基于人工神經網絡的狼尾草屬牧草品質近紅外光譜預測研究

摘要： "本研究利用近紅外光譜通過人工神經網絡（Artificial neural network，ANN）建立狼尾草屬（Pennisetum Rich）牧草水分、粗蛋白、木質素、酸性/中性洗滌纖維及灰分含量的預測模型。結果表明：基于人工神經網絡的狼尾草屬牧草品質預測模型總體優于全光譜偏最小二乘法（PLS）模型效果。在人工神經網絡的方向傳播（BP）網絡模型中，6項表征牧草品質指標的校正均方根誤差（RMSEC）、預測均方根誤差（RMSEP）均顯著低于PLS模型，同時校正集決定系數（R2C）、預測集決定系數（R2P）顯著提高，除灰分含量預測不理想外，其他預測效果均理想。同時人工神經網絡的BP網絡對于近紅外光譜的非線性數據具有良好的擬合能力，其預測模型對于指導狼尾草屬牧草品質預測和分級管理研究具有廣闊的應用前景。

關鍵詞： 狼尾草屬；常規營養成分；近紅外光譜；人工神經網絡

中圖分類號：S541 """文獻標識碼：A """"文章編號： 1007-0435（2024）02-0527-08

Research on Nutritional Components of Pennisetum Rich. Forage by Near

Infrared Spectroscopy Model based on Artificial Neural Network

ZHU Rui-fen1，2， XU Yuan-dong1，2， SUN Wan-bin1，2， LIU Chang1，2， YAO Bo1，2， CHEN Ji-shan1，2*

（1.Institute of Pratacultural Science， Chongqing Academy of Animal Sciences， Chongqing 402460， China;

2. Pratacultural Engineering and technology research center of Chongqing， Chongqing 402460， China）

Abstract： In order to determine the nutrient content of Pennisetum Rich. forage rapidly by Near Infrared Spectroscopy，the prediction models of moisture content，crude protein content，lignin content，acid detergent fibe，neutral detergent fibe and crude ash content of Pennisetum Rich. forage were established by using artificial neural network （ANN）. The results showed that the quality prediction model of Pennisetum Rich forage based on ANN was better than the partial least squares （PLS） model. In the back propagation （BP） network model of ANN，the calibration root mean square error and prediction root mean square error are significantly reduced，and the calibration set determination coefficient and the prediction set determination coefficient were significantly improved. Except the ash content prediction，the other prediction results were ideal. Meanwhile，the BP of ANN algorithm had good fitting ability for the nonlinear data of near-infrared spectrum. The prediction model in this study has application prospects for guiding forage quality classification management and scientific research.

Key words： "Pennisetum Rich.;Quality components;Near infrared spectroscopy;Artificial neural network （ANN）

近紅外光譜（Near infrared spectroscopy，NIRS）分析方法已在諸如食品、制藥、化工、農牧、飼料、煙草等多方面領域獲得廣泛應用。近年來，隨著智慧農業的發展，便攜式微型近紅外光譜儀被普遍使用在現場檢測中，因此，預測模型的建立并應用成為當前近紅外光譜研究中的熱點［1-2］。

