陳素彬 楊華 羅蓉 胡振

摘要 [目的]為了檢測(cè)馬鈴薯的飼用品質(zhì)，用近紅外光譜法建立馬鈴薯可溶性固形物含量（SSC）快速測(cè)定模型。[方法]以偏最小二乘法（PLS）建立原始光譜的校正模型為基礎(chǔ)，用蒙特卡洛交互驗(yàn)證法剔除異常樣本，經(jīng)比較選擇標(biāo)準(zhǔn)正態(tài)變量和均值中心化算法進(jìn)行光譜預(yù)處理、光譜-參考值共生距離法劃分樣本集，然后對(duì)所得數(shù)據(jù)分別以PLS和最小二乘支持向量機(jī)（LS-SVM）建立定量校正模型，并用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法和風(fēng)驅(qū)動(dòng)-差分進(jìn)化混合算法完成相應(yīng)模型的特征波長(zhǎng)和參數(shù)優(yōu)化。[結(jié)果]優(yōu)化的PLS模型和LS-SVM模型波長(zhǎng)變量分別減至全光譜的8.67%、67.80%，二者的Rc2、Rp2、RMSEC、RMSEP、RPD分別為0.970 8、0.954 2、0.258 6、0.262 8、5.91和0.987 3、0.983 0、0.170 5、0.173 4、8.96，LS-SVM模型的各項(xiàng)性能指標(biāo)全面優(yōu)于PLS模型。[結(jié)論]2種定量模型均可用于馬鈴薯SSC的實(shí)際檢測(cè)工作。

關(guān)鍵詞 可溶性固形物;近紅外光譜分析;定量模型;偏最小二乘法;最小二乘支持向量機(jī)

中圖分類號(hào) TS 255.7? 文獻(xiàn)標(biāo)識(shí)碼 A? 文章編號(hào) 0517-6611（2021）20-0205-05

doi：10.3969/j.issn.0517-6611.2021.20.055

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Rapid Quantitative Model and Optimization of Potato Soluble Solids by Near Infrared Spectroscopy

CHEN Su-bin? YANG Hua? LUO Rong2 et al

（1. Nanchong Vocational and Technical College， Nanchong， Sichuan 637131;2. Geological Resarch Institute of Central Sichuan Oil and Gas District of Southwest Oil and Gasfield Company， Suining， Sichuan 629000）

Abstract [Objective]In order to test the feeding quality of potatoes， the quick measurement model of potato soluble solids content （SSC） had been established by means of the near infrared spectroscopy.[Method]The establishment of the original spectrum correction model was taken as the basis by the partial least squares （PLS）， the abnormal samples were eliminated by using the Monte Carlo cross validation method， the sample set was divided by the spectrum pretreatment and spectral-reference value symbiotic distance method through comparing and selecting the standard normal variable and mean centralized algorithm， and then the quantitative calibration model of the obtained data was established with the PLS and the least squares-support vector machine （LS-SVM） respectively， and the characteristic wave length and parameters of the corresponding model were optimized by the competitive adaptive reweighted sampling method and the wind-driven differential evolution hybrid algorithm.[Result]The wavelength variables of the optimized PLS model and LS-SVM model were reduced to the 8.67% and 67.80% of the full spectrum respectively， and the Rc? Rp? RMSEC， RMSEP and RPD of the two models were 0.970 8， 0.954?? 0.258 6， 0.262 8，5.91 and 0.987 3， 0.983 0， 0.170 5， 0.173 4， 8.96， respectively. The various performance indexes of LS-SVM model were fully superior to those of the PLS model.[Conclusion] The two quantitative models can be used for practical detection of potato SSC.

Key words Soluble solids;Near infrared spectroscopy;Quantitative model;PLS;LS-SVM

基金項(xiàng)目 南充市2019年應(yīng)用技術(shù)研究與開發(fā)資金項(xiàng)目（19YFZJ0028）。

作者簡(jiǎn)介 陳素彬（1967—），女，四川儀隴人，副教授，從事分析檢測(cè)工作。

收稿日期 2021-02-03

馬鈴薯是重要的糧食、飼料兼用作物，其可食部分富含有益于動(dòng)物健康的各種物質(zhì)成分，為世界公認(rèn)的全價(jià)食品和優(yōu)良飼料，可用于鮮食和加工原料?？扇苄怨绦挝锖浚╯oluble solids content，SSC）是馬鈴薯的主要品質(zhì)指標(biāo)之一，直接反映其質(zhì)量和加工適宜性[1]。

