苹果糖度近红外光谱分析模型的温度补偿

温度变化对水果品质近红外评价有很大影响,需要补偿温度波动对模型的影响。文章研究了温度变化(2～42 ℃)对苹果近红外漫反射光谱的影响,采用剔除温度变量法和内校正法补偿温度对模型的影响,提高预测精度。研究表明,温度与光谱信息存在一定相关性, 其模型R2=0.985,RMSEC=1.88,RMSEP=2.32;未进行温度校正模型的预测标准偏差达到2.55;采用复合预处理方法和改进的遗传算法对光谱数据优化,剔除温度变量法模型的R2=0.954,RMSEC=0.63,RMSEP₁=0.72,RMSEP₂=0.74;内校正法的模型R2=0.952,RMSEC=0.64,RMSEP₁=0.69,RMSEP₂=0.68;相比未进行温度补偿模型均提高了预测精度。结果显示：温度对苹果近红外光谱影响呈非线性变化,剔除温度变量法和内校正法可用于补偿温度对模型的影响,可提高模型预测精度。     

GA-PLS结合PC-ANN算法提高奶粉蛋白质模型精度

提出一种偏最小二乘法(PLS)和人工神经网络(ANN)结合用于近红外光谱(NIRS)的分析方法,以提高奶粉蛋白质模型的预测精度。首先采用基于遗传算法的波长选择法(RS-GA)优化光谱数据,建立GA-PLS模型预测奶粉蛋白线性部分;然后在RS-GA法选择的波段上进行主成分分析(PCA),以主成分的得分矩阵作为ANN模型输入层,以GA-PLS预测值与真实值之差作为输出层,建立PC-ANN模型预测其非线性部分。最终预测结果为两个模型预测值之和,以模型的预测标准偏差(RMSEP)作为评价指标,以便考察新方法的有效性。同时建立线性的全谱模型(Fr-PLS),其Fr-PLS、GA-PLS和GA-PLS+PC-ANN模型的RMSEP分别为0.511,0.440和0.235。结果表明：考虑奶粉蛋白含量近红外模型的非线性部分,可以显著提高模型的预测精度,该方法也可为其它复杂体系模型精度的提高提供借鉴。     

砂梨糖度近红外光谱波段遗传算法优化

遗传算法不受搜索空间限制性假设的约束,利用简单的编码技术和繁殖机制来解决复杂近红外光谱数据的优化问题。文章采用遗传算法的波段选择法(R-SGA)对砂梨近红外光谱进行了波段优化,得到丰水、圆黄、黄金三种梨的R-SGA最佳因子数分别为10, 12和16,并分别建立了单一品种GA-PLS模型;丰水梨和黄金梨的GA-PLS模型精度高于全谱PLS模型,其模型的RMSEP分别为0.608/0.632和0.524/0.540;圆黄梨GA-PLS模型精度(RMSEP=0.610)与全谱PLS模型(RMSEP=0.595)相当。经波段优化分析表明,使用552个数据点建立多品种砂梨混合模型,具有较高稳健性和预测性(RMSEC=0.627,RMSEP=0.641)。结果表明:基于遗传算法进行波段优化可以提高砂梨糖度模型精度,提高建模效率,同时说明建立多品种砂梨糖度通用模型是可行的。