沈靜波，吳龍國，張海紅,*，賀曉光，李子文

（1.寧夏大學農(nóng)學院，寧夏 銀川 750021；2. 寧夏大學土木與水利工程學院，寧夏 銀川 750021）

基于介電頻譜的靈武長棗品質(zhì)參數(shù)的預測模型

沈靜波1，吳龍國2，張海紅1,*，賀曉光1，李子文1

（1.寧夏大學農(nóng)學院，寧夏 銀川 750021；2. 寧夏大學土木與水利工程學院，寧夏 銀川 750021）

為尋找預測靈武長棗品質(zhì)的最優(yōu)模型，以長棗的介電損耗因子?”和介電常數(shù)?’頻譜進行內(nèi)部品質(zhì)參數(shù)（可溶性固形物、可滴定酸含量和含水率）的建模研究。通過遺傳算法（genetic algorithm，GA）和相關(guān)系數(shù)（correlation coef fi cients，CC）法提取了介電譜的有效信息；采用偏最小二乘（partial least squares，PLS）、主成分回歸（principal components regression，PCR）和支持向量機（support vector machine，SVM）法建立了品質(zhì)參數(shù)的預測模型；以決定系數(shù)（R2）、校正標準偏差和預測標準偏差等模型評價方法確定了品質(zhì)參數(shù)的最優(yōu)預測模型。結(jié)果表明：基于介電損耗因子?”建立的可溶性固形物含量、可滴定酸含量和含水率的最佳預測模型分別為GA-PCR、GA-PLS和GA-PLS，且R2均達到0.9以上；基于介電常數(shù)?’建立的可溶性固形物含量、可滴定酸含量和含水率的最佳預測模型分別為CC-PLS、GA-SVM和GA-PLS，R2達到0.8以上，且驗證效果較好。本研究為利用介電頻譜快速預測長棗品質(zhì)提供了可靠的方法。

靈武長棗；無損檢測；介電特性；內(nèi)部品質(zhì)；模型

沈靜波, 吳龍國, 張海紅, 等. 基于介電頻譜的靈武長棗品質(zhì)參數(shù)的預測模型[J]. 食品科學, 2017, 38(11): 69-74. DOI:10.7506/spkx1002-6630-201711012. http://www.spkx.net.cn

SHEN Jingbo, WU Longguo, ZHANG Haihong, et al. Prediction models for quality parameters of ‘Lingwuchangzao’ jujube based on dielectric spectra[J]. Food Science, 2017, 38(11): 69-74. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201711012. http://www.spkx.net.cn

靈武長棗（Zizphus jujube Mill cv. Lingwuchangzao）為鼠李科棗屬植物的果實，色紅個大，呈橢球體，品相辨識度高。長棗果肉呈白綠色，味美多汁，酸甜適口，富含豐富的糖、酸和維生素等生理元素[1]。長棗因其獨特的外形與風味而出名，長棗產(chǎn)業(yè)也發(fā)展迅速，已成為寧夏回族自治區(qū)的重點支柱產(chǎn)業(yè)之一[2-3]。然而，長棗產(chǎn)業(yè)在激烈的市場競爭中存在著貯存期短、分級勞動強度大、標準化程度低等問題，使其銷售價格遠低于其應有價值，使廣大棗農(nóng)和相關(guān)企業(yè)蒙受了巨大的經(jīng)濟損失[4]。因此，鮮長棗內(nèi)、外品質(zhì)的快速檢測已顯得尤為重要。目前，對于長棗品質(zhì)的檢測，已在起初的表面外在品質(zhì)的檢測基礎(chǔ)上，逐漸趨向于內(nèi)部品質(zhì)如可溶性固形物、可滴定酸含量和含水率等的檢測[5-11]。然而，傳統(tǒng)的檢測方法勞動強度大、需破壞果實、費時費力，無法滿足生產(chǎn)需求，這就亟需發(fā)展一種快速、無損、高效的檢測方法來檢測長棗的內(nèi)在品質(zhì)，進而實現(xiàn)長棗的分級分選。