在實(shí)際檢測(cè)和相關(guān)研究中，SSC的測(cè)定常用折射儀（折光計(jì)）法和手持糖度計(jì)法[2-3]，相應(yīng)國(guó)家標(biāo)準(zhǔn)和農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)分別為《食品罐頭的檢驗(yàn)方法》（GB/T 10786—2006）、《水果和蔬菜可溶性固形物含量的測(cè)定 折射儀法》（NY/T 2637—2014）。近年來，隨著各類新型分析儀器的普及應(yīng)用和化學(xué)計(jì)量學(xué)方法、軟件技術(shù)的不斷發(fā)展，近紅外光譜分析（near infrared spectroscopy，NIRS）技術(shù)得到了廣泛應(yīng)用，在SSC檢測(cè)方面也取得了一些成果[4-5]。王世芳等[6]對(duì)西瓜不同部位的樣品集進(jìn)行近紅外光譜檢測(cè)，其赤道部位樣品光譜經(jīng)歸一化預(yù)處理后，建立的偏最小二乘（partial least squares，PLS）模型預(yù)測(cè)相關(guān)系數(shù)為0.864、均方根誤差為0.33%;王冬等[7]采用PLS結(jié)合全交互驗(yàn)證算法，將2種櫻桃樣品光譜數(shù)據(jù)與SSC測(cè)定值建立定量校正模型，其校正決定系數(shù)、校正均方根誤差、交互驗(yàn)證決定系數(shù)、交互驗(yàn)證均方根誤差和相對(duì)分析誤差分別為0.912 5、0.81、0.894 6、0.89、3.38;于懷智等[8]基于近紅外光譜技術(shù)設(shè)計(jì)了“蒙陰黃桃”內(nèi)部品質(zhì)在線無損檢測(cè)分級(jí)系統(tǒng)，所建SPA-PLS模型較優(yōu)，其SSC預(yù)測(cè)集相關(guān)系數(shù)和預(yù)測(cè)均方根誤差分別為0.916、0.721%。這些研究為應(yīng)用NIRS技術(shù)檢測(cè)SSC提供了有效驗(yàn)證，但用于測(cè)定馬鈴薯SSC的報(bào)道尚不多見。

該試驗(yàn)參考農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)《蘋果中可溶性固形物、可滴定酸無損傷快速測(cè)定 近紅外光譜法》（NY/T 1841—2010），以NIRS法檢測(cè)馬鈴薯SSC為目標(biāo)，分別以偏最小二乘（PLS）和最小二乘支持向量機(jī)（least squares-support vector machine，LS-SVM）建立定量模型，并運(yùn)用化學(xué)計(jì)量學(xué)方法和軟件技術(shù)對(duì)其進(jìn)行全面優(yōu)化，通過性能對(duì)比確定較優(yōu)建模方案，為同類試驗(yàn)和實(shí)際檢測(cè)提供方法和技術(shù)思路。

1 材料與方法

1.1 試驗(yàn)材料

從南充市農(nóng)貿(mào)市場(chǎng)、生豬飼養(yǎng)場(chǎng)和飼料企業(yè)采集新鮮馬鈴薯樣品213個(gè)，其品種、產(chǎn)地和種植條件不盡相同。獲得的樣品在實(shí)驗(yàn)室統(tǒng)一編號(hào)，清潔其表面、于陰涼處風(fēng)干，在溫度（6±1）℃、相對(duì)濕度80%～85%環(huán)境避光保存。

1.2 主要儀器

近紅外光譜儀（型號(hào)為MPA），德國(guó)Bruker公司;阿貝折光儀（型號(hào)為WAY-1S），上海精密儀器廠;組織搗碎機(jī)（型號(hào)為JJ-2），江蘇金壇市億通電子有限公司。

1.3 樣品SSC參考值測(cè)定

隨機(jī)取馬鈴薯樣品塊莖3～5 個(gè)，選擇相同部位切碎、混勻，放入組織搗碎機(jī)中打漿，用4層紗布擠出濾液，棄去最初幾滴，按農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)《水果和蔬菜可溶性固形物含量的測(cè)定 折射儀法》（NY/T 2637—2014）之步驟完成SSC測(cè)定。

