应用最小角回归索套算法优选苹果糖度预测模型的建模样本和波长

摘要：

糖度是评价苹果内部品质的重要指标之一.建立苹果糖度预测模型时,建模样本和波长的质量影响模型的准确性和后期的更新维护.以90个苹果样本为研究对象,采集350～1 150 nm波段共1 044个波长的苹果近红外漫透射光谱,研究基于最小角回归索套算法(LASSOLars)优选建模样本和波长的有效性和可行性.结合使用Norris平滑、一阶微分和归一化变量排序对光谱预处理.根据浓度排序划分样本集的75％为原始训练集(68个)和25％为预测集(22个),使用LASSOLars建立优选训练集,对比LASSOLars和蒙特卡罗无信息变量消除、竞争性自适应重加权法,从样本、波长的数目和分布以及模型的结果进行对比分析.结果表明,优选训练集压缩了原始训练集16％的样本,在不改变原始训练集平均水平的前提下,更接近预测集分布,没有削弱模型质量.优选和原始的训练集交叉验证均方根误差RMSECV分别为0.460和0.491,交叉验证决定系数RCV2分别为0.913和0.916,预测集均方根误差RMSEP分别为0.462和0.471,预测集决定系数R2P 分别为0.909和0.906.LASSOLars筛选出40个信噪比高的波长,数目最少,建立的模型效果最好,RMSECV,RCV2,RMSEP,R2P和 RPD 分别是 0.933,0.400,0.944,0.373 和 2.838.基于 LASSOLars优化建模样本和波长建立苹果糖度预测模型,拓展了LASSOLars算法在子集选择方面的应用,为优化、更新和维护模型提供思路.

关键词：近红外光谱分析技术、基于最小角回归索套算法、样本优选、波长优选

所属期刊栏目：43

分类号：O657.3(分析化学)

资助基金：国家自然科学基金;国家奖后备项目

在线出版日期：2023-06-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1419-1425