目前，大量學者在研究中對于偏最小二乘法（Partial least square method，PLS）進行了深入探索與應用，不同的算法分析可以建立較好的定量模型，已成為智慧農業的發展方向［3-4］。通過不同學習算法來簡化模型具有良好的魯棒性和相對較強的預測能力［5-6］。目前研究表明，普遍采用偏最小二乘法（PLS）建模成為共識［7-8］。同時近年來大量研究表明，通過人工神經網絡處理非線性變量，簡化模型，也可獲得的良好的魯棒性和相對較強的預測能力［9-10］。人工神經網絡是一種模仿動物神經網絡行為特征進行信息處理的算法數學模型。人工神經網絡與其它學科領域聯系日益緊密，人們通過對人工神經網絡層結構的探索和改進來解決各個領域的問題。劉小英等［11］開展人工神經網絡的葡萄干等級檢測方法研究，徐亮等［12］開展人工神經網絡在風干臘腸加工過程模擬控制中的應用，姚蘭等［13］研究基于人工神經網絡的工業供應鏈銷售預測方法。人工神經網絡應用于各種重要領域已是時代科學發展的內在需要［14-16］。目前，融合現代化技術，采用神經元之間的交叉互動，實現信息的收集、存儲、分析應用，改善人工智能識別技術的識別靈敏性與分辨率，將神經網絡算法進一步深入融合到智能識別領域，已在許多科學領域得以成功應用［17-19］。研究表明，將人工神經網絡結合近紅外光譜技術的分析方法有極高應用價值［20-21］。反向傳播（Back propagation，BP）神經網絡是人工神經網絡（ANN）中的一種，常用的神經網絡有誤差BP徑向基函數（Radial basis function，RBF）、自組織映射網絡（Self-Organizing map，SOM）、反饋型神經網絡（Hopfield）等等，其功能不盡相同［22］。誤差反向傳播是一種靜態的多層前饋神經網絡，在預測方面是應用最廣泛的人工神經網絡。徑向基函數神經網絡的優點在于其逼近能力，分類能力和學習速度等方面優于BP神經網絡。反饋型神經網絡（Hopfield）是一種單層反饋神經網絡，從輸出到輸入有反饋連接。該網絡可以作為聯想存儲器，又稱為聯想記憶網絡。在近紅外光譜定量分析中，分析樣品在組成及其相對分子較大時，它們的性質與其近紅外光譜信息之間往往存在非線性關系，所以利用線性方法處理分析產生較大誤差，而采用人工神經網絡來預測可以得到較好的預測結果［23-24］。

狼尾草屬（Pennisetum Rich）牧草是禾本科多年生C4植物，適應于熱帶、亞熱帶地區，是我國目前南方栽培面積最大且生物產量也較大的優良牧草［25-28］。狼尾草屬牧草包括雜交狼尾草、紫色象草、華南象草、美洲狼尾草等品種。狼尾草屬牧草屬于高大禾草，根系發達，葉量豐富，病蟲害少，草地管理成本低，每年刈割3～5次，年畝產鮮草10～15 t，一次栽培可利用6～8年。因此，狼尾草屬牧草在草食畜牧、食用菌栽培、造紙、板材生產、生物質能源、環境綠化和水土保持等方面都具有較好的開發前景［29-31］。特別是近年來草食畜牧業健康養殖中，狼尾草屬牧草的品質定量預測和分級評價備受關注。

本文探討BP神經網絡在近紅外光譜預測狼尾草屬牧草常規營養成分含量的魯棒性，以明確近紅外光譜快速測定狼尾草屬牧草品質預測模型是否穩定可靠，為科學準確評價狼尾草屬牧草品質、促進狼尾草高效率生產加工和儲存利用提供技術依據。

1 材料與方法

1.1 試驗材料

試驗于2021年在重慶市草業試驗基地開展。選擇不同品種的狼尾草屬牧草3個，包括‘熱研1號’雜交狼尾草（由中國熱帶農業科學院熱帶作物品種資源研究所提供）、‘桂牧1號’雜交狼尾草（由中國熱帶農業科學院熱帶作物品種資源研究所提供），‘邦德1號’美洲雜交狼尾草（廣西綠邦生物技術公司提供）。3份狼尾草屬牧草品種于2018年春統一種植在雙河草業科研基地。行距1 m×1 m，株距0.5 m，每個品種15 m2，3次重復，隨機排列，不施肥不灌水，其他措施等同大田管理。重慶市畜牧科學院草業所雙河科研基地位于重慶市榮昌區雙河鎮九峰山，地理坐標29.32 N，105.59 E，海拔約256 m，屬中亞熱帶濕潤東南季風氣候，年平均降水量1 099 mm，年平均氣溫17.8℃，年總積溫6 482℃，無霜期327 d以上。該區域土種有水稻土、沖積土、紫色土和黃壤四大土類及六個亞類。土壤總體貧氮富鉀偏酸性。3年來各品種的田間越冬率及其適應性表明其適應在本區域低海拔推廣種植，但其牧草品質的監測和評價工作相對滯后，為此開展狼尾草屬牧草品質的近紅外預測研究。為構建模樣本的空間和時間差異性，不同品種的樣品在植株高度為1.5～3 m之間采集作為建模樣本，此過程處在5—11月間，屬于狼尾草屬牧草正常生長時期。每個品種采集4次（植株高度分別在1.5 m，2.0 m，2.5 m，3 m時），3個樣品共計采集12次，每個品種采集重復樣品8份，共采集到98份樣品。每份樣品生物量鮮重500 g， 置入紗網袋中，于當天在實驗室用烘箱（Thermo Scientific Heratherm OGS60）干燥（105℃下殺青30 min，再在65℃下烘干48 h）。烘干樣品切成短節再用粉碎機粉碎，二次細磨（過1.0 mm篩（新鄉市大漢振動機械有限公司生產φ200 mm的18目篩））后編號裝入自封袋常溫（25℃）避光保存備用。