介電譜（dielectric spectroscopy，DS）是一種利用電磁波對物質(zhì)體系進行內(nèi)部“透視”的檢測技術(shù)[12]。因介電譜檢測技術(shù)具有設備簡單、電信號獲取容易、不破壞被測樣品等諸多優(yōu)勢已被廣泛應用于果品的品質(zhì)檢測中，并取得了一定的研究成果。Nelson等[13]通過研究哈密瓜、香瓜、西瓜等的介電特性與含水率的之間關(guān)系，發(fā)現(xiàn)了兩者具有很好的相關(guān)性（相關(guān)系數(shù)為0.96）。Soltani等[14]對香蕉的介電常數(shù)進行了研究，結(jié)果顯示介電常數(shù)與成熟度關(guān)系顯著，且相關(guān)系數(shù)高達0.94。郭文川等[15]研究了梨在生長發(fā)育后期的介電特性與生理特性和內(nèi)部品質(zhì)的關(guān)系，結(jié)果顯示，在20～4 500 MHz頻譜范圍內(nèi)，梨的介電特性是生理特性的反映，可以根據(jù)介電參數(shù)值判斷梨的成熟情況。盡管前期已經(jīng)做了大量的研究工作，但是都集中在長棗介電參數(shù)和品質(zhì)[16-18]、成熟度[19-20]、品種[21-22]等的關(guān)系研究上，采用不同的機器學習模型進行棗果品質(zhì)預測的建模效果分析還鮮有報道。

現(xiàn)以靈武長棗為研究對象，在對長棗介電損耗因子?”和介電常數(shù)?’的頻譜有效頻率提取的基礎(chǔ)上，建立長棗可滴定酸含量、可溶性固形物含量、含水率等品質(zhì)參數(shù)的預測模型，為長棗的快速無損檢測提供理論參考。

1 材料與方法

1.1 材料

實驗樣本手摘于寧夏回族自治區(qū)靈武市大泉林場紅棗生產(chǎn)基地，選取新鮮采摘的70 個大小均勻、無損傷的靈武長棗樣本，常溫（20±3） ℃條件下貯藏、備用。裝入密封塑料袋中，置于4 ℃冰箱保存，測試前將樣本清洗、晾干放置2 h至室溫（22 ℃）。對其進行編號，測其形態(tài)尺寸，記錄數(shù)據(jù)。

1.2 儀器與設備

3532-50型LCR測試儀 日本日置公司；WAy-2W型阿貝折射儀 上海易測儀器設備有限公司；Wy-105W型鹵素水分測定儀 上海婉源電子科技科技有限公司；FyL-yS-280L恒溫冰箱 北京福意電器有限公司；HH-4型數(shù)字恒溫水浴鍋 天津匯科儀器設備有限公司。

1.3 方法

1.3.1 介電參數(shù)測定

采用3532-50型流動性覆蓋率（liquidity coverage ratio，LCR）測試儀，平行板電極對長棗的電學參數(shù)進行測定。電極采用鋁制長方形平板電極，上下極板尺寸為長5.70 cm、寬3.90 cm。將長棗放置于兩電極之間，以3.50 N的夾持力夾持，用1. 00 V的正弦波對其進行電學參數(shù)測試[23]。在1.00～4 466.87 kHz頻率范圍下，設定63 個頻率點，測定長棗的并聯(lián)等效電容Cp、損耗系數(shù)D，以等效電容法進行長棗介電常數(shù)?’、介電損耗因子?”的推算[24]，獲取并繪制長棗介電頻譜。

1.3.2 品質(zhì)參數(shù)測定

對同一批實驗果品，先測定介電參數(shù)，然后對其破壞進行品質(zhì)參數(shù)的測定?？扇苄怨绦挝锖坑肳Ay-2W型阿貝折射儀測定；可滴定酸含量采用GB/T 12456—2008《食品中總酸的測定》測定；含水率采用Wy-105W型鹵素水分測定儀測定。

1.3.3 數(shù)據(jù)處理及建模

1.3.3.1 有效頻譜提取

采用遺傳算法（genetic algorithm，GA）和相關(guān)系數(shù)（correlation coeff i cients，CC）法提取介電頻譜中的有效信息，并對兩種方法提取的頻譜模型進行對比分析。GA是由Holland[25]在1975年提出的，其原理是模擬達爾文的自然選擇和基因進化的模型，通過種群的選擇、交叉和變異來優(yōu)選出適應性強的個體，以此原理來優(yōu)化原始頻譜，提高建模的準確性。CC法是求出數(shù)據(jù)中兩兩指標的CC，并按照一定標準優(yōu)選出CC高的頻率，組成新的特征頻譜數(shù)據(jù)，以提高模型精度。