1.4 SSC快速定量模型建立

1.4.1

樣品近紅外光譜測(cè)量。將馬鈴薯樣品切成圓形片塊，用近紅外光譜儀直接測(cè)量其漫反射光譜。光譜掃描范圍10 500～7 400 cm- 以8 cm-1分辨率掃描樣品64 次;每個(gè)試樣重復(fù)裝樣、掃描3 次，取其平均值為光譜數(shù)據(jù)。

1.4.2

NIRS定量模型建立。用KS法（kennard-stone）將樣品按3∶1劃分為定標(biāo)集和驗(yàn)證集，以PLS法建立定標(biāo)集樣品光譜與相應(yīng)SSC參考值的校正模型，用該模型預(yù)測(cè)驗(yàn)證集樣品的SSC，并以校正決定系數(shù)（calibration r-square，Rc2）、預(yù)測(cè)決定系數(shù)（prediction r-square，Rp2）、校正均方差（root mean square error of calibration，RMSEC）、預(yù)測(cè)均方差（root mean square error of prediction，RMSEP）和相對(duì)分析誤差（residual predictive deviation，RPD）為指標(biāo)評(píng)價(jià)模型性能。

1.5 模型性能優(yōu)化

1.5.1

異常樣本判斷與剔除。采用蒙特卡洛交互驗(yàn)證法（Monte Carlo cross validation，MCCV）。以蒙特卡洛采樣法（Monte Carlo sampling，MCS）取樣本總量的80%組成校正集，其余樣本為驗(yàn)證集，用PLS法建模、預(yù)測(cè)，計(jì)算各樣本的預(yù)測(cè)殘差。重復(fù)該過程2 000 次，計(jì)算各樣本預(yù)測(cè)殘差的均值（MEAN）和標(biāo)準(zhǔn)差（standard deviation，STD），繪制全部樣本預(yù)測(cè)殘差的MEAN-STD分布圖，圖中均值和標(biāo)準(zhǔn)差較大且明顯離群的樣本為異常樣本[9]。

1.5.2

光譜預(yù)處理與樣本集劃分。首先分別嘗試均值中心化（mean centralization，MC）、矢量歸一化（vector normalization，VN）、薩維茨基-戈萊平滑（savitzky-golay smoothing，SGS）、一階導(dǎo)數(shù)（first derivative，F(xiàn)D）、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variable，SNV）、多元散射校正（multiple scattering correction，MSC）和離散小波變換（discrete wavelet transform，DWT）等數(shù)據(jù)變換算法，然后依次用其他算法與MC的組合方法進(jìn)行樣本光譜預(yù)處理;同時(shí)分別以KS法和光譜-參考值共生距離法（sample set partitioning based on joint X-Y distance，SPXY）按3∶1劃分樣本集，用預(yù)處理后的樣本光譜與相應(yīng)SSC參考值建模，比較其性能以確定最優(yōu)的光譜預(yù)處理和樣本集劃分方案。然后對(duì)于以最優(yōu)方案所得樣本數(shù)據(jù)，分別用PLS和LS-SVM方法建模、預(yù)測(cè)，并進(jìn)行性能評(píng)價(jià)與比較。

1.5.3

建模波長(zhǎng)優(yōu)化。PLS模型以競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法（competitive adaptive reweighted sampling，CARS）選取特征波長(zhǎng)：用MCS法抽取80%樣本為校正集，其余為驗(yàn)證集，以PLS法建模預(yù)測(cè)，計(jì)算波長(zhǎng)j對(duì)目標(biāo)的貢獻(xiàn)|bj|和權(quán)重wj，以指數(shù)遞減函數(shù)計(jì)算波長(zhǎng)變量的保留率ri=ae-ki（a、k為常數(shù)，i為采樣次數(shù)）;去掉|bj|較小的波長(zhǎng)點(diǎn)，從m×ri個(gè)（m為波長(zhǎng)數(shù)）波長(zhǎng)變量中用自適應(yīng)重加權(quán)采樣（adaptive reweighted sampling，ARS）法得到樣本優(yōu)選子集，以相應(yīng)光譜數(shù)據(jù)建立PLS模型，計(jì)算其交互驗(yàn)證均方根誤差（root mean square error of cross validation，RMSECV）。重復(fù)此過程200 次，取RMSECV最小值對(duì)應(yīng)的變量子集為特征波長(zhǎng)[10]。

