根据3.6.4节中的试验研究，本节以3.6.4节的预处理研究方法和结果为基础，对光谱数据分别进行最佳优化后，使用ANN BP分别为炔螨特和毒死蜱建立校正模型，并利用此模型对预测样品进行预测，根据校正模型参数和预测结果，研究ANN BP在近红外光谱法检测农药溶液含量中应用的可行性，同时，讨论ANN BP的使用方法。

本节BP模型的建立都使用MATLAB7.7神经网络工具箱中量化共轭梯度（Scaled Con-jugate Gradient，SCG）反向传播算法训练函数（trainscg训练函数），采用以校正集为训练样品对网络进行训练，以均方误差（Mean Squared Error，MSE）为性能函数，建模时对BP神经网络以0.01的目标误差和最大训练次数3000次进行模型的训练。

1.毒死蜱微量溶液的ANNBP模型研究

根据3.6.4节的研究结果，在PLS模型建立中，贡献最大的最优预处理方法为SNV法，因此，首先对毒死蜱样品的近红外光谱数据进行SNV预处理，观察此优化方法对ANN BP神经网络建模应用的优化贡献价值，并找出可应用于近红外光谱法结合ANN BP法检测微量农药溶液的最佳优化方法。

（1）SNV法结合ANN BP建立数学模型

当隐含层选为15个神经元时，所建立模型的各个评价参数为R²=0.9986、RMSEC=0.1000、RMSEP=1.5800。

内部交叉验证的拟合结果如图3-21所示。ANN BP模型对预测样品集的预测结果见表3-11。

图3-21 毒死蜱溶液的SNV ANN BP内部交叉验证拟合结果

表3-11 毒死蜱溶液的SNV ANN BP模型预测结果

从校正模型的校正结果和对预测样品集的预测结果不难看出，当隐含层神经元选择为15个时，所建立的ANN BP模型出现了过拟合，相关系数R²=0.9986非常接近于1，内部交叉验证标准差RMSEC=0.1000很小，但是对预测集的预测表示，预测标准差RMSEP=1.5800误差严重。

因此，当隐含层神经元数量为15时的模型不可取，根据实验所得数据结果，基于SNV优化原始光谱数据的ANN BP的最优模型如下：以SNV预处理方法结合ANN BP所建立的最优数学模型为隐含层神经元数目为9的三层神经网络。其模型评价参数：R²=0.8962、RMSEC=0.8466、RMSEP=0.8104。内部交叉验证的拟合结果如图3-22所示。模型对样品集的预测结果见表3-12。

图3-22 毒死蜱溶液的SNV方法下最优ANN BP内部交叉验证拟合结果

表3-12 毒死蜱溶液的SNV ANN BP模型预测结果

(www.daowen.com)

根据SNV处理后的数据的ANN BP模型结果来看，即使是此条件下最优的模型，其模型的内部交叉验证标准差和预测标准差RMSEC=0.8466、RMSEP=0.8104，误差都较大，因此有必要利用其他优化方法寻找最优模型进行实验研究。

（2）ANN BP建立数学模型的最优预处理方法

根据以上所研究的ANN BP模型中隐含层神经元的数目确定思路和光谱数据最优预处理的研究方法，建立经一阶导数优化后的近红外光谱数据最优ANN BP模型，其模型为隐含层神经元数目为15的三层神经网络模型。模型的各评价参数：R²=0.9504、RMSEC=0.5960、RMSEP=0.6424。内部交叉验证的拟合结果如图3-23所示。模型对预测样品集的预测结果见表3-13。

图3-23 毒死蜱溶液的一阶导数方法下最优ANN BP内部交叉验证拟合结果

表3-13 毒死蜱溶液的一阶导数方法下最优ANN BP模型预测结果

从以上建模结果可以看到，不同的光谱数据预处理方法对BP神经网络模型的建立贡献不同，隐含层神经元数目的选择也对模型的优劣有很大影响。不同的预处理方法对不同建模方法（例如PLS法和ANN BP法）的模型贡献度也不同，在后续的研究中，需要根据实际情况采用不同的预处理方法和模型参数设置。

2.炔螨特微量溶液的ANNBP模型研究

基于本节前面部分的研究结果，针对炔螨特微量农药溶液的ANN BP建模过程，以本节前面部分为基础进行延续研究，确认上面的研究结果在炔螨特农药微量溶液建模中是否有效。

首先对20个炔螨特微量溶液样品进行近红外光谱数据采集，得到原始光谱数据后，对数据进行优化，选取最佳的预处理方法：最小-最大归一化法，作为最终的优化方法。建立模型之前，首先剔除14#异常样品。建立了炔螨特微量农药溶液的近红外光谱法结合ANN BP法的数学模型，模型的校正结果和对预测集的预测结果为：R²=0.9949、RMSEC=0.5361、RMSEP=0.6143。内部交叉验证的拟合结果如图3-24所示，模型对预测样品集的预测结果见表3-14。

图3-24 炔螨特溶液的最优ANN BP内部交叉验证拟合结果

表3-14 炔螨特溶液ANN BP模型预测结果

基于近红外光谱技术结合ANN BP分析研究了其在微量农药溶液含量检测中应用的可行性。前半部分以微量毒死蜱溶液为研究对象，以实验结果数据讨论了不同预处理方法和隐含层神经元数目对模型的影响，根据研究结果又在后半部分为微量炔螨特溶液建立了最优ANN BP校正模型。从结果来看，微量毒死蜱溶液的ANN BP模型的评价参数R²=0.9504、RMSEC=0.5960、RMSEP=0.6424，远不及3.6.4节中PLS模型的校正和预测结果：R²=0.9957、RMSEC=0.182、RMSEP=0.0802。微量炔螨特溶液的ANN BP模型的评价参数R²=0.9949、RMSEC=0.5361、RMSEP=0.6143优于使用PLS法所建立的模型：R²=0.9925、RMSEC=0.649、RMSEP=0.646。对比结果表明，在近红外光谱法检测微量农药含量的建模方法中并没有固定的最优建模方法和数据预处理方法，根据不同的农药物质性质和不同的试验方法，要酌情选择最优的光谱数据预处理方法和所用的建模算法，本节所做实验结果证实，微量毒死蜱农药溶液的PLS法所建模型较优，而微量炔螨特溶液的ANN BP模型的校正和预测效果最佳。