1.2 試驗用儀器

主要試驗儀器為瑞典波通公司（Perten）生產的近紅外漫反射光譜儀（DA7200）。DA7200多功能近紅外分析儀采用鹵鎢燈和汞燈光源，雙光束同時檢測，具有最穩定的光學系統。獨特的固定全息光柵份光和銦葭砷二極管陣列檢測技術（電制冷恒溫）全光譜同時掃描，無波長漂移。DA7200多功能近紅外分析儀主要技術參數包括數據光譜收集速率為100次·s-1，波長范圍為950～1 650 nm，工作電源為220 V，50/60 Hz，700 W4，重量為21 kg，尺寸為556 mm×375 mm×370 mm（包括觸摸屏）。福斯公司生產的索式粗纖維測定儀Fibertec1020和全自動凱氏定氮儀（特卡托2300）；水分測定儀為美國丹佛IR35全自動快速水分儀；樣品烘干用烘箱德國賽默飛（Thermo）大容量通用型烘箱。

1.3 光譜采集

將所有待測樣品逐個放入試樣杯，分別置于近紅外光譜儀上連續掃描3次光譜，分析過程中取3次掃描光譜的平均值光譜。所得掃描光譜數據以文本形式錄入存儲在計算機。篩選處理采集的光譜數據，波長范圍為900～1 700 nm，分辨率為8 cm-1。所有樣品的光譜見圖1。

1.4 化學測定

將采集樣品送蘭州測試中心測定相關指標。測定狼尾草屬牧草的指標為水分（Moisture content）、酸性洗滌木質素（Acid detergent lignin，ADL）、粗蛋白（Crude protein，CP）和粗灰分（Crude ash）。水分的測定依照GB/T 6435-2014標準方法進行［32］，粗蛋白的測定依照GB/T 6432-2018標準方法進行［33］，GB/T 20805-2006飼料中酸性洗滌木質素（ADL）的測定［34］。測定均以干物質為基礎，以百分計（%）表示。

1.5 數據分析與模型建立

1.5.1 "數據分析工具 ""本試驗采用MATLAB構建狼尾草屬牧草水分、粗蛋白、木質素和粗灰分間的間接關系模型。MATLAB軟件為美國MathWorks公司開發并提供大量的算法程序。近紅外光譜透射光譜都是以向量和矩陣的形式存儲的，采用MATLAB語言編程的編程更方便快捷，同時該軟件除了提供各種算法工具外，還具有直觀友好、容易使用的圖形界面。主要操作借助MATLAB工具箱（iToolbox），并采用決定系數（R2）和均方根誤差（RMSE）參數評價新建模型。

1.5.2 光譜預處理與建模 ""光譜預處理方法及其組合可以除光譜背景的干擾，通過前期研究確定一階導數（1st Derivative）+標準正常化（Standard normal variant，SNV）進行預處理加強光譜圖的特征。數據集采用SPXY（Sample Set Partitioning Based on Joint X-Y Distance，SPXY）法劃分為校正集和驗證集。在Matlab代碼指令下進行BP神經網絡建模，將該模型與偏最小二乘法（PLS）的算法進行對比分析預測模型的優劣。