LS-SVM模型采用智能搜索算法進(jìn)行波長(zhǎng)變量和參數(shù)優(yōu)化：基于風(fēng)驅(qū)動(dòng)優(yōu)化（wind driven optimization，WDO）和差分進(jìn)化（differential evolution，DE）算法構(gòu)造一種WDO-DE混合優(yōu)化算法[11]，將其離散化，使連續(xù)的實(shí)數(shù)搜索空間映射到離散的二進(jìn)制空間，以各維搜索位置對(duì)應(yīng)全部待選波長(zhǎng)，其值為1則相應(yīng)波長(zhǎng)被選中，反之為未選中，故最終取值為1的各維即構(gòu)成特征波長(zhǎng)。將待選波長(zhǎng)與模型參數(shù)σ2、γ一起構(gòu)成優(yōu)化變量，并進(jìn)行二進(jìn)制編碼，用樣本數(shù)據(jù)建立LS-SVM模型進(jìn)行預(yù)測(cè)，以RMSECV為算法適應(yīng)度，迭代搜索特征波長(zhǎng)和最優(yōu)建模參數(shù)[12]。

1.5.4

優(yōu)化模型建立及性能評(píng)價(jià)。綜合應(yīng)用異常樣本判斷、光譜預(yù)處理、樣本集劃分和特征波長(zhǎng)選取的結(jié)果，得到優(yōu)化的定標(biāo)集和驗(yàn)證集數(shù)據(jù)，分別建立PLS模型和LS-SVM模型進(jìn)行預(yù)測(cè)驗(yàn)證。

以Rc2、Rp2、RMSEC、RMSEP和RPD為評(píng)價(jià)指標(biāo)，比較PLS模型優(yōu)化前后及LS-SVM模型的性能。Rc2越大、RMSEC越小，則建模質(zhì)量越好;Rp2越大、RMSEP越小，則模型預(yù)測(cè)能力越強(qiáng);Rc2和Rp2、RMSEC和RMSEP相差少，則模型精度高、穩(wěn)健性好。根據(jù)國(guó)際谷物科技協(xié)會(huì)標(biāo)準(zhǔn)，模型的RPD≥3才能用于實(shí)際檢測(cè)。

1.6 數(shù)據(jù)處理與建模工具

數(shù)據(jù)記錄、統(tǒng)計(jì)和結(jié)果計(jì)算用Microsoft Excel 2010完成，光譜預(yù)處理和PLS建模以The Unscrambler X 10.4實(shí)施，LS-SVM建模和模型優(yōu)化利用MATLAB R2020a編程實(shí)現(xiàn)。

2 結(jié)果與分析

2.1 SSC快速定量模型建立

2.1.1 馬鈴薯樣品近紅外光譜測(cè)量。213個(gè)馬鈴薯樣品的原始近紅外光譜見圖1。由圖1可知，在9 000～10 500 cm-1波段光譜趨勢(shì)平緩，7 400～9 000 cm-1波段相對(duì)尖銳、吸收峰較多。樣品光譜在7 630和8 965 cm-1處存在明顯的波谷，而在7 830、8 216和8 833 cm-1左右有較明顯的波峰，這些區(qū)域含有較多特征光譜信息。不同品種、產(chǎn)地和種植條件的馬鈴薯樣品近紅外光譜相似度很高，但譜線較分散，表明各樣品的成分一致、含量差異明顯。

2.1.2

NIRS定量模型建立。將全部213個(gè)樣品用KS法按3∶1劃分樣本集后，以無預(yù)處理的全光譜數(shù)據(jù)直接建立PLS定量模型，結(jié)果發(fā)現(xiàn)，用樣本集原始NIRS數(shù)據(jù)所建PLS定量模型的Rc2和Rp2分別為0.723 7、0.660? RMSEC和RMSEP分別為0.784 9、0.800? RPD僅為1.87，其各項(xiàng)性能指標(biāo)較差，不能直接用于實(shí)際檢測(cè)。

