽數(shù)據(jù)樣本進(jìn)行建模分析至關(guān)重要。

支持向量機(jī)法以SLT和VC維理論和最小結(jié)構(gòu)風(fēng)險(xiǎn)為基礎(chǔ)的新的模式識(shí)別方法， 其中心內(nèi)容是將光譜樣本數(shù)據(jù)通過(guò)非線性映射到多維空間， 然后再在此多維空間內(nèi)進(jìn)行線性回歸。 支持向量機(jī)在當(dāng)下依然有較好的實(shí)用性， 因?yàn)槠淠Ｐ徒⒑?jiǎn)便， 并涉及到了線性和非線性的回歸分析， 實(shí)用性強(qiáng)且廣泛。 本研究的藤椒油定量預(yù)測(cè)模型將采用支持向量機(jī)(SVR)的建模方法， 需要構(gòu)建損失函數(shù)， 含有線性分類和非線性分類， 核函數(shù)是可以用于構(gòu)建相關(guān)性的。 在建立支持向量機(jī)模型的時(shí)候， 可以選用RBF核函數(shù)來(lái)構(gòu)建模型， 因?yàn)镽BF核函數(shù)的學(xué)習(xí)能力強(qiáng)， 有助于建立更佳的模型。

2.5 模型結(jié)果

不同模型的結(jié)果如表1， 應(yīng)用NIRS結(jié)合SVR， 從而對(duì)摻偽含量的定量檢測(cè)進(jìn)行合適建模， 能夠?qū)μ俳酚蛽酱蠖褂偷亩款A(yù)測(cè)進(jìn)行有效判別。 不同預(yù)處理結(jié)合不同的特征波長(zhǎng)采集方式結(jié)果對(duì)比后發(fā)現(xiàn)四種方式的校正模型有一定差距。 根據(jù)表1可以看出， MSC-CARS-SVR模型預(yù)測(cè)集決定系數(shù)R2最高為0.705 2， 該模型采用44個(gè)特征優(yōu)選變量作為建立SVR模型的輸入變量， 該模型校正集決定系數(shù)R2為0.756 1， 校正集均方根誤差RMSE為0.743， 且預(yù)測(cè)集RMSE為0.794。 模型精度不是特別理想， 故采用鯨魚算法[5-6]和改進(jìn)的鯨魚算法[7-8]， 來(lái)優(yōu)化模型的相關(guān)參數(shù)， 從而提升模型的精確程度。

表1 藤椒油摻大豆油摻偽含量預(yù)測(cè)結(jié)果Table 1 Prediction results of adulteration content of vine pepper oil mixed with soybean oil

2.6 天牛須算法(BAS)結(jié)合鯨魚算法(WOA)

初始化天牛須算法， 設(shè)置n維空間中天牛的位置為

X(x1,x2, …，xn)

創(chuàng)建天牛左右須空間坐標(biāo)

由于兩只觸角獲得兩個(gè)位置的目標(biāo)函數(shù)信息， 因此需要對(duì)兩個(gè)位置擇優(yōu)前進(jìn)

式中:δt是用來(lái)表示在第i次迭代時(shí)的步長(zhǎng)因子， sign()為符號(hào)函數(shù)。

將天牛須算法(beetle antennae search algorithm, BAS)[9-10]結(jié)合鯨魚算法(whale optimization algorithm, WOA)： 以每一次鯨魚群的最優(yōu)鯨魚作為當(dāng)前天牛須的出發(fā)位置, 分別探索左右須前進(jìn)， 再計(jì)算前進(jìn)后的目標(biāo)函數(shù)， 如果目標(biāo)函數(shù)優(yōu)于當(dāng)前最優(yōu)鯨魚的值， 則用前進(jìn)后的天牛位置替換鯨魚位置， 進(jìn)而實(shí)現(xiàn)了天牛須算子對(duì)鯨魚算法的改進(jìn)。

圖9 改進(jìn)后的鯨魚算法優(yōu)化SVR流程圖Fig.9 The SVR flow chart of improved whale optimization algorithm

2.7 優(yōu)化算法優(yōu)化模型后的結(jié)果分析

根據(jù)表2可以看出采用近紅外光譜檢測(cè)技術(shù)結(jié)合SVR實(shí)現(xiàn)藤椒油摻偽大豆油的定量預(yù)測(cè)效果較好， 鯨魚算法和改進(jìn)后的鯨魚算法對(duì)模型參數(shù)進(jìn)行適當(dāng)優(yōu)化后， 對(duì)模型的精度有一定的提升作用。 預(yù)測(cè)集精度最高為MSC-CARS-BAS-WOA模型， 其預(yù)測(cè)集決定系數(shù)R2最高為0.943 9， 該模型采用54個(gè)特征優(yōu)選變量作為建立SVR模型的輸入變量， 且該模型校正集決定系數(shù)R2為0.955 1， 校正集的均方根誤差RMSE為0.054， 且預(yù)測(cè)集RMSE為0.081， 該模型的RMSE小且R2接近1， 預(yù)測(cè)效果良好， 有較大的實(shí)際應(yīng)用價(jià)值， 可以推廣到實(shí)踐中。 在藤椒油摻大豆油摻偽定量預(yù)測(cè)模型中， 采用MSC進(jìn)行預(yù)處理效果較好， 模型精度較高； 采用CARS進(jìn)行特征波段提取， 能夠有效的篩選到代表性的SVR模型的輸入變量， 提升了模型精度。

