在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares,PLS)模型效果的...在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares,PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm,GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling,CARS)分别对预处理后的473~1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS,CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R_c^2)和均方根误差(root mean square error,RMSEC)分别为0.96和0.29,交互验证的决定系数(R_(cv)~2)和均方根误差(root mean square errorof cross validation,RMSECV)分别为0.92和0.46,预测集的决定系数(R_p^2)和均方根误差(root mean square error of prediction,RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation,RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。展开更多
文摘在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares,PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm,GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling,CARS)分别对预处理后的473~1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS,CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R_c^2)和均方根误差(root mean square error,RMSEC)分别为0.96和0.29,交互验证的决定系数(R_(cv)~2)和均方根误差(root mean square errorof cross validation,RMSECV)分别为0.92和0.46,预测集的决定系数(R_p^2)和均方根误差(root mean square error of prediction,RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation,RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。
