首页|基于粒子群优化算法优化反向传播神经网络构建冷藏草鱼新鲜度的近红外光谱预测模型

基于粒子群优化算法优化反向传播神经网络构建冷藏草鱼新鲜度的近红外光谱预测模型

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的 基于机器学习算法构建冷藏草鱼新鲜度的近红外光谱预测模型.方法 采集连续冷藏 6 d的草鱼片的新鲜度指标,并进行方差分析.选择受冷藏天数影响最大的指标—总挥发性盐基氮(total volatile basic nitrogen,TVB-N)进行定量预测.运用 x-y 距离结合的样本划分(sample set partitioning based on joint x-y distance,SPXY)方法进行数据集的划分,并采用正交信号校正法(orthogonal signal correction,OSC)、Savitzky-Golay(SG)、一阶导数及其组合算法进行光谱预处理.再运用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)、连续投影算法(successive projections algorithm,SPA)、主成分分析(principal component analysis,PCA)对光谱变量进行选择和降维.最后结合偏最小二乘回归(partial least squares regression,PLSR)、反向传播(back propagation,BP)神经网络和粒子群优化算法(particle swarm optimization,PSO)优化BP神经网络(PSO-BP),建立草鱼(Ctenopharyngodon idella)片新鲜度定量预测模型.结果 各线性和非线性模型均得到了良好的预测效果,预测集相关系数均超过了 0.95.PLSR表现较为稳定,BP神经网络虽提高了校正集预测性能,但是预测集性能不如 PLSR.PSO-BP 既保证了校正集预测性能,也提高了预测集性能.基于 OSC+D1 预处理和 CARS 变量选择后的 PSO-BP 模型性能最优(R2P=0.987,预测集的均方根误差为0.108,相对分析误差为 7.778).结论 基于 PSO-BP 算法和近红外光谱的定量预测模型可以很好地预测冷藏鱼肉的新鲜度指标.
Establish of prediction models of near-infrared spectroscopy for freshness of refrigerated Ctenopharyngodon idella based on particle swarm optimization algorithm for optimizing back propagation neural network

near-infrared spectroscopyrefrigeratedCtenopharyngodon idellafreshnesstotal volatile basic nitrogenparticle swarm optimizationback propagation neural networkorthogonal signal correction

张沁宇、胡志刚、徐子健、王子豪、蒋亚军、付丹丹、陈艳

展开 >

武汉轻工大学机械工程学院, 武汉 430023

湖北省水产加工装备工程技术研究中心, 武汉 430023

湖北省粮油机械工程技术研究中心, 武汉 430023

近红外光谱 冷藏 草鱼 新鲜度 总挥发性盐基氮 粒子群优化算法 反向传播神经网络 正交信号校正法

湖北省技术创新重大专项湖北省重点研发计划

2019ABA0852023BBB042

2023

食品安全质量检测学报
北京市电子产品质量检测中心 北京方略信息科技有限公司

食品安全质量检测学报

CSTPCD
影响因子：0.73
ISSN：2095-0381
年,卷(期)：2023.14(22)
  • 3