模拟退火算法(simulated annealing algorithm,SAA)是一种随机搜索、全局优化算法,为提高近红外光谱检测面粉品质模型的准确度与稳健性,实验提出基于SAA优化波长,再结合偏最小二乘(partial least squares,PLS)法建模预测的定量模型,并对...模拟退火算法(simulated annealing algorithm,SAA)是一种随机搜索、全局优化算法,为提高近红外光谱检测面粉品质模型的准确度与稳健性,实验提出基于SAA优化波长,再结合偏最小二乘(partial least squares,PLS)法建模预测的定量模型,并对SAA中冷却进度表参数设置进行对比分析。实验依据面粉中灰分含量梯度,随机选取126份样本的近红外光谱建立SAA-PLS模型。结果发现,SAA从2 074个波数优选出70个波数,结合PLS建立的定量模型相关系数为0.976 0,交互验证均方根误差(root mean square error of cross validation,RMSECV)为0.022,预测均方根误差(root mean square error of prediction,RMSEP)为0.030 1,全谱建立的PLS模型相关系数为0.778 5,RMSECV为0.066 6,RMSEP为0.076 8。结果表明,基于SAA优化特征谱区,建立灰分定量模型是可行的,且准确度与稳健性明显优于全谱定量分析模型。展开更多
文摘模拟退火算法(simulated annealing algorithm,SAA)是一种随机搜索、全局优化算法,为提高近红外光谱检测面粉品质模型的准确度与稳健性,实验提出基于SAA优化波长,再结合偏最小二乘(partial least squares,PLS)法建模预测的定量模型,并对SAA中冷却进度表参数设置进行对比分析。实验依据面粉中灰分含量梯度,随机选取126份样本的近红外光谱建立SAA-PLS模型。结果发现,SAA从2 074个波数优选出70个波数,结合PLS建立的定量模型相关系数为0.976 0,交互验证均方根误差(root mean square error of cross validation,RMSECV)为0.022,预测均方根误差(root mean square error of prediction,RMSEP)为0.030 1,全谱建立的PLS模型相关系数为0.778 5,RMSECV为0.066 6,RMSEP为0.076 8。结果表明,基于SAA优化特征谱区,建立灰分定量模型是可行的,且准确度与稳健性明显优于全谱定量分析模型。