分析试验室
分析試驗室
분석시험실
ANALYTICAL LABORATORY
2007年
9期
38-41
,共4页
刘波平%秦华俊%罗香%曹树稳%王俊德
劉波平%秦華俊%囉香%曹樹穩%王俊德
류파평%진화준%라향%조수은%왕준덕
近红外光谱%土豆%偏最小二乘%GRNN网络%多组分检测
近紅外光譜%土豆%偏最小二乘%GRNN網絡%多組分檢測
근홍외광보%토두%편최소이승%GRNN망락%다조분검측
偏最小二乘(partial least squares,PLS)与广义回归神经网络(generalized regression neural networks,GRNN)联用对土豆样品建立起粗纤维、淀粉、蛋白质含量的预测校正模型,用PLS法将原始数据压缩为主成份,取前3个主成份的12个特征吸收峰输入GRNN网络,网络光滑因子σi为0.1.PLS-GRNN模型对样品3个组分含量的预测决定系数(R2)分别为: 0.945、 0.992、 0.938.结果表明,近红外光谱技术可以快速、准确地同时测定土豆中的粗纤维、淀粉、蛋白质,该方法可应用于果蔬产业的品质管理与控制.
偏最小二乘(partial least squares,PLS)與廣義迴歸神經網絡(generalized regression neural networks,GRNN)聯用對土豆樣品建立起粗纖維、澱粉、蛋白質含量的預測校正模型,用PLS法將原始數據壓縮為主成份,取前3箇主成份的12箇特徵吸收峰輸入GRNN網絡,網絡光滑因子σi為0.1.PLS-GRNN模型對樣品3箇組分含量的預測決定繫數(R2)分彆為: 0.945、 0.992、 0.938.結果錶明,近紅外光譜技術可以快速、準確地同時測定土豆中的粗纖維、澱粉、蛋白質,該方法可應用于果蔬產業的品質管理與控製.
편최소이승(partial least squares,PLS)여엄의회귀신경망락(generalized regression neural networks,GRNN)련용대토두양품건립기조섬유、정분、단백질함량적예측교정모형,용PLS법장원시수거압축위주성빈,취전3개주성빈적12개특정흡수봉수입GRNN망락,망락광활인자σi위0.1.PLS-GRNN모형대양품3개조분함량적예측결정계수(R2)분별위: 0.945、 0.992、 0.938.결과표명,근홍외광보기술가이쾌속、준학지동시측정토두중적조섬유、정분、단백질,해방법가응용우과소산업적품질관리여공제.
