蔣華偉 陳 斯 楊 震

(糧食信息處理與控制教育部重點試驗室；河南工業(yè)大學信息科學與工程學院，鄭州 450001)

為實現(xiàn)“藏糧于技”的國家戰(zhàn)略目標，研究科學有效的儲藏小麥品質預測方法具有重大意義。目前儲藏小麥品質判別方法主要有外觀色澤、食用口感、揮發(fā)性物質檢測和光譜檢測等。如王志軍等[1]通過形態(tài)學特征和色澤參數(shù)將小麥劃分為優(yōu)、次、劣三類；張玉榮等[2]等研究發(fā)現(xiàn)饅頭的食用口感會因小麥籽粒結構的破壞而發(fā)黏變差；嚴松等[3]采用氣相色譜-質譜聯(lián)用技術對小麥的揮發(fā)性氣體進行檢測，從而實現(xiàn)對不同霉變程度小麥的區(qū)分；葛宏義等[4]采用太赫茲光譜技術，對霉變、蟲蛀、發(fā)芽和正常小麥進行識別。雖然這些方法可以作為判別儲藏小麥品質狀況的手段，但外觀色澤和食用口感判別缺乏數(shù)據(jù)支撐，說服力不足；揮發(fā)性物質檢測和光譜檢驗技術實驗過程繁瑣，且所需試劑或儀器較為昂貴，難以大面積普及與使用。

為探尋更為科學有效、簡便精確的儲藏小麥品質預測方法，近年來一些學者對小麥的生理生化指標做了大量研究，發(fā)現(xiàn)儲藏小麥品質會隨著儲藏時間的增長產生變化并通過自身一些生理生化指標的變化表現(xiàn)出來：如Ma等[5]研究表明過氧化氫酶活性隨儲藏時間的增長逐漸下降；張帥兵等[6]研究發(fā)現(xiàn)ATP、發(fā)芽率等指標值與儲藏時間密切相關。然而，小麥的一些生理生化指標測試復雜、耗費時間長、人工成本高，給檢測帶來了很大困難。研究還發(fā)現(xiàn)儲藏中的小麥其自身各生理生化指標間具有一定的關聯(lián)性[7]，基于這一特性，本研究通過分析各指標之間的相關性關系，用多個易測指標聯(lián)合反映出對小麥品質有顯著影響的某一指標值，進而通過這一品質顯著影響指標來判斷儲藏小麥的當前品質情況。線性回歸[8]等傳統(tǒng)預測方法難以實現(xiàn)這一研究目標，但隨著機器學習領域中一些統(tǒng)計學方法的發(fā)展和成熟，為該方法研究與實現(xiàn)提供了可能。支持向量回歸機是Vapnik基于結構風險最小化原理提出的一種統(tǒng)計學習理論[9]，它不僅具有小樣本學習和泛化能力強的優(yōu)勢，而且在一定程度上彌補了傳統(tǒng)預測方法存在的缺陷。SVR的預測性能主要取決于模型中的核函數(shù)類型和相關參數(shù)取值[10]，然而，核函數(shù)常依據(jù)經(jīng)驗選取，盲目性大；相關參數(shù)常通過交叉驗證[11]或網(wǎng)格搜索[12]等方法獲得，不僅費時費力，而且難以獲得最優(yōu)參數(shù)。為有效提高SVR在儲藏小麥品質預測中的性能，本研究利用柯西核函數(shù)和改進線性核函數(shù)的性能優(yōu)勢構造了一種混合核函數(shù)作為SVR核函數(shù)，同時針對灰狼算法易陷入局部最優(yōu)的缺陷，從收斂因子和位置更新策略上對原算法做了調整，并用改進灰狼算法對混合核函數(shù)SVR的相關參數(shù)進行優(yōu)化，由此構建一種IGWO-SVM模型用于短期儲藏小麥的品質預測，以實現(xiàn)提高儲藏小麥品質預測精度的目的。