2 結果與分析

2.1 品質成分描述

通過化學值測定的狼尾草屬牧草營養品質成分有6項，其中狼尾草屬牧草水分含量、粗蛋白、木質素、粗灰分、酸性洗滌纖維和中性洗滌纖維分別為5.44%，12.6%，13.0%，9.37%，41.17%和65.87%。所有測定化學值滿足近紅外定標要求。均值及中位數見表1。

2.2 神經網絡結構優化

一般而言，對于神經網絡對于非線性問題的逼近和分析能力，三層神經網絡的分析處理結果精度較高［20］，所以本文中的ANN設置為單隱藏層和輸入輸出層共同組成三層神經網絡結構。 在神經元數量的選取上，輸入層神經元數量對應于自變量的數據維度個數，本文中為801。對于一般的非線性回歸問題，隱藏層神經元個數的不確定性，通常情況下采取試湊法和經驗法來選取隱藏層節點個數時［21］。為了非線性問題能夠獲得最優模型擬合效果，本文中選擇tanh函數和relu函數分別應用于輸入層與隱藏層之間，隱藏層與輸出層之間；同時為防止relu激活函數產生梯度消失現象，本文設置學習率為0.001并進行初始化。

2.3 預測結果對比分析

2.3.1 水分含量 ""在測定狼尾草屬牧草水分含量的模型中，光譜預處理通過用一階導數法處理狼尾草樣品的近紅外光譜，進而進行BP算法對光譜信息建模，表2中列舉得出預測模型的相關結果。BP與PLS模型比較看來，前者突出降低了RMSEC，RMSEP，同時提高了R2C，R2P。BP測定狼尾草屬牧草水分含量的校正集及預測集得出的R2C，R2P分別為0.962 4和0.849 1。

通過驗證集的狼尾草屬牧草水分含量的近紅外預測值與實測化學值進行比較，BP模型測定狼尾草屬牧草水分含量的散點如圖2所示，基本集中分布在擬合線附近。狼尾草屬牧草水分含量的預測集斜率（Slope）為0.882 8、截距（Offset）為0.601 2、均方根誤差（RMSE）為0.282 1、決定系數（R-sqare）為0.882 8；交叉驗證集斜率（Slope）為0.839 4、截距（Offset）為0.823 9、均方根誤差（RMSE）為0.352 0、決定系數（R-square）為0.821 9，其預測效果理想。

2.3.2 "粗蛋白含量 ""同樣地，采用一階導數法在狼尾草屬牧草粗蛋白含量的預測模型中預處理近紅外光譜，然后使用BP算法對光譜數據進行建模，獲得預測模型的相關結果見表3。結果表明，與PLS模型相較，BP明顯降低了RMSEC和RMSEP，同時提高了R2C和R2P。BP模型算法預測狼尾草屬牧草粗蛋白含量的校正集及預測集的R2C和R2P分別為0.852 1，0.835 4。

通過驗證集的狼尾草屬牧草粗蛋白含量的近紅外預測值和化學值的散點圖見圖3，由圖3可知，采用BP預測的狼尾草屬牧草粗蛋白含量的數據分布的集中度明顯。狼尾草粗蛋白含量的預測集斜率（Slope）為0.952 6、截距（Offset）為0.484 3、均方根誤差（RMSE）為0.880 3、決定系數（R-sqare）為0.952 6；交叉驗證集斜率（Slope）為0.891 1、截距（Offset）為1.108 8、均方根誤差（RMSE）為1.588 2、決定系數（R-square）為0.849 2，其預測效果理想。

2.3.3 木質素含量 ""狼尾草屬牧草的木質素含量的測定模型中，同樣進行了一階導數法處理狼尾草屬牧草樣品的近紅外光譜，獲得預測模型的相關結果見表4。與PLS模型比較，BP模型最佳，其測定狼尾草屬牧草木質素含量的校正集及預測集的R2C和R2P分別為0.901 2，0.854 3。