1.3.3.2 模型建立

分別以偏最小二乘（partial least squares regression，PLS）、支持向量機（support vector machine，SVM）和主成分回歸（principal component regression，PCR）法建立品質(zhì)參數(shù)的預測模型，并對各種建模效果進行比較。PLS法[26]是近年來應用較廣泛的分析方法之一，可有效地解決頻譜信息多重共線性的問題，減少無用信息的影響，提高模型的準確性。PCR法[27]是在主成分分析的基礎(chǔ)上，利用選取出的主成分與品質(zhì)參數(shù)進行建模分析，因此可有效地去除重疊信息，使預測模型更加完善。SVM[28]回歸模型可有效地解決非線性、維數(shù)高等帶來的計算問題，該方法是在統(tǒng)計學基礎(chǔ)上演變出的一種新的學習方法，具有很強的預測能力。

1.3.3.3 模型的評價

采用決定系數(shù)R2、校正標準偏差（root mean square error of calibration set，RMSEC）和預測標準偏差（rootmean square error of predication set，RMSEP）來評價模型的準確性，其中R2的值接近1，RMSEC與RMSEP的值接近零且差異小，表明建模效果好，模型穩(wěn)定[29]。

1.4 數(shù)據(jù)處理

實驗數(shù)據(jù)用SPSS 17.0、UnscramblerX10.3光譜分析軟件和MATLAB R2008a軟件分析處理。

2 結(jié)果與分析

2.1 樣品集的劃分

將70 個長棗樣本分為兩部分，60 個樣本用于模型建立，10 個樣本用于最優(yōu)模型的驗證。采用Kennard-Stone（K-S）法[30]以3∶1的比例將60 個樣本劃分為校正集和預測集，最終校正集樣本45 個，預測集樣本15 個。校正集與預測集的可溶性固形物含量、可滴定酸含量和含水率的統(tǒng)計結(jié)果見表1、2。

表1 基于介電損耗因子?”頻譜劃分校正集與預測集的統(tǒng)計結(jié)果Table 1 Statistical results of calibration set and prediction set based on dielectric loss factor ?”spectra

表2 基于介電常數(shù)?’頻譜劃分校正集與預測集的統(tǒng)計結(jié)果Table 2 Statistical results of calibration set and prediction set based on dielectric constant ?’spectra

2.2 有效信息提取

由于極板面積和空氣等無法避免的測量誤差的影響，使介電頻譜信息在含有有效信息的同時還夾雜著許多無用信息，為了去除無用信息的影響，本實驗以GA和CC法優(yōu)選了與品質(zhì)參數(shù)關(guān)系緊密的特征頻譜信息，從而提高模型精度與穩(wěn)定性。

2.2.1 GA法選取特征頻譜

可溶性固形物含量、可滴定酸含量和含水率3 種品質(zhì)參數(shù)，以GA優(yōu)選介電損耗因子?”和介電常數(shù)?’原始頻譜的特征頻率個數(shù)見表3。

表3 長棗品質(zhì)的不同參數(shù)用GA篩選出的特征頻率個數(shù)Table 3 The number of selected characteristic frequencies for different parameters of jujube quality by GA

2.2.2 CC法選取特征頻譜

利用CC法求出介電頻譜與可溶性固形物含量、可滴定酸含量與含水率等品質(zhì)參數(shù)的CC矩陣，從中提取出相關(guān)系數(shù)R＞0.8的頻率點，組成特征頻譜矩陣，從而提高模型的預測準確性。不同品質(zhì)參數(shù)用CC法篩選出的特征頻率個數(shù)見表4。

表4 長棗品質(zhì)的不同參數(shù)用CC法篩選出的特征頻率個數(shù)Table 4 The number of selected characteristic frequencies for different parameters of jujube quality by correlation coefficient

