变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究

变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究

论文摘要

在水果的品质检测和分级分选中,存在不同仪器所建检测模型难以共享的难题。为此,以壶瓶枣为研究对象,利用可见/近红外光谱技术探讨仪器间可溶性固形物含量(SSC)检测模型的传递方法。首先,采用美国ASD(Analytical Spectral Device)公司生产的两台仪器采集样本的光谱信息,采用最小二乘支持向量机(LS-SVM)建立原始光谱、 Savitzky-Golay一阶导数处理、标准正态变量变换后的SSC检测模型,预测不同仪器采集的光谱时3种方法的预测能力均较差。预测同一台仪器的光谱时,基于原始光谱的主仪器所建模型最优,预测集的决定系数(R■)和均方根误差(RMSEP)分别为0.73和1.36%。在此基础上,采用Kennard/Stone算法选取标样,利用专利算法(Shenk’s)、直接标准化(DS)、斜率/偏差算法(S/B)进行模型传递。然后,根据回归系数提取主仪器(24个)和从仪器(28个)的特征波长,优选出单一变量(SV)24个、共性变量(CV)23个、融合变量(FV)29个,均涵盖了SSC的主要吸收谱带。利用优选的变量分别建立主仪器的LS-SVM检测模型,采用主仪器的预测结果(R■=0.78~0.80, RMSEP=1.07%~1.13%)明显好于全波段所建模型,但预测从仪器时RMSEP为6.62%~7.88%,模型失效。最后,基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正(CV-MC)、单一变量优选结合差值补正、融合变量优选结合差值补正、共性变量优选结合波长补正算法(CV-WC)进行模型传递,并与SV-Shenk’s, CV-Shenk’s, FV-Shenk’s, SV-DS, CV-DS, FV-DS, SV-S/B, CV-S/B和FV-S/B进行对比分析。结果表明,基于全波段进行模型传递时,预测结果均较差(R■=0.03~0.34, RMSEP=2.44%~4.67%);基于优选变量所建模型经SV-Shenk’s, CV-Shenk’s, FV-Shenk’s传递后的结果较差,经其他算法传递后的结果(R■=0.47~0.73, RMSEP=1.30%~1.90%)好于全波段;基于共性变量传递后的结果好于单一变量和融合变量, CV-MC结果最佳(R2p=0.73, RMSEP=1.30%), CV-WC传递后的预测结果(RMSEP=1.62%)与CV-DS和CV-S/B相近。研究表明, CV-MC和CV-WC均是一种有效模型传递算法,对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。

论文目录

  • 引 言
  • 1 实验部分
  •   1.1 样本采集
  •   1.2 光谱数据采集与理化值测定
  •   1.3 数据处理及模型传递方法
  •     1.3.1 共性变量优选结合差值补正算法
  •     1.3.2 共性变量优选结合波长补正算法
  • 2 结果与讨论
  •   2.1 基于全波段的模型传递分析
  •   2.2 变量优选
  •   2.3 基于变量优选补正算法的模型传递分析
  • 3 结 论
  • 文章来源

    类型: 期刊论文

    作者: 孙海霞,张淑娟,薛建新,赵旭婷,邢书海,陈彩虹,李成吉

    关键词: 可见,近红外光谱,模型传递,鲜枣,无损检测

    来源: 光谱学与光谱分析 2019年04期

    年度: 2019

    分类: 基础科学,工程科技Ⅰ辑

    专业: 化学,轻工业手工业

    单位: 山西农业大学工学院

    基金: 国家自然科学基金项目(31801632,31271973),晋中市科技重点研发计划(Y172007-4),山西农业大学科技创新基金项目(2016YJ04)资助

    分类号: O657.3;TS255.7

    页码: 1041-1046

    总页数: 6

    文件大小: 1489K

    下载量: 199

    相关论文文献

    • [1].融合多特征的垃圾评论检测模型[J]. 小型微型计算机系统 2020(03)
    • [2].基于近红外建立荞麦营养成分快速检测模型[J]. 中国粮油学报 2020(06)
    • [3].目标检测模型的优化训练方法研究[J]. 辽宁科技大学学报 2020(02)
    • [4].复杂噪声环境中的音乐分类和检测模型[J]. 微型电脑应用 2020(10)
    • [5].一种时间相关性的异常流量检测模型[J]. 山东大学学报(理学版) 2017(03)
    • [6].基于数据挖掘的异常检测模型研究初探[J]. 菏泽学院学报 2017(02)
    • [7].基于复杂电磁环境的信号检测模型构建分析[J]. 信息技术与信息化 2015(09)
    • [8].基于信息密度的微博突发话题检测模型研究[J]. 情报理论与实践 2016(03)
    • [9].基于卷积神经网络的目标检测模型综述[J]. 计算机技术与发展 2019(12)
    • [10].基于一致性预测算法的内网日志检测模型[J]. 信息网络安全 2020(03)
    • [11].基于特征聚合的假新闻内容检测模型[J]. 计算机应用 2020(08)
    • [12].基于一阶段模式的目标检测模型的设计与调优[J]. 计算机应用与软件 2020(11)
    • [13].基于自适应遗传算法的猕猴桃组培检测模型[J]. 计算机与应用化学 2016(12)
    • [14].考虑检测影响的贮存-检测模型及其参数估计[J]. 湖北民族学院学报(自然科学版) 2012(02)
    • [15].一种利用特征选择改进的行人检测模型[J]. 微型机与应用 2016(02)
    • [16].网络中隐蔽信道数据安全检测模型研究与仿真[J]. 计算机仿真 2016(10)
    • [17].基于时频分析的水声目标被动检测模型研究[J]. 鱼雷技术 2015(01)
    • [18].一种矿用红外瓦斯传感器的检测模型[J]. 工矿自动化 2010(01)
    • [19].基于人工免疫的比特币快捷交易异常检测模型[J]. 计算机应用研究 2020(09)
    • [20].手机打车软件操作驾驶分心检测模型研究[J]. 交通运输工程与信息学报 2018(01)
    • [21].基于用户画像的异常行为检测模型[J]. 信息网络安全 2017(07)
    • [22].分布式网络异常攻击检测模型仿真分析[J]. 计算机测量与控制 2016(10)
    • [23].一种基于分层聚类方法的木马通信行为检测模型[J]. 计算机研究与发展 2012(S2)
    • [24].基于权重分析的网页木马检测模型[J]. 信息安全与通信保密 2012(12)
    • [25].双无人机平台的舰炮脱靶量实时检测模型[J]. 电光与控制 2020(04)
    • [26].基于虚拟机自省的运行时内存泄漏检测模型[J]. 通信学报 2013(S1)
    • [27].近红外光谱法建立断血流片快速检测模型[J]. 中国药事 2012(11)
    • [28].基于自相似的异常流量检测模型[J]. 通信技术 2010(12)
    • [29].物理隔离网络电磁信息安全检测模型与应用探索[J]. 通信技术 2020(08)
    • [30].基于结构检测模型的白内障连续环形撕囊边界检测方法[J]. 计算机测量与控制 2020(09)

    标签:;  ;  ;  ;  ;  

    变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究
    下载Doc文档

    猜你喜欢