2.2 模型性能優(yōu)化

2.2.1

異常樣本判斷與剔除。用MCCV法所得全部樣本的預(yù)測(cè)殘差MEAN-STD分布如圖2所示。從圖2可看出，全部樣本預(yù)測(cè)殘差的均值和標(biāo)準(zhǔn)差集中分布于坐標(biāo)原點(diǎn)區(qū)域附近，預(yù)測(cè)殘差均值大于0.8的樣品有140 號(hào)、81 號(hào)、147 號(hào)和172 號(hào)，但其預(yù)測(cè)殘差標(biāo)準(zhǔn)差均較小;預(yù)測(cè)殘差標(biāo)準(zhǔn)差大于0.15的樣品有141 號(hào)、148 號(hào)、32 號(hào)和33 號(hào)，其中141 號(hào)樣品的預(yù)測(cè)殘差均值也較大，故可確定為異常樣本。將該樣本剔除后，再以PLS法建立SSC定量模型，結(jié)果發(fā)現(xiàn)，其模型的Rc2和Rp2分別為0.725 3、0.661 0，RMSEC和RMSEP分別為0.781 8、0.789 5，RPD僅為1.90，可見剔除141 號(hào)樣本后，所建PLS定量模型的各項(xiàng)性能指標(biāo)皆有所改善。

2.2.2

光譜預(yù)處理與樣本集劃分。分別以KS法和SPXY法劃分樣本集，結(jié)果見表1。

從表1可以看出，用KS法和SPXY法劃分樣本集的結(jié)果沒有明顯差異，2種方法所得定標(biāo)集和驗(yàn)證集樣本的SSC分布情況極為相似，各項(xiàng)數(shù)據(jù)均相差很小。樣本集中SSC的變化范圍較大，最小值和最大值的樣本都劃分在定標(biāo)集中;定標(biāo)集樣本的SSC涵蓋了驗(yàn)證集樣本的SSC范圍，驗(yàn)證集樣本SSC的標(biāo)準(zhǔn)差大于定標(biāo)集，適合于建立一個(gè)準(zhǔn)確、穩(wěn)健的校正模型。

分別以2種樣本集劃分方法結(jié)合多種光譜預(yù)處理方案處理樣本集數(shù)據(jù)，用PLS法建立SSC定量模型，結(jié)果見表2。

將表2中的數(shù)據(jù)對(duì)比可知，樣本光譜經(jīng)過預(yù)處理后，所建NIR定量模型的性能皆有提高，其中組合方法的預(yù)處理效果優(yōu)于單一算法;對(duì)于同一種光譜預(yù)處理方法，用SPXY法劃分樣本集所建模型的性能優(yōu)于KS法。顯然，光譜預(yù)處理結(jié)合樣本集劃分的最優(yōu)方案為“‘SNV+MC+SPXY”，相應(yīng)PLS校正模型的性能指標(biāo)Rc2和Rp2分別為0.970 2、0.936 9，RMSEC和RMSEP分別為0.261 9、0.269? RPD為5.77，達(dá)到了可用于實(shí)際檢測(cè)的標(biāo)準(zhǔn)。

2.2.3

建模波長(zhǎng)優(yōu)化。對(duì)于用“‘SNV+MC+SPXY”方案優(yōu)化所得樣本集數(shù)據(jù)，以CARS法選取PLS模型的特征波長(zhǎng)、WDO-DE混合優(yōu)化算法搜索LS-SVM模型的最優(yōu)參數(shù)和波長(zhǎng)變量，所得特征波長(zhǎng)見表 同時(shí)得到LS-SVM模型最優(yōu)參數(shù)為σ2=11.309 93、γ= 240.478 8。

由表3可知，PLS校正模型用CARS法篩選后，保留了35 個(gè)波長(zhǎng)點(diǎn)，僅占全波長(zhǎng)的8.67%;所選波長(zhǎng)多數(shù)集中于8 826～9 188 cm-1波段，共有25 個(gè)，正好位于8 833 cm-1處的波峰和8 965 cm-1處的波谷區(qū)域，該段光譜表達(dá)了馬鈴薯樣品SSC的主要信息;另外10 個(gè)特征波長(zhǎng)中，7 400、7 406和10 176、10 191、10 222 cm-1分別位于譜線兩端的波峰附近，7 607、7 907 cm-1分別在7 630 cm-1處的波谷和7 830 cm-1處的波峰區(qū)域，8 154、8 170和8 394 cm-1也位于8 216? cm-1處的波峰附近。

