基于自编码网络流形学习的毛竹笋不溶性膳食纤维含量红外光谱.pdfVIP

第33卷，第6期 光谱学与光谱分析 2 0l 3年6月 and June，2013 SpectroscopySpectralAnalysis 基于自编码网络流形学习的毛竹笋不溶性膳食纤维含量红外光谱建模 余心杰1，殷姣姣1’3，于欣1，何 勇2’ 100 1．浙江大学宁波理工学院，浙江宁波315 2．浙江大学生物系统工程与食品科学学院，浙江杭州310058 3．太原科技大学，山西太原030024 S)法的红外光谱建模方法AN-PLS。 摘要提出了一种结合自编码网络(AN)流形学习和偏最dxZ．乘(PI AN—PLS方法首先用AN算法对红外光谱数据进行非线性降维，再结合PLS建立回归模型。利用该方法建 立了毛竹笋中不溶性膳食纤维含量的近红外光谱和中红外光谱回归模型。结果表明，用AN-PLS方法建立 的回归模型，比用其他常用光谱数据预处理方法结合PIS及用单独PLS算法建立的模型具有更小的预测均 方根误差RMSEP和更高的决定系数R2，因此，AN-PLS具有较优的建模与预测能力，利用近红外光谱和中 红外光谱技术结合AN—PIS建模，可实现毛竹笋中不溶性膳食纤维含量的准确测量。 关键词毛竹笋；不溶性膳食纤维；近红外光谱；中红外光谱；自编码网络；流形学习 中图分类号：0657．3文献标识码：A IX)I：10．3964／j．issn．1000—0593(2013}06—1512—05 在低维结构，并不能给出高维空间中数据点到低维空间的确 引 言 定性映射，同样也无法给出相应的逆映射，因此只适用于原 始的训练光谱数据集而不能有效运用于新出现的光谱数据 irffrared，NIR)和中红外集，限制了其在红外光谱预测建模方面的应用能力。自编码 红外光谱分析中的近红外(near 网络(autoencoder (mid-infrared，MIR)等光谱数据是由不同波长下的吸光度组 成的一个高维向量。由于光谱测量服从Beer-Lambert定律，一种流形学习非线性降维方法。该方法可通过训练具有多个 使得光谱数据与样品理化性质之间基本满足线性关系。同 中间层的双向深层神经网络将高维数据转换成低维嵌套，并 时，光谱测量中的非单色光、杂散光、温度等多种因素会导 给出输入的高维数据与低维嵌套之间的双向映射，可有效地 致光谱偏离该定律，从而使光谱数据与待测理化性质之间又 发现高维数据有意义的低维流形结构、克服传统流形学习方 有一定的非线性关系[1]。因此，红外光谱数据是具有非线性 法非双向映射的缺点[4]，在红外光谱数据处理方面具有很大 特性的高维数据，在建立红外光谱的多元校正模型时，对数 的优势。 据进行有效的非线性降维，可从高维光谱向量中提取有用信 因此，拟结合AN流形学习和PLS研究一种红外光谱的 息、准确反映光谱与理化性质之间的关系。 流形学习能有效地发现嵌入在高维数据中的非线性流形 谱进行非线性降维处理，再利用PLS建立回归模型。文章将 结构，能解决高维光谱数据的非线性降维问题。目前，针对 以毛竹笋为具体对象，获取NIR和Mm数据，利用√蚪PLS fiber 红外光谱数据进行流形学习非线性降维的建模方法研究已见 建立毛竹笋中不溶性膳食纤维含量(ins