基于逻辑损失函数优化的偏最小二乘模型提升近红外产品质量分级准确性研究

为解决偏最小二乘(PLS)模型对临界样本分级准确性不足的问题，研究人员提出逻辑增强型PLS(LE-PLS)模型，通过梯度下降优化逻辑损失函数，显著提升豆粕、玉米蛋白粉等产品的近红外分级准确率，在19个误判样本中成功纠正10例，统计检验证实改进显著(p<0.05)，为工业生产质量监控提供新方法。

　　

在工业生产质量控制领域，偏最小二乘(Partial Least Squares, PLS)模型常被用于判断产品是否达标或是否需要调整工艺参数。有趣的是，误判现象往往集中在接近阈值的"临界样本"上。为此，研究者开发了逻辑增强型PLS(Logistic-Enhanced PLS, LE-PLS)模型，通过定义逻辑损失函数并采用梯度下降法优化PLS投影向量，使临界样本的预测值远离阈值边界。这种创新方法在保持PLS回归精度的同时，显著提升了分级能力。

在豆粕、玉米蛋白粉两个真实数据集和一个人工模拟数据集上的测试表明，LE-PLS分别纠正了19个误判样本中的10个、7个中的6个以及12个中的6个。配对t检验证实这些改进具有统计学意义。虽然均方根预测误差(RMSEP)略有增加，但考虑到分级性能的大幅提升，这种变化完全在可接受范围内。

该算法在建模训练阶段具有O(n³)计算复杂度，但预测阶段仅需O(n)复杂度，这种"前期投入大、后期效率高"的特点，使其特别适合基于近红外光谱(NIR)的在线产品质量分级应用。就像给传统PLS模型装上了"分级精准导航系统"，让临界样本不再"左右为难"。