1 儲藏小麥品質預測算法

1.1 構建SVR新型混合核函數(shù)

SVR通過引入核函數(shù)可以將低維空間中的輸入向量映射到高維特征空間并實現(xiàn)線性回歸。常用核函數(shù)有線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)和Sigmiod核函數(shù)[13]，SVR的性能與核函數(shù)類型的選擇密切相關?？挛骱撕瘮?shù)也是一種SVR核函數(shù)，它對于低維度、小樣本數(shù)據(jù)有較強的處理能力，相比于常規(guī)核函數(shù)能更好的適用于小麥多指標數(shù)據(jù)的擬合訓練?？挛骱撕瘮?shù)表達式如式(1)所示。

(1)

式中：xi和xj為n維的輸入值；σ為柯西核函數(shù)的寬度。

盡管柯西核函數(shù)對測試點附近的小麥多指標數(shù)據(jù)有很強的影響力并能取得良好的學習效果，但當數(shù)據(jù)遠離測試點時，其影響力逐漸減弱直至消失。小麥多生理生化指標數(shù)據(jù)間存在著不確定性和數(shù)據(jù)差異性，為進一步提高SVR對多指標數(shù)據(jù)的回歸性能，可以考慮引入一種泛化性強的核函數(shù)與柯西核函數(shù)進行組合。研究表明線性核函數(shù)具有較強的泛化性能，而且計算簡單、運算速度快，見式(2)。

K(xi,xj)=xi·xj

(2)

線性核函數(shù)適用性窄，對于小麥品質多指標數(shù)據(jù)難以實現(xiàn)高效映射，因此本研究基于核函數(shù)構造原則對線性核函數(shù)進行改進。由核函數(shù)性質可知：若K(xi,xj)是滿足Mercer條件的核函數(shù)，則exp[K(xi,xj)]同樣滿足Mercer條件并可以作為SVR的核函數(shù)使用。此外，可以引入?yún)?shù)λ控制線性核函的幅度變化和參數(shù)r對線性核函數(shù)進行微調，以增強它的靈活性和適用性。改進后的線性核函數(shù)見式(3)。

K(xi,xj)=λ·exp(xi·xj+r)

(3)

本研究將改進后的線性核函數(shù)和柯西核函數(shù)進行組合，構造出一種新型混合核函數(shù)。由核函數(shù)封閉性可知，兩個滿足Mercer條件的核函數(shù)乘積同樣滿足Mercer條件，并可以作為SVR的核函數(shù)使用。組合得到的新型混合核函數(shù)如式(4)所示。

(4)

將混合核函數(shù)應用于支持向量回歸機模型[14]中，則最優(yōu)的非線性回歸函數(shù)如式(5)所示。

(5)

式中：αi和αi*為Lagrange乘子；b為真實值與預測值的偏差量。

1.2 改進灰狼算法

1.2.1 收斂因子非線性控制策略

灰狼算法是一種新型群體智能優(yōu)化算法，具有參數(shù)簡單、自組織學習性能好的優(yōu)勢，在圖像處理、工程建模、SVR參數(shù)優(yōu)化等問題中已經(jīng)得到了廣泛的應用。然而，灰狼算法也存在著易于陷入局部最優(yōu)解的缺陷[15]?；依撬惴▽?yōu)過程分為包圍、追捕和攻擊三個部分，包圍過程中，算法通過收斂因子a調節(jié)系數(shù)向量A的大小，進而控制包圍圈的擴散與縮小[16]。基本灰狼算法中的a隨著迭代次數(shù)增加從2線性減少到0，但這種方法不僅難以有效平衡算法的全局搜索能力和局部搜索能力，而且由于實際搜索過程較為復雜，不能準確描述實際迭代搜索過程。為改善這些缺陷，本研究基于余弦函數(shù)，提供了一種新的非線性收斂因子更新公式，見式(6)。

(6)

