开发用于机器学习的组合预处理和超参数的自动调整,并将其应用于子奶伪造NIR光谱数据的应用

科学领域:

• 分析化学 分析化学
• 化学测量 化学测量 化学测量
• 机器学习 机器学习

背景情况:

• 近红外光谱 (NIR) 是一种强大的分析技术,用于分析子奶等食品.
• 准确检测子牛奶中的造物对于质量控制和消费者安全至关重要.
• 为NIR数据分析优化机器学习 (ML) 算法可以增强检测能力.

研究的目的:

• 开发一种新的,自动化的方法来选择最佳的预处理方法和ML算法的超参数.
• 提高ML模型在使用FT-NIR和Micro-NIR光谱学分类和量化子奶造假的性能.
• 为了验证拟议方法在0%-50%范围内检测伪造的有效性.

主要方法:

• 同时包含单个或多个预处理步骤和调整的ML超参数.
• 使用交叉验证来确定最佳模型性能.
• 采用了9个单一的预处理类型,3个ML分类器 (LDA,KN,MLP) 和3个ML回归器 (PLS,KN,MLP).
• 在FT-NIR和Micro-NIR光谱数据上测试了子奶与蒸水和成熟子水 adulterated 的方法.

主要成果:

• 提出的自动化策略成功地解决了子奶造的分类和回归挑战.
• 取得了令人满意的结果,证明了该方法的有效性.
• 这种方法在确定NIR光谱数据的最佳ML模型方面尤其准确.

结论:

• 开发的自动化方法显著改善了为NIR光谱学选择最佳ML模型的选择.
• 这种方法提供了一种更准确,更有效的方法来检测子奶伪造.
• 这些发现突显了自动化ML优化在食品质量评估中用于光谱分析的潜力.