食品科学
食品科學
식품과학
FOOD SCIENCE
2013年
22期
133-137
,共5页
黄维%田丰玲%刘振尧%杨琼%赵小辉%杨季冬
黃維%田豐玲%劉振堯%楊瓊%趙小輝%楊季鼕
황유%전봉령%류진요%양경%조소휘%양계동
近红外光谱%蛋白质%方竹笋%间隔偏最小二乘法%反向区间偏最小二乘法%波段优选
近紅外光譜%蛋白質%方竹筍%間隔偏最小二乘法%反嚮區間偏最小二乘法%波段優選
근홍외광보%단백질%방죽순%간격편최소이승법%반향구간편최소이승법%파단우선
near infrared spectroscopy%protein%Chimonobambusa quadrangularis%interval partial least squares%backward interval partial least squares%wavelength selection
利用近红外光谱法对金佛山方竹笋的蛋白质分析,采用间隔偏最小二乘法(PLS)与反向间隔偏最小二乘法(BiPLS),实现蛋白质光谱特征波段选择.将全波段分划分为12与17个波段,对全波段和每个小波段分别用PLS回归建模,然后优化组合各个区间,建立BiPLS模型,用交互验证均方差(RMSECV)与预测均方差(RMSEP)对模型进行评价.结果表明:iPLS与BiPLS的效果均优于基于全波段的PLS模型,尤以BiPLS模型效果最佳.当间隔数为12时,所选特征波段5、3、6、12、4、2、11建立的模型效果最佳,其交互验证均方差RMSECV与预测均方差RMSEP分别为0.321%、0.218%.该方法快速无损,有效地减少建模的变量数,使模型预测精度得到提高.
利用近紅外光譜法對金彿山方竹筍的蛋白質分析,採用間隔偏最小二乘法(PLS)與反嚮間隔偏最小二乘法(BiPLS),實現蛋白質光譜特徵波段選擇.將全波段分劃分為12與17箇波段,對全波段和每箇小波段分彆用PLS迴歸建模,然後優化組閤各箇區間,建立BiPLS模型,用交互驗證均方差(RMSECV)與預測均方差(RMSEP)對模型進行評價.結果錶明:iPLS與BiPLS的效果均優于基于全波段的PLS模型,尤以BiPLS模型效果最佳.噹間隔數為12時,所選特徵波段5、3、6、12、4、2、11建立的模型效果最佳,其交互驗證均方差RMSECV與預測均方差RMSEP分彆為0.321%、0.218%.該方法快速無損,有效地減少建模的變量數,使模型預測精度得到提高.
이용근홍외광보법대금불산방죽순적단백질분석,채용간격편최소이승법(PLS)여반향간격편최소이승법(BiPLS),실현단백질광보특정파단선택.장전파단분화분위12여17개파단,대전파단화매개소파단분별용PLS회귀건모,연후우화조합각개구간,건립BiPLS모형,용교호험증균방차(RMSECV)여예측균방차(RMSEP)대모형진행평개.결과표명:iPLS여BiPLS적효과균우우기우전파단적PLS모형,우이BiPLS모형효과최가.당간격수위12시,소선특정파단5、3、6、12、4、2、11건립적모형효과최가,기교호험증균방차RMSECV여예측균방차RMSEP분별위0.321%、0.218%.해방법쾌속무손,유효지감소건모적변량수,사모형예측정도득도제고.