科研之友
微信
新浪微博
Facebook
分享链接
摘要
小麦粉的粉质特性决定了小麦粉的品质以及最终用途，粉质特性受到小麦的品种，产地，以及加工工艺等多个因素的影响，重要的粉质参数包括4个：吸水率、形成时间、稳定时间、弱化度。近红外光谱广泛应用于小麦粉成分参数的检测，如水分、蛋白质、灰分和湿面筋含量，其中大多直接应用线性回归算法建立模型，预测的精确度较低，且检测粉质特性的研究较少，研究结果也受到样本丰富度不足的影响。该研究收集了968份来自不同国家和地区的小麦粉粉质特性数据及近红外光谱，通过分类模型和回归模型的结合来提高粉质特性预测的精确度。采用包括标准正态变换(SNV)、线性去趋势(Detrend)、多元散射矫正(MSC)和Savitzky-Golay一阶求导的方法对光谱数据进行预处理，并通过交叉验证选择最佳预处理方法。在建模方法上，首先尝试了经典的线性回归方法，即偏最小二乘回归(PLSR)和主成分回归(PCR)。发现两种方法的精确度大致相当，PCA模型的校正均方根误差(RMSEC)分别为2.186、 1.838、 4.037、 21.693, PLSR模型为2.039、 1.837、 3.968、 21.252, PLSR模型比PCR所需的因子更少。其次，使用该文提出的二阶段回归模型，即先用高斯过程回归(GPR)的结果作为分类器对样本进行分类，在不同类别的样本簇中分别建立PLSR模型进行粉质特性的预测，再使用Sigmoid函数对PLSR模型进行融合。这种建模方法对粉质特性预测的精确度有较大提高，在不同粉质特性指标上的RMSEC分别为1.876、 1.160、 2.459、 14.449。
- 单位