圖4所示狼尾草屬牧草的木質素含量近紅外預測值和化學值的數據分布情況，BP測定模型更顯著地集中在實測值附近。狼尾草屬牧草的木質素含量的預測集斜率（Slope）為0.806 3、截距（Offset）為2.103 1、均方根誤差（RMSE）為1.752 6、決定系數（R-sqare）為0.806 3；交叉驗證集斜率（Slope）為0.711 0、截距（Offset）為3.111 9、均方根誤差（RMSE）為2.199 1、決定系數（R-square）為0.703 4，其預測效果理想。

2.3.4 "酸性洗滌纖維含量 ""狼尾草屬牧草的酸性洗滌纖維含量的測定模型中，同樣進行了一階導數法處理狼尾草屬牧草的樣品的近紅外光譜，獲得預測模型的相關結果見表5。與PLS模型比較，BP模型最佳，其測定狼尾草屬牧草的酸性洗滌纖維含量的校正集及預測集的R2C和R2P分別為0.890 5和0.850 3。

圖5所示狼尾草屬牧草的酸性洗滌纖維含量近紅外預測值和化學值的數據分布情況，BP測定模型更顯著地集中在實測值附近。狼尾草屬牧草的酸性洗滌纖維含量的預測集斜率（Slope）為0.862 1、截距（Offset）為5.960 5、均方根誤差（RMSE）為1.893 3、決定系數（R-sqare）為0.862 1；交叉驗證集斜率（Slope）為0.844 5、截距（Offset）為6.7406、均方根誤差（RMSE）為2.158 9、決定系數（R-square）為0.823 7，其預測效果理想。

2.3.5 中性洗滌纖維含量 ""狼尾草屬牧草的中性洗滌纖維含量的測定模型中，同樣進行了一階導數法處理狼尾草屬牧草的樣品的近紅外光譜，獲得預測模型的相關結果見表6。與PLS模型比較，BP模型最佳，其測定狼尾草屬牧草的木質素含量的校正集及預測集的R2C和R2P分別為0.976 4和0.935 4。

圖6所示狼尾草屬牧草的中性洗滌纖維含量近紅外預測值和化學值的數據分布情況，BP測定模型更顯著地集中在實測值附近。狼尾草屬牧草的中性洗滌纖維含量的預測集斜率（Slope）為0.970 0、截距（Offset）為1.997 6、均方根誤差（RMSE）為1.576 8、決定系數（R-sqare）為0.970 0；交叉驗證集斜率（Slope）為0.958 8、截距（Offset）為2.714 9、均方根誤差（RMSE）為2.302 7、決定系數（R-sqare）為0.936 1，其預測效果理想。

2.3.6 "灰分含量 ""狼尾草屬牧草的灰分含量的測定模型中，一階導數方法預處理狼尾草屬牧草樣品的近紅外光譜，得到預測模型的相關結果見表7。BP模型最佳，預測狼尾草屬牧草的粗灰分含量的校正集及預測集的R2C和R2P分別為0.773 6和 0.752 7，顯著高于PLS模型的預測值。

比較圖7狼尾草屬牧草的粗灰分含量的近紅外預測值和化學值的散點圖，預測效果更接近真實值。狼尾草屬牧草的粗灰分含量的預測集斜率（Slope）為0.786 9、截距（Offset）為1.850 6、均方根誤差（RMSE）為0.991 8、決定系數（R-sqare）為0.786 9；交叉驗證集斜率 （Slope）為0.766 0、截距（Offset）為2.029 3、均方根誤差（RMSE）為1.084 0、決定系數（R-square）為0.750 5，其預測效果不理想。

