仇遜超,曹 軍,張怡卓

(1.哈爾濱金融學(xué)院 計算機系,黑龍江 哈爾濱 150030; 2.東北林業(yè)大學(xué) 機電工程學(xué)院,黑龍江 哈爾濱 150040)

我國是名副其實的松子產(chǎn)量和出口大國,約占全球松子交易量的77%,其中東北地區(qū)的產(chǎn)量占比達全國的90%左右,又以東北紅松籽最為著名。紅松仁富含亞油酸、亞麻酸等不飽和脂肪酸,具有降低膽固醇、血液黏稠,預(yù)防心絞痛、動脈粥樣硬化、老年性肥胖癥,提高腦細胞活性等功效,因此,紅松籽有“長生果”的美譽。然而紅松仁的油脂酸敗會使其氣味、色澤發(fā)生改變,影響其品質(zhì),縮短其存儲周期。索氏提取法是種子脂肪含量測定的普遍首選標準方法,但其耗時長、步驟繁瑣,且需要使用對人體有害的乙醚試劑,僅適用于嚴苛的實驗室環(huán)境,無法滿足大規(guī)模檢測自動化及普及化的需求[1]。近紅外光譜間接檢測技術(shù)具有安全、簡便、準確、快速、非破壞性、穩(wěn)定性好等優(yōu)點,且脂肪化學(xué)鍵在近紅外光譜頻段反應(yīng)良好,因此,近年來近紅外光譜技術(shù)被廣泛地應(yīng)用到堅果、肉類、谷物、乳類等農(nóng)產(chǎn)品脂肪定量檢測研究中[2-6]。

紅松仁脂肪近紅外檢測研究還沒有廣泛開展,作者前期利用反向間隔偏最小二乘法、間隔偏最小二乘法、無信息變量消除法,構(gòu)建了紅松仁近紅外特征篩選偏最小二乘脂肪定量預(yù)測模型。近紅外光譜數(shù)據(jù)具有信息量過剩、特征間相關(guān)性較高、高維數(shù)據(jù)建模運算量大且耗時長等問題,除采用特征篩選來影響建模效率及模型預(yù)測的準確性外,還可以采用數(shù)據(jù)降維的方法來實現(xiàn)。數(shù)據(jù)降維具有保留信息本質(zhì)結(jié)構(gòu)的特點,降維方法分為線性和非線性兩種,其中,線性降維方法無法很好地保留高維數(shù)據(jù)復(fù)雜結(jié)構(gòu)的完整信息[7]。從數(shù)學(xué)拓撲出發(fā)的流形學(xué)習(xí)是一種非線性降維方法,其原理是尋找到低維流形模型到高維歐式空間的映射,盡可能地保留全部數(shù)據(jù)信息,表征數(shù)據(jù)的某些本質(zhì)結(jié)構(gòu),并發(fā)掘數(shù)據(jù)的隱含信息[8]。

以紅松仁脂肪含量為研究對象,提出一種流形學(xué)習(xí)的近紅外光譜檢測方法。運用變量標準化校正、一階導(dǎo)數(shù)、小波變換對獲取到的紅松仁近紅外光譜原始數(shù)據(jù)進行預(yù)處理,在此基礎(chǔ)上,分別采用主成分分析的線性降維方法及等距映射、局部線性嵌入、改進型局部線性嵌入、局部切空間對齊、黑塞特征映射的流形學(xué)習(xí)非線性降維方法進行降維處理,以近紅外技術(shù)中最為廣泛采用的偏最小二乘為定標模型,比對嶺回歸、支持向量回歸、極度梯度提升的建模結(jié)果,最終,找到最優(yōu)近紅外模型,實現(xiàn)對紅松仁脂肪的無損、準確定量檢測。

1 材料與方法

1.1 樣本采集

本研究的紅松籽樣本購買于試驗當(dāng)年的涼水國家級自然保護區(qū)。對紅松籽進行手工去殼脫紅衣,隨機選取390粒完整的紅松仁樣本,并進行159份的劃分,其中,將134份樣本分別放入貼有1～134編號標簽的密封袋中;另25份樣本分別放入貼有測1-測25編號標簽的密封袋中,用于建模后對模型的測試。樣本置于相對濕度和溫度分別為50%～60%、-1～2 ℃的恒濕恒溫陰涼處進行保存待用。

