MIV方法在苹果糖度近红外分析应用.pdfVIP

第29卷 第7期 计算机与应用化学 Vol.29, No.7 2012年7月28 日 Computers and Applied Chemistry July 28, 2012 MIV方法在苹果糖度近红外分析中的应用 1 1 陈鑫 ，刘飞 (1.江南大学 轻工过程先进控制教育部重点实验室 自动化研究所，江苏，无锡 214122) 摘要：针对苹果糖度近红外光谱数据的特点，分析了基于BP神经网络和偏最小二乘PLS 的苹果糖度定量预测模型建立方法，将 平均影响值方法(mean impact value)引入到近红外波长选取的过程中来，并与联合区间偏最小二乘法结合，达到波长优选的目 的。首先，利用联合区间偏最小二乘算法，筛选出与苹果的糖度相关度较大的光谱波长数据，再利用PLS-BP方法建立预测模 型。在此模型基础上，使用平均影响值方法，对参与建模的每个波长数据进行评价，选取影响值最大的一系列波长点，重新建 立模型。模型变量数为124，校正均方根误差(RMSEC)为0.1740，验证均方根误差(RMSEP)为0.4565 。结果表明，校正均方根误 差，利用平均影响值与联合区间偏最小二乘方法结合，对光谱数据进行波长的筛选，可以降低模型复杂度，同时提高模型预测 精度。 关键词：苹果近红外光谱；平均影响值(MIV)；BP神经网络；联合区间偏最小二乘(siPLS) 中图分类号： O 657.3 文献标识码：A 文章编号：1001-4160(2012)期-页-页 波长点进行更精确的性能评价，希望能够对波长进行进 1 引言 一步的筛选和择优，提高模型的预测精度和泛化能力。 近红外光谱分析技术由于其快速和无损的特点，已 [1][2] 2 原理和算法 经被广泛应用于水果品质的检测 。由于水果的生物 特性和个体的差异，以及近红外光谱波段的特点，近红 2.1 PLS-BP方法的原理 外光谱仪器所采集到的光谱数据往往携带大量的无用信 人工神经网络是近年来发展迅速的一类智能信息处 息，导致近红外光谱中普遍存在与待测样品的性质无关 理方法，是由多个简单的处理单元组成的非线性网络系 的干扰因素。这些因素，往往使得模型预测精度降低。 统。具有良好的自组织，自学习能力和拟合非线性函数 因此需要对光谱数据进行必要的选择和优化。 的能力。由于其特点，人工神经网络非常适合对近红外 近红外光谱信息变量的筛选主要是以某种目标函数 光谱数据进行处理。 为基准，采取不同数学方法和运算，选取与浓度矩阵相 BP(Back-Propagation ，反向传播)神经网络是人工神 关性较好的信息区间变量。以提高近红外光谱校正模型 经网络中的一种。采用误差反向传播算法，对神经元权 的预测性能。 值进行调整，是人工神经网络中最具代表性的一类模型 苹果糖度的近红外光谱检测和信息变量筛选已经得 结构。在近