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).