中国计量学院学报
中國計量學院學報
중국계량학원학보
JOURNAL OF CHINA INSTITUTE OF METROLOGY
2015年
1期
55-59
,共5页
近红外光谱%小麦蛋白质%无损检测%神经网络%偏最小二乘法
近紅外光譜%小麥蛋白質%無損檢測%神經網絡%偏最小二乘法
근홍외광보%소맥단백질%무손검측%신경망락%편최소이승법
NIR%wheat protein%non-destructive analysis%artificial neural network%partial least squares
为了实现对小麦蛋白质含量的快速检测,提出了基于近红外光谱结合神经网络的小麦蛋白质检测方法.以160个小麦样品为对象,采集其近红外漫反射光谱,并以国标法分析小麦样品蛋白质含量,作为参考值.样品随机分成预测样品集和定标样品集,其光谱经标准归一化、去趋势等预处理后,采用BP神经网络和偏最小二乘法分别建立蛋白质含量定标模型.BP神经网络模型的预测相关系数和预测均方根误差分别为0.98和0.2704％.而偏最小二乘法模型的预测相关性系数和预测均方根误差分别为0.98和0.303 8％.结果表明,两种方法建立的模型都具有较好的预测相关性和预测效果,其中BP神经网络模型优于偏最小二乘法模型.用非线性BP神经网络结合相应算法建立模型检测小麦蛋白质含量的定标模型可以提高检测准确性.
為瞭實現對小麥蛋白質含量的快速檢測,提齣瞭基于近紅外光譜結閤神經網絡的小麥蛋白質檢測方法.以160箇小麥樣品為對象,採集其近紅外漫反射光譜,併以國標法分析小麥樣品蛋白質含量,作為參攷值.樣品隨機分成預測樣品集和定標樣品集,其光譜經標準歸一化、去趨勢等預處理後,採用BP神經網絡和偏最小二乘法分彆建立蛋白質含量定標模型.BP神經網絡模型的預測相關繫數和預測均方根誤差分彆為0.98和0.2704％.而偏最小二乘法模型的預測相關性繫數和預測均方根誤差分彆為0.98和0.303 8％.結果錶明,兩種方法建立的模型都具有較好的預測相關性和預測效果,其中BP神經網絡模型優于偏最小二乘法模型.用非線性BP神經網絡結閤相應算法建立模型檢測小麥蛋白質含量的定標模型可以提高檢測準確性.
위료실현대소맥단백질함량적쾌속검측,제출료기우근홍외광보결합신경망락적소맥단백질검측방법.이160개소맥양품위대상,채집기근홍외만반사광보,병이국표법분석소맥양품단백질함량,작위삼고치.양품수궤분성예측양품집화정표양품집,기광보경표준귀일화、거추세등예처리후,채용BP신경망락화편최소이승법분별건립단백질함량정표모형.BP신경망락모형적예측상관계수화예측균방근오차분별위0.98화0.2704％.이편최소이승법모형적예측상관성계수화예측균방근오차분별위0.98화0.303 8％.결과표명,량충방법건립적모형도구유교호적예측상관성화예측효과,기중BP신경망락모형우우편최소이승법모형.용비선성BP신경망락결합상응산법건립모형검측소맥단백질함량적정표모형가이제고검측준학성.
