3．基于GA-PLS法的小麦粉灰分定量模型建立与分析

建立关于灰分含量的全谱PLS定量校正模型，并对检验集样本进行预测。模型预测结果如图10-8所示。

灰分含量全谱PLS定量模型实验结果：相关系数R²为70.31, RMSEC为0.0775, RMSEP为0.0914, RPD为1.345, RMSEP/RMSEC为1.18。由结果看出，取全谱波数建立PLS定量模型，实验结果预测准确度差，且模型稳健性不高。

图10-8灰分的全谱PLS定量模型

实验在建立基于遗传算法优化波长的小麦粉中灰分含量PLS定量模型时，种群规模设定为30，最大迭代次数设定为150，提取特征波长数量为80，适应度函数选择RMSEP。

特征波长数量随模型相关系数R²和RMSEC的变化如图10-9所示，算法在特征波长数量为80时趋于平稳。

图10-9特征波长数量随模型相关系数R²和RMSEC的变化

将灰分全谱PLS定量模型采用各光谱预处理方法以及遗传算法优化模型，各方法优化结果见表10-7。

表10-7光谱预处理结合遗传算法优化模型结果(灰分)

从实验结果看，模型经遗传算法筛选特征波长后，预测准确度有了大幅提高，并且结合适合的光谱预处理方法后，模型得到了更完整的优化。根据模型的准确度与稳健性参数，Savitsky-Golav平滑(25)点结合遗传算法优化模型结果最为理想，相关系数R²为97.33, RMSEC为0.0232,RMSEP为0.021, RPD达到5.8637，模型稳健性良好。

光谱经Savitsky-Golay 平滑(25)预处理后光谱图如图10-10所示。

Savitsky-Golay平滑(25)结合遗传算法优化的灰分PLS定量分析模型如图10-11所示。

图10-10Savitsky-Golay平滑(25)预处理后的光谱图

图10-11Savitsky-Golay平滑(25)＋GA的水分PLS定量模型

Savitsky-Golay平滑(25)结合遗传算法优化模型的检验集样本真实值与估计值误差见表10-8。

表10-8检验集样本真实值与估计值误差

相关链接：基于遗传算法的小麦粉品质近红外光模型优化方法研究（一）

文章来源：《多光谱食品品质检测技术与信息处理研究》

版权与免责声明：转载目的在于传递更多信息。

如其他媒体、网站或个人从本网下载使用，必须保留本网注明的"稿件来源"，并自负版权等法律责任。

如涉及作品内容、版权等问题，请在作品发表之日起两周内与本网联系，否则视为放弃相关权利。