2.3 模型建立

2.3.1 可溶性固形物含量的預測模型

基于介電損耗因子?”和介電常數(shù)?’頻譜建立的可溶性固形物含量的預測模型分別見表5、6。介電損耗因子?”的總體建模效果要優(yōu)于介電常數(shù)?’，通過GA和CC法處理后頻譜的建模效果要優(yōu)于原始頻譜。由表5可以看出，以介電損耗因子?”頻譜，利用PLS、PCR和SVM 3 種方法建立的模型效果差異不大。但是通過GA處理后的頻譜的建模效果要比CC法好。其中GA-PLS、GA-PCR和GA-SVM的預測效果均好，Rc和Rp均達到0.90以上，但是GA-PCR模型的Rc和Rp值略高于其他兩個模型，且RMSEC與RMSEP值分別為0.30和0.32，數(shù)值更小更接近，所以模型更穩(wěn)定，預測效果更優(yōu)。由表6可知，以介電常數(shù)?’頻譜，利用PLS方法建立的預測模型效果要略好于PCR和SVM，其中GA-PLS和CC-PLS模型的Rc和Rp均達到0.90以上，但由于Rc和Rp值越大、RMSEC與RMSEP值越小模型越穩(wěn)定，因此CC-PLS模型更好。所以基于介電損耗因子?”和介電常數(shù)?’頻譜建立的可溶性固形物含量的最優(yōu)預測模型分別為GA-PCR和CC-PLS。

表5 以介電損耗因子?”頻譜建立的可溶性固形物含量預測模型Table 5Established model for soluble solids content based on dielectric loss factor ?”spectra

表6 以介電介電常數(shù)?’頻譜建立的可溶性固形物含量預測模型Table 6 Established model for soluble solids content based on dielectric constant ?’spectra

2.3.2 可滴定酸含量的預測模型

基于介電損耗因子?”和介電常數(shù)?’頻譜建立的可滴定酸含量的預測模型分別見表7、8。通過GA和CC法處理后頻譜的建模效果要優(yōu)于原始頻譜，用PLS和PCR兩種建模方法處理的介電損耗因子?”頻譜的效果要好于介電常數(shù)?’的，但用SVM處理的介電損耗因子?”頻譜的效果則比介電常數(shù)?’差。由表7可得，以介電損耗因子?”頻譜進行的PLS和PCR建模效果整體強于SVM，其中PLS的效果則略好于PCR，GA-PLS模型的Rc和Rp都達到0.80以上，RMSEC與RMSEP值分別為0.04和0.03，為最優(yōu)模型。由表8可以看出，可滴定酸含量基于介電常數(shù)’頻譜SVM的整體建模效果優(yōu)于PLS和PCR，而Rc和Rp值可以達到0.80以上的模型只有GA-SVM。因此基于介電損耗因子”和介電常數(shù)’建立的可滴定酸含量的最優(yōu)預測模型分別為GA-PLS和GA-SVM。

?

?

?

表7 以介電損耗因子?”頻譜建立可滴定酸含量預測模型Table 7 Established model for titratable acid content based on dielectric loss factor ?”spectra

表8 以介電常數(shù)?’頻譜建立可滴定酸含量預測模型Table 8 Established model for titratable acid content based on dielectric constant?’spectra

2.3.3 含水率的預測模型

表9 以介電損耗因子?”頻譜建立含水率預測模型Table 9 Established model for moisture content based on dielectric loss factor?”spectra

基于介電損耗因子?”頻譜和介電常數(shù)?’頻譜建立的含水率的預測模型分別見表9、10。基于介電損耗因子?”頻譜的總體建模效果要優(yōu)于介電常數(shù)?’頻譜，通過GA處理后的頻譜的建模效果要優(yōu)于原始頻譜，而相關(guān)系數(shù)法效果不佳。由表9可知，以介電損耗因子?”頻譜，利用PLS、PCR和SVM 3 種方法建立的模型效果差異不大，但GA-PCR和GA-SVM這兩個模型中的Rc和Rp值差異較大，而GA-PLS模型的Rc和Rp值分別為0.92和0.91，都達到了0.9，且RMSEC和RMSEP的值都為0.02，為最優(yōu)模型。由表10可得，以介電常數(shù)?’頻譜，用GA方法提取頻譜有效信息的建模效果要明顯優(yōu)于CC法，GA-PLS、GA-PCR和GA-SVM模型的Rc和Rp值差異不大，但GA-PLS的RMSEC和RMSEP的值分別為0.02和0.03，較其他兩個模型的RMSEC和RMSEP值更小、更接近一些。因此基于介電損耗因子?”和介電常數(shù)?’建立的含水率的最優(yōu)預測模型均為GA-PLS。