3 討論

人工神經網絡（ANN）是一種模擬大腦神經結構和功能的人工網絡系統。它由大量而廣泛的神經元連接而成，具有很強的非線性映射能力，能從己知數據中自動歸納規則，進而獲得這些數據的內在信息規律［22］。近年來，神經網絡理論得以迅速發展，也被成功地運用在各種研究中，包括模式的識別、控制，信號的處理，數據的最優化和預測等［9-10，23］。BP網絡于1985年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，也是目前應用最廣泛的神經網之一。基于誤差反向傳播算法的多層前饋網絡，BP神經網 "絡不僅有輸入層節點、輸出層節點，而且還有一層或多層隱含節點。隱含層的傳遞函數為非線性，因為非線性函數具有放大功能，具有捕捉微弱信號的能力［22，24］。

作為一種典型的間接檢測分析技術，近紅外光譜分析技術對待測樣品的精準分析需要建立在一個十分成熟的科學的數學模型基礎上，這需要大量有代表性的原始樣本及其光譜數據。因此，近紅外光譜技術的應用是一個不斷重視和注重原始樣品庫及其原始光譜擴容、校正、維護提升的模型再建過程［35］。本研究旨在嘗試新的建模方法的可行性，試驗結果表明，狼尾草屬牧草的水分含量、粗蛋含量、木質素含量、酸性/中性洗滌纖維含量的預測能夠達到預測的效果，但灰分含量的預測仍然欠佳，推測其樣品數量的不足可能是導致預測精度較低的原因之一，今后該方法的普及應用仍需進一步擴容樣品量。

以往研究表明，我國研究牧草品質的近紅外預測幾乎統統應用了PLS法，例如石丹等［36］建立了近紅外模型預測羊草品質；劉哲等［37］采用PLS法對主要天然牧草建立的近紅外模型；白扎嘎爾［38］在反芻動物飼料建立的近紅外模型；陳積山等［39］在羊草品質的預測中拓展了PLS法，并對特征波長建立了羊草品質的近紅外模型，但針對狼尾草屬牧草品質的近紅外預測研究至今未見報道。試驗結果表明，狼尾草屬牧草的水分含量、粗蛋含量、木質素含量、酸性/中性洗滌纖維含量的預測均能達到預測的精度效果。為此，本研究涉及的狼尾草屬牧草的近紅外光譜研究豐富和補充了這一領域的現有工作基礎。

近紅外光譜與化學計量學是一對孿生技術，兩種在相互促進中不斷發展。近些年，以人工神經網絡（ANN）為代表的機器學習（Machine learning）算法，開始用于近紅外光譜的定量和定性模型的建立。與傳統線性算法方法相比，非線性的機器學習算法在光譜分析中的應用研究剛剛開始，深度學習（Deep learning）是一種試圖使用包含復雜結構或由多重非線性變換構成的多個處理層對數據進行高層抽象的算法，也是機器學習的分支之一。深度學習憑借神經網絡自動對數據進行高維抽象學習而提取數據特征，減少了特征工程的構成，提高了算力。但還有諸如網絡規模、參數的優化選擇、過擬合、模型的可解釋性等問題仍值得進一步研究［40］。本研究利用近紅外光譜法通過人工神經網絡建立狼尾草水分含量、粗蛋白含量、木質素含量、酸性/中性洗滌纖維含量的預測模型總體優 于全光譜偏最小二乘法（PLS）模型效果，灰分含量的預測效果較差，仍需沿用實驗室測定方法，同時通過深度學習提取特征光譜建立預測模型需要進一步研究。因此，高質量的建模方法對于提高牧草品質的預測精度具有重要意義。

4 結論

通過采用人工神經網絡構建狼尾草屬牧草品質的預測模型總體優于全光譜偏最小二乘法模型效果。在構建的BP神經網絡模型中，6項表征牧草品質指標中，除灰分含量預測精度低之外，其余5項品質指標的預測效果理想。因此，灰分含量的預測仍需要進一步優化。

