基于近红外光谱学对花油改的定量分析与改进的子算法优化模型ISSA-ELM相结合

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:

• 用更便宜的油改花油是市场关注的问题,导致产品质量低下.
• 由于类似的光谱特征,传统的分析方法难以检测低度的杂物.
• 极端学习机器 (ELM) 提供了强大的特征提取,但存在随机初始化问题.

研究的目的:

• 开发一种新的,准确的花种子油定量改分析模型.
• 解决传统方法和Sparrow Search Algorithm (SSA) 在检测低度杂物方面的局限性.

主要方法:

• 开发一个改进的Sparrow搜索算法 (ISSA) 来优化ELM初始化,创建ISSA-ELM模型.
• 使用花生,玉米和大豆油制备各种度 (2%-70%梯度,然后5%梯度) 的造的三花油样本.
• 收集近红外 (NIR) 光谱数据,并将ISSA-ELM与SSA-ELM和部分最小平方 (PLS) 模型进行比较.

主要成果:

• 该ISSA-ELM模型实现了0.9934的确定系数 (R2P),0.0207的预测根平均平方误差 (RMSEP) 和10.1457.5的性能与偏差比率 (RPD).
• 在预测准确性和稳定性方面,ISSA-ELM显著优于SSA-ELM (R2P = 0.8938,RMSEP = 0.0835,RPD = 2.9018) 和PLS (R2P = 0.9015,RMSEP = 0.0876,RPD = 3.0128) 在预测准确性和稳定性方面.
• ISSA-ELM模型的错误检测极限低至2%,表明其对于敏感的伪造物检测的能力.

结论:

• 拟议的ISSA-ELM模型有效地识别了伪造的三花种子油,具有高准确性和稳定性.
• ISSA增强了SSA的全球优化能力,克服了局部优化和缓慢融合等问题.
• 这项研究为检测三花种子油改提供了强大的技术途径.