10.3964/j.issn.1000-0593(2022)05-1601-06
牛奶蛋白质含量的SSA-SVM高光谱预测模型
牛奶中包含着很多人体需要的营养元素,如脂肪、蛋白质、钙等;对牛奶营养元素进行分析是牛奶安全检测关键的一部分.高光谱技术可以有效地结合图像和光谱数据识别牛奶种营养元素.为了实现对牛奶中蛋白质含量快速、精确的预测,采用竞争性自适应重加权(CARS)算法选取特征波长,并提出一种基于麻雀搜索算法(SSA)优化支持向量机(SVM)实现对牛奶蛋白质含量预测.利用高光谱仪获取牛奶反射光谱(400~1000 nm).通过选取归一化(N)、标准化(Standardization)和多元散射校正(MSC)对原始的牛奶数据进行光谱降噪处理提高光谱利用率;利用竞争性自适应重加权算法和连续投影算法(SPA)对经过处理的牛奶光谱数据提取特征波长,求取蛋白质和光谱间的相关系数并进行重要性排序,获取重要的特征波段;最后,通过遗传算法(GA)优化SVM,粒子群算法(PSO)优化SVM和偏最小二乘法(PLS)算法对牛奶蛋白质进行预测并比较预测结果,为了提高蛋白质预测的精度和模型稳定性,提出利用SSA对SVM的核函数g和惩罚参数c进行优化,以均方根误差(RMSE)作为适应度函数,通过迭代选择最优的回归参数训练模型.牛奶数据预测结果表明最优组合模型为:MSC-CARS-SSA-SVM.模型测试集的决定系数R2为0.9996,均方根误差RMSE为0.0011,耗时4.1121 s.结果表明:使用CARS算法能实现特征波段的提取和冗余信息的剔除,从而提高模型效率,简化了算法的复杂度;SSA算法优化SVM的参数,通过迭代更新麻雀最优位置,可以快速得到全局最优解,与SVM,GA-SVM,PSO-SVM和PLS相比,牛奶蛋白质的预测准确度和模型稳定性都得到了明显提高,满足了对乳品检测的精确度要求,是快速检测牛奶蛋白质的一个可行新方法.为光谱模型的优化及预测模型精度的提高提供参考.
高光谱、牛奶蛋白质、竞争性自适应重加权算法、支持向量机、麻雀算法
42
TP79(遥感技术)
国家自然科学基金;国家自然科学基金;内蒙古科技厅关键技术攻关项目
2022-05-11(万方平台首次上网日期,不代表论文的发表时间)
共6页
1601-1606