1.2 近紅外光譜數(shù)據(jù)的采集

經(jīng)查找相關(guān)文獻發(fā)現(xiàn),光譜波長范圍在950～1 700 nm包含的信息可以較理想地滿足本研究需求[9-10]。本研究采用德國INSION公司微型NIR-NT-spectrometer-OEM-system光纖光譜儀進行樣本近紅外數(shù)據(jù)的采集,該儀器具有高集成性和抗震性,其光譜適用波長范圍為900～1 700 nm,光譜分辨率在16 nm以下。在采集樣本近紅外光譜數(shù)據(jù)前,先將紅松仁樣本置于環(huán)境溫度為26 ℃左右的環(huán)境下24 h以上,打開預(yù)熱光譜儀15 min左右,設(shè)置光譜儀積分時間為30 ms,平均次數(shù)設(shè)置為3次,將探頭放入操作臺底端的孔洞內(nèi),保持探頭與樣本距離在3 mm左右,固定探頭。采集近紅外光譜數(shù)據(jù)時,將倒卵狀三角形的紅松仁平滑腹部置于圓孔固定夾上。近紅外光譜采集系統(tǒng)如圖1所示。

圖1 近紅外光譜采集系統(tǒng)示意圖Fig.1 Schematic diagram of near-infrared spectrum acquisition system

1.3 化學(xué)脂肪真實值定量測定

紅松仁脂肪的定量測定采用GB5009.6—2003索氏提取法。

1.4 流形學(xué)習(xí)數(shù)據(jù)降維方法

采用以下幾種流形學(xué)習(xí)及改進型非線性降維方法,對紅松仁近紅外光譜數(shù)據(jù)進行降維處理。

1.4.1 局部線性嵌入及其改進方法

局部線性嵌入(locally linear embedding, LLE)[11]的中心思想是,找到每個數(shù)據(jù)點的原始高維領(lǐng)域線性關(guān)系表達后,在經(jīng)過LLE降維處理后,在低維空間這種線性關(guān)系表達得到同樣的保持,且這種表達的權(quán)重系數(shù)保持不變。假設(shè)高維空間數(shù)據(jù)點xi的鄰域線性關(guān)系表達式為:

xi=ωihxh+ωikxk+ωilxl。

(1)

其中,ωih,ωik,ωil為權(quán)重系數(shù),權(quán)重系數(shù)ωij可以通過式(2)求取:

(2)

其中,Q(i)表示數(shù)據(jù)xi的n個鄰域數(shù)據(jù)點集合,m表示樣本個數(shù)。保持ωij不變,低維空間數(shù)據(jù)點yi通過式(3)求取:

(3)

基于上述LLE思想,進一步衍生出了改進型局部線性嵌入(modified locally linear embedding, MLLE)、局部切空間對齊(local tangent space alignment, LTSA)、黑塞特征映射(Hessian based locally linear embedding, HLLE)方法。

MLLE不僅尋找最近距離的鄰域數(shù),還對鄰域的分布權(quán)重進行度量,希望鄰域的分布權(quán)重盡量在樣本的各個方向。LTSA則是希望在降維后,局部鄰域的幾何關(guān)系仍能得到保持。HLLE是依據(jù)黑森矩陣的二次型關(guān)系展開構(gòu)建,以達到恢復(fù)鄰域內(nèi)局部線性結(jié)構(gòu)的目的。

1.4.2 等距映射方法

等距映射(isometric mapping, Isomap)是線性降維多維縮放(multi-dimensional scaling, MDS)的擴展,與保持局部結(jié)構(gòu)信息的LLE不同,該方法對全局的信息進行保存,使得高維數(shù)據(jù)點對間的測地距離在降維后的低維空間中得以保持不變[12]。

2 結(jié)果與分析

2.1 紅松仁漫反射近紅外光譜數(shù)據(jù)分析

圖2所示為紅松仁樣本近紅外原始光譜曲線圖,實際采集的光譜波長范圍為906.9～1 699.18 nm,掃描間隔為6.83 nm。

圖2 紅松仁原始近紅外光譜曲線圖Fig.2 Original near-infrared spectrum curve graph of peeled Korean pine seeds