表2 優(yōu)化模型后的藤椒油摻大豆油的摻偽含量的預(yù)測(cè)結(jié)果Table 2 Prediction results of the adulterated content of vine pepper oil mixed with soybean oil using the optimized model

從表2可以分析出， 傳統(tǒng)的鯨魚算法在全局的搜索方面有較強(qiáng)的能力， 但在局部的搜索方面表現(xiàn)出較弱的解決能力， 往往不能得到最優(yōu)解， 只能得到次優(yōu)解。 而改進(jìn)后的天牛須算法結(jié)合鯨魚算法能夠有效改善傳統(tǒng)鯨魚算法中容易陷入局部最優(yōu)的問(wèn)題， 相比于MSC-CARS-WOA模型， MSC-CARS-BAS-WOA模型的預(yù)測(cè)集均方根誤差RMSE從0.495降低到0.081， 校正集均方根誤差RMSE從0.374降低到0.054， 預(yù)測(cè)集的決定系數(shù)R2從0.821 6提升到0.943 9， 校正集的決定系數(shù)R2從0.859 1提升到0.955 1。 說(shuō)明改進(jìn)后的天牛須算法結(jié)合鯨魚算法確實(shí)能夠提升模型的精度， 具有更好的實(shí)際應(yīng)用價(jià)值。

WOA和BAS-WOA迭代曲線如圖10所示。 其中鯨魚算法幾乎沒(méi)有迭代過(guò)程， 判斷是陷入了局部最優(yōu)環(huán)節(jié)。 相比之下， 改進(jìn)的鯨魚算法則一直在迭代尋優(yōu)的過(guò)程， 迭代到36次得到最優(yōu)解。

圖10 WOA-SVR和BAS-WOA-SVR迭代曲線圖Fig.10 WOA-SVR and BAS-WOA-SVR iteration graphs

MSC-CARS-BAS-WOA-SVR模型的預(yù)測(cè)集結(jié)果圖如圖11所示。 越靠近圖中y=x的這條直線， 就越能說(shuō)明樣本的預(yù)測(cè)值接近真實(shí)值， 即表明了模型的預(yù)測(cè)效果佳。 因此利用改進(jìn)的鯨魚算法能夠有效改善傳統(tǒng)鯨魚算法中容易陷入局部最優(yōu)的問(wèn)題， 能夠較好的提升SVR 模型的精度和實(shí)際應(yīng)用性。 研究中雖然定量預(yù)測(cè)精度較高， 但是考慮到實(shí)際應(yīng)用中可能存在的問(wèn)題， 還得繼續(xù)改進(jìn)。 在現(xiàn)實(shí)應(yīng)用中， 為了得到優(yōu)選參考樣品集， 可以采用交互驗(yàn)證， 通過(guò)增加參考集中的樣品數(shù)等， 繼而增加模型分類準(zhǔn)確性。

圖11 預(yù)測(cè)集結(jié)果圖Fig.11 Prediction set result graph

3 結(jié) 論

從表1和表2中可知， 通過(guò)預(yù)處理和特征數(shù)據(jù)建立MSC-CARS-SVR模型的預(yù)測(cè)集決定系數(shù)R2為0.705 2， 預(yù)測(cè)集均方根誤差RMSE為0.794， 其模型精度一般， 還有優(yōu)化空間。 因此通過(guò)鯨魚算法優(yōu)化支持向量機(jī)參數(shù)建立的MSC-CARS-WOA-SVR模型的預(yù)測(cè)集決定系數(shù)R2從0.705 2提升到了0.821 6， 預(yù)測(cè)集均方根誤差RMSE從0.794降低到了0.495， 說(shuō)明經(jīng)過(guò)鯨魚算法優(yōu)化后的支持向量機(jī)建立的模型能夠提升模型精度和應(yīng)用性， 但考慮到鯨魚算法在局部的搜索方面會(huì)表現(xiàn)出較弱的解決能力， 從而導(dǎo)致建立的模型并不是最優(yōu)模型， 只能得到的是次優(yōu)解。 所以采用改進(jìn)鯨魚算法， 運(yùn)用天牛須算法(BAS)優(yōu)化鯨魚算法(WOA)能夠優(yōu)化支持向量回歸機(jī)(SVR)的核函數(shù)參數(shù)和懲罰因子， 建立了MSC-CARS-BAS-WOA-SVR藤椒油摻偽定量預(yù)測(cè)模型的預(yù)測(cè)集決定系數(shù)R2從0.705 2提升到了0.943 9， 預(yù)測(cè)集均方根誤差RMSE從0.794降低到了0.081， 模型精度提升明顯。

由圖10適應(yīng)度曲線可看出， 相比于傳統(tǒng)的鯨魚算法， 由天牛須算法優(yōu)化后的鯨魚算法效果更好， 迭代優(yōu)化效果明顯， 均方根誤差(RMSE)從0.495降低到0.081， 模型預(yù)測(cè)準(zhǔn)確率提升了0.111 3， 改進(jìn)鯨魚算法對(duì)藤椒油摻偽定量預(yù)測(cè)模型相比鯨魚算法有明顯優(yōu)化， 預(yù)測(cè)效果好， 提升了模型精度， 表明該模型能夠進(jìn)行實(shí)際推廣， 有較大的應(yīng)用價(jià)值。