0
关键词：
电场,辣根过氧化物酶,圆二色谱,二级结构
发表时间：
2012-01-11 09:53:41
摘 要 近红外光谱( near infr ared spectro sco py, NIRS) 技术是一种快速、无损的仪器分析方法, 在农产品品质检测方面引起了广泛的关注, 在近红外光谱信息和品质指标之间建立一个稳健的模型是近红外光谱分析中十分重要且有一定难度的过程, 常见的多元校正方法有偏最小二乘回归( PLSR) 、主成分回归( PCR) 和逐步多元线性回归( SMLR) 等, 该研究中除了常用的线性方法外, 还采用了一种结合非线性方法的组合算法[ 结合了SMLR 和径向基神经网络( RBFN) ] 用于梨坚实度的近红外光谱检测。比较常用的线性建模方法, 原始光谱的PLSR 模型的得到了较好的结果: 校正集相关系数r= 0 87, 校正均方根误差RMSEC= 3 88 N, 预测集r= 0 84, 预测均方根误差RMSEP= 4 26 N; 组合算法的建模结果比SMLR 和PCR 的结果好, 但比PLSR 的结果稍差: 校正集r= 0 85, RMSEC= 4 15 N, 预测集r= 0 82, RMSEP= 4 67 N。结果表明:NIRS 可用于梨的坚实度检测, 但是建模方法的选择值得进一步研究以提高预测的精度。
近期曾有过多种方法( 例如文献[ 1, 2] ) 检测水果的坚实度, 但是仍存在了不少缺点。本文提出用多种近红外建模方法分析梨的坚实度, 取得很好的结果。
NIRS[3] 分析中最常用的多元线性统计方法主要有逐步多元线性回归( stepw ise multiple linear reg ression, SMLR) 、主成分回归( principal component reg ression, PCR) 和偏最小
二乘回归( partial least squar es regr ession, PLSR) 等, 这些方法在样品的被测参数和光谱吸光度之间建立起一个线性关系, 属于线性建模方法。与此相对的, 人工神经网络( ar tificial neural netw or ks, ANN) 是最常用的非线性建模方法[ 4, 5] ,是在样品的被测参数与光谱吸光度之间建立起一个非线性关系。神经网络有很多种不同的训练方法, 径向基函数网络( radial basis funct ion net wo rks, RBFN) 是其中一种, 它是由Sw ier eng a, Windig , Davies 等建立并发展起来的[68] , 至今已有不少文献报道了RBFN 在化学、光谱数据分析方面的应用[9, 10] 。
到目前为止, 也有不少学者在应用近红外光谱技术检测水果坚实度方面作了许多研究。Cho 等[11] 研究了用NIRS 技术检测苹果坚实度, 并认为由于果胶物质的变化及水分在1 900 nm 附近的吸收使结果受到一定的影响。Cho 等的研究中只用到了1 100~ 2 400 nm 光谱范围, 但Elr idge[ 12] 通过研究苹果和桔子果胶的近红外光谱, 确证在980 nm 左右有一个果胶的吸收峰。McGlone 等[1] 应用800~ 1 100 nm 的反射光谱建立了预测猕猴桃坚实度的多元模型, 他们将较差的预测结果归因于水果成分变化与坚实度没有直接的关系。Lu等[ 13, 14] 分别在800~ 1 700 nm 和900~ 1 500 nm 波长范围检测甜樱桃和苹果坚实度, 研究结果表明没有一个单一波长与坚实度有明显的相关性。Par k 等[ 15] 报道了应用PCR 和马氏距离法( mhalanobis distance, M D) 分析两个不同品种的苹果的坚实度, 在进行MD 分析方法分类苹果坚实度时他们研究了800~ 1 100 nm 和400~ 1 800 nm 两个不同的波长范围,结果表明进行坚实度分类时较宽的波长范围比较窄的波长范围更精确。
NIRS[3] 分析中最常用的多元线性统计方法主要有逐步多元线性回归( stepw ise multiple linear reg ression, SMLR) 、主成分回归( principal component reg ression, PCR) 和偏最小
二乘回归( partial least squar es regr ession, PLSR) 等, 这些方法在样品的被测参数和光谱吸光度之间建立起一个线性关系, 属于线性建模方法。与此相对的, 人工神经网络( ar tificial neural netw or ks, ANN) 是最常用的非线性建模方法[ 4, 5] ,是在样品的被测参数与光谱吸光度之间建立起一个非线性关系。神经网络有很多种不同的训练方法, 径向基函数网络( radial basis funct ion net wo rks, RBFN) 是其中一种, 它是由Sw ier eng a, Windig , Davies 等建立并发展起来的[68] , 至今已有不少文献报道了RBFN 在化学、光谱数据分析方面的应用[9, 10] 。
到目前为止, 也有不少学者在应用近红外光谱技术检测水果坚实度方面作了许多研究。Cho 等[11] 研究了用NIRS 技术检测苹果坚实度, 并认为由于果胶物质的变化及水分在1 900 nm 附近的吸收使结果受到一定的影响。Cho 等的研究中只用到了1 100~ 2 400 nm 光谱范围, 但Elr idge[ 12] 通过研究苹果和桔子果胶的近红外光谱, 确证在980 nm 左右有一个果胶的吸收峰。McGlone 等[1] 应用800~ 1 100 nm 的反射光谱建立了预测猕猴桃坚实度的多元模型, 他们将较差的预测结果归因于水果成分变化与坚实度没有直接的关系。Lu等[ 13, 14] 分别在800~ 1 700 nm 和900~ 1 500 nm 波长范围检测甜樱桃和苹果坚实度, 研究结果表明没有一个单一波长与坚实度有明显的相关性。Par k 等[ 15] 报道了应用PCR 和马氏距离法( mhalanobis distance, M D) 分析两个不同品种的苹果的坚实度, 在进行MD 分析方法分类苹果坚实度时他们研究了800~ 1 100 nm 和400~ 1 800 nm 两个不同的波长范围,结果表明进行坚实度分类时较宽的波长范围比较窄的波长范围更精确。
本研究的主要目的是:
( 1) 应用不同的建模方法建立近红外漫反射光谱与梨坚实度之间的校正模型;
( 2) 比较原始光谱、一阶微分光谱和二阶微分光谱建立的梨坚实度预测模型的性能;
( 3) 比较线性和非线性多元统计方法建立的梨坚实度预测模型的性能。
( 1) 应用不同的建模方法建立近红外漫反射光谱与梨坚实度之间的校正模型;
( 2) 比较原始光谱、一阶微分光谱和二阶微分光谱建立的梨坚实度预测模型的性能;
( 3) 比较线性和非线性多元统计方法建立的梨坚实度预测模型的性能。
韩元霜发布的其他共享资料
-
-
关键词： 荧光光谱法,尼莫地平,牛血清白蛋白,相互作用 发表时间： 2012-01-11 09:52:17
-
关键词： 数字傅里叶滤波,稳健性,多元校正模型,近红外光谱分析 发表时间： 2012-01-11 09:50:47
-
关键词： 近红外光谱,偏最小二乘法,婴幼儿奶粉,品种,人工神经网络 发表时间： 2012-01-11 09:48:58
-
关键词： 电场,超氧化物歧化酶,红外光谱,二级结构 发表时间： 2012-01-11 09:47:45
-
关键词： NIRS,多元建模方法,坚实度,梨 发表时间： 2012-01-11 09:46:33