【摘要】：針對食用油中單不飽和脂肪酸(MUFA)和多不飽和脂肪酸(PUFA)含量的快速檢測問題,研究探索應用拉曼(Raman)和近紅外(NIR)光譜以及特征層數(shù)據(jù)的融合,結(jié)合化學計量學分析,建立食用油MUFA和PUFA含量預測模型。重點研究各種預處理算法對模型預測能力的影響。應用競爭性自適應重加權(quán)采樣(CARS)提取Raman和NIR光譜的特征波長,應用網(wǎng)格搜索(GS)算法選取支持向量機回歸(SVR)模型的參數(shù)組合(C,g)值,分別建立基于拉曼和近紅外光譜的特征波段的SVR預測模型;建立基于特征層的多源光譜融合的SVR預測模型。試驗表明,基于特征層融合建立的Raman-NIR-SVR模型能夠?qū)崿F(xiàn)食用油MUFA和PUFA含量的快速預測,且預測效果更優(yōu)。其中預測MUFA含量的SG15-ALS-Nor-CARS-MSC-CARSSVR模型的預測集決定系數(shù)R2為0.977 3,與單光譜中最優(yōu)含量預測模型相比增加了2.43%;而預測PUFA含量的MA11-air PLS-Nor-CARS-MSC-CARS-SVR模型的預測集R2為0.993 0,比較最優(yōu)單光譜數(shù)據(jù)建立的SVR模型增加了2.57%。結(jié)果表明,采用特征層融合方法建立的含量預測模型的綜合性能優(yōu)于基于單光譜數(shù)據(jù)建立的模型。
，

本文編號：2577488