应用近红外光谱对低碳数脂肪酸含量预测 |
| |
引用本文: | 宋志强,沈雄,郑晓,何东平,亓培实,杨永,方慧文.应用近红外光谱对低碳数脂肪酸含量预测[J].光谱学与光谱分析,2013(8):2079-2082. |
| |
作者姓名: | 宋志强 沈雄 郑晓 何东平 亓培实 杨永 方慧文 |
| |
作者单位: | 武汉轻工大学机械工程学院;武汉轻工大学食品科学与工程学院;武汉百信环保能源科技有限公司;武汉产品质量监督检验所 |
| |
基金项目: | 国家“十一五”科技支撑计划项目(2009BADB9B08);武汉市科技攻关计划项目(2013010501010147);武汉工业学院食品营养与安全重大项目培育专项项目(2011Z06);武汉百信环保能源科技有限公司委托项目;武汉工业学院2012研究生创新基金项目(2012cx023);国家质检总局科技计划项目(2010QK139)资助 |
| |
摘 要: | 应用近红外光谱技术结合支持向量机回归(support vector machine regression,SVR)方法测量食用植物油脂低碳数脂肪酸(C≤14)含量。使用SupNIR-5700近红外光谱仪采集58个样品的近红外光谱图,通过偏最小二乘(partial least square,PLS)算法剔除奇异样品。选择其中具有代表性的52个样品进行主成分分析(principal component analysis,PCA),选取径向基(radial basis function,RBF)核函数建立支持向量机回归模型,并对光谱预处理方法和参数寻优方法进行了详细的分析和讨论。实验表明,经过粒子群算法(parti-cle swarm optimization,PSO)优化后模型的性能都有所提高,泛化能力更强,预测的准确度和稳健性更好;其中预处理方法2经过PSO优化寻优后的参数C=2.085,γ=22.20时,预测集和校正集相关系数(correla-tion coefficient,r)分别达到了0.998 0和0.925 8,均方根误差(root mean square error,MSE)分别为0.000 4和0.014 3。研究结果表明,应用近红外光谱结合PSO-SVR方法进行食用植物油脂低碳数脂肪酸含量快速、准确的预测是可行的。
|
关 键 词: | 近红外光谱技术 支持向量机 低碳数脂肪酸 粒子群算法 参数优化 |
本文献已被 CNKI 等数据库收录! |
|