为建立一种无损快速检测百香果糖度的技术,以百香果为研究对象,利用近红外光谱技术,并结合联合区间偏最小二乘算法和竞争适应重加权采样算法对近红外光谱进行特征波长筛选,采用偏最小二乘法和支持向量机方法建立百香果糖度预测模型。结...为建立一种无损快速检测百香果糖度的技术,以百香果为研究对象,利用近红外光谱技术,并结合联合区间偏最小二乘算法和竞争适应重加权采样算法对近红外光谱进行特征波长筛选,采用偏最小二乘法和支持向量机方法建立百香果糖度预测模型。结果表明:采用多元线性回归方法建立的模型优于多元非线性回归方法建立的模型,联合区间偏最小二乘算法和竞争适应重加权采样算法筛选出的特征波长点数为67个,占全光谱的2.90%,预测模型的相关系数R2c为0.9727,校正集预测均方根误差(root mean square error of calibration,RMSEC)值为0.3338,验证集的相关系数R2p为0.9672,验证集预测均方根误差(root mean square error of prediction,RMSEP)值为0.3660,模型相对分析误差(relative prediction deviation,RPD)为4.5066。研究结果能够实现百香果糖度的无损快速检测,并且可以将百香果糖度无损检测便携检设备中的模型进行简化。展开更多
文摘为建立一种无损快速检测百香果糖度的技术,以百香果为研究对象,利用近红外光谱技术,并结合联合区间偏最小二乘算法和竞争适应重加权采样算法对近红外光谱进行特征波长筛选,采用偏最小二乘法和支持向量机方法建立百香果糖度预测模型。结果表明:采用多元线性回归方法建立的模型优于多元非线性回归方法建立的模型,联合区间偏最小二乘算法和竞争适应重加权采样算法筛选出的特征波长点数为67个,占全光谱的2.90%,预测模型的相关系数R2c为0.9727,校正集预测均方根误差(root mean square error of calibration,RMSEC)值为0.3338,验证集的相关系数R2p为0.9672,验证集预测均方根误差(root mean square error of prediction,RMSEP)值为0.3660,模型相对分析误差(relative prediction deviation,RPD)为4.5066。研究结果能够实现百香果糖度的无损快速检测,并且可以将百香果糖度无损检测便携检设备中的模型进行简化。