式中：amax和amin為收斂因子a的最大值和最小值；t為當前迭代次數(shù)；T為最大迭代次數(shù)。

改進后的收斂因子在迭代前期速率減小變慢，a取得相對較大的值，能很好地提高全局搜索能力；在迭代后期收斂因子速率減小加快，a的取值相對之前較小，有效提高了局部搜索能力。

1.2.2 位置更新調整策略

狼群包圍獵物之后，ω狼在α、β和δ狼的引導下對獵物進行追捕，狼群個體根據(jù)當前最優(yōu)個體的位置更新其自身位置，并重新確定獵物位置[17]。然而在此過程中，原位置更新公式中的α、β、δ狼表現(xiàn)出同等程度重要性，無法體現(xiàn)α狼的領袖地位及最優(yōu)解所占權重。為改善這一問題，本研究提出了一種動態(tài)比例權重和加權平均權重相結合的權重分配方法對原位置更新公式進一步調整。其中動態(tài)比例權重能清楚顯示每次迭代后α、β、δ狼的重要性程度，然后經(jīng)過一定加權平均，能更準確的指導狼群朝著獵物方向前行。

1)依據(jù)α、β、δ狼的適應度值并通過式(7)所示的分配策略計算出三頭狼各自所占的動態(tài)比例權重，從而使α狼占據(jù)更大的權重，β狼權重相比于α狼有所減小，δ狼最小。

(7)

式中：f(Xα)、f(Xβ)和f(Xδ)分別為α、β、δ狼在當前位置適應度值，適應度值用均方誤差MSE來表示；wσ、wβ和wδ分別為α、β、δ狼的動態(tài)權重。

2)分別賦予α、β、δ狼加權平均權重為5、3和2，權重總和為10。將動態(tài)比例權重與加權平均權重分配方法相結合，并對原位置更新公式進行修改，最終可以獲得新的位置更新方法，如式(8)所示。

(8)

式中：X1、X2、X3是ω狼與α、β、δ狼之間的位置向量[18]。當獵物停止移動后，灰狼對獵物進行攻擊，完成整個捕獵行為。

1.3 IGWO-SVR算法流程

本研究采用改進灰狼算法對混合核函數(shù)SVR的參數(shù)進行優(yōu)化，以彌補傳統(tǒng)參數(shù)選取方法的缺陷和增強SVR的回歸能力。IGWO-SVR算法實現(xiàn)流程如圖1所示。

圖1 IGWO-SVR算法流程圖

2 材料及數(shù)據(jù)處理

2.1 材料與測試方法

小麥的生理生化指標繁多且復雜，若全部測試并分析驗證，不僅耗費時間長，而且一些試驗儀器和試劑較為昂貴導致測試成本較高。因此，本研究選取了與小麥品質相關聯(lián)的8個代表性的指標(脂肪酸值、降落數(shù)值、沉降值、還原糖、過氧化氫酶、電導率、丙二醛、發(fā)芽率)進行試驗分析。試驗所選用的小麥樣本為河南省農科院培育的中筋麥周麥22，將小麥清洗干凈后每500 g裝入紗布并放置于人工氣候培養(yǎng)箱，測試期間通過加濕器、空調等將環(huán)境溫度控制在25 ℃左右以模擬實際儲藏環(huán)境。為避免單批次數(shù)據(jù)可能出現(xiàn)的誤差，試驗將小麥樣本劃分為3個不同批次，并在5個不同儲藏時間段(30、60、90、120、150 d)分別對各項生理生化指標進行測試。其中前兩個批次的10組多指標數(shù)據(jù)作為模型的訓練樣本，第三個批次的5組多指標數(shù)據(jù)作為模型的測試樣本。

各指標測試方法：脂肪酸值依據(jù)GB/T 15684—2015測定；降落數(shù)值依據(jù)GB/T 10361—2008測定；沉降值依據(jù)GB/T 21119—2007測定；還原糖含量依據(jù)GB/T 5009.7—2016測定；過氧化物酶依據(jù)GB/T 32102—2015測定；發(fā)芽率依據(jù)GB/T 5520—2011測定；丙二醛含量依據(jù)GB 5009181—2016測定；電導率計算公式為：電導率=(電導讀數(shù)-空白讀數(shù))/小麥質量。

