基于粒子群优化算法优化反向传播神经网络构建冷藏草鱼新鲜度的近红外光谱预测模型

摘要:

目的 基于机器学习算法构建冷藏草鱼新鲜度的近红外光谱预测模型。方法 采集连续冷藏 6 d 的草鱼片的新鲜度指标, 并进行方差分析。 选择受冷藏天数影响最大的指标—总挥发性盐基氮(total volatile basic nitrogen, TVB-N)进行定量预测。运用 x-y 距离结合的样本划分(sample set partitioning based on joint x-y distance, SPXY) 方 法 进 行 数 据 集 的 划 分 , 并 采 用 正 交 信 号 校 正 法 (orthogonal signal correction, OSC)、Savitzky-Golay (SG)、一阶导数及其组合算法进行光谱预处理。再运用竞争性自适应重加权采样(competitive adaptive reweighted sampling, CARS)、连续投影算法(successive projections algorithm, SPA)、主成分分析(principal component analysis, PCA)对光谱变量进行选择和降维。最后结合偏最小二乘回归(partial least squares regression, PLSR)、反向传播(back propagation, BP)神经网络和粒子群优化算法(particle swarm optimization, PSO)优化 BP 神经网络(PSO-BP), 建立草鱼(Ctenopharyngodon idella)片新鲜度定量预测模型。结果 各线性和非线性模型均得到了良好的预测效果, 预测集相关系数均超过了 0.95。 PLSR 表现较为稳定, BP 神经网络虽提高了校正集预测性能, 但是预测集性能不如 PLSR。PSO-BP 既保证了校正集预测性能, 也提高了预测集性能。基于 OSC+D1 预处理和 CARS 变量选择后的 PSO-BP 模型性能最优(R2P=0.987, 预测集的均方根误差为 0.108, 相对分析误差为 7.778)。结论 基于 PSO-BP 算法和近红外光谱的定量预测模型可以很好地预测冷藏鱼肉的新鲜度指标。

Abstract: