排序方式: 共有54条查询结果,搜索用时 125 毫秒
1.
本文旨在通过挖掘不同预处理高光谱(900~1700 nm)信息构建鸡肉滴水损失率的快速预测模型。首先采集每个鸡肉样本高光谱图像并提取图像感兴趣区域内的平均光谱信息,经基线校正(BC)、标准正态变量校正(SNV)、多元散射校正(MSC)、高斯滤波平滑(GFS)、归一化校正(NC)等五种光谱不同预处理,利用偏最小二乘回归(Partial Least Squares Regression,PLSR)算法构建光谱信息与鸡肉滴水损失率之间的定量关系。然后分别基于回归系数法(Regression Coefficient,RC)、连续投影算法(Successive Projections Algorithm,SPA)和逐步回归算法(Stepwise)筛选出对模型精度影响较大的最优波长优化全波段PLS模型。结果显示,基于BC光谱的全波段PLSR模型(BC-PLSR)预测鸡肉滴水损失率效果更好(rP=0.95,RMSEP=0.29%,RPD=3.07,ΔE=0.0024%)。利用Stepwise法从BC光谱中选取的14个最优波长(900.6、903.8、905.5、907.1、917.0、997.7、1162.2、1272.4、1354.8、1369.6、1410.8、1425.6、1584.1和1695.1 nm)建立的SW-BC-PLSR模型(rP=0.97,RMSEP=0.24%,RPD=3.82,ΔE=0.0012%)和多元线性回归(Multiple Linear Regression,MLR)模型SW-BC-MLR(rP=0.97、RMSEP=0.22%、RPD=4.19,ΔE=0.0036%)预测鸡肉滴水损失率效果均良好。本试验表明,基于近红外高光谱信息可潜在实现鸡肉滴水损失率的快速预测。 相似文献
2.
乳酸菌含量是评价冷鲜鸡胸肉品质的重要指标。随着储藏天数的增加,当乳酸菌含量超过106 CFU/g,冷鲜鸡胸肉黏度增加,开始腐败变味。本研究通过化学计量学算法挖掘高光谱数据快速预测鸡胸肉中乳酸菌含量。首先,采集119个冷鲜鸡胸肉样品900~1700 nm的高光谱图像,提取肉样图像感兴趣区域(Region of interest,ROI)内的光谱信息,经多元散射校正(Multiplicative Scatter Correction,MSC)等8种方法预处理原始光谱,采用偏最小二乘(Partial Least Squares,PLS)算法挖掘光谱信息,构建全波段PLS预测模型(F-PLS)。然后,选用回归系数法(Regression Coefficient,RC)、逐步回归法(Stepwise)和连续投影算法(Successive Projections Algorithm,SPA)筛选最优波长优化F-PLS模型。结果显示,基于SPA法从基线校正(Baseline Correction,BC)预处理光谱中筛选出21个最优波长(903.8、905.5、912.1、915.4、917.0、920.3、923.6、931.8、941.7、1107.0、1135.9、1157.3、1269.2、1303.7、1320.2、1348.2、1551.1、1676.9、1686.9、1695.1和1698.4 nm)构建的SPA-PLS模型预测最好(rP=0.949,RMSEP=0.439lg CFU/g,RPD=2.787)。本试验表明,采用近红外高光谱技术快速预测冷鲜鸡胸肉中乳酸菌含量是可行的。 相似文献
3.
采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(RP)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。 相似文献
4.
5.
6.
7.
8.
互联网中存在着海量的有用数据,这些数据位于世界各地的各个站点中,由于各个站点之间的通信代价,不可能收集全部站点的所有数据来训练一个全局分类器.但是每个站点都可以使用它自身的数据来训练一个本地分类器. Aggregative-Learning算法通过利用多个站点的本地分类器进行集成从而获得好的泛化能力.从理论上对Aggregative-Learning算法进行分析,并证明了为什么该算法在网络环境中具有良好的性能. 相似文献
9.
针对目前非线性动态偏最小二乘(PLS)建模方法在拟合较强非线性化工过程时存在的问题, 提出一种基于稳定学习的递归神经网络动态PLS建模方法. 该算法将递归神经网络与Hammerstein模型相结合, 对外部PLS提取的特征向量进行内部建模, 具有逼近较强非线性化工过程的能力, 改善了模型的适用范围. 此外, 采用带有稳定学习的参数更新算法对模型参数进行在线修正, 改善了模型的预测精度和自适应能力. 将此方法应用于氧化铝生产过程铝酸钠溶液组分浓度建模实验, 仿真结果表明, 本方法是可行有效的. 相似文献
10.
采用近红外高光谱成像技术(900~1700 nm)结合化学计量学算法快速定量预测牛肉糜中大豆分离蛋白掺入量。首先按照2%~30%(w/w),掺入间隔1%的浓度梯度,制备不同大豆分离蛋白掺入浓度的牛肉糜样品,然后采集样品的高光谱图像并提取光谱数据,最后运用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立预测模型。为了减少模型的高维共线性问题,采用回归系数法(Regression coefficients,RC)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长,优化全波段预测模型。结果显示基于RC法筛选的22个最优波长构建的RC-PLSR模型和RC-MLR模型预测效果优于基于SPA法筛选的21个最优波长构建的SPA-PLSR模型和SPA-MLR模型。其中,RC-PLSR模型预测效果最接近全波段PLSR模型,rP为0.95,RMSEP为2.73%,RPD为3.32。试验结果表明近红外高光谱成像技术结合化学计量学方法可快速预测牛肉糜中大豆分离蛋白的掺入量。 相似文献