半监督偏最小二乘法在烟叶近红外感官评价模型中的应用

半监督学习方法可以充分利用大量未标注样本来弥补已标注样本的不足,针对应用近红外光谱建立农产品等复杂体系的分析模型中,存在获得大量精确标注样本较困难,而使用少量标注样本或大量未准确标注样品建模结果不理想的问题,基于半监督自训练理念,提出半监督偏最小二乘(Semi supervised-partial least squares,SS-PLS)方法优化模型。本研究以全国不同产地、不同等级的211份原料烟叶近红外光谱及其对应感官评价数据为例,应用SS-PLS方法优化模型,模型性能较原始模型有显著提高,优化后SS-PLS方法模型的决定系数(R2)达90%左右,建模标定值分布标准差与拟合值标准差的比值(Ratio of Performance to Deviation,RPD)达3.0以上,模型内部交叉验证及预测标准差(Standard error of cross validation SECV以及Standard Error of Prediction,SEP)值达1.0以下;并将原始感官评价数据与SS-PLS优化后的数据,按照固定阈值划分为优、中、差三个等级,应用基于主成分及FISHER准则的投影方法(Projection Model based on Principal Component and Fisher Criterion,PPF)分析得到的结果表明,SS-PLS优化后的分类结果也显著好于原始感官评价数据。SS-PLS可解决使用小样品集建模的数据代表性问题,在获得大量精确标注样本较困难情况下,为建立近红外光谱分析模型提供了一种新的化学计量学方法。     

应用近红外光谱投影模型法分析烟叶的产区与风格特征

以在2003年—2012年向国内17个主要烤烟产地,五大烟叶生态产区,收集的4 733个烟叶样品的近红外光谱为试验对象, 其中浓香型烟叶光谱1 580条, 清香型2 004条, 中间香型1 149条;应用基于主成分及Fisher准则(PPF)的方法建立烟叶生态产区和风格特征的投影分析模型,以生态产区模型的分析结果阐释了烟叶香型风格划分的合理性,并依据风格特征模型得到的预测样品投影值与模型中各类投影均值之间的欧氏距离,对预测样品给出最近和次近类别及描述风格特征程度的量化分值,结合模型中各类投影值的离散度以及设定阈值,将预测结果细化为典型浓、浓偏中、中偏浓、典型中、中偏清、清偏中、典型清、清透浓、浓透清等9类或超模型范围样品;应用2102在实际复烤生产加工及各烟叶原料基地中收集的不同部位、不同产地的35个烟叶样品验证了分析结果的合理性。该种分析方式,不仅可以实现预测样品的判别分析,并且可得到关于预测样品更细化的风格特征信息,可对烟草工业企业实现原料的跨区组合及叶组配方等提供指导。     

应用可见-近红外高光谱分析烟叶的颜色和部位特征（英文）

颜色和部位是烟叶分级的重要组成部分,是影响烟叶质量的关键因素。以红塔集团提供的6类工业分级烟叶标样作为试验样品,其中包括上(B)、中(C)、下(X)三个部位,每个部位包含桔黄(O)、柠檬黄(L)两个色组。采用基于主成分及Fisher准则(PPF)的方法和支持向量机(SVM)方法分析烟叶可见-近红外高光谱的颜色和部位特征,结果表明,采用PPF投影模型法分别对烟叶颜色、部位以及颜色和部位分组进行投影和相似性分析,两种颜色能完全区分,其相似度值为-1.00 08;上部烟叶和下部烟叶能完全区分,与中部烟叶有部分交集,其中上部烟叶和下部烟叶的相似性值为-0.405 3;6类分组烟叶样品能完全区分,且投影位置关系符合实际的烟叶外观特点。采用SVM方法分别对烟叶颜色、部位以及颜色和部位分组进行判别分析,烟叶颜色的平均识别正确率达到98%,部位的平均识别正确率为96%,颜色和部位分组的平均识别正确率为94%,判别效果良好。因此,应用可见-近红外高光谱分析烟叶的颜色和部位特征具有可行性,为烟叶质量评价、计算机辅助分级以及烟叶智能收购等方面提供参考,同时也为其他农产品外观特性的分析提供了一种新方法。     

应用近红外光谱投影模型法分析烟叶的部位特征

以自2003年至2012年在国内外主要烤烟产地收集的5 170个烟叶样品的近红外光谱为试验对象, 其中典型上部烟叶光谱1 394 条, 中部2 550条, 下部1 226条;应用基于主成分及Fisher准则(PPF)的方法建立投影分析模型,遵循相邻主成分数下得到的投影结果没有显著性差异和主成分个数尽量少的原则,推荐主成分数为4下建立投影分析模型,模型结果表明：上、下部烟叶的近红外光谱特征具有显著差别,基本实现完全区分;而中部烟叶分别与上部和下部具有一定程度重叠,这与部位本身具有连续性特征的实际情况相符合。同时,依据模型得到的预测样品投影值与模型中各类投影均值之间的欧氏距离,对预测样品给出最近和次近类别及描述部位特征程度的量化分值,并结合模型中各类投影值的离散度以及设定的阈值,将预测结果细化为典型上、上偏中、中偏上、典型中、中偏下、下偏中、典型下等7类或超模型范围样品;应用2012年在实际复烤生产加工中取得的不同部位、不同产地的34个烟叶样品验证了分析结果的合理性。该种分析方式,不仅可以实现预测样品的判别分析,而且可得到关于预测样品更丰富的属性特征信息,可对烟草工业企业实现原料的均值化加工和烟叶配方等提供指导。