2.2 品質預測指標選取及相關性分析

小麥樣本中各項生理生化指標數(shù)值隨著時間的延續(xù)，整體上都會呈現(xiàn)一定的上升或下降趨勢，這是由于新收獲后的小麥受到呼吸作用、微生物、溫濕度等因素的影響，生理生化指標所表現(xiàn)出的內在變化特性。相比于其他所選取的指標，脂肪酸值與小麥品質的關聯(lián)性更為緊密：一方面，小麥籽粒中脂質物質會隨著儲藏時間的增長水解成游離的脂肪酸，然后進一步氧化生成脂、酮、醛等化合物，導致小麥品質下降；另一方面，脂肪酸值在不同品質小麥間差異較大且區(qū)分明顯，最能體現(xiàn)小麥品質的變化情況。此外，脂肪酸值檢測方法較為復雜，同時提取液使用的是苯(易燃、易爆、揮發(fā)性大、毒性大)，而且受小麥本身色澤和醇溶性蛋白等因素影響，判斷滴定終點時指示劑的顏色變化比較困難，這些都給脂肪酸值測試帶來一定難度。綜上，本研究選用脂肪酸值作為儲藏小麥品質預測指標因子，其他易測指標作為影響指標因子。

儲藏小麥各生理生化指標間存在一定的相關性關系。為提高訓練效率，減少相關性弱的因子對試驗結果的干擾，本研究采用SPSS數(shù)據(jù)分析軟件對指標間相關性進行分析，從而剔除不合適的指標。脂肪酸值與其他指標間相關性分析結果如圖2所示。

圖2 脂肪酸值與其他指標間相關性系數(shù)

從圖2可以看出，除丙二醛外，脂肪酸值與其他6個指標的相關性系數(shù)絕對值均大于0.7，說明這些指標間有很強的相關性關系。而丙二醛與脂肪酸值的相關性系數(shù)僅為0.674，屬于中等程度相關，故可舍去該指標。然后對選取的指標進行KMO(檢驗統(tǒng)計量)和Bartlett(巴特利球體)檢驗以驗證所選取的指標是否合適。得到KMO=0.836，顯著性水平P<0.01，表明本研究所選取的小麥生理生化指標是合適的，在一定程度上避免了由于樣本間相關性差異較大而對試驗結果的影響。

2.3 多指標數(shù)據(jù)歸一化

由于小麥各生理生化指標的單位不同且數(shù)值范圍差異較大，為避免不同樣本間差異所造成的試驗誤差，實現(xiàn)時間序列的延續(xù)，需要在使用預測模型對儲藏小麥品質預測前需要把所有小麥多指標數(shù)據(jù)進行歸一化。本研究采用式(9)所示的max-min歸一化方法對小麥各原始生理生化指標數(shù)據(jù)歸一化到0～1 之間。

(9)

式中：xi*和xi分別表示歸一化處理前后小麥多指標數(shù)據(jù)；max和min對應每項指標樣本的最大值和最小值。通過將小麥多指標數(shù)據(jù)進行歸一化，也可以在一定程度上避免SVR模型的過擬合。

2.4 數(shù)據(jù)訓練與分析

使用本研究構建的IGWO-SVR預測模型對預處理后得到的小麥多指標數(shù)據(jù)訓練及預測，輸出不同儲藏時間段小麥脂肪酸值預測結果，以此判斷儲藏小麥品質狀況。

此外，通過均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)、判定系數(shù)(R2)這3種評價指標來評估模型的預測效果，這些評價指標對于儲藏小麥品質預測精度的評價有很好的適用性，能有效判別各預測模型優(yōu)劣情況，見式(10)～式(12)。

