人工智能学院洪绍勇老师以第一作者身份在《PLoS One》期刊发表论文

近日，广州华商学院人工智能学院教师洪绍勇以第一作者身份，在国际知名学术期刊《PLoS One》发表题为《Application of FT-NIR spectroscopy to the prediction of Chromium contamination in soil by evolutionary chemometrics》的研究论文。该期刊为SCIE检索期刊，JCR Q2分区，中科院三区，在多学科交叉研究领域具有广泛影响力。

本文面向土壤重金属快速无损检测难题，提出一种融合傅里叶变换近红外（FT-NIR）光谱与进化化学计量学的联合建模新方法，实现对土壤铬（Cr）污染含量的高精度定量预测。研究针对土壤光谱数据非线性、高冗余、变量共线性强等痛点，系统开展模型优化与特征筛选研究，为农田与场地土壤重金属原位快速监测提供了新的技术路径。

本文的主要创新与贡献包括：

1、提出参数化缩放支持向量机（PSSVM）建模策略，通过协同优化正则化参数γ与核宽度σ，有效避免局部最优，显著提升非线性回归模型的稳定性与预测精度。

2、设计二进制改进差分进化算法（BDE），采用0-1二进制编码实现光谱特征变量自动筛选，在海量光谱数据中快速定位高信息含量波长点，大幅降低建模复杂度。

3、构建BDE-PSSVM联合优化系统，将PSSVM参数寻优嵌入BDE迭代流程，同步完成特征选择与模型调优，形成“端到端”光谱定量建模新框架。

图1BDE-PSSVM建模过程流程图

4、以广东省中山市北部集中式废物处理基地周边土壤为研究对象，开展 165组样本实验验证。结果显示，最优模型仅用56个特征变量即实现交叉验证均方根误差RMSECV=8.114，预测性能显著优于传统PLS、GA-PSSVM、PSO-PSSVM等方法。

表1不同方法与参数缩放的最优模型比较

该研究将智能优化算法与光谱分析深度融合，突破了近红外光谱在土壤重金属痕量检测中变量冗余、模型精度不足的瓶颈，为FT-NIR技术在土壤环境监测、污染修复评估等场景的工程化应用提供了关键算法支撑与实证依据。

本论文受2023年广东省普通高校重点领域专项课题（2023ZDZX4069）资助，是该课题的阶段性成果，也是学院在智能传感与光谱检测、环境人工智能方向取得的又一重要成果。