通过偏最小二乘法(partial least squares,PLS)与人工神经网络(artificial neural networks,ANN)联用对鲜乳和掺有植物奶油的牛乳建立识别模型。用PLS法对原始数据进行主成分压缩,采用自组织竞争神经网络建模。取前3个主成分的21个吸收...通过偏最小二乘法(partial least squares,PLS)与人工神经网络(artificial neural networks,ANN)联用对鲜乳和掺有植物奶油的牛乳建立识别模型。用PLS法对原始数据进行主成分压缩,采用自组织竞争神经网络建模。取前3个主成分的21个吸收峰值输入网络,学习参数为0.05,网络训练迭代次数为200,模型鉴别准确率达100%。其次建立了植物奶油掺假量的定量检测PLS模型,并采用交互校验和外部检验考察模型的可靠性,模型的校正相关系数为0.996 3,均方估计残差(RMSEC)为0.110;交互校验均方残差(RMSECV)为0.142;应用所建PLS模型对样品中植物奶油添加量进行预测,并对预测值与真值进行配对t检验,结果表明两者差异均不显著。展开更多
建立了用偏最小二乘(partial least squares,PLS)与人工神经网络(artificial neural networks,ANN)联用对饲料样品同时测定水分、灰分、蛋白质、磷含量的预测校正模型。光谱数据用二阶微分及标准归一化处理(SNV),用PLS法将原始数据压缩...建立了用偏最小二乘(partial least squares,PLS)与人工神经网络(artificial neural networks,ANN)联用对饲料样品同时测定水分、灰分、蛋白质、磷含量的预测校正模型。光谱数据用二阶微分及标准归一化处理(SNV),用PLS法将原始数据压缩提取前10个主成分与2个特征峰值作为12个输入向量,采用单隐层的反向传播人工神经网络(Back-Propagation Network,BP),确定中间层的神经元个数为23,初始训练迭代次数为1000。PLS-BP模型对样品四个组分含量的预测决定系数(r2)分别为:0.9950,0.9980,0.9990和0.9670;样品平行扫描光谱预测值的标准偏差分别为:0.02774,0.04853,0.03292和0.02204。展开更多
偏最小二乘(partial least squares,PLS)与广义回归神经网络(generalizedregression neural networks,GRNN)联用对土豆样品建立起粗纤维、淀粉、蛋白质含量的预测校正模型,用PLS法将原始数据压缩为主成份,取前3个主成份的12个特征吸收...偏最小二乘(partial least squares,PLS)与广义回归神经网络(generalizedregression neural networks,GRNN)联用对土豆样品建立起粗纤维、淀粉、蛋白质含量的预测校正模型,用PLS法将原始数据压缩为主成份,取前3个主成份的12个特征吸收峰输入GRNN网络,网络光滑因子iσ为0.1。PLS-GRNN模型对样品3个组分含量的预测决定系数(R2)分别为:0.945、0.992、0.938。结果表明,近红外光谱技术可以快速、准确地同时测定土豆中的粗纤维、淀粉、蛋白质,该方法可应用于果蔬产业的品质管理与控制。展开更多
文摘偏最小二乘(partial least squares,PLS)与广义回归神经网络(generalizedregression neural networks,GRNN)联用对土豆样品建立起粗纤维、淀粉、蛋白质含量的预测校正模型,用PLS法将原始数据压缩为主成份,取前3个主成份的12个特征吸收峰输入GRNN网络,网络光滑因子iσ为0.1。PLS-GRNN模型对样品3个组分含量的预测决定系数(R2)分别为:0.945、0.992、0.938。结果表明,近红外光谱技术可以快速、准确地同时测定土豆中的粗纤维、淀粉、蛋白质,该方法可应用于果蔬产业的品质管理与控制。