(10)

(11)

(12)

3 結果與分析

3.1 不同核函數(shù)SVR模型準確度對比分析

為分析和比較本研究所構建的混合核函數(shù)與常規(guī)核函數(shù)對小麥脂肪酸值預測準確度的影響，采用改進灰狼算法分別對線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)和混合核函數(shù)SVR模型的參數(shù)進行優(yōu)化。模型訓練和測試通過MATLAB R2016a和libSVM-3.22工具箱完成，實驗中相關參數(shù)設置如下：初始種群規(guī)模N= 30，最大迭代次數(shù)T=100，收斂因子amax=2，amin=0，λ=1，r=1，懲罰參數(shù)C和核參數(shù)σ、g取值范圍均為[0.01,100]，多項式核參數(shù)d= 1，2，3。經(jīng)過訓練，可以得到的不同核函數(shù)SVR模型最優(yōu)參數(shù)組合如表1所示，不同核函數(shù)SVR模型各儲藏時間段預測值與實際值的絕對誤差和平均相對誤差如圖3所示。

圖3 不同核函數(shù)SVR模型平均相對誤差和各儲藏時間段絕對誤差

表1 不同核函數(shù)SVR最優(yōu)參數(shù)組合

從圖3可以看出，采用線性核函數(shù)的SVR模型在儲藏時間為120 d時預測值與實際值之間的絕對誤差非常大，達到了4.397 mgKOH/100 g，且整體平均相對誤差為8.49%，遠高于其他模型。這是因為線性核函數(shù)僅通過內積變換，當樣本足夠豐富、函數(shù)復雜時不能得到較好的映射，因此難以實現(xiàn)對小麥多指標數(shù)據(jù)的有效訓練；多項式核函數(shù)SVR和徑向基核函數(shù)SVR模型的平均相對誤差分別為6.81%和5.99%，由于能夠有效的將小麥多指標樣本數(shù)據(jù)映射到高維空間，一定程度上能實現(xiàn)對儲藏小麥品質的有效預測；混合核函數(shù)SVR模型結合了局部性和全局性核函數(shù)的性能優(yōu)勢，取得了較好的預測效果：模型整體平均相對誤差僅為4.25%，相比于線性核、多項式核、徑向基核SVR分別下降了4.24%、2.56%和1.74%，較好的發(fā)揮了SVR的性能。結果表明本研究所構建的混合核函數(shù)性能優(yōu)于傳統(tǒng)核函數(shù)，能有效提高SVR的預測精度。

分析發(fā)現(xiàn)在早期的儲藏小麥品質預測中(0～90 d)各模型準確度普遍較低，尤其是儲藏時間60 d時各模型的預測偏差都超過了1.5 mgKOH/100 g。產生這一現(xiàn)象的原因是由于小麥籽粒從收獲儲藏到品質成熟的過程中會出現(xiàn)“后成熟”作用，其間小麥代謝旺盛，在合成高分子有機物的同時還會通過呼吸作用消耗本身儲藏的物質，產生一系列不同程度的生理和生化反應，因此這一時期的各生理生化指標的測試數(shù)值會出現(xiàn)波動，從而對模型預測結果造成一定影響。

3.2 不同預測模型對比分析

為了進一步分析IGWO-SVR預測模型在儲藏小麥的品質預測中的效果，本研究采用不同模型預測結果與評價指標相結合的方法，對各模型的預測效果綜合評判。選取常用的網(wǎng)格搜索優(yōu)化的SVR模型(GS-SVR)、布谷鳥算法優(yōu)化的SVR模型(CS-SVR)和基本的灰狼算法優(yōu)化的SVR模型(GWO-SVR)與之進行對比，對比模型中的核函數(shù)均使用徑向基核函數(shù)。各模型不同時間段脂肪酸值的預測結果如圖4所示，各模型評價指標統(tǒng)計結果如表2所示。