表10 以介電常數(shù)?’頻譜建立含水率預測模型able 10 Established model for moisture content based on dielectric constant?’spectra

2.4 模型驗證

圖1 長棗可溶性固形物含量最優(yōu)模型的實測值與預測值的分布Fig. 1 Distribution of measured and model predicted values for soluble solids content of jujube

圖2 長棗可滴定酸含量最優(yōu)模型的實測值與預測值的分布Fig. 2 Distribution of measured and model predicted values for titratable acid content of jujube

圖3 長棗含水率最優(yōu)模型的實測值與預測值的分布Fig. 3 Distribution of measured and model predicted values for moisture content of jujube

將10 個未參與建模的樣品分別帶入上述的最優(yōu)模型中進行驗證，如圖1～3所示。各個品質(zhì)參數(shù)的實測值與預測值成線性分布，介電損耗因子?”的預測效果要優(yōu)于介電常數(shù)?’。基于介電損耗?”頻譜預測可溶性固形物含量的GA-PCR模型的驗證效果最好，R2=0.94，RMSEP=0.33。基于介電損耗?”頻譜預測可滴定酸含量的GA-PLS模型的驗證效果最好，R2=0.87，RMSEP=0.08。基于介電損耗?”頻譜預測含水率的GA-PLS模型的驗證效果最好，R2=0.90，RMSEP=0.07。說明經(jīng)過對比篩選的最優(yōu)預測模型具有較高的準確性，基于介電頻譜建立模型來預測長棗品質(zhì)是可行的。

3 結(jié) 論

本實驗采用GA和CC法提取了長棗的介電損耗因子?”和介電常數(shù)?’的頻譜的可溶性固形物含量、可滴定酸含量和含水率有效頻譜特征信息，在此基礎(chǔ)上對比分析了原頻譜、GA和CC的PLS、SVM和PCR模型，優(yōu)選出基于介電損耗因子?”和介電常數(shù)?’建立的可溶性固形物含量的GA-PCR和CC-PLS模型、可滴定酸含量的GA-PLS和GA-SVM模型、含水率的GA-PLS模型。

最后，對長棗品質(zhì)的最優(yōu)模型進行的驗證，結(jié)果表明，基于介電損耗因子?”頻譜與介電常數(shù)?’的可溶性固形物含量、可滴定酸含量和含水率最優(yōu)模型R2均達到0.8以上，進一步證明了所篩選出的最優(yōu)模型的準確性。同時可以看出介電損耗因子?”的預測效果要優(yōu)于介電常數(shù)?’，基于介電損耗因子?”頻譜預測可溶性固形物含量的GA-PCR模型的驗證效果最好，R2=0.94，RMSEP=0.33?；诮殡姄p耗因子?”頻譜預測可滴定酸含量的GA-PLS模型的驗證效果最好，R2=0.87，RMSEP=0.08。基于介電損耗因子?”頻譜預測含水率的GA-PLS模型的驗證效果最好，R2=0.90，RMSEP=0.07。這也為長棗品質(zhì)的快速、準確預測提供了新方法，為基于介電頻譜的長棗無損檢測與分級分選提供理論支持。

[1] 周禹含, 畢金峰, 陳芹芹, 等. 中國紅棗加工及產(chǎn)業(yè)發(fā)展現(xiàn)狀[J]. 食品與機械, 2013, 29(4): 214-217. DOI:10.3969/ j.issn.1003-5788.2013.04.053.

[2] 沈靜, 王敏, 茍茜, 等. 不同成熟期靈武長棗酚類組分及抗氧化活性差異分析[J]. 食品科學, 2015, 36(8): 191-195. DOI:10.7506/ spkx1002-6630-201508035.