LS-SVM校正模型以WDO-DE混合優(yōu)化算法選得波長(zhǎng)變量274 個(gè)，為全波長(zhǎng)的67.8%;建模波長(zhǎng)主要分布在8 455～9 720 cm-1波段，共146 個(gè)，其中包含了8 833 cm-1處的波峰和8 965 cm-1處的波谷區(qū)域;其次為7 607～7 938 cm-1波段，共38 個(gè)，正好位于7 630 cm-1處的波谷和7 830 cm-1處的波峰區(qū)域;然后為9 805～10 014 cm-1波段，共21 個(gè)，對(duì)應(yīng)于9 900 cm-1附近的平緩波峰;此外，10 083～10 245 cm-1波段18 個(gè)、10 368～10 500 cm-1波段15 個(gè)，其余波長(zhǎng)36 個(gè)。

2.2.4 優(yōu)化模型建立及性能評(píng)價(jià)結(jié)果。綜合應(yīng)用前述優(yōu)化方法，分別以PLS和LS-SVM法建立馬鈴薯SSC定量模型，結(jié)果見表4。

由表4可知，剔除異常樣本并應(yīng)用光譜預(yù)處理、樣本集劃分和波長(zhǎng)選擇等優(yōu)化方法后，用PLS法所建馬鈴薯SSC校正模型的優(yōu)化效果較為顯著，其Rc2和Rp2分別為0.970 8、0.954? RMSEC和RMSEP分別0.258 6、0.262 8，RPD為591;與之相比，采用智能搜索算法進(jìn)行波長(zhǎng)和參數(shù)優(yōu)化的LS-SVM模型性能更好，其Rc2和Rp2分別為0.987 3、0.983 0，RMSEC和RMSEP分別0.170 5、0.173? RPD為896。顯然，后者的Rc2和Rp2均大于前者且相差更小，RMSEC和RMSEP則小于前者且更為接近，RPD亦明顯高于前者。

2種模型所得樣品SSC預(yù)測(cè)值與相應(yīng)參考值的擬合曲線見圖3。從圖3可以看出，數(shù)據(jù)點(diǎn)在擬合線兩邊分布較均勻，且距擬合線較近，說明校正模型穩(wěn)定性好，其預(yù)測(cè)值與參考值相差較小。與PLS模型相比，LS-SVM模型中的數(shù)據(jù)點(diǎn)分布更集中，其中多數(shù)緊靠擬合線，表明LS-SVM校正模型的預(yù)測(cè)精度高于PLS模型。

3 結(jié)論與討論

利用近紅外光譜法建模檢測(cè)馬鈴薯SSC，以MCCV法剔除異常樣本，選用“SNV+MC”組合算法進(jìn)行光譜預(yù)處理、SPXY法劃分樣本集，分別采用CARS法、WDO-DE混合優(yōu)化算法選取PLS模型和LS-SVM模型的特征波長(zhǎng)，得到全面優(yōu)化的NIRS校正模型。結(jié)果表明：

（1）剔除異常樣本后，以PLS法所建校正模型性能有所改善，其Rc2和Rp2分別由0.723 7、0.660 3升到0.725 3、0661 0，RMSEC和RMSEP分別由0.784 9、0.800 3降為0781 8、0.789 5，RPD由1.87增至1.90;在此基礎(chǔ)上，選擇、應(yīng)用優(yōu)化的光譜預(yù)處理和樣本集劃分方法，相應(yīng)PLS模型的性能顯著提升，此時(shí)Rc2、Rp2、RMSEC、RMSEP和RPD分別為0.970 2、0.936 9、0.261 9、0.269 1、5.77。相比之下，光譜預(yù)處理對(duì)模型性能提升的作用尤為顯著。究其原因，SNV變換可消除樣品不均勻造成的噪聲、散射以及光程變換對(duì)NIR漫反射的影響，增強(qiáng)光譜與數(shù)據(jù)之間的相關(guān)性;MC方法可增加樣品光譜之間的差異，提高模型的預(yù)測(cè)能力和穩(wěn)健性。SPXY算法利用光譜數(shù)據(jù)和待測(cè)成分參考值計(jì)算樣品間距離，可保證最大程度表征樣本分布，有效覆蓋多維向量空間，增加樣本間的差異性和代表性，從而提高模型穩(wěn)定性。

