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

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.

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).