脂肪是由脂肪酸和甘油組成的甘油酯,其化學(xué)元素主要為C、H、O,其CH、CH2、CH3群中的C—H鍵吸收譜帶被用于近紅外光譜脂肪檢測中的特征吸收波段[13]。圖2中920 nm附近的不明顯吸收峰為C—H伸縮振動能級躍遷所引起的倍頻和合頻[14],1 160 nm附近的強烈吸收峰為C—H二級倍頻伸縮振動基頻,1 380 nm附近的明顯吸收峰為C—H一級倍頻伸縮振動基頻與C—H變形振動基頻組合頻,1 670 nm附近的微弱吸收峰為C—H一級倍頻伸縮振動基頻[15];脂肪C—H基團的吸收譜帶分布在900～1 020 nm、1 070～1 440 nm、1 520～1 680 nm[16-17]。通過上述分析可知,本研究選取的光譜范圍可以反映紅松仁脂肪的相關(guān)特征信息。

2.2 脂肪真實值數(shù)據(jù)分析

紅松仁樣本脂肪分布情況如圖3所示,脂肪含量在60.04%～69.93%,虛線內(nèi)樣本占總樣本的55.22%,分布差異較大,基本覆蓋了紅松仁脂肪含量常規(guī)分布范圍,表明了樣本選取合理,能夠滿足后續(xù)的建模要求。

61.14%為均值-標準差,65.58%為均值+標準差。61.14% was the result of mean minus standard deviation, and 65.58% was the result of mean plus standard deviation.圖3 紅松仁樣本脂肪含量分布情況Fig.3 Distribution of fat content in peeled Korean pine seeds

2.3 訓(xùn)練集與驗證集的劃分

訓(xùn)練集與驗證集10次切分結(jié)果如表1所示。

表1 十次紅松仁脂肪訓(xùn)練集和驗證集切分結(jié)果Table 1 Ten times segmentation results of fat in peeled Korean pine seeds’ training and validation sets

為了測試本研究構(gòu)建模型的穩(wěn)定性與可靠性,按照4∶1的比例對訓(xùn)練集與驗證集進行10次不同劃分,將10個固定取值的隨機種子與10次劃分結(jié)果相對應(yīng),以保證劃分結(jié)果的可重復(fù)性。分別在不同訓(xùn)練集上,進行10次近紅外紅松仁脂肪定量模型的建立,以10次模型的平均評價指標來評估模型。觀察表1發(fā)現(xiàn),10次劃分結(jié)果均不相同,且每次驗證集脂肪含量覆蓋范圍均小于訓(xùn)練集,說明10個紅松仁訓(xùn)練集樣本所建立的模型可以較好地適用于相應(yīng)的驗證集樣本。

2.4 光譜數(shù)據(jù)預(yù)處理

由于紅松仁樣本為固體,樣本的顆粒度不均勻,且采用漫反射技術(shù)進行測定會使得光譜數(shù)據(jù)因散射影響而產(chǎn)生差異;觀察原始光譜曲線圖(圖2),發(fā)現(xiàn)原始光譜數(shù)據(jù)的吸收寬度分散,且存在重疊現(xiàn)象,會互相干擾,影響模型的穩(wěn)健性,因此,采用變量標準化校正(standard normalized variate, SNV)+一階導(dǎo)數(shù)(first derivative, 1st-Der)對原始光譜數(shù)據(jù)進行預(yù)處理[18]。但經(jīng)過求導(dǎo)處理后,會增加噪聲、降低信噪比,因此,再進一步進行小波變換平滑處理。近似對稱的緊支集正交小波(SymletN, SymN),能夠在對信號進行分析與重構(gòu)時減少相位失真,在對近紅外光譜進行濾除噪聲方面有較為廣泛的應(yīng)用[19-20]。采用Sym4小波基函數(shù)進行2尺度分解,則經(jīng)SNV+1st-Der+Sym4預(yù)處理后的光譜曲線圖如圖4所示,觀察發(fā)現(xiàn),經(jīng)預(yù)處理后光譜吸收峰增多且更為明顯,光譜數(shù)據(jù)方差變小。隨機選取一條濾波前后的光譜曲線,并將濾波后的光譜曲線向上平移一段距離,進行對比觀察,如圖5所示。由圖5可知,經(jīng)Sym4小波變換處理后,光譜曲線變得較為平滑,去掉了一些毛躁噪聲,達到了一定的濾噪目的。

圖4 變量標準化校正+一階導(dǎo)數(shù)+緊支集正交小波變換預(yù)處理后紅松仁光譜曲線圖Fig.4 Spectrum curve graph of peeled Korean pine seeds after standard normalized variate+first derivative+orthogonal and compactly supported wavelet transformation pretreatment

圖5 濾波前后紅松仁光譜對比Fig.5 Spectral comparison of peeled Korean pine seeds before and after filtering