參考文獻

［1］ "陸婉珍，袁洪福，褚小立. 近紅外光譜儀器［M］. 北京：化學工業出版社，2010：75-78

［2］ 屈亞堃，宮元娟. 近紅外光譜技術在蘋果品質無損檢測中的應用［J］. 農業科技與裝備，2014（6）：32-33

［3］ 介鄧飛，謝麗娟，饒秀勤，等. 近紅外光譜變量篩選提高西瓜糖度預測模型精度［J］. 農業工程學報，2013，29（12）：264-270

［4］ 吳迪，吳洪喜，蔡景波，等. 基于無信息變量消除法和連續投影算法的可見-近紅外光譜技術白蝦種分類方法研究［J］. 紅外與毫米波學報，2009，28（6）：423-427

［5］ 陳立旦，趙艷茹. 可見-近紅外光譜聯合隨機蛙跳算法檢測生物柴油含水量［J］. 農業工程學報，2014，30（8）：168-173

［6］ YAN H，LU D L，CHEN B， et al. Development of a hand-hled near infrared system based on an Android OS and MivroNIR，and its application in measuring soluble solids content in Fuji apples［J］. Spectroscopy and Spectral Analysis，2014，25（4）：16

［7］ ZOU X B，ZHAO J W，POCEY M J W， et al. Variables selection methods in near-infrared spectroscopy［J］. Analytica Chimica Acta，2010，667（1/2）：14-32

［8］ "LI H D，XU Q S，LIANG Y Z. Random frog：An efficient reversible jump Markov Chain Monte Carlo-like approach for variable selection with applications to gene selection and disease classification［J］. Analytica Chimica Acta，2012（740）：20-26

［9］ JIANG H，LIU G H，MEI C L，et al. Measurement of process variables in solid-state fermentation of wheat straw using FT-NIR spectroscopy and synergy interval PLS algorithm［J］. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2012（97）：227-283

［10］ LI J B，GUO Z M，HUANG W Q，et al. Near-infrared spectra conbining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry［J］. Spectroscopy and Spectral Analysis，2015，35（2）：372-378

［11］ 劉小英，張健，楊蜀秦. 基于人工神經網絡與VPMCD的葡萄干等級檢測方法研究［J］. 現代電子技術，2016，39（12）：18-21

［12］ 徐亮，程鏡蓉，張業輝，等. 人工神經網絡在風干臘腸加工過程模擬控制中的應用［J］. 現代食品科技，2018，34（11）：151-156

［13］ 姚蘭，戎荷婷，褚超，等. 基于人工神經網絡的工業供應鏈銷售預測方法［J］. 計算機與數字工程，2021，49（10）：2057-2061

［14］ 李沁璘. 人工神經網絡綜述［J］. 科學與信息化，2021（7）：181-182

［15］ 王祎，賈文雅，尹雪婷，等. 人工神經網絡的發展及展望［J］. 智能城市，2021，7（8）：12-13

［16］ 張馳，郭媛，黎明. 人工神經網絡模型發展及應用綜述［J］. 計算機工程與應用，2021，57（11）：57-69

［17］ 姜鵬飛，鄭杰，陳瑤，等. 人工神經網絡在水產領域中的應用［J］. 食品與發酵工業，2021，47（19）：288-295

［18］ 姜鵬飛，于文靜，孫娜，等. 人工神經網絡在食品工業中的應用［J］. 食品研究與開發，2021，42（13）：188-196

［19］ 王良玉，張明林，祝洪濤，等. 人工神經網絡及其在地學中的應用綜述［J］. 世界核地質科學，2021，38（1）：15-26

［20］ 馬明宇，王桂蕓，黃安民，等. 人工神經網絡結合近紅外光譜用于木材樹種識別［J］. 光譜學與光譜分析，2012，32（9）：2377-2381

［21］ 朱麗偉，嚴金欣，黃娟，等. 近紅外光譜和人工神經網絡的金苦蕎氨基酸快速測定［J］. 光譜學與光譜分析，2022，42（1）：49-55

［22］ CAO N N，WANG J H，LI P F，et al. Study on variable selection of NIR spectral information based on GA and SCMWPLS［J］. Spectroscopy and Spectral Analysis，2010，30（4）：915-919

