量子电子学报

作者：高翔堃,董璇,刘超,詹杰,黄青

单位：1 中国科学院合肥物质科学研究院, 安徽 合肥 230031;2 中国科学技术大学, 安徽 合肥 230026

关键词：光谱学,定性和定量分析模型,机器学习,番茄红素,樱桃番茄,组合间隔偏最小二乘,

基金：安徽省中央引导地方科技发展专项资金项目 (S20200706050011)

针对樱桃番茄中番茄红素的近红外光谱检测, 采用机器学习算法建立了定性和定量分析模型。首先对番茄红素的提取与检测方法进行优化, 然后基于7000～8000 cm−1和10000～11000 cm−1两个波段的光谱, 建立了用于樱桃番茄中番茄红素含量预测的组合间隔偏最小二乘 (siPLS) 模型。相较于现阶段的偏最小二乘 (PLS) 定量模型, siPLS模 型 在 预 测 准 确 度 方 面 有 一 定 的 提 升 , 其 训 练 集 相 关 系 数 Rc = 0.8008, 训 练 集 交 叉 验 证 均 方 根 误 差ERMSECV = 9.56 mg/kg, 测试集相关系数Rp=0.8683, 测试集均方根误差ERMSEP = 4.59 mg/kg。进一步引入回归型支持向量 机 (SVR) 算 法 建 立 定 量 模 型 , 对 比 分 析 表 明 , SVR 模 型 比 siPLS 模 型 的 性 能 更 优 , 其 Rc=0.9559,ERMSEC = 4.229 mg/kg; Rp=0.8959, ERMSEP = 8.363 mg/kg。最后, 基于支持向量机 (SVM) 和多通道卷积神经网络(CNN)-门控循环单元 (GRU) 联合模型, 建立了樱桃番茄中番茄红素的浓度分类模型。结果表明, 相较于SVR模型, 多通道CNN-GRU联合模型具有更高的定性识别准确率。

来源：2025年第3期

《量子电子学报》期刊编辑部

查看量子电子学报杂志2025年第3期