表2 各預測模型評價指標統(tǒng)計結果

由于網(wǎng)格搜索算法通常需要大量的訓練數(shù)據(jù)，對于小樣本數(shù)據(jù)GS-SVR模型沒有獲得很好的預測效果，模型的預測曲線震蕩不平穩(wěn)，RMSE和MAPE值大于其他模型，且R2值最小，表明模型整體擬合及預測效果較差；除150 d的時間段外，在其他時間段CS-SVR模型的預測值與實際值之間均存在較大偏差，評價指標結果也表明該模型整體誤差偏大，難以有效描述儲藏小麥的品質變化趨勢；由于灰狼算法的收斂性能相比于網(wǎng)格搜索算法和布谷鳥算法較強，從而實現(xiàn)了對SVR參數(shù)更好的尋優(yōu)，GWO-SVR模型預測準確度有明顯提高；而IGWO-SVR模型進一步增強了灰狼算法的尋優(yōu)性能和SVR核函數(shù)性能，相比于GWO-SVR，模型的預測穩(wěn)定性和預測精度得到了增強，從圖4可以看出它在不同儲藏時間段的變化曲線與實際值的軌跡基本保持一致，波動較小，且MAPE值較GS-SVR、CS-SVR、GWO-SVR預測模型分別下降了4.88%、3.96%和2.25%，R2也更接近1，均表明該模型對儲藏小麥品質有良好的預測效果。

小麥在儲藏期間脂肪酸值升高的主要原因是一些游離脂類的氧化水解作用，小麥細胞膜上的三酰甘油酸和和磷脂中的結合脂肪酸在磷脂酶和脂肪酶的催化作用下不斷釋放出來，導致游離脂肪酸的含量不斷增長，從而致使脂肪酸值增加。在良好儲藏環(huán)境下，儲藏時間較短的小麥一般不會發(fā)生陳化變質，屬于品質優(yōu)良的小麥范疇。隨著時間的增長，在溫濕度、微生物、小麥呼吸作用等因素共同作用下，儲藏小麥的品質開始產生變化并逐漸出現(xiàn)陳化劣變。脂肪酸值作為品質評估指標時，本研究建立的IGWO-SVR預測模型在儲藏時間為120 d和150 d的小麥預測精度遠高于其他模型且與實際值非常貼近，能很好的適用于短期儲藏小麥品質預測工作。

3.3 發(fā)芽率對模型有效性驗證分析

為驗證IGWO-SVR模型對于其他生理生化指標作為小麥品質評估指標的有效性，選取周麥22中的發(fā)芽率指標作為品質評估指標對模型進行驗證。小麥發(fā)芽率隨著儲藏時間的延長不斷降低，可用作于小麥品質的評估[19]。經(jīng)相關性分析，選取脂肪酸值、還原糖、過氧化氫酶這3個生理生化指標作為影響指標因子，測得KMO=0.808、P<0.01，表明指標選取合適。使用IGWO-SVR模型對預處理后的多指標數(shù)據(jù)進行訓練及預測，得到不同儲藏時間段發(fā)芽率的預測結果如圖5所示。

圖5 不同儲藏時間段發(fā)芽率預測結果

從圖5中可以發(fā)現(xiàn)小麥的發(fā)芽率在儲藏前期維持在90%左右，但隨著儲藏時間的增長逐漸下降到了80%。這是因為新收獲的小麥種子的胚組織積累了足夠多的營養(yǎng)物質，種子具有較高的生活力，在適宜的環(huán)境下很容易萌發(fā)；但隨著儲藏時間的增長，小麥通過呼吸作用會不斷將有機物分解成二氧化碳和水，而且糧倉中的微生物、蟲害等不良因素也會消耗種子發(fā)芽所需的營養(yǎng)物質，導致小麥種子活力下降甚至失去活力。一般情況下，小麥的活力指數(shù)呈現(xiàn)先平穩(wěn)減小后逐漸下降的規(guī)律，會出現(xiàn)一個明顯拐點(如圖5中120～150 d時)，拐點之后影響種子活力的各項指標迅速下降，這也是發(fā)芽率明顯下降的原因。

