论文部分内容阅读
淀粉含量的高低是评价马铃薯品质性状的主要指标,但传统淀粉含量检测方法费时、费力且对环境有污染。为解决以上问题本文采用当前应用相当广泛的近红外光谱分析技术,建立了马铃薯的淀粉含量近红外光谱分析模型,达到了快速、无损、无污染的检测淀粉含量的目的,另外研究还发现不同品种马铃薯的光谱存在明显的特征性,为此又建立了马铃薯品种的识别模型。
本文取得的主要成果如下:
(1)采用一阶微分加小波分析对采集到的光谱数据进行预处理。结果显示,一阶微分处理可以消除光谱背景和基线平移,使光谱的谱峰位置凸显出来,特征性明显增强,但同时引入了噪音;在对微分后的光谱采用小波分析后,发现光谱不仅变得平滑,而且有效的控制了噪音,使信噪比从0.053上升到了21.3613;
(2)由于异常样品的存在会导致模型的精度和预测能力下降。本文采用主成分结合马氏距离法对近红外异常马铃薯样品进行剔除,对剔除后的样品建立GRNN校正模型,以内部校正的均方根误差作为剔除依据,结果显示当马氏距离的权重系数为2.25时,误差达到最小,此时得到了最佳异常样品剔除组合;
(3)采用GRNN神经网络建立马铃薯淀粉含量的近红外光谱分析模型,当GRNN的光滑因子为0.02时,模型的内部校正能力和外部预测能力达到最佳。为了优选波长,先采用相关系数法初选,得到74个波长点,然后采用遗传算法二次筛选,遗传算法参数设置为:交叉概率为0.7,变异概率为0.01,遗传迭代次数为100,适应度函数为F=R/(1+RMSEP),通过遗传算法后,最终优选出38个波长点,作为GRNN网络的输入。建立的模型对预测集样品预测结果为:R2=0.978,RMSEP=0.1109,最大相对误差小于5%,回判方程Y=l.0382x-0.5555,在α=0.05时进行t检验,结果显示近红外预测值与传统方法实测值之间没有显著性差异,模型的重复性实验显示对于给定的95%置信水平,所得到X2检验值小于11.07,说明重复测定的所有方差属于同一总体;
(4)采用SVM和FCM两种算法,建立了马铃薯的品种识别模型,结果显示,SVM模型受整惩罚参数C和y的影响较大,通过调整C和y可以使识别率和同时达到100%,且从结果看未出现过拟合情况;FCM方面,在最佳加权指数为1.6时,最大预测率仅为88.89%。说明采用SVM建立的模型更适合马铃薯品种的鉴别。