（2）同時(shí)引入了LS-SVM方法建模，所得模型性能顯著優(yōu)于PLS模型，其Rc2、Rp2、RMSEC、RMSEP和RPD分別為0.987 3、0.983 0、0.170 5、0.173 4、8.96。由此可見，馬鈴薯樣品的NIRS與相應(yīng)SSC之間并非簡(jiǎn)單的線性關(guān)系，采用非線性的LS-SVM方法建模是更好的選擇。

（3）優(yōu)化的PLS模型和LS-SVM模型大幅度縮減了波長(zhǎng)變量，消除了光譜中的大量非待測(cè)成分信息，既提高了模型的預(yù)測(cè)能力，也顯著降低了計(jì)算量，加快了運(yùn)行速度。

綜上所述，試驗(yàn)所建馬鈴薯SSC測(cè)定的2種NIRS定量校正模型均有較高精度和效率，其性能優(yōu)于同類試驗(yàn)?zāi)Ｐ?，均已達(dá)到國(guó)際谷物科技協(xié)會(huì)的實(shí)際檢測(cè)標(biāo)準(zhǔn)，可用于馬鈴薯SSC的快速檢測(cè)。2種校正模型相比，PLS模型波長(zhǎng)變量較少、計(jì)算量小，故其運(yùn)行速度占優(yōu);LS-SVM模型則預(yù)測(cè)精度更高、穩(wěn)健性較好，具有更好的泛化性能。

參考文獻(xiàn)

[1] 楊炳南，張小燕，趙鳳敏，等.常見馬鈴薯品種特性分析及加工適宜性分類[J].食品科學(xué)技術(shù)學(xué)報(bào)，2016，34（1）：28-36.

[2] 吳聰宇，李子賢，李新國(guó)，等.3種熱帶水果可溶性固形物含量的測(cè)定[J].熱帶農(nóng)業(yè)科學(xué)，2018，38（9）：69-72.

[3] 張巍巍，安進(jìn)軍，趙玉靖，等.大蔥干物質(zhì)和可溶性固形物含量的研究[J].食品研究與開發(fā)，2017，38（10）：128-130.

[4] KRIVOSHIEV G P，CHALUCOVA R P，MOUKAREV M I.A possibility for elimination of the interference from the peel in nondestructive determination of the internal quality of fruit and vegetables by VIS/NIR spectroscopy[J].LWT-Food science and technology，2000，33（5）：344-353.

[5] KANG S，LEE K J，CHOI W，et al.A near-infrared sensing technique for measuring the quality of potatoes[C]//ASAE Annual International Meeting.St.Joseph，Michigan：American Society of Agricultural and Biological Engineers，2003：27-30.

[6] 王世芳，韓平，崔廣祿，等.SPXY算法的西瓜可溶性固形物近紅外光譜檢測(cè)[J].光譜學(xué)與光譜分析，2019，39（3）：738-742.

[7] 王冬，張鶴冬，朱業(yè)偉，等.基于LVF-NIR的櫻桃可溶性固形物含量無損速測(cè)模型的建立與優(yōu)化[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2020，11（3）：854-859.

[8] 于懷智，陳東杰，姜沛宏，等.近紅外光譜對(duì)蒙陰黃桃硬度和可溶性固形物的在線檢測(cè)[J].食品與發(fā)酵工業(yè)，2020，46（14）：216-221.

[9] 陳素彬，胡振，張曉琪，等.軟件技術(shù)在近紅外光譜定量分析中的應(yīng)用[J].化學(xué)教育，2018，39（16）：62-67.

[10] 陳素彬，胡振，楊華.近紅外光譜法檢測(cè)飼料玉米品質(zhì)的優(yōu)化PLS模型[J].飼料研究，2020，43（5）：112-116.

[11] 胡振，楊華，周金容，等.風(fēng)驅(qū)動(dòng)-差分進(jìn)化混合優(yōu)化算法設(shè)計(jì)及其性能分析[J].現(xiàn)代計(jì)算機(jī)，2020（20）：14-19.

[12] 陳素彬，胡振.優(yōu)化的近紅外光譜LS-SVM模型測(cè)定小麥蛋白質(zhì)[J].食品工業(yè)，2019，40（12）：329-333.