使用ELM和近红外光谱学快速检测食品质量指标
Lei Shi1, Yu Yang1, Dandan Zhai2
1Institute for Complexity Science, Henan University of Technology, Zhengzhou 450001, China; College of Information Science and Engineering, Henan University of Technology, Zhengzhou 450001, China.
概括
本研究介绍了一种使用近红外 (NIR) 光谱和极端学习机器 (ELM) 进行快速,非破坏性的食品质量分析的新方法. 综合方法准确地预测了食品中的总金氏和蛋白质含量.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 生物技术是生物技术.
背景情况:
- 准确和快速检测食品质量指标对于质量控制和消费者安全至关重要.
- 评估食品质量的传统方法往往耗时,破坏性和劳动密集.
- 近红外 (NIR) 光谱为食品分析提供了一个有前途的非破坏性替代方案.
研究的目的:
- 开发和验证一种用于快速,非破坏性检测食品质量指标的新方法.
- 优化光谱预处理和波长选择,以提高预测准确度.
- 为了评估极端学习机器 (ELM) 模型与其他回归技术的性能.
主要方法:
- 采用近红外 (NIR) 谱法来获取光谱数据.
- 研究了8种光谱预处理技术和3种波长选择算法.
- 极端学习机器 (ELM) 模型与支持向量回归 (SVR) 和随机森林 (RF) 进行了比较.
主要成果:
- 萨维茨基-戈莱光滑与标准正常变量 (SNV) 结合,被证明是最佳的预处理方法.
- 确定K-means集群是最有效的波长选择算法.
- 在ELM模型中,使用K-平均值来选择波长,实现了高预测准确度 (TGC的R2>0.94,PC的R2>0.97) 和快速分析时间.
结论:
- 整合NIR光谱与ELM模型和基于集群的波长选择,为食品质量评估提供了强大而高效的解决方案.
- 这种方法可以快速,非破坏性,准确地确定关键的食品质量参数,如总体人参酸和蛋白质含量.
- 开发的方法具有在食品行业实时质量监测和控制方面的应用潜力.
