摘要
基于可见近红外光谱技术,采用深度学习中的堆叠监督自编码器(stacked supervised autoencoders,SSAE)对蓝莓果渣的花青素含量进行了建模.首先对光谱数据进行预处理和特征筛选处理,以预设SSAE模型的预测集均方根误差(RMSEP)最低为标准,选择出178个特征波长;以选择出的特征波长处的吸光值作为SSAE模型的输入,以蓝莓果渣中的花青素含量为输出,讨论SSAE模型激活参数、节点数、训练次数和学习率,得到SSAE最优参数,即激活函数rule、结构178-60-5-1、训练次数70、学习率0.01.选取训练集均方根误差(RMSEC)、预测集均方根误差(RMSEP)、预测集相关系数(Rp)为评价标准,获得所建立模型的RMSEC、RMSEP、Rp分别为1.0500、0.3835、0.9042.最后通过与经典回归预测模型极限学习机(extreme learning machine,ELM)、最小二乘支持向量机回归(least squares support vector regression,LSSVR)和偏最小二乘回归(partial least squares regression,PLSR)算法进行对比,发现本研究所建SSAE模型的预测精度更高,表明SSAE模型与可见近红外光谱结合能有效预测蓝莓果渣中的花青素含量.
基金项目
中央高校基本科研业务费专项资金项目(2572020BL01)
黑龙江省自然科学基金(LH2020C050)
国家科技期刊平台
NSTL
维普
万方数据