[3] 吳龍國, 王松磊, 康寧波, 等. 基于高光譜成像技術(shù)的靈武長棗缺陷識別[J]. 農(nóng)業(yè)工程學報, 2015, 31(20): 281-286. DOI:10.11975/ j.issn.1002-6819.2015.20.039.

[4] 吳龍國. 基于高光譜成像技術(shù)的靈武長棗常見缺陷無損檢測研究[D].銀川: 寧夏大學, 2014: 1-4.

[5] 郭曉丹, 章中, 張海紅, 等. 基于介電特性的棗果品質(zhì)識別試驗研究[J]. 食品科技, 2014, 39(9): 289-294. DOI:10.13684/j.cnki. spkj.2014.09.062.

[6] MA X L, ZHANG H H, ZHANG Z, et al. Research on the relationship between freshness and dielectric spectrum of postharvest Ling-Wu long jujubes[J]. Advanced Materials Research, 2015, 1090: 136-141.

[7] 王瑞慶, 馮建華, 徐新明, 等. 果蔬電學特性在果蔬處理及品質(zhì)檢測中的應用[J]. 食品科學, 2012, 33(21): 340-344.

[8] 沈靜波, 張海紅, 馬雪蓮, 等. 基于介電特性的靈武長棗新鮮度預測[J]. 食品與機械, 2016, 32(1): 117-120. DOI:10.13652/ j.issn.1003-5788.2016.01.029.

[9] 安慧珍, 馬惠玲, 任小林. 蘋果果實貯藏期間電學參數(shù)與品質(zhì)指標的關(guān)系[J]. 食品科學, 2013, 34(2): 298-302.

[10] WANG H Q, ZHANG H H, ZHANG Z, et al. Non-destructive detection of Lingwu long jujube quality by dielectric spectroscopy[J]. Advanced Materials Research, 2015, 1090: 130-135.

[11] 房麗潔, 郭文川. 基于介電譜無損檢測庫爾勒香梨的糖度和硬度[J]. 現(xiàn)代食品科技, 2016, 32(5): 295-301. DOI:10.13982/ j.mfst.1673-9078.2016.5.044.

[12] 趙孔雙. 介電譜方法及其應用[M]. 北京: 化學工業(yè)出版社, 2008: 83.

[13] NELSON S O, TRABELSI S, KAYS S J. Dielectric spectroscopy of melons for potential quality sensing[J]. Transactions of the ASAE, 2008, 51(6): 2209-2214.

[14] SOLTANI M, ALIMARDANI R, OMID M. Evaluating banana ripening status from measuring dielectric properties[J]. Journal of Food Engineering, 2011, 105(4): 625-631. DOI:10.1016/ j.jfoodeng.2011.03.032.

[15] 郭文川, 孔繁榮, 王轉(zhuǎn)衛(wèi), 等. 梨生長發(fā)育后期介電特性、生理特性和內(nèi)部品質(zhì)的關(guān)系[J]. 現(xiàn)代食品科技, 2015, 31(11): 56-61. DOI:10.13982/j.mfst.1673-9078.2015.11.010.

[16] SKIERCHA W, WILCZEK A, SZYPLOWAKA A. Dielectric spectroscopy in agrophysics[J]. International Agrophysics, 2012, 26(2): 187-197. DOI:10.2478/v10247-012-0027-5.

[17] 唐燕, 杜光源, 張繼澍. 獼猴桃貯藏期電參數(shù)和生理參數(shù)的變化[J]. 農(nóng)業(yè)機械學報, 2012, 43(1): 127-133. DOI:10.6041/ j.issn.1000-1298.2012. O1.023.

[18] GUO W C, ZHU X H, NELSON S O, et al. Maturity effects on dielectric properties of apples from 10 to 4 500 MHz[J]. LWTFood Science and Technology, 2011, 44(1): 224-230. DOI:10.1016/ j.lwt.2010.05.032.

[19] 李子文, 張海紅, 馬雪蓮, 等. 靈武長棗的成熟度與其電學特性關(guān)系研究[J]. 食品科技, 2015, 40(10): 286-290. DOI:10.13684/j.cnki. spkj.2015.10.060.

[20] 陳志遠, 張繼澍, 劉亞龍, 等. 番茄成熟度與其電學參數(shù)關(guān)系的研究[J].西北植物學報, 2008, 28(4): 826-830.

