10.3964/j.issn.1000-0593(2014)08-2089-05
LS-SVM的梨可溶性固形物近红外光谱检测的特征波长筛选
为提高梨可溶性固形物含量(soluble solids content,SSC)的近红外光谱模型的精度和稳定性,以160个梨样品为实验对象,分别对原始光谱、多元散射校正(MSC)和标准正态变量变换(SNV)处理后的光谱,经无信息变量消除算法(UVE)挑选后,再结合遗传算法(GA)和连续投影算法(SPA),筛选梨可溶性固形物的近红外光谱特征波长。将筛选后的波长作为输入变量建立梨可溶性固形物的最小二乘支持向量机(LS-SVM)模型。结果表明经过SNV-UVE-GA-SPA从全波段3112个波长中筛选出的30个特征波长建立的梨可溶性固形物LS-SVM模型效果最好,该模型的预测集相关系数(Rp )和预测均方根误差(RMSEP)分别为0.956和0.271。该模型简单可靠,预测效果好,能满足梨的可溶性固形物含量的快速检测,为在线检测和便携式设备开发提供了理论基础。
近红外光谱、特征波长、最小二乘支持向量机、可溶性固形物、梨
O657.3(分析化学)
国家科技支撑计划资助项目2013BAD19B02;2012年北京市农林科学院博士后基金
2014-08-23(万方平台首次上网日期,不代表论文的发表时间)
共5页
2089-2093