基于近红外光谱与自适应多因子特征进化算法的基酒等级智能鉴别新方法

《Food Analytical Methods》：Near-Infrared Spectroscopy Combined With An Adaptive Multi-Factor Feature Evolution Algorithm For Identifying Base Liquor Grades

本研究针对白酒基酒等级鉴别依赖人工经验、缺乏标准化方法的问题，开发了一种结合近红外光谱与自适应多因子特征进化算法（AMFEA）的智能分级模型。通过加权SPXY样本划分、多任务特征选择和Optuna超参数优化，在XGBoost模型上实现了95.86%的准确率，为白酒生产在线检测提供了可靠解决方案。

　　

在历史悠久的中国白酒酿造工艺中，基酒等级鉴定一直是决定最终产品质量的核心环节。传统依赖品酒师感官评价的方法存在明显局限性：主观性强、稳定性差、效率低下，且难以满足规模化生产需求。这种"凭经验定等级"的模式已成为制约白酒产业标准化和智能化发展的瓶颈。虽然气相色谱-质谱联用等分析技术能够提供精确的化学成分数据，但其复杂的样品前处理过程、高昂的成本和较长的检测周期，使其难以在生产线快速部署。

近红外光谱技术凭借其快速、无损、环保等优势，为基酒等级鉴定带来了新的可能。然而，面对基酒中微量成分复杂多样的相互关系，以及高维光谱数据中存在的信息冗余和非线性耦合等挑战，传统的特征提取方法往往力不从心。如何在保证检测精度的同时提高模型效率，成为研究人员需要攻克的关键难题。

针对这些挑战，四川理工学院智能感知与控制四川省重点实验室的研究团队在《Food Analytical Methods》上发表了一项创新研究。他们开发了一种结合自适应多因子特征进化算法和贝叶斯参数优化的智能分级模型，为白酒基酒等级鉴定提供了新的技术路径。

本研究采用的主要技术方法包括：首先使用加权SPXY算法进行训练-测试集划分，综合考虑光谱空间和目标变量空间的分布特征；然后提出自适应多因子特征进化算法，通过多任务协同机制从9025-4300 cm^-1光谱范围内筛选特征波长；最后采用Optuna框架优化XGBoost模型的超参数，建立基酒等级分类模型。实验样本来自舍得酒厂24个连续窖池的482个基酒样品，涵盖头酒、中酒和尾酒三个等级。

光谱预处理分析

研究人员首先对原始近红外光谱进行了有效波段筛选，去除了12500-9025 cm^-1无特征吸收峰和4300-4000 cm^-1噪声严重区域。通过比较不同预处理方法的效果，发现9点二次一阶导数滤波处理能够有效消除基线漂移，提高光谱分辨率和灵敏度。与原始光谱相比，经过FD(SG(9-2))预处理后的Optuna-XGB模型准确率提升了3.45%，证明该方法能显著改善光谱质量。

参数选择

在特征选择阶段，研究团队对AMFEA算法的关键参数进行了系统优化。通过比较不同随机交配概率参数（rmp_init）的设置效果，发现当rmp_init=0.2时，算法收敛速度最快，特征选择稳定性最佳。该参数设置使得特征数标准差最小，适应度曲线快速收敛，且在重复实验中未出现异常值，确保了特征选择结果的可靠性。

多种特征选择方法结果分析

与竞争性自适应重加权采样（CARS）、无信息变量消除（UVE）等多任务特征选择方法相比，AMFEA在特征子集规模、预测性能和计算效率方面表现出最佳平衡。该方法筛选出83个特征波长，在测试集上达到95.86%的准确率，且平均运行时间仅40秒。特别值得注意的是，AMFEA在不同等级基酒的分类表现均较为均衡，头酒、中酒和尾酒的识别准确率分别达到96.77%、96.96%和93.75%。

AMFEA特征选择波长分布分析

对AMFEA筛选出的特征波长进行解析发现，这些波长点与基酒中关键化学成分具有明确的对应关系。在4600-4500 cm^-1区域的C-H弯曲振动与羰基伸缩振动的合频吸收反映了酯类成分特征；5000-4800 cm^-1范围的O-H键、RCOOH和RCOOR吸收对应含氧化合物、酯类和醇类；6100-5400 cm^-1区间的特征响应与有机酸、酯类、醇类和醛类等多种成分相关。这些特征波长的分布规律印证了AMFEA算法能够有效捕捉基酒中多种成分的协同作用关系。

模型比较

在模型优化方面，研究对比了XGBoost、遗传算法优化的XGBoost（GA-XGBoost）和Optuna优化的XGBoost（Optuna-XGBoost）三种方法的性能。结果表明，Optuna-XGBoost在准确率（95.86%）、F1分数（96.21%）、精确率（96.62%）和召回率（95.83%）四项指标上均表现最优，且优化效率相比GA-XGBoost提升约11倍。这表明贝叶斯优化策略在超参数调优方面具有明显优势。

该研究的创新之处在于将多任务协同优化理念引入白酒基酒等级鉴定领域，通过自适应知识转移机制解决了高维光谱特征选择中的复杂耦合问题。与传统方法相比，AMFEA-Optuna-XGBoost模型不仅提高了分类准确率，还增强了模型的可解释性——特征波长与化学成分的对应关系为工艺优化提供了直接参考。

这项研究成果为白酒行业的智能化升级提供了重要技术支撑。通过近红外光谱与人工智能算法的深度融合，实现了基酒等级的快速、客观、标准化评定，有望在未来推动白酒生产从"经验主导"向"数据驱动"的转型。该方法的应用不仅限于基酒分级，还可扩展至其他食品和饮料的质量控制领域，具有广泛的推广价值。