[21] 唐燕, 張繼澍. 基于介電特性的獼猴桃和桃果實品種識別研究[J].食品科學, 2012, 33(3): 1-4.

[22] 王慧倩, 張海紅, 周世平, 等. 基于介電特性的棗果品種識別研究[J]. 食品科技, 2014, 39(7): 304-308. DOI:10.13684/j.cnki. spkj.2014.07.061.

[23] 馬雪蓮. 采后靈武長棗電學特性和生理特性關(guān)系的研究[D]. 銀川:寧夏大學, 2015: 4.

[24] 周世平. 靈武長棗貯藏過程中介電特性與品質(zhì)變化的相關(guān)性研究[D].銀川: 寧夏大學, 2014: 9-14.

[25] HOLLAND J H. Adaptation in neural and artificial system[M]. Ann Arbor: The University of Michigan Press, 1975: 51-55.

[26] GAO H X. Statistical analyses for multiple correlation variables of two sets[J]. Application of Statistics and Management, 2002, 21(3): 58-64.

[27] 陸婉珍. 現(xiàn)代近紅外光譜分析技術(shù)[M]. 2版. 北京: 中國石化出版社, 2007: 1.

[28] 董永剛, 胡宏濤. 一種基于SVM的產(chǎn)品質(zhì)量鑒別方法[J]. 電腦知識與技術(shù), 2011, 7(10): 2435-2437.

[29] HE K X, QIAN F, DU W L, et al. Online updating of NIR model and its industrial application via adaptive wavelength selection and local regression strategy[J]. Chemometrics and Intelligent Laboratory Systems, 2014, 134(15): 79-88. DOI:10.1016/j.chemolab.2014.03.007.

[30] 吳靜珠, 王一鳴, 張小超, 等. 近紅外光譜分析中定標集樣品挑選方法研究[J]. 農(nóng)業(yè)機械學報, 2006, 37(4): 80-101. DOI:10.3969/ j.issn.1000-1298.2006.04.021.

Prediction Models for Quality Parameters of ‘Lingwuchangzao’ Jujube Based on Dielectric Spectra

SHEN Jingbo1, WU Longguo2, ZHANG Haihong1,*, HE Xiaoguang1, LI Ziwen1
(1. College of Agriculture, Ningxia University, Yinchuan 750021, China; 2. School of Construction and Hydraulic Engineering, Ningxia University, Yinchuan 750021, China)

This study aimed to establish different models to predict some quality parameters (soluble solids, titratable acid and moisture contents) of ‘Lingwuchangzao’ jujube based on dielectric loss factor ?’ and dielectric constant ?’ spectra and to select the optimal one. The effective information from dielectric spectra was extracted by genetic algorithm (GA) and the correlation coef fi cient method. The prediction models for quality parameters were established using partial least squares (PLS), principal components regression (PCR) and support vector machine (SVM). The optimal prediction model was determined by the coef fi cient of determination (R2), root mean square error of calibration set (RMESC) and root mean square error of predication set (RMSEP). The results showed that the optimal prediction models for soluble solids, titratable acid and moisture contents were GA-PCR, GA-PLS and GA-PLS based on dielectric loss factor ?’ spectra with a R2value of greater than 0.9, respectively. The best prediction models based on dielectric constant ?’ spectra were CC-PLS, GA-SVM and GA-PLS with a R2value of greater than 0.8, respectively. These models were validated with satisfactory results. In conclusion, this study can provide a reliable method for rapid prediction of jujube quality using dielectric spectra.

‘Lingwuchangzao’ jujube; nondestructive detection; dielectric properties; internal quality; models

10.7506/spkx1002-6630-201711012

TS255.7

A

1002-6630（2017）11-0069-06引文格式：

2016-05-13

國家自然科學基金地區(qū)科學基金項目（31160346）；寧夏回族自治區(qū)“十三五”優(yōu)勢特色學科建設項目

沈靜波（1993—），女，碩士研究生，研究方向為農(nóng)產(chǎn)品無損檢測。E-mail：1375139300@qq.com

*通信作者：張海紅（1967—），女，教授，碩士，研究方向為農(nóng)產(chǎn)品無損檢測。E-mail：nxdwjyxx@126.com