1.基于不同水分区间的小麦粉水分近红外光模型比较分析
分别建立5个水分校正样本区间的全谱PLS定量模型，并利用同一组检验集样本检验5个模型的预测准确度，5个区间的定量模型结果如图10-2所示。不同水分含量区间的全谱PLS定量模型结果见表10-1。
图10-2 不同水分含量区间定量模型
图10-2 不同水分含量区间定量模型（续）
表10-1 不同水分含量区间的定量模型结果对比
从定量模型结果的对比可以看出，随着校正模型样本含水量梯度区间逐渐增大，模型的各个指标均有所提升，当区间增加到10%～16%时，RMSECV小幅增加，其他指标还优于之前区间的模型，但当区间增加到9%～16%时，RMSECV和RMSEP均高于区间3和区间4，表明模型准确度开始下降。
通过实验得出，校正集样本范围对模型的准确度有一定程度的影响。在合理区间拓宽样本范围可以有效地提升模型预测精度，并且由于包含了更广泛的样本，提高了模型对抗外界干扰因素的能力。结合模型各个指标参数，实验最终选取10%～16%为水分定量模型的校正区间。
2.基于不同光谱预处理的小麦粉水分模型比较分析
光谱除含有样本自身的化学信息外，还包含有其他无关信息和噪声，如电噪声、样本背景和杂散光等。
实验选用归一化、导数、标准正态变量变换（SNV）、多元散射校正（MSC）、Savitsky-Go-lay平滑5种常用光谱预处理方法，分别对小麦粉水分、灰分和湿面筋3个定量分析模型进行光谱处理，旨在消除光谱数据无关信息和噪声，提高校正模型的预测能力和稳健性，通过对结果的对比分析，找出最适合小麦粉检测的预处理方法。
建立水分、灰分和湿面筋3种成分的全谱PLS定量分析模型，并分别使用预处理方法对光谱进行优化，实验结果见表10-2。
表10-2 采用不同预处理方法的定量模型结果对比（水分）
从表10-2中可以看出，导数以及导数结合SNV、MSC预处理方法并不理想，甚至低于无预处理情况下的预测结果，SNV和MSC以及Savitsky-Golay平滑结合SNV、MSC预处理后的模型相关系数和RMSEC有小幅度的优化，且模型稳健性增高；归一化、Savitsky-Golay平滑结果略低于无预处理情况，但相差不大，归一化稳健性优于无预处理情况。(www.xing528.com)
3.基于不同光谱预处理的小麦粉灰分模型比较分析
小麦粉灰分全谱PLS定量模型实验结果见表10-3。
表10-3 采用不同预处理方法的定量模型结果对比（灰分）
（续）
可以看出，采用归一化、SNV、MSC、Savitsky-Golay平滑、Savitsky-Golay平滑+SNV以及Savitsky-Golay平滑+MSC光谱预处理方法的灰分定量模型，预测准确度均有大幅提高，模型稳健度也随之提升，导数预处理方法不适合灰分定量模型，结果较差。
4.基于不同光谱预处理的小麦粉湿面筋模型比较分析
湿面筋全谱PLS定量模型实验结果见表10-4。
表10-4 采用不同预处理方法的定量模型结果对比（湿面筋）
可以看出，采用Savitsky-Golay平滑、Savitsky-Golay平滑+SNV和Savitsky-Golay平滑+MSC预处理方法建立的湿面筋定量模型准确度明显优于全谱无预处理的定量模型，但模型的稳定性低，导数预处理方法效果较差，SNV和MSC预处理方法提升了模型的稳定性，综合预处理方法归一化预处理法优化结果最好，模型的准确度与稳定性均得到了提高。
5.小结
综上所述，采用适合的光谱预处理方法可以优化定量分析模型，但效果有限，模型的预测准确度达不到实际生产的水平，因此还需要借助其他优化方法提升模型的预测精度与稳健性，多种方法相结合的方式整体优化定量模型。
结合经预处理方法优化后模型的准确度与稳健性，实验最终选取归一化、SNV、MSC、Savitsky-Golay平滑以及Savitsky-Golay平滑结合SNV和MSC共6种光谱预处理方法用于小麦粉品质检测模型的优化，以及后续优化方法的实验中。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
