首页 / 资料库 / 文献详情

基于高光谱和CARS-IRIV算法的‘库尔勒香梨’可溶性固形物含量检测

梁琨、Kun Liang、刘全祥、Quanxiang Liu、潘磊庆、Leiqing Pan、沈明霞、Mingxia Shen

2018Chemistry被引 2

摘要

目的利用高光谱技术实现‘库尔勒香梨’可溶性固形物含量的有效无损检测具有重要意义，但是高光谱数据通常噪声明显，大量无关信息变量和冗余信息变量的存在降低了模型的预测精度。本文旨在探究对高光谱数据特征变量筛选的有效方法来实现‘库尔勒香梨’可溶性固形物含量的快速检测。 方法以‘库尔勒香梨’可溶性固形物含量（SSC）为研究指标，利用高光谱成像技术采集样本400~1 000 nm波长的漫反射光谱，对样本感兴趣区域（ROI）的光谱进行预处理，分别采用竞争性自适应重加权算法（CARS）、迭代保留信息变量算法（IRIV）以及CARS-IRIV算法筛选特征变量，基于不同筛选方法分别建立偏最小二乘（PLS）与最小二乘支持向量机（LS-SVM）预测模型，以预测集相关系数（Rp）、预测均方根误差（RMSEP）和预测相对分析误差（RPD）值对模型进行评价。 结果CARS-IRIV算法可以有效减少CARS算法提取的变量个数，并稳定模型预测精度。LS-SVM模型预测结果优于PLS模型，在LS-SVM模型中CARS-IRIV-LS-SVM预测精度最高，Rp、RMSEP和RPD值分别为0.889、0.300和2.823。 结论CARS-IRIV是一种有效的高光谱特征变量筛选算法，在提高预测精度的同时简化了模型的运算，CARS-IRIV-LS-SVM模型结合高光谱成像技术可以对‘库尔勒香梨’SSC进行快速有效的无损检测。

引用本文（GB/T 7714）

DOI：https://doi.org/10.7685/jnau.201709030