領(lǐng)學(xué)術(shù)科研之先，創(chuàng)食品科技之新
—— 中國(guó)食品雜志社
為提高馬鈴薯VC含量檢測(cè)結(jié)果的準(zhǔn)確性和可靠性，提出一種基于Fisher判別分析（Fisher discriminant analysis，F(xiàn)DA）可分性數(shù)據(jù)融合的檢測(cè)模型輸入變量構(gòu)建方法。首先，利用高光譜成像技術(shù)采集200 個(gè)馬鈴薯的高光譜信息，通過(guò)對(duì)比6 種預(yù)處理方法和原始數(shù)據(jù)的建模結(jié)果，確定多元散射校正為光譜數(shù)據(jù)的預(yù)處理方法；其次，采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣（competitive adaptive reweighted sampling，CARS）、連續(xù)投影算法（successive projections algorithm，SPA）及CARS-SPA組合算法3 種方法提取相應(yīng)特征波長(zhǎng)，通過(guò)對(duì)比分析最終確定34 個(gè)有效特征波長(zhǎng)；然后，將有效特征波長(zhǎng)進(jìn)行FDA可分性數(shù)據(jù)融合，根據(jù)融合的新變量對(duì)樣本間差異性判別能力的大小進(jìn)行篩選，確定構(gòu)建檢測(cè)模型的輸入變量；最后，分別對(duì)FDA融合前后篩選的變量建立偏最小二乘模型和反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）模型，并對(duì)檢測(cè)結(jié)果進(jìn)行對(duì)比分析。結(jié)果表明，將CARS算法提取的34 個(gè)特征波長(zhǎng)進(jìn)行FDA融合，采用前3 個(gè)融合變量作為構(gòu)建檢測(cè)模型的輸入變量時(shí)，其所建BPNN模型的相關(guān)系數(shù)由0.972 6提高至0.999 0，均方根誤差由0.772 3降低至0.172 7，不僅能夠極大地降低數(shù)據(jù)分析維度，而且能夠提高檢測(cè)結(jié)果的準(zhǔn)確性。因此，基于FDA可分性數(shù)據(jù)融合構(gòu)建檢測(cè)模型輸入變量可以提高馬鈴薯VC含量檢測(cè)結(jié)果的準(zhǔn)確性。
2023年第44卷 2022年第43卷 2021年第42卷 2020年第41卷 2019年第40卷 2018年第39卷 2017年第38卷 2016年第37卷 2015年第36卷 2014年第35卷 2013年第34卷 2012年第33卷 2011年第32卷 2010年第31卷 2009年第30卷 2008年第29卷 2007年第28卷 2006年第27卷 2005年第26卷 2004年第25卷 2003年第24卷 2002年第23卷 2001年第22卷 2000年第21卷 1999年第20卷 1998年第19卷 1997年第18卷 1996年第17卷 1995年第16卷 1994年第15卷 1993年第14卷 1992年第13卷 1991年第12卷 1990年第11卷 1989年第10卷 1988年第09卷 1987年第08卷 1986年第07卷 1985年第06卷 1984年第05卷 1983年第04卷 1982年第03卷 1981年第02卷 1980年第01卷
電話(huà): 010-87293157
地址: 北京市豐臺(tái)區(qū)洋橋70號(hào)
版權(quán)所有 @ 2023 中國(guó)食品雜志社 京公網(wǎng)安備11010602060050號(hào) 京ICP備14033398號(hào)-2
