食品工业科技

作者：刘思岐, 冯国红, 刘中深, 朱玉杰

关键词：蓝莓果渣,花青素,可见近红外光谱技术,堆叠监督自编码器,无损检测,

基于可见近红外光谱技术，采用深度学习中的堆叠监督自编码器（stacked supervised autoencoders，SSAE）对蓝莓果渣的花青素含量进行了建模。首先对光谱数据进行预处理和特征筛选处理，以预设SSAE模型的预测集均方根误差（RMSEP）最低为标准，选择出178个特征波长；以选择出的特征波长处的吸光值作为SSAE模型的输入，以蓝莓果渣中的花青素含量为输出，讨论SSAE模型激活参数、节点数、训练次数和学习率，得到SSAE最优参数，即激活函数rule、结构178-60-5-1、训练次数70、学习率0.01。选取训练集均方根误差（RMSEC）、预测集均方根误差（RMSEP）、预测集相关系数（Rp）为评价标准，获得所建立模型的RMSEC、RMSEP、Rp分别为1.0500、0.3835、0.9042。最后通过与经典回归预测模型极限学习机（extreme learning machine，ELM）、最小二乘支持向量机回归（least squares support vector regression，LSSVR）和偏最小二乘回归（partial least squares regression，PLSR）算法进行对比，发现本研究所建SSAE模型的预测精度更高，表明SSAE模型与可见近红外光谱结合能有效预测蓝莓果渣中的花青素含量。

来源：2023年第10期

《食品工业科技》期刊编辑部

查看食品工业科技杂志2023年第10期