近紅外光譜的小波域分析方法研究

李淥潔　劉航　王英鴻

摘 要：材料的紅外光譜包含大量信息，屬于高維度數據。從復雜的近紅外光譜樣本中消除無用信息、提取關鍵特征是近紅外光譜建模領域中不易攻克的關鍵技術。依據獲取的透射近紅外光譜信息建立小麥含水量模型，采用小波分析手段，選取最佳小波系數，優化了模型結構，提高了模型對含水量的預測精度。

關鍵詞：小波分析；近紅外光譜；小波系數；特征提取

1 概述

物質的光譜樣本蘊含了大量信息。近紅外光譜與物質的物理性質、化學成分相關，同時還會受到共線性、散射、照明光強等因素的影響。因此，在包含大量信息的近紅外光譜信號中發掘出有用的特征信息是光譜分析方法的重要技術難點。傅里葉分析在處理高維度近紅外光譜數據時，出現了運算量大、誤差大的問題。傳統的傅里葉分析方法無法滿足近紅外光譜建模的需求。相較于傅里葉變換，小波分析具有明顯的優勢，能根據實際需求快速、準確地提取信號中的特征信息。我們將小波分析引入到近紅外建模領域，開展了理論分析與實際應用。

光譜特征信息提取是在復雜的多維光譜數據中獲得有用的分類信息。光譜特征提取要實現兩個目標：一減小內類差異，二增大類間差異[1]。這兩個指標是評價一種光譜特征提取方法優劣的主要依據。光譜特征信息提取的目的是將材料光譜信號與環境噪聲相分離，獲取有用的光譜信號，進而分析出材料的化學特性。光譜分析技術中，對光譜特征信息提取是首要環節，提取出的信息被用于物質分類識別，并能得出物質的量化數值。因此，光譜特征提取是光譜分析的先決因素。

從工程的角度分析，小波變換，與傅里葉變換一樣，都是集合時域、頻域等多種概念的信號特征提取方法[2]。小波理論是在多學科、多領域技術交叉融合的基礎上建立起來的[3]。

2 實驗與數據

實驗平臺：分光器、探測器、漫反射信號收集器和近紅外光源構成了光譜探測核心裝置，再配合光學耦合器件、計算機等輔助設備繼而能開展近紅外光譜建模實驗。借助此套裝置，通過光譜信號采集、數據預處理、光譜模型建立等步驟實現對小麥樣品水分的定量分析。

小麥樣品放置于冰柜內，冷藏至4℃。光譜數據采樣之前，避免環境溫度對近紅外光譜的影響，環境溫度嚴格控制在20℃。儀器提前開機1小時，確保采樣時儀器處于穩定的工作狀態。光譜采樣前，測量標準白板光譜，修正光譜儀測量誤差。MCS611NIR光纖光譜儀對每個樣品進行3次測試，取平均值。

圖2為小波變換光譜特征提取流程示意圖，光譜提取分為兩步：

小麥近紅外光譜建波及特稱提取過程：針對近紅外光譜采用PLS建模，求解出校正集和對應驗證集的R2與RMSE的數值，選取coif、db、sym三種基本函數對近紅外光譜進行小波變換。根據計算結果，決定選擇的小波函數為db5，分解尺度為5。

整個小波系數19-55，58-72，96-114三個區間構成一個大區間，內部蘊含了大量特征信息，分析大區間的光譜數據能獲得小麥水分含量的精準數據數值。重新組合各類系數，對光譜信號進行重構，重構光譜如圖3所示。再使用PLS方法校正模型，則校正集為R2=0.9812，RMSE=0.2523，對應的驗證集為R2=0.9758，RMSE=0.2910。根據此結果可以看出，選取19-55，58-72，96-114三個區間為小波系數時，相對應的校正集與驗證集為最優組合，所構造的模型精準度最高，對小麥水分的預測準確度最高。

3 結束語

文章采用小波分析法對小麥透射光譜進行光譜特征信息提取，預測小麥的含水量。選取小波系數（19-55，58-72，96-114），優化模型，使校正集結果（R2=0.9812，RMSE=0.2523）和驗證集結果（R2=0.9758，RMSE=0.2910）達到最佳狀態。以此對紅外光譜進行重構，提高了對小麥含水量的預測精度。

參考文獻

[1]熊智新.基于小波變換的化學譜圖數據處理[D].浙江：浙江大學，2004.

[2]葛哲學，沙威.小波分析理論與MATLABR2007實現[M].電子工業出版社，2007，1.

[3]田高友，袁洪福，劉慧穎，等.小波變換在近紅外光譜分析中的應用進展[J].光譜學與光譜分析，2003，23（6）：1111-1114.

作者簡介：李淥潔（1987-），女，吉林長春人，職稱：研究實習員，學歷：碩士，主要研究方向：光子學與光電子技術。