为简化鹅肉弹性的可见-近红外光谱模型和提高预测精度,采用联合区间偏最小二乘法(synergyinterval partial least square algorithm,siPLS)结合遗传算法(Genetic algorithm,GA)提取可见-近红外光谱特征波长,用最小二乘支持向量回归(leas...为简化鹅肉弹性的可见-近红外光谱模型和提高预测精度,采用联合区间偏最小二乘法(synergyinterval partial least square algorithm,siPLS)结合遗传算法(Genetic algorithm,GA)提取可见-近红外光谱特征波长,用最小二乘支持向量回归(least square support vector for regression,LSSVR)建立鹅肉弹性的预测模型。试验以万能试验机获取恢复距离S作为鹅肉弹性实际值。在模型建立过程中,先利用sym8小波的2层分解对原始的可见-近红外光谱进行光谱预处理;然后用siPLS优选出4个特征光谱子区间(分别为第3、5、9、13子区间),在这4个特征光谱子区间内继续用GA优选出74个特征波长,并建立基于LSSVR的鹅肉弹性的预测模型。模型预测集的决定系数(R2)和预测均方根误差(root mean squarederror of prediction,RMSEP)分别为0.9096和0.0588。试验结果表明,siPLS结合GA法能够有效提取光谱中的鹅肉弹性对应的特征波长,有利于提高LSSVR模型预测鹅肉弹性的精度。展开更多
文摘为简化鹅肉弹性的可见-近红外光谱模型和提高预测精度,采用联合区间偏最小二乘法(synergyinterval partial least square algorithm,siPLS)结合遗传算法(Genetic algorithm,GA)提取可见-近红外光谱特征波长,用最小二乘支持向量回归(least square support vector for regression,LSSVR)建立鹅肉弹性的预测模型。试验以万能试验机获取恢复距离S作为鹅肉弹性实际值。在模型建立过程中,先利用sym8小波的2层分解对原始的可见-近红外光谱进行光谱预处理;然后用siPLS优选出4个特征光谱子区间(分别为第3、5、9、13子区间),在这4个特征光谱子区间内继续用GA优选出74个特征波长,并建立基于LSSVR的鹅肉弹性的预测模型。模型预测集的决定系数(R2)和预测均方根误差(root mean squarederror of prediction,RMSEP)分别为0.9096和0.0588。试验结果表明,siPLS结合GA法能够有效提取光谱中的鹅肉弹性对应的特征波长,有利于提高LSSVR模型预测鹅肉弹性的精度。
