光谱学与光谱分析
光譜學與光譜分析
광보학여광보분석
SPECTROSCOPY AND SPECTRAL ANALYSIS
2007年
5期
911-915
,共5页
傅霞萍%应义斌%陆辉山%于海燕%徐惠荣
傅霞萍%應義斌%陸輝山%于海燕%徐惠榮
부하평%응의빈%륙휘산%우해연%서혜영
NIRS%多元建模方法%坚实度%梨
NIRS%多元建模方法%堅實度%梨
NIRS%다원건모방법%견실도%리
近红外光谱(near infrared spectroscopy,NIRS)技术是一种快速、无损的仪器分析方法,在农产品品质检测方面引起了广泛的关注,在近红外光谱信息和品质指标之间建立一个稳健的模型是近红外光谱分析中十分重要且有一定难度的过程,常见的多元校正方法有偏最小二乘回归(PLSR)、主成分回归(PCR)和逐步多元线性回归(SMLR)等,该研究中除了常用的线性方法外,还采用了一种结合非线性方法的组合算法[结合了SMLR和径向基神经网络(RBFN)]用于梨坚实度的近红外光谱检测.比较常用的线性建模方法,原始光谱的PLSR模型的得到了较好的结果;校正集相关系数r=0.87,校正均方根误差RMSEC=3.88 N,预测集r=0.84,预测均方根误差RMSEP=4.26 N;组合算法的建模结果比SMLR和PCR的结果好,但比PLSR的结果稍差:校正集r=0.85,RMSEC=4.15 N,预测集r=0.82,RMSEP=4.67 N.结果表明:NIRS可用于梨的坚实度检测,但是建模方法的选择值得进一步研究以提高预测的精度.
近紅外光譜(near infrared spectroscopy,NIRS)技術是一種快速、無損的儀器分析方法,在農產品品質檢測方麵引起瞭廣汎的關註,在近紅外光譜信息和品質指標之間建立一箇穩健的模型是近紅外光譜分析中十分重要且有一定難度的過程,常見的多元校正方法有偏最小二乘迴歸(PLSR)、主成分迴歸(PCR)和逐步多元線性迴歸(SMLR)等,該研究中除瞭常用的線性方法外,還採用瞭一種結閤非線性方法的組閤算法[結閤瞭SMLR和徑嚮基神經網絡(RBFN)]用于梨堅實度的近紅外光譜檢測.比較常用的線性建模方法,原始光譜的PLSR模型的得到瞭較好的結果;校正集相關繫數r=0.87,校正均方根誤差RMSEC=3.88 N,預測集r=0.84,預測均方根誤差RMSEP=4.26 N;組閤算法的建模結果比SMLR和PCR的結果好,但比PLSR的結果稍差:校正集r=0.85,RMSEC=4.15 N,預測集r=0.82,RMSEP=4.67 N.結果錶明:NIRS可用于梨的堅實度檢測,但是建模方法的選擇值得進一步研究以提高預測的精度.
근홍외광보(near infrared spectroscopy,NIRS)기술시일충쾌속、무손적의기분석방법,재농산품품질검측방면인기료엄범적관주,재근홍외광보신식화품질지표지간건립일개은건적모형시근홍외광보분석중십분중요차유일정난도적과정,상견적다원교정방법유편최소이승회귀(PLSR)、주성분회귀(PCR)화축보다원선성회귀(SMLR)등,해연구중제료상용적선성방법외,환채용료일충결합비선성방법적조합산법[결합료SMLR화경향기신경망락(RBFN)]용우리견실도적근홍외광보검측.비교상용적선성건모방법,원시광보적PLSR모형적득도료교호적결과;교정집상관계수r=0.87,교정균방근오차RMSEC=3.88 N,예측집r=0.84,예측균방근오차RMSEP=4.26 N;조합산법적건모결과비SMLR화PCR적결과호,단비PLSR적결과초차:교정집r=0.85,RMSEC=4.15 N,예측집r=0.82,RMSEP=4.67 N.결과표명:NIRS가용우리적견실도검측,단시건모방법적선택치득진일보연구이제고예측적정도.
