在韩国松子中实现可持续和动态建模分析:与NIRS的在线学习方法

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 近红外光谱 (NIRS) 是一种快速,非侵入性的技术,用于分析坚果食品成分.
• 线下定量分析模型因储存和原产地而在样本批次的变化中扎,导致韩国松子中营养含量检测不准确.
• 现有的模型缺乏适应变化的样本特性,需要改进的方法可靠的现场分析.

研究的目的:

• 开发一种适应性在线学习模型,用于准确检测韩国松子中的营养含量.
• 通过启用在线更新新样本数据来提高NIRS模型的概括能力.
• 为快速,现场核桃食品分析提供可持续和环保的工具.

主要方法:

• 开发了一个在线学习模型,使用递归部分最小方程 (RPLS) 回归.
• 在线乘数分散校正 (OMSC) 用于预处理更新的数据集,减少预测错误.
• 使用非信息变量消除 (UVE) 算法在模型更新期间优化特征带选择,增强相关特征识别.

主要成果:

• 拟议的在线模型,经过OMSC预处理并具有100个特征,实现了R2值为0.8945和根平均平方预测误差 (RMSEP) 为3.5964.
• 这些结果显著超过了离线模型,该模型的R2为0.4525和RMSEP为24.6543.
• 在线模型展示了动态和可持续的特征,接近实际检测要求.

结论:

• 开发的在线NIRS模型有效地解决了检测韩国松子营养含量的离线模型的局限性.
• RPLS,OMSC和UVE的组合提供了适应性实时食品分析的强大方法.
• 这种方法为设计检测系统提供了有价值的技术参考,并支持监管机构和食品行业提供快速的现场分析能力.