目录
摘 要 I
ABSTRACT II
第一章 绪论 1
1.1 研究背景及目的 2
1.2 国内外研究概况 2
1.3 课题研究内容 4
1.4 论文总体框架 5
第二章 材料与方法 6
2.1 蓝莓样品 6
2.2 FTNIR光谱采集 6
2.3 可溶性固形物含量(SSC)测定 6
2.4 偏最小二乘回归和统计分析 6
2.5 消除生物变异性的方法 7
2.5.1 基于补偿的方法 7
2.5.2 基于预处理的方法 7
2.5.3 基于等效的方法 8
2.5.4 基于分类的方法 8
2.5.5 基于校准传递的方法 9
2.6 自适应模型性能评估 9
2.7 自适应模型性能框架 10
第三章 实验部分 11
3.1 光谱特征 11
3.2 样本划分及SSC统计 11
3.3 生物差异性的影响 12
3.4 校正模型消除生物差异性的影响 14
3.4.1 基于补偿模型 15
3.4.2 基于预处理模型 15
3.4.3 基于等效模型 17
3.4.4 基于分类模型 17
3.4.5 基于校准传递模型 18
3.5 自适应模型的效果 20
第四章 结论与展望 22
参考文献 23
致 谢 26
生物差异性对于光谱回归模型的影响及普适性提升
摘 要
农作物具有品种、地理、季节等生物差异性，这些特性均会导致光谱变异，如何利用光谱检测方法对水果/蔬菜中的可溶性固形物含量(SSC)进行无损检测仍然是一个挑战。本文结合消除光谱变异的五种校正方法、自选择策略和模型检索技术，建立了自适应模型。该模型可以在自动适应不同生物差异性的同时确保结果的可靠性，还建立了100个周期选择随机算法，随机选择校准集和预测集。对于同一批蓝莓样品，与个体及混合变异模型相比， *51今日免费论文网|www.51jrft.com +Q: &351916072& 
这五种校正模型表现出不同的预测性能且均取得了满意的预测精度。自适应模型的结果在这三种情况(多重差异；只有品种；只有季节)下均表现出一致性，且在这三种情况下最佳的校正模型均采用预处理方法，分别选取70，57和47次。结果表明，生物差异性影响SSC的预测，这五种校正模型可以提高预测的准确性。对蓝莓样品而言，根据自适应结果选择的最合适模型是基于预处理的模型。目前，自适应模型是针对生物差异性而选择的最可靠、预测性最好的模型。

原文链接：http://www.jxszl.com/dzxx/dzdq/609103.html