基于频率成分分析的近红外光谱去噪方法及其在白酒基酒分类模型构建中的应用

《EUROPEAN FOOD RESEARCH AND TECHNOLOGY》：Near-infrared spectral denoising method based on frequency component analysis and construction of classification model for Baijiu base liquor

　　

摘要

本研究探讨了传统全局预处理方法在近红外光谱领域的局限性，这些方法无法同时实现噪声抑制和有效特征保留，并且难以适应不同频段信号的特性。以风味浓郁的中国白酒基酒的近红外光谱数据作为研究对象，提出了一种基于小波变换的频分处理方法。该方法通过多尺度小波分解将光谱分为高频、中频和低频成分，并在每个成分上进行针对性预处理，然后再进行小波重构。研究首先利用网格搜索、TPE和Optuna算法对训练集进行分层交叉验证，优化了三种模型（XGBoost、SVM和随机森林）的基本超参数。确定模型最优参数后，比较了7种小波基函数和3个分解级别的21种组合，以确定每种模型的最佳小波参数。在此基础上，完成了全频段预处理组合的优化。实验结果表明，对于SVM来说，最佳方案是采用高频SG平滑处理结合小波软阈值去噪方法，而中低频部分不作处理，此时训练集五折交叉验证的准确率和F1值分别为0.8958和0.8815；对于随机森林（RF）和XGBoost而言，最佳方案是采用高频SG平滑处理结合小波软阈值去噪方法、中频SG平滑处理以及低频部分不作处理，准确率分别为0.9062和0.9167，F1值分别为0.8897和0.9020。这证实了光谱噪声主要集中在高频段，而中低频段包含了核心的分类信息。与传统的全局预处理方法相比，频分策略是合理的。结合SHAP特征降维优化后，最优XGBoost模型的测试集分类准确率达到了0.9583，为中国白酒基酒品质的无损检测提供了可靠的解决方案。