论文部分内容阅读
为了实现对小麦品质参数的快速检测,本文提出了基于近红外光谱结合定量算法建立数学模型,以全国各地的160份小麦颗粒和小麦面粉为对象,采集其漫反射吸收光谱,并以国标法检测得到小麦的蛋白质含量、水分值和面筋值作为参考值,将所得样品均匀划分成训练集和验证集,对所建模型进行定标验证,并使用最佳模型检测小麦其它成分,具体研究内容和结果如下:1、以BP神经网络为基础,结合不同的优化算法建立数学模型通过神经网络定量分析方法,结合小波算法、去趋势算法、一阶导数算法、主成分分析法等预处理算法,对得到的小麦蛋白质光谱数据进行预处理,结果表明:神经网络通过主成分分析和去趋势算法得到的结果最佳R值高达0.98,RMSEP为0.26%,其他数学模型线性结果较佳,R值在0.95到0.98之间,RMSEP在0.26%到0.30%之间。2、以偏最小二乘回归PLSR为基础,结合不同的优化算法建立数学模型通过偏最小二乘法定量分析方法,结合小波算法,一阶导数,二阶导数,去趋势算法建立数学模型,采用交叉验证留一法取得最佳主成分个数。对小麦蛋白质光谱数据进行处理,结果比较,数据经过交叉验证留一法结合小波变换对光谱数据进行预处理,得到的结果最佳R值为0.92,RMSPCV为1.71%,而其他数学模型线性效果一般。3、比较分析上述两个模型通过两个数学模型进行分析比较得出,神经网络的预测能力明显高于偏最小二乘法,不管是R还是RMSEP的数值大小都说明神经网络更适合处理非线性的问题。4、基于BP神经网络模型,对小麦水分和面筋含量的检测使用已有的神经网络数学模型对小麦的水分和面筋值含量进行检测,通过分析比较,面粉面筋在BP-ANN结合Detrended优化算法下,得到的分析结果最佳,其中R值高达0.98,RMSEP值仅为0.24%,而小麦水分在BPP-ANN结合小波变换的算法下得到的结果最佳,其中R为0.96,RMSEP值为0.31%。