圖6所示為經(jīng)預(yù)處理后的光譜數(shù)據(jù)特征熱度圖,由圖6可知,經(jīng)過預(yù)處理后特征間具有較高的線性相關(guān)性。

圖6 預(yù)處理后光譜特征熱度圖Fig.6 The spectral signatures’ heat map after preprocessing

2.5 光譜數(shù)據(jù)的降維與建模

采用經(jīng)典的線性主成分分析(principal components analysis,PCA)[21],及非線性流形學(xué)習(xí)中的Isomap、LLE、MLLE、LTSA、HLLE降維方法,在經(jīng)預(yù)處理后的光譜上,進行數(shù)據(jù)降維處理。為了研究不同建模方法對紅松仁脂肪定量預(yù)測模型的影響,進一步分別運用嶺回歸(ridge regression,Ridge)[22]、支持向量回歸(support vector regression, SVR)[23]、極度梯度提升(extreme gradient boosting, XGBoost)[24]方法構(gòu)建紅松仁脂肪定量模型,并以偏最小二乘(partial least square, PLS)建立的模型為定標,根據(jù)模型的評價指標確定最優(yōu)的降維及建模方法。

降維方法參數(shù)的不同取值,會對建模效果產(chǎn)生不同影響,因此,通過尋找最優(yōu)降維參數(shù),來進一步構(gòu)建高質(zhì)量的紅松仁脂肪定量數(shù)學(xué)模型。

PCA需要對方差累計貢獻率(contribution)進行最優(yōu)參數(shù)的選取,通常規(guī)定累積貢獻率需達到85%以上,因而其參數(shù)取值情況為:contribution=[0.85,0.86,0.88,0.90,0.92,0.94,0.96,0.98,0.99]。Isomap、LLE、MLLE、LTSA及HLLE需要確定鄰域數(shù)(neighbors)和維度(components)的最優(yōu)取值,其中,neighbors越大,降維后樣本的局部關(guān)系會得到更好地保持,但算法的復(fù)雜度會增加,建立樣本局部關(guān)系的耗時會更長,另外,neighbors最大取值不能超過紅松仁訓(xùn)練集樣本個數(shù);MLLE需要滿足:neighbors>components、HLLE需要滿足:neighbors>[components×(components+3)]/2,因此將Isomap、LLE、MLLE、LTSA參數(shù)取值情況設(shè)置為:neighbors=[20,30,40,50,60,70,80,90,100]、components=[2,3,4,6,8,10,12,14,16,18];HLLE參數(shù)的設(shè)定分為以下幾種情況,當(dāng)components=[2,3,4]時,neighbors=[20,30,40,50,60,70,80,90,100];當(dāng)components=6時,neighbors=[30,40,50,60,70,80,90,100];當(dāng)components=8時,neighbors=[50,60,70,80,90,100];當(dāng)components=10時,neighbors=[70,80,90,100];當(dāng)components=12時,neighbors=100。

為了構(gòu)建出一個高質(zhì)量的PLS定標模型,需要對PLS主成分數(shù)(components)進行確定,根據(jù)方差累計貢獻率在85%～99%的需求,主成分數(shù)取值范圍為:components=[3,4,5,6,7,8,9,10,11,12,13,14,15,16]。根據(jù)比對10次不同切分出的10個驗證集均方差(mean squared error of validation, MSEV)均值(mean-MSEV),確定最優(yōu)的主成分數(shù),比對結(jié)果如圖7所示。

圖7 Partial least square參數(shù)優(yōu)化驗證集均方差均值對比情況Fig.7 Comparison for partial least square’s parameter optimization of validation sets’ mean value of mean squared error

mean-MSEV值越小,擬合效果越好,則由圖7可知,當(dāng)components=9時,PLS模型質(zhì)量最優(yōu),分別在全波段、光譜降維范圍下構(gòu)建紅松仁脂肪Ridge、SVR、XGBoost、PCA+Ridge、PCA+SVR、PCA+XGBoost、LLE+Ridge、LLE+SVR、LLE+XGBoost、Isomap+Ridge、Isomap+SVR、Isomap+XGBoost、MLLE+Ridge、MLLE+SVR、MLLE+XGBoost、LTSA+Ridge、LTSA+SVR、LTSA+XGBoost、HLLE+Ridge、HLLE+SVR、HLLE+XGBoost數(shù)學(xué)模型,并對降維方法進行參數(shù)優(yōu)化。為了測試模型的穩(wěn)定性,每個模型會在10次不同切分出的10個訓(xùn)練集上進行模型構(gòu)建,通過對比10次建模的mean-MSEV,從而確定降維、建模的選取方法,并找到相應(yīng)降維方法的最優(yōu)參數(shù)。對比情況如圖8、圖9所示。

