基于CARS-SPA特征提取的黄水淀粉近红外光谱定量模型优化

Optimization of Quantitative Modeling of Starch in Huangshui Based on Near-Infrared Spectral Feature Extraction Using Competitive Adaptive Reweighted Sampling Combined with Successive Projections Algorithm

二维码有效期 120s

摘要为提高白酒固态发酵的副产物黄水中淀粉含量预测模型精度和建模效率.采用傅里叶变换近红外光谱仪采集黄水光谱信息,利用一阶导数对光谱进行预处理,并结合偏最小二乘回归(partial least squares regression,PLSR)建立黄水淀粉定量预测模型.使用决定系数(R2)和预测均方误差(root mean square error of prediction,RMSEP)评价模型性能.光谱中含有大量冗余信息,为有效提升黄水淀粉含量检测精度和优化模型效率,将不同特征提取方法的优点结合,发现使用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)结合连续投影算法(successive projections algorithm,SPA)提取的光谱特征所建立的PLSR模型,相较于未使用特征提取或仅使用单一特征提取所建立的模型均有明显提升.在单一使用CARS时,模型的R2为0.965 4,RMSEP为0.201 2％,而结合SPA后,R2为0.973 8,RMSEP为0.174 8％.此外,光谱维度从2 203个减少到了 126个,不仅提高了预测精度,也提升了建模效率.本研究提出的方法可作为黄水近红外定量模型优化的有效途径.