小米"香酥脆"曲奇饼干的研制

小米营养价值较高 ,富含多种氨基酸和维生素。本文着重介绍以小米为主要原料 ,研制“香酥脆”小米曲奇饼干的工艺方法及配方等。     

利用特征波段提取及结合机器学习对小米淀粉的高光谱检测研究

运用高光谱检测技术实现小米淀粉的快速检测在小米定级、定价及降低加工成本中具有重要意义。本研究基于高光谱检测技术,采用化学计量学及机器学习相关知识对小米直链、支链淀粉含量进行检测,并提出特征波段提取联用预处理方法及Logistic结合COOT （coot optimization algorithm）优化算法。结果表明采用特征波段提取联用算法建立的PLSR（partial least squares regression）模型能够在减少波段冗余情况下不影响模型预测精度,其中直链淀粉较好模型为MSC（multiplicative scatter correction）-RF（random frog）-IRIV（iteratively retains informative variables）-PLSR,支链淀粉较好模型为MSC-CARS（competitive adaptive reweighted sampling）- IRIV-PLSR。为了进一步提高模型预测精度,基于最佳预处理算法结合Logistic-COOT建立BP（back propagation）预测模型能够较好的预测小米直链、支链淀粉的含量,模型评价直链、支链淀粉相关系数 (correlation coefficient, R)、均方根误差(root mean squared error, RMSE)、相对分析误差(relative percent deviation, RPD)分别为0.74,1.19,1.51;0.72,5.25,1.40。这一结论能够为小米其他营养成分的高光谱检测及产品分类、定级等提供理论参考。     

麻雀搜索算法优化BP算法结合高光谱预测小米米粉糊化特性

为了实现小米米粉糊化特征指标的批量、快速检测,探索计算机深度学习结合高光谱成像技术在小米米粉糊化特征指标预测方面的应用方法,本研究运用高光谱数据提取、预处理分步运算程序获得小米米粉平均光谱数据,并以该数据矩阵为基础,运用麻雀搜索算法（sparrow search algorithm,SSA）优化误差反向传播（error back propagation,BP）算法进行待测样品糊化特征指标回归、预测。结果表明,光谱数据预处理程序能够标准化并简化光谱数据提取、预处理过程,该程序在粉末及小颗粒样本光谱数据的提取、预处理过程中具有普遍适用性;运用BP算法及SSA优化BP算法对小米米粉糊化各特征指标进行预测,从预测值与测试值间均方误差（mean squared error,MSE）可以看出,各指标MSE均下降,以峰值黏度（peak viscosity,PV）为例,其MSE从0.026 6降为0.017 5,可知运用SSA优化BP算法能够提高小米米粉糊化特征指标预测精度,降低MSE。本研究结论可以为高光谱成像结合计算机深度学习在小米米粉糊化特性预测方面应用提供理论支撑。     

秩次分析法对谷子品种区试产量性能评价的有效性分析

[目的]研究秩次分析法在评价谷子[Setaria italica (L.) Beauv.]品种区试产量性能评价中的有效性.[方法]以2007、2008年国家谷子品种区域试验(西北春谷区组)晚熟组区试资料为例,用秩次分析法评价农作物品种区域试验的产量结果.[结果]用秩次分析法评价农作物品种区域试验可以解决不均衡试验的区试资料给联合方差分析带来的困难,对参试品种作出比较客观公正的评价.[结论]秩次分析法能较准确地评价谷子品种的产量性能.