基于极限学习机自编码算法的近红外光谱模型传递的研究

摘要:

目的 针对食用油的酸值和过氧化值进行分析, 探究极限学习机自编码算法(transfer via extreme learning machine auto-encoder algorithm, TEAM)在近红外光谱上的模型传递。方法 使用 MATRIX-F 和VERTEX-70 两种红外光谱仪采集食用油近红外光谱数据, 利用多元散射校正方法对光谱数据进行预处理。然后基于 TEAM 建立传递模型, 并与直接标准化、 分段直接标准化和斜率偏差校正算法的建模效果进行了对比。结果 经 TEAM 算法模型传递后提高了模型的精确度, 食用油酸值模型中, 决定系数(R2)从?1.3984 升高到0.8553, 预测集均方根误差从 0.6130 mg/g 降低到 0.2578 mg/g, 食用油过氧化值模型中, R2 从 0.6170 升高到0.8987, 预测集均方根误差从 16.1530 mmol/kg 降低到 10.4150 mmol/kg。 结论 极限学习机自编码算法使从机数据更好适应主机模型, 提高了模型的稳定性和准确性。

Abstract: