1 新疆农业大学数理学院, 新疆 乌鲁木齐 830052
2 新疆农业大学机电工程学院, 新疆 乌鲁木齐 830052
苹果产地溯源具有重要的应用价值和现实意义。 为了探寻苹果产地溯源新方法, 以红富士品种为研究对象, 以新疆阿克苏、 山东烟台、 陕西洛川三个产地671个红富士苹果样本为试材, 分别采集其590~1 250 nm的近红外透射光谱, 然后基于分数阶微分(FD)及主成分分析(PCA)-谱回归判别分析(SRDA)进行多模型融合, 构建红富士苹果产地溯源的集成学习模型。 首先, 将经过光谱校正后的光谱数据划分为训练集和测试集, 并利用分数阶微分预处理训练集光谱, 获取不同阶次(取0~2阶, 步长为0.1)的分数阶微分光谱; 结合不同阶次的分数阶微分光谱及PCA-SRDA算法构建基学习器, 将基学习器预测结果构成一个新训练集, 并通过决策树算法完成模型融合, 得到最终分类预测模型; 随后, 采用对应阶次的分数阶微分预处理测试集光谱, 并基于已建立的基学习器, 获得测试集相应的预测结果; 最后, 将预测结果构成一个新测试集, 并基于已建立的分类预测模型, 输出最终的预测结果。 按7:3比例随机划分样本集, 并进行200次重复实验。 结果表明, 结合不同阶次的分数阶微分预处理及线性判别分析(LDA)、 SRDA、 PCA-LDA、 PCA-SRDA算法建立多模型融合集成学习模型, 具有较好的鉴别效果和较强的鲁棒性, 其中, FD-PCA-SRDA多模型融合集成学习模型为最优, 其训练集的平均精度为97.33%, 标准差为0.49%, 测试集的平均精度为94.84%, 标准差为1.48%。 故, 分数阶微分技术及PCA-SRDA算法结合近红外透射光谱可成功、 有效地实现苹果产地溯源。
近红外透射光谱 分数阶微分 主成分分析-谱回归判别分析 苹果 产地溯源 Near-infrared transmission spectrum Fractional differential Principal component analysis-spectral regression discriminant analysis Apple Origin traceability 光谱学与光谱分析
2022, 42(10): 3249
1 苏州工业职业技术学院机电工程系, 江苏 苏州 215000
2 南京航空航天大学机电学院, 江苏 南京 210016
3 江苏大学电气信息工程学院, 江苏 镇江 212013
为了实现固态发酵过程状态的快速监测, 以饲料蛋白固态发酵为实验对象, 开展了基于近红外光谱分析技术的饲料蛋白固态发酵过程状态定性识别研究。 首先利用Antaris Ⅱ型傅里叶变换近红外光谱仪采集140个固态发酵物样本的近红外光谱, 并采用标准正态变换(SNV)光谱预处理方法对获得的原始光谱进行预处理; 其次, 采用谱回归判别分析(SRDA)法对预处理后的近红外光谱进行特征提取; 最后, 采用最近邻(NN)分类算法作为弱分类器建立固态发酵过程状态识别模型, 并对测试集样本进行识别。 结果显示, 与利用主成分分析(PCA)法和线性判别分析(LDA)法提取的光谱特征建立的识别模型结果相比较, SRDA-NN识别模型获得的结果最佳, 在测试集中的正确识别率达到94.28%; 为了进一步提高识别模型的准确率, 将自适应提升法(Adaboost)与SRDA-NN方法结合, 提出了Adaboost-SRDA-NN集成学习算法来建立饲料蛋白固态发酵过程状态的在线监测模型。 通过Adaboost算法提升后的SRDA-NN模型预测性能得到了进一步增强, Adaboost-SRDA-NN模型在测试集中的正确识别率达到100%。 试验结果表明: 在近红外光谱定性分析模型校正过程中, SRDA方法能有效地对近红外光谱数据进行特征提取, 以实现维数约简; 另外, Adaboost算法能很好地提升最终分类模型的预测精度。
光谱分析 近红外 特征提取 谱回归判别分析 Spectral analysis Near infrared spectroscopy Feature extraction Adaboost Adaboost
