MIV波長優選改善VIS/NIR光譜TVB-N模型性能研究

陳亦凡，李蕓婧，彭苗苗，楊春勇，侯 金，陳少平

智能無線通信湖北省重點實驗室，中南民族大學電子信息工程學院，湖北 武漢 430074

引 言

根據我國鮮凍畜肉的國家標準(GB/T 5009.44—2003)，揮發性鹽基氮(TVB-N)是衡量肉品新鮮度的一項重要理化指標。傳統標定新鮮度的方法費時、繁瑣、破壞性大，難以滿足快速檢測TVB-N含量的需求。近年來，可見/近紅外(VIS/NIR)光譜檢測憑借快捷、簡便和無損等優勢，成為檢測領域的熱點[1-3]，也已應用在TVB-N含量的檢測。

在光譜分析檢測領域，預測模型屬于研究重點[4]。關于預測模型，目前大致分為線性預測模型和非線性預測模型兩類。為了發展肉質中TVB-N含量快速檢測法，針對這兩類模型，國內外學者就光譜預測模型進行了深入研究。意大利的Alamprese等[5]利用偏最小二乘回歸(partial least squares regression，PLSR)引入12個主成分, 建立了942～2 667 nm的NIR全譜線性預測模型，模型預測相關系數(RP)為0.95，預測均方根誤差(root mean square error of prediction，RMSEP)為6.47 mg/100 g，初步滿足了對牛肉TVB-N定量分析的需求。國內的蔡健榮等學者[6]對1 000～2 500 nm的豬肉NIR光譜數據，建立了基于波長篩選的聯合偏最小二乘回歸(siPLSR)預測模型，RP為0.82，RMSEP為4.17 mg/100 g，進一步提高了線性預測模型PLSR的準確性。此后，Huang等[7]使用主成分分析(principal component analysis，PCA)降維相同波段的豬肉光譜數據作為反向神經網絡(back propagation neural network，BPNN)的輸入，建立了NIR全譜非線性預測模型,RP為0.94，RMSEP為3.63 mg/100 g。相對于線性預測模型，NIR全譜非線性預測模型準確性更高。對比相關典型文獻，大多數全譜線性預測模型可用于肉質TVB-N含量的定量分析，盡管其結合波長篩選一定程度上提升了模型性能，但總體性能與全譜非線性預測模型BPNN相比仍有差距。……