Сравнительное исследование калибровочных моделей с использованием данных ИК-спектроскопии в ближнем диапазоне

Pan N.; Yu Z.; Ling W.; Xu J.; Liao Y.

Сравнительное исследование калибровочных моделей с использованием данных ИК-спектроскопии в ближнем диапазоне

Pan N. , Yu Z. , Ling W. , Xu J. , Liao Y.

2024

Для определения влажности и содержания жира и белка в свинине разработана автоматическая процедура, основанная на регрессии опорных векторов (SVR), методе обратного распространения ошибки (BPNN) и объединении анализа главных компонент и BPNN (PCA-BPNN) с использованием 16 комбинаций предварительной обработки (функция-свертка, скользящее среднее, удаление тренда на основе стандартной нормальной переменной и мультипликативной коррекции разброса). Сравнение моделей проведено для оценки влияния предварительной обработки и калибровки на прогнозирующую способность моделей. Методы коррекции и сглаживания позволяют значительно уменьшить ошибку прогнозирования модели. Большинство моделей SVR имеют высокую точность прогнозирования и подходят для прогнозирования влажности и содержания белка. BPNN и PCABPNN больше подходят для устранения нелинейности между содержанием жира и данными ИК-спектроскопии в ближнем диапазоне.

Pan N. , Yu Z. , Ling W. , Xu J. , Liao Y. Сравнительное исследование калибровочных моделей с использованием данных ИК-спектроскопии в ближнем диапазоне. Журнал прикладной спектроскопии. 2024;91(1):172.

Цитирование

Список литературы

1. E. Zamora-Rojas, A. Garrido-Varo, E. De Pedro-Sanz, J. E. Guerrero-Ginel, D. Pérez-Marín, Food Chem., 129, 1889–1897 (2011).

2. M. Bonneau, B. Lebret, Meat Science, 84, 293–300 (2010).

3. I. Ramírez-Morales, D. Rivero, E. Fernández-Blanco, A. Pazos, Chemometr. Intell. Lab. Syst., 159, 45–57 (2016).

4. O. Chapelle, P. Haffner, V. N. Vapnik, IEEE Transact. Neural Networks, 10, 1055–1064 (1999).

5. C. De Bleye, P. F. Chavez, J. Mantanus, R. Marini, P. Hubert, E. Rozet, E. Ziemons, J. Pharm. Biomed. Analysis, 69, 125–132 (2012).

6. Y. Roggo, L. Duponchel, B. Noe, J. P. Huvenne, J. Near Infrared Spectrosc., 10, 137–150 (2002).

7. http://lib.stat.cmu.edu/datasets/tecator.

8. C. Borggaard, H. H. Thodberg, Anal. Chem., 64, 545–551 (1992).

9. M. B. Whitfield, M. S. Chinn, J. Near Infrared Spectrosc., 25, 363–380 (2017).

10. X. Chu, H. Yuan, W. Lu, Progress Chem., 16, 528–542 (2004).

11. T. Naes, T. Isaksson, B. Kowalski, Anal. Chem., 62, 664–673 (1990).

12. A. Savitzky, M. J. Golay, Anal. Chem., 36, 1627–1639 (1964).

13. S. R. Delwiche, R. A. Graybosch, Appl. Spectrosc., 57, 1517–1527 (2003).

14. Q. Liu, J. Wang, IEEE Transact. Neural Networks, 19, 558–570 (2008).

15. S. Heo, J. H. Lee, Comput. Chem. Eng., 127, 1–10 (2019).

16. Y. Wang, Y. Li, Y. Song, X. Rong, Appl. Sci., 10, 1897 (2020).

17. S. W. Lin, S. C. Chen, W. J. Wu, et al., Knowledge and Inform. Systems, 21, 249–266 (2009).

18. C. H. Li, S. C. Park, Inform. Proc. Manag., 45, 329–340 (2009).

19. L. Zhang, Y. Li, Y. Gu, et al., China Comm., 14, 141–150 (2017).

20. C. Alcaraz, A. Vila‐Gispert, E. García‐Berthou, Diversity and Distributions, 11, 289–298 (2005).

21. R. M. Balabin, E. I. Lomakina, Analyst, 136, 1703–1712 (2011).

22. H. T. Lin, C. J. Lin, Neural Comput., 3, 1–32 (2003).

23. S. Arlot, A. Celisse, Statistics Surv., 4, 40–79 (2010).

24. J. Li, S. Zhu, S. Jiang, J. Wang, LWT – Food Sci. Technol., 82, 369–376 (2017).

25. P. Shan, S. Peng, Y. Bi, L. Tang, C. Yang, Q. Xie, C. Li, Chemometr. Intell. Lab. Syst., 138, 72–83 (2014).

Источник

Информация

Автор

Pan N. Университет образования Гуйчжоу
Yu Z. Университет образования Гуйчжоу
Ling W. Университет образования Гуйчжоу
Xu J. Университет образования Гуйчжоу
Liao Y. Университет образования Гуйчжоу

Страницы

Год издания

2024

Ключевые слова

Коллекции

Журнал прикладной спектроскопии