［23］ SUN T，XU W L，HU T. Determination of soluble solids content in Nanfeng Mandarin by Vis/NIR spectroscopy and UVE-ICA-LS-SVM［J］. Spectroscopy and Spectral Analysis，2013，33（12）：3235-3239

［24］ LI X L，SUN C J，LUO L B. Determination of tea polyphenols content by infrared spectroscopy coupled with iPLS and random frog techniques［J］. Computers and Electronics in Agriculture，2015，112（Sp. Iss. SI）：28-35

［25］ 周潔儀，趙文武，楊楊，等. 2種狼尾草屬牧草萌發期和苗期抗旱性綜合評價［J］. 中國草地學報，2023，45（8）：50-59

［26］ 侯新村，滕珂，郭強，等. 狼尾草屬牧草研究進展［J］. 植物學報，2022，57（6）：814-825

［27］ 黃睿，羅佳佳，吳遠航，等. 狼尾草屬象草PpPAPs基因的克隆及響應低磷脅迫的表達模式分析［J］. 草地學報，2021，29（3）：425-433

［28］ 丁迪云，陳衛東，陳杰雄，等. 狼尾草屬牧草品種比較試驗［J］. 廣東農業科學，2019，46（8）：8-13

［29］ 唐軍，周漢林，王文強，等. 狼尾草屬牧草育種及分子生物學研究進展［J］. 熱帶作物學報，2018，39（11）：2313-2320

［30］ 吳娟子，錢晨，劉智微，等. 鎘脅迫下雜交狼尾草微量元素Fe、Zn、Mn、Cu的吸收和轉運［J］. 草業科學，2023，40（1）：133-143

［31］ 甄峰，孫永明，孔曉英，等. 雜交狼尾草厭氧發酵的物質與能量轉化率分析［J］. 農業工程學報，2017，33（19）：236-241

［32］ 農業部飼料質量監督檢驗測試中心（濟南），中國農業科學院農業質量標準與檢測技術研究所，中國飼料工業協會. GB/T 6435-2014 飼料中水分的測定［S］. 北京：中國標準出版社，2015：1-4

［33］ 中國農業科學院農業質量標準與檢測技術研究所. GB/T 6432-2018 飼料中粗蛋白的測定-凱氏定氮法［S］. 北京：中國標準出版社，2019：1-3

［34］ 內蒙古畜牧科學院，浙江大學，內蒙古農業大學，等. GB/T 20805-2006，飼料中酸性洗滌木質素（ADL）的測定［S］. 北京：中國標準出版社，2007：1-3

［35］ 何娟，趙艷茹，何勇. 近紅外光譜結合偏最小二乘判別對硫熏浙貝母的無損鑒別［J］. 光譜學與光譜分析，2017，37（10）：3070-3073

［36］ 石丹，張英俊. 近紅外光譜法快速測定羊草干草品質的研究［J］. 光譜學與光譜分析 2011，31（10）：2730-2733

［37］ 劉哲，王玉琴，薛樹媛，等. 近紅外漫反射光譜定量分析天然牧草營養成分［J］. 草地學報，2018，26（1）：249-255

［38］ 白扎嘎爾. 近紅外光譜分析技術（NIRS）在反芻動物飼料分析中的應用研究［D］. 呼和浩特：內蒙古農業大學，2010：58-60

［39］ 陳積山，朱瑞芬，張強，等. 建立近紅外特征波長模型快速測定羊草常規營養成分的研究［J］. 草地學報，2019，27（4）：867-873

［40］ 周志華. 機器學習［M］. 北京：清華大學出版社，2016：1-16

（責任編輯 劉婷婷）

收稿日期：2023-07-06；修回日期：2023-10-25

基金項目： "南方狼尾草品質的近紅外光譜模型研究與應用評價（21521）；重慶市現代農業產業體系（草食牲畜：CQMAITS202313）資助

作者簡介：

朱瑞芬（1982-），女，漢族，甘肅禮縣人，副研究員，主要從事牧草與草地管理研究，E-mail：75529693@qq.com；*通信作者Author for correspondence，E-mail：cjshlj@163.com