独立分量分析预处理法提高苹果糖度模型预测精度研究
独立分量分析,近红外光谱,噪声,偏最小二乘法,,独立分量分析，近红外光谱，噪声，偏最小二乘法,摘要,关键词,1引言,2独立分量分析近红外光谱预处
摘要 为了提高苹果近红外光谱糖度预测模型精度，利用独立分量分析方法(ICA)对苹果近红外光谱进行了预处理，并且建立了糖度的偏最小二乘( PLS)预测模型。结果表明，独立分量分析不但能分离出噪声信号，而且所分离出来的光谱信号也比原始光谱信号光滑。在预处理后的最佳PLS糖度模型校正时的相关系数rc和标准偏差SEC 分别为0.9549 和0.3361，用于预测时的相关系数rp和标准偏差SEP分别为09071和04355。与普通的平均处理法的PLS模型相比，其精度有所提高，且模型更加简洁。关键词 独立分量分析，近红外光谱，噪声，偏最小二乘法
1 引言
在农产品品质的近红外光谱无损检测中，偏最小二乘法(PLS)常被用于建立预测模型。但是由于农产品是非常复杂的生物体，加上近红外区的谱带复杂、重叠多，因此农产品光谱中与待测品质不相关的信息必定会对待测品质的近红外预测产生影响，特别是会造成偏最小二乘预测模型的主因子数增多，使模型变得过于复杂[1]。为了解决这一问题，目前常采用平均光谱法、二阶导数光谱、净分析物法及小波阈值法[1～4]等对近红外光谱进行预处理。
独立分量分析(ICA)理论是由法国学者Jeanny Herault等于1983年提出的，其最初用来解决信号分析处理中的“盲源分离”问题，提取有用的信号[5]。独立分量分析集探索性数据分析与模式识别于一体，已在信号处理、影像判识、数据特征提取等方面得到应用[6~12]。笔者尝试利用独立分量分析预处理法来提高苹果糖度的近红外光谱模型精度。
2 独立分量分析近红外光谱预处理的方法
2.1 基本原理
由光谱仪得到的近红外光谱信号中既含有有用信息，同时也叠加着随机误差(噪声)。一个光谱信号f(t)被噪声污染后为s(t)，那么基本的噪声模型就可以表示为：x(t)=f(t)+σ·e(t)(1)其中e(t)为噪声 ......
您现在查看是摘要页，全文长 7633 字符。