猕猴桃糖度是判别其成熟度的关键指标,为构建预测不同成熟度猕猴桃糖度的最优模型。利用紫外/可见(200 nm^1000 nm)光谱采集系统获取不同成熟期“贵长”猕猴桃的反射光谱,比较3种光谱预处理方法[一阶导数、多元散射校正、标准正态变换(s...猕猴桃糖度是判别其成熟度的关键指标,为构建预测不同成熟度猕猴桃糖度的最优模型。利用紫外/可见(200 nm^1000 nm)光谱采集系统获取不同成熟期“贵长”猕猴桃的反射光谱,比较3种光谱预处理方法[一阶导数、多元散射校正、标准正态变换(standard normal variation,SNV)]对光谱的预处理效果,应用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)从预处理后的全光谱中选取特征光谱,基于全光谱和特征光谱分别构建预测猕猴桃糖度的误差反向传播(error back propagation,BP)网络模型。结果表明:SNV预处理效果最优,采用CARS从1024个全波段中选取了29个特征波长,提升了预测模型的检测效率,构建的SNV-CARS-BP模型的预测性能最优,其预测集决定系数RP 2=0.901,均方根误差(root mean squares errors for prediction,RMSEP)为0.643%,剩余预测偏差(residual predictive deviation,RPD)为3.217。研究表明,采用紫外/可见光谱技术和BP网络检测猕猴桃糖度是可行的,SNV-CARS-BP模型最优。展开更多
文摘猕猴桃糖度是判别其成熟度的关键指标,为构建预测不同成熟度猕猴桃糖度的最优模型。利用紫外/可见(200 nm^1000 nm)光谱采集系统获取不同成熟期“贵长”猕猴桃的反射光谱,比较3种光谱预处理方法[一阶导数、多元散射校正、标准正态变换(standard normal variation,SNV)]对光谱的预处理效果,应用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)从预处理后的全光谱中选取特征光谱,基于全光谱和特征光谱分别构建预测猕猴桃糖度的误差反向传播(error back propagation,BP)网络模型。结果表明:SNV预处理效果最优,采用CARS从1024个全波段中选取了29个特征波长,提升了预测模型的检测效率,构建的SNV-CARS-BP模型的预测性能最优,其预测集决定系数RP 2=0.901,均方根误差(root mean squares errors for prediction,RMSEP)为0.643%,剩余预测偏差(residual predictive deviation,RPD)为3.217。研究表明,采用紫外/可见光谱技术和BP网络检测猕猴桃糖度是可行的,SNV-CARS-BP模型最优。