圖8 全波段模型驗證集均方差均值比較Fig.8 Comparison for full wavelengths of validation sets’ mean value of mean squared error

mean-MSEV,驗證集均方差均值;Ridge,嶺回歸;SVR,支持向量回歸;XGBoost,極度梯度提升;PCA,主成分分析;Isomap,等距映射;LLE,局部線性嵌入;MLLE,改進型局部線性嵌入;LTSA,局部切空間對齊;HLLE,黑塞特征映射。mean-MSEV, Mean value of mean squared error of validation; Ridge, Ridge regression; SVR, Support vector regression; XGBoost, Extreme gradient boosting; PCA, Principal components analysis; Isomap, Isometric mapping; LLE, Locally linear embedding; MLLE, Modified locally linear embedding; LTSA, Local tangent space alignment; HLLE, Hessian based locally linear embedding.圖9 不同降維、建模方法及參數(shù)驗證集均方差均值比較Fig.9 Comparison for different dimension reduction, modeling methods and parameters of validation sets’ mean value of mean squared error

其mean-MSEV為1.519 2,驗證集皮爾森相關(guān)系數(shù)(Pearson correlation coefficient of validation, PCCV)均值(mean-PCCV)為0.813 3,mean-PCCV越接近1越好。通過定標模型可知,采用近紅外光譜技術(shù)對紅松仁脂肪進行定量分析是可行的,結(jié)果是可靠的。

由圖8可知,不同建模方法構(gòu)建出的模型質(zhì)量不同,全波段范圍內(nèi)非線性模型XGBoost的建模效果最優(yōu),非線性模型SVR建模效果次優(yōu),Ridge則為線性模型,這說明紅松仁光譜數(shù)據(jù)中,包含了對脂肪定量分析建模有用的非線性信息,而Ridge線性建模無法規(guī)劃約束復(fù)雜的非線性問題。此外,由于PLS在建模過程中進行了PCA降維處理(圖7),去除了冗余信息,因此其模型質(zhì)量優(yōu)于全波段范圍下Ridge、SVR、XGBoost構(gòu)建的數(shù)學(xué)模型。

圖10為采用不同降維方法后,任意選取1個訓(xùn)練集的光譜特征熱度圖的對比情況,各熱度圖對應(yīng)的降維參數(shù)分別為:PCA,contribution=0.99;Isomap、LLE、MLLE、LTSA,components=18,neighbors=100;HLLE,components=12,neighbors=100。

PCA,主成分分析;Isomap,等距映射;LLE,局部線性嵌入;MLLE,改進型局部線性嵌入;LTSA,局部切空間對齊;HLLE,黑塞特征映射。PCA, Principal components analysis; Isomap, Isometric mapping; LLE, Locally linear embedding; MLLE, Modified locally linear embedding; LTSA, Local tangent space alignment; HLLE, Hessian based locally linear embedding.圖10 不同降維方法后光譜特征熱度圖對比Fig.10 The comparison of spectral signatures’ heat maps after different dimension reduction

由圖10可知,經(jīng)PCA、Isomap降維處理后,幾乎完全去除了特征間的線性相關(guān)性;經(jīng)LLE、MLLE、LTSA、HLLE降維處理后,還保留了部分線性相關(guān)性信息。由圖9可知,與全波段構(gòu)建的模型相比(圖8),經(jīng)過降維處理后模型的質(zhì)量有所提升,這與圖10結(jié)果相呼應(yīng),表明了特征間線性相關(guān)性較高會影響建模的效果。上述降維方法對Ridge與SVR模型質(zhì)量的提升更為明顯,這是因為XGBoost建模方法對數(shù)據(jù)維度具有相對較弱的敏感性[25]。為了更清晰地比較各最優(yōu)參數(shù)模型質(zhì)量,以表2形式進行呈現(xiàn)。

