MIV方法在苹果糖度近红外分析中的应用
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。
苹果 糖度测量 近红外光谱 MIV方法 BP神经网络 最小二乘法
陈鑫 刘飞
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
国内会议
厦门
中文
1-5
2012-08-01（万方平台首次上网日期，不代表论文的发表时间）