4．基于GA-PLS法的小麦粉湿面筋定量模型建立与分析

建立关于湿面筋含量的全谱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10-12所示。

图10-12湿面筋全谱PLS定量模型

湿面筋含量的全谱PLS定量模型相关系数R²为76.37, RMSECV为1.27, RESEP为1.45,RPD为2.53，RMSEP/RMSECV为1.058。

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10-13所示，算法在特征波长数量为80时趋于平稳。

图10-13特征波长数量随模型相关系数R²和RMSEC的变化

将湿面筋全谱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10-9。

表10-9光谱预处理结合遗传算法优化模型结果(湿面筋)

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，模型得到了更完善的优化。根据模型的准确度与稳健性参数，Savitsky-Golay平滑(25)点＋归一化结合遗传算法优化模型结果较好，相关系数R²为93.22，RMSEC为0.6809，RMSEP为0.6587, RPD为3.9155。但模型预测准确度还需提高。

光谱经Savitsky-Golay平滑(25)+归一化预处理后光谱图如图10-14所示。

Savitsky-Golay平滑(25)+归一化结合遗传算法优化的灰分PLS定量分析模型如图10-15所示。

图10-14Savitsky-Golay平滑(25)+归一化预处理后的光谱图

图10-15Savitsky-Golay平滑(25)＋归一化结合GA的水分PLS定量模型

Savitsky-Golay平滑(25)＋归一化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10-10。

表10-10检验集样本真实值与估计值误差

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。