摘要
针对白酒基酒等级鉴定中人工评价主观性强、传统理化检测效率低，以及近红外（NIR）光谱数据存在变量维数高、信息冗余和类间差异细微等问题，本文提出一种基于多策略融合斑马优化算法（MFZOA）特征选择与科尔莫戈洛夫-阿诺德网络（KAN）的白酒基酒等级鉴定方法。首先，采用傅里叶变换近红外（FT-NIR）光谱仪获取浓香型白酒基酒样品的光谱信息，并使用GA-SPXY方法将样品划分为训练集和验证集，从而提高样品划分的代表性。随后，构建面向分类任务的二进制MFZOA特征选择模型，其中候选特征子集编码为斑马个体，分类性能作为适应度评估准则。MFZOA融合了佳点集初始化以改善初始种群分布的均匀性、非线性动态收敛因子以平衡全局探索与局部开发、以及自适应高斯变异以增强种群多样性，从而提升对判别性波数子集的搜索能力。最后，将选出的特征变量输入KAN模型，该模型网络边上的可学习单变量函数能够实现光谱特征与等级标签之间的灵活非线性映射。实验结果表明，MFZOA能够有效筛选出与基酒等级判别相关的特征波数，且所得特征子集具有较强的类判别能力。在相同特征输入条件下，KAN模型优于随机森林（RF）、支持向量机（SVM）、多层感知器（MLP）和一维卷积神经网络（1D-CNN）等对比模型，准确率（ACC）达95.86%，召回率为96.94%，宏F1为95.52%。研究结果表明，所提出的MFZOA–KAN方法能够实现白酒基酒的快速、无损等级鉴定，可为白酒生产过程中的智能化分级和质量控制提供方法学参考。
利益冲突
作者声明无利益冲突。
数据可用性声明
支持本研究结果的数据可向通讯作者合理索取。然而，这些数据受限制，属于机密，不公开提供。
同行评审
为了透明度，本文相关的同行评审文件可在 https://doi.org/10.1002/cem.70187 获取。
