文献类型：期刊文章

作　　者：刘美辰[1] 薛河儒[1] 刘江平[1] 代荣荣[1] 胡鹏伟[1] 黄清[1] 姜新华[1]

LIU Mei-chen;XUE He-ru;LIU Jiang-ping;DAI Rong-rong;HU Peng-wei;HUANG Qing;JIANG Xin-hua(College of Computer and Information Engineering,Inner Mongolia Agricultural Un iversity,Huhhot 010000,China)

机构地区：[1]内蒙古农业大学计算机与信息工程学院,内蒙古呼和浩特010000

出　　处：《光谱学与光谱分析》

基　　金：国家自然科学基金项目(61461041,31960494);内蒙古科技厅关键技术攻关项目(2020GG0169)资助。

年　　份：2022

卷　　号：42

期　　号：5

起止页码：1601-1606

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、PUBMED、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：牛奶中包含着很多人体需要的营养元素,如脂肪、蛋白质、钙等;对牛奶营养元素进行分析是牛奶安全检测关键的一部分。高光谱技术可以有效地结合图像和光谱数据识别牛奶种营养元素。为了实现对牛奶中蛋白质含量快速、精确的预测,采用竞争性自适应重加权(CARS)算法选取特征波长,并提出一种基于麻雀搜索算法(SSA)优化支持向量机(SVM)实现对牛奶蛋白质含量预测。利用高光谱仪获取牛奶反射光谱(400~1000nm)。通过选取归一化(N)、标准化(Standardization)和多元散射校正(MSC)对原始的牛奶数据进行光谱降噪处理提高光谱利用率;利用竞争性自适应重加权算法和连续投影算法(SPA)对经过处理的牛奶光谱数据提取特征波长,求取蛋白质和光谱间的相关系数并进行重要性排序,获取重要的特征波段;最后,通过遗传算法(GA)优化SVM,粒子群算法(PSO)优化SVM和偏最小二乘法(PLS)算法对牛奶蛋白质进行预测并比较预测结果,为了提高蛋白质预测的精度和模型稳定性,提出利用SSA对SVM的核函数g和惩罚参数c进行优化,以均方根误差(RMSE)作为适应度函数,通过迭代选择最优的回归参数训练模型。牛奶数据预测结果表明最优组合模型为:MSC-CARS-SSA-SVM。模型测试集的决定系数R^(2)为0.9996,均方根误差RMSE为0.0011,耗时4.1121s。结果表明:使用CARS算法能实现特征波段的提取和冗余信息的剔除,从而提高模型效率,简化了算法的复杂度;SSA算法优化SVM的参数,通过迭代更新麻雀最优位置,可以快速得到全局最优解,与SVM,GA-SVM,PSO-SVM和PLS相比,牛奶蛋白质的预测准确度和模型稳定性都得到了明显提高,满足了对乳品检测的精确度要求,是快速检测牛奶蛋白质的一个可行新方法。为光谱模型的优化及预测模型精度的提高提供参考。

关 键 词：高光谱  牛奶蛋白质 竞争性自适应重加权算法  支持向量机  麻雀算法  

分 类 号：TP79]