需要說明的是,由于10次切分出的訓(xùn)練集不同,因而依照方差累計貢獻率的PCA降維方法,在不同訓(xùn)練集上降維后的維度會存在差異。

由表2可知,線性降維方法對模型質(zhì)量的提升劣于非線性降維方法,這是由于經(jīng)PCA降維處理后,會丟失非線性相關(guān)信息,無法較好地保留信息、估計潛在隱含信息的數(shù)量,這也表明了對本樣本集來說非線性結(jié)構(gòu)信息對脂肪定量建模效果的積極作用。流形學(xué)習(xí)中LLE及其改進降維方法對模型質(zhì)量的提升優(yōu)于Isomap方法,這是由于LLE及其改進降維方法更在意局部信息,能夠更好地找到最優(yōu)局部非線性嵌入,此外,通過圖10可知,經(jīng)LLE及其改進降維方法處理后,還保持了部分數(shù)據(jù)的局部線性特征,這些信息對本樣本集紅松仁脂肪含量的預(yù)測有較為重要的作用。相同建模方法采用LLE及其改進降維方法后,構(gòu)建的模型質(zhì)量相當(dāng)?shù)致杂胁煌?這是由于MLLE、LTSA、HLLE降維方法的基本思想均基于LLE降維方法,只是在低維數(shù)據(jù)進行恢復(fù)時遵循的優(yōu)化原理不同,其中,Ridge、XGBoost分別經(jīng)MLLE、LLE最優(yōu)參數(shù)降維后,構(gòu)建的模型質(zhì)量最佳,mean-MSEV分別為0.709 3、0.989 5。

MLLE+SVR構(gòu)建的模型質(zhì)量最優(yōu),其10個驗證集上的MSEV分別為:0.643 7、0.418 4、0.452 9、0.592 1、0.742 4、0.554 5、0.534 9、0.890 0、0.416 3、1.218 6,mean-MSEV為0.646 4,mean-PCCV達0.914 5,最優(yōu)參數(shù)的取值為:components=16,neighbors=30。

2.6 模型的測試

采用最優(yōu)參數(shù)的MLLE+SVR模型,對用于測試的25份紅松仁樣本脂肪進行定量預(yù)測,圖11展示了化學(xué)實測值與預(yù)測值的散點分布情況。

圖11 紅松仁脂肪實測值與預(yù)測值散點分布情況Fig.11 Scatter distribution of fat in peeled Korean pine seeds’ measured and predicted values

3 討論

本研究通過在900～1 700 nm波長范圍內(nèi)對紅松仁近紅外光譜數(shù)據(jù)進行采集,開展了紅松仁脂肪定量無損檢測試驗。在訓(xùn)練集與驗證集劃分的過程中,為了保障所建模型的可靠性與穩(wěn)定性進行了10次不同的切分,并分別在10個不同的訓(xùn)練集上進行模型的建立,通過10個模型的平均評定指標來評價模型。采用降維方法對光譜數(shù)據(jù)進行降維處理,可以優(yōu)化模型的評價指標,表明了光譜降維在模型訓(xùn)練中的重要作用;與線性降維方法相比,由于非線性降維方法可以更好地保留非線性信息及部分建模必須的特征間相關(guān)性信息,因此,非線性降維方法可以更好地提升模型質(zhì)量。降維方法參數(shù)的取值也會影響模型的預(yù)測結(jié)果,參數(shù)優(yōu)化可以有效地提高模型預(yù)測的準確性。運用不同建模方法構(gòu)建數(shù)學(xué)模型,建模效果會存在很大差異,發(fā)現(xiàn)只有選取合適的建模方法才能構(gòu)建出高質(zhì)量的近紅外模型。試驗結(jié)果表明:(1)經(jīng)過SNV+1st-Der+Sym4預(yù)處理后,光譜數(shù)據(jù)變得較為平滑,濾除了部分噪聲信息的同時,也降低了光譜數(shù)據(jù)的分散程度。(2)經(jīng)參數(shù)優(yōu)化的MLLE+SVR,構(gòu)建的紅松仁脂肪定量預(yù)測模型質(zhì)量最佳,降維方法優(yōu)化參數(shù)取值為:components=16,neighbors=30,mean-MSEV為0.646 4,mean-PCCV達0.914 5。(3)運用最優(yōu)參數(shù)模型,對選取的測試集25份紅松仁樣本進行脂肪定量預(yù)測,并與化學(xué)實測結(jié)果進行對比,通過計算得MRE=0.999 2%。由此可見,采用本研究方法對紅松仁脂肪進行定量分析是可行的,并且預(yù)測結(jié)果是可靠的、準確的,期望通過本研究的實現(xiàn),能夠為紅松仁脂肪定量檢測提供一個新的方法和手段。