基于模型集群分析的小麦品质近红外光谱分析技术研究

发布时间：2021-10-27 14:07

　　小麦作为重要的粮食作物,富含一些日常人体所需的营养元素,可加工成人们日常所需的食用品如面包、面条、饼干等。小麦水分与蛋白质含量是评估小麦品质的重要指标,无损快速检测小麦成分含量的方法,对于小麦等农业作物的检验与加工具有重要意义。目前对于近红外无损检测技术多以一次建模为基础,虽然建模方法简单,但由于“小样本,多变量”,使得相关的预测结果并不准确,阻碍该技术进一步发展及应用的关键问题就是预测模型的精度和稳定性。本文基于此背景开展小麦品质的近红外光谱分析方法研究,主要研究内容如下:首先,收集全国范围内不同地区的小麦样本,分别测试样本水分、蛋白质的化学值,同时运用光纤光谱仪采集小麦样本近红外光谱数据。其次基于归一化和异常样本诊断与剔除方法对原始小麦的NIR数据进行预处理,优化小麦样本光谱数据。最后基于模型集群分析（MPA）思想,结合引导软阈值算法（BOSS）、竞争性自适应重加权采样法（CARS）、自加权变量组合集群分析法（AWVCPA）、迭代保留信息变量法（IRIV）、蒙特卡罗变量组合集群分析法（MCVCPA）、变量组合集群分析法（VCPA）、变量组合集群分析迭代保留信息变量法（VCPA-IR... 

【文章来源】：长春理工大学吉林省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

方法的预测值与实际值散点图S

33最终通过MCVCPA-PLS所建立预测模型的结果为：RMSEP值为0.3861，RMSEC值为0.1521,R2值为0.9862，小麦水分含量预测值与实际值散点分布图如图3.23所示。图3.23基于MCVCPA-PLS方法的预测值与实际值散点图最终通过VCPA-IRIV-PLS所建立预测模型的结果为：RMSEP值为0.3563，RMSEC值为0.1478,R2值为0.9934，小麦水分含量预测值与实际值散点分布图如图3.24所示。图3.24基于VCPA-IRIV-PLS方法的预测值与实际值散点图最终通过AWVCPA-PLS所建立预测模型的结果为：RMSEP值为0.3839，RMSEC值为0.1609,R2值为0.9918，小麦水分含量预测值与实际值散点分布图如图3.25所示。图3.25基于AWVCPA-PLS方法的预测值与实际值散点图

51大影响。相比VCPA方法与MCVCPA方法，AWVCPA方法特征变量提取结果相对集中，但仍选择了很多无用信息变量。VCPA-IRIV方法提取的特征变量更分散，包含了很多无用信息变量。总体来说基于VCPA及改进与混合方法大致选择了相同的变量，因为它们都是基于VCPA算法的原理，通过指数递减函数EDF筛除变量。CARS方法在小麦蛋白质特征变量提取过程中选择的变量最分散，几乎包含了大部分的波长向量，特征变量提取结果较差。IRIV方法特征变量提取结果一般，比较分散，选择了一些无用信息变量。4.7建立小麦蛋白质近红外定量分析模型4.7.1不同方法的小麦蛋白质建模最终通过BOSS-PLS所建立预测模型的结果为：RMSEP值为0.2105，RMSEC值为0.1962,R2值为0.9527，小麦蛋白质含量预测值与实际值散点分布如图4.21所示。预测值图4.21基于BOSS-PLS方法的预测值与实际值散点图最终通过VCPA-PLS所建立预测模型的结果为：RMSEP值为0.3641，RMSEC值为0.2478,R2值为0.9103，小麦蛋白质含量预测值与实际值散点分布如图4.22所示。预测值图4.22基于VCPA-PLS方法的预测值与实际值散点图


本文编号：3461759