經(jīng)過對發(fā)芽率的模型計算，RMSE值為1.838 6，MAPE值為1.85%，R2值為0.931 7。相比于脂肪酸值作為品質評估指標時的模型結果，發(fā)率的模型擬合效果稍遜。這是因為脂肪酸值有6個影響指標因子，而發(fā)芽率僅有3個，訓練數(shù)據(jù)少了一半，從而導致結果差一些。結合評價指標和圖5來看，發(fā)芽率的模型整體誤差不大，可以驗證IGWO-SVR預測模型的有效性。

3.4 IGWO-SVR模型適用性驗證分析

為檢驗本研究提出的預測模型對不同品種小麥的適用性，利用文獻[20]中的鄭麥9023多指標數(shù)據(jù)對該模型進行驗證分析。選取脂肪酸值作為品質評估指標因子，經(jīng)相關性分析后得到6個合適的影響指標因子。將鄭麥9023多指標數(shù)據(jù)預處理后輸入IGWO-SVR模型進行訓練和預測，可得到不同儲藏時間段模型預測結果如圖6所示。

圖6 鄭麥9023不同儲藏時間段脂肪酸值預測結果

由圖6可以看出，IGWO-SVR模型保持了穩(wěn)定可靠的預測性能，各儲藏時間段的脂肪酸值預測結果與實際值較為接近。判定系數(shù)R2值達到了0.959 1，說明模型的擬合效果非常好，均方根誤差MAPE值為3.87%，遠小于10%的有效預測范圍，進一步表明該模型預測精度較高，并在一定程度上避免了SVR模型的過擬合和欠擬合問題，對于短期儲藏小麥的品質預測有很好的適用性。仔細觀察還可以發(fā)現(xiàn)，在儲藏時間0～90 d時，模型的預測值與實際值間存在一定的偏差，但在120～210 d的時間段，模型的預測值與實際值曲線基本一致，精度非常高。同樣表明了在儲藏早期由于“后成熟”作用的存在，小麥多生理生化指標數(shù)值變化規(guī)律不一，從而導致早期的預測結果不穩(wěn)定并出現(xiàn)一定偏差；隨著儲藏小麥“后成熟”作用的結束，其內部各項生理生化指標值的變化趨于穩(wěn)定，模型的預測精度也顯著提高。本研究模型對于實際儲藏小麥的品質預測工作具有很大的參考價值。

4 結論

針對儲藏小麥品質精確、高效預測的迫切需要，本研究從小麥多生理生化指標的研究角度出發(fā)提出了一種IGWO-SVR模型用于短期儲藏小麥的品質預測。實驗結果表明，相比于線性、多項式、徑向基核函數(shù)SVR模型，采用混合核函數(shù)的IGWO-SVR模型的平均相對誤差分別下降了4.24%、2.56%和1.74%。同時，IGWO-SVR模型的R2值相比于GS-SVR、CS-SVR、GWO-SVR預測模型更為接近1，顯示模型整體擬合效果和預測精度更優(yōu)。利用發(fā)芽率作為品質評估指標對IGWO-SVR模型的有效性進行檢驗，MAPE值僅為1.85%，R2值為0.931 7，表明模型精度較高；通過不同品種小麥對模型適用性進行驗證，MAPE值為3.87%，R2值為0.959 1，顯示模型適用性良好。實驗結果表明本研究模型是一種行之有效的短期儲藏小麥品質預測方法，有助于小麥的安全儲藏。

由于本研究所開展的實驗周期較短且在恒溫恒濕條件下進行的，在后續(xù)研究中，擬對在實際糧倉中獲取到的小麥樣本進行試驗，同時加強對長儲藏期小麥品質的研究，以獲得性能更穩(wěn)定和更高實用價值的小麥品質預測模型。