领学术科研之先，创食品科技之新
—— 中国食品杂志社
本研究针对可见-近红外光谱（visible/near infrared spectroscopy，Vis/NIRS）检测贡梨可溶性固形物含量（soluble solid contents，SSC）时易受样品温度波动干扰的问题，采用一种融合竞争性自适应重加权采样（competitive adaptive reweighted sampling，CARS）和一维卷积神经网络（1D convolutional neural network，1D-CNN）回归模型的温度校正方法，并设置6 个温度梯度（5、10、15、20、25、30 ℃）进行验证。模型输入中引入温度标签作为辅助变量，有助于神经网络感知并适应不同温度条件下的光谱变化，从而提升模型对温度扰动的鲁棒性。将该方法与全局校准、广义最小二乘加权法（generalized least squares weighting，GLSW）、外部参数正交法（external parameter orthogonal，EPO）等温度校正方法进行对比验证。结果显示，CARS-1D-CNN在预测精度与鲁棒性方面优于EPO等传统方法，预测集的相关系数（Rp）和均方根误差分别达到0.885 9和0.548 3。相比本研究中的传统方法EPO，CARS-1D-CNN相关系数提升了2.96%，预测均方根误差降低了2.73%。该方法有效减轻了温度对光谱模型的干扰，提高了模型的稳定性和预测性能。
2023年第44卷 2022年第43卷 2021年第42卷 2020年第41卷 2019年第40卷 2018年第39卷 2017年第38卷 2016年第37卷 2015年第36卷 2014年第35卷 2013年第34卷 2012年第33卷 2011年第32卷 2010年第31卷 2009年第30卷 2008年第29卷 2007年第28卷 2006年第27卷 2005年第26卷 2004年第25卷 2003年第24卷 2002年第23卷 2001年第22卷 2000年第21卷 1999年第20卷 1998年第19卷 1997年第18卷 1996年第17卷 1995年第16卷 1994年第15卷 1993年第14卷 1992年第13卷 1991年第12卷 1990年第11卷 1989年第10卷 1988年第09卷 1987年第08卷 1986年第07卷 1985年第06卷 1984年第05卷 1983年第04卷 1982年第03卷 1981年第02卷 1980年第01卷
电话: 010-87293157
地址: 北京市丰台区洋桥70号
版权所有 @ 2023 中国食品杂志社 京公网安备11010602060050号 京ICP备14033398号-2
