第34卷，第12期 2014年12
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol. 34 ,No. 12 -pp3253-3256
December: 2014
基于变量优选和快速独立成分分析的黄花梨可溶性
固形物可见/近红外光谱检测
许文丽，孙通，胡田，胡涛，刘木华江西农业大学生物光电技术及应用重点实验室，江西南吕330045
摘要为建立预测能力高、稳定性强的可见/近红外漫透射光谱无损检测黄花梨可溶性固形物(SSC)数学模型，对比各种预处理方法、变量优选方法、快速独立主成分分析（FICA)以及最小二乘支持向量机（LS SVM)对黄花梨SSC模型的影响，得出最佳的组合方法用于建立黄花梨可溶性固形物(SSC)预测模型。采用 QualitySpec型光谱仪采集550950nm波段范围内的黄花梨漫透射光谱并采用遗传算法、连续投影算法和 CARS（competitiveadaptivereweighted sampling）三种方法筛选黄花梨可溶性固形物的光谱特征变量，再结合FICA提取光谱主成分，最后采用LS-SVM建立黄花梨的SSC预测模型。结果显示，采用CARS筛选的 21个变量，经FICA挑选出12个主成分数，联合LS-SVM所建立的CARS-FICA-LS-SVM黄花梨SSC预测模型性能最佳，建模集和预测集的决定系数及均方根误差分别为0.974，0.116%和0.918，0.158%，同直接采用PLS方法建模相比，变量数从401个下降到21，主成分数由14下降到12，建模集和预测集决定系数分别上升了0.023，0.019，而建模和预测均方根误差分别下降了0.042%和0.010%。CARS-FICA-LS-SVM建
立黄花梨SSC预测模型能够有效地简化预测模型并提高预测模型精度。关键词可见/近红外；黄花梨；CARS；FICA；LS-SVM；可溶性固形物
中图分类号：S123文献标识码：A
引言
DOI:10. 3964/j. issn, 1000-0593 (2014)12-3253-04
均平滑法作预处理，SPA为特征波长选取方法，结合最小二乘一支持向量机（LS-SVM)建立动态情况下赞皇枣和邮枣的可溶性固形物含量模型。
黄花梨属砂梨品种，果实呈圆锥形，皮呈黄褐色、果心较小、肉白而脆嫩、汁多而味甜、口味较一般梨更佳、果实成熟期卓，深受市场欢迎。而可溶性固形物（SSC)是黄花梨内部品质的重要指标，与消费者的口感密切相关，为保证水果品质、增强其市场竞争力，对黄花梨的SSC进行快速、无损检测尤为重要。
可见/近红外光谱技术因分析速度快、不破坏样品、不
用试剂、不污染环境、投资少、可用于定性以及定量分析等优点，被广泛应用于水果内部品质的检测-]。欧阳爱国等9]采用反向区间偏最小二乘法(BiPLS）、遗传算法(GA)和连续投影算法(SPA)挑选苹果可溶性固形物的近红外光谱变量，并结合偏最小二乘法（PLS)建立相应的回归模型，结果显示GA-PLS方法能有效提高模型精度，其预测相关系数和预测均方根误差分别为0.96和0.23%。赵慧聪等利用平
收稿日期：2013-10-09，修订日期：2014-03-05
本工作针对光谱数据的变量筛选选择了三种算法，GA(genetic algorithm ), SPA (successive projections algorithm ) 以及 CARS(competitive adaptive reweighted sampling)筛选黄花梨的特征光谱变量，然后利用FICA方法提取出相应的独立成分结合LS-SVM方式分别建立黄花梨的SSC预测模型，同原始光谱采用PLS方法建立的黄花梨SSC预测模型进行对比研究。
实验部分 1
1.1样品
黄花梨购自南昌水果批发市场。先将黄花梨样品的表皮擦拭清理干净，于果柄附近编号，置于室温下保存12h，使样品温度与室温基本一致。共采用237个黄花梨样品，将样
基金项目：国家自然科学基金项目（31271612），留学人员科技活动项目（2012），江西省教育厅科学研基金项目（GJJ13254)资助作者简介：许文丽，女，1990年生，江西农业大学工学院硕士研生
e-mail : xuwenli. 1990@ 163, com
*通讯联系人e-mail：suikelmh@sina.com