《表2 不同预处理方法对全波段数据和提取的特征波段数据的建模效果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《近红外光谱技术检测猕猴桃中氯吡脲的方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

近红外光谱所采集的数据除了自身信息外，还含有许多噪声与杂质，例如存在一些非待测成分的信息以及背景噪声、仪器及人为误差等，这些冗余干扰信息的存在会对模型的建立和预测造成不良的影响，当噪声很大或是吸收峰很小的时候很难将两者区分开[19]。为了提高所建立模型的准确性，有必要除去与光谱数据无关的信息，即对光谱数据进行预处理。不同预处理方法对全波段数据和提取的波段数据进行不同光谱预处理时的建模效果如表2所示。由表2可见，基于不同预处理方法建立的模型R-Square均达到0.89以上，600～750 nm及1 300～1 600 nm两个波段融合的R-Square均达到0.96以上，其中对两个波段融合数据采用SM预处理建立模型的R-Square为0.986 061，RMSE为0.000 138，能够有效提高信噪比，预处理效果最好。因此，近红外光谱技术检测猕猴桃中氯吡脲的方法为使用600～750 nm及1 300～1 600 nm两个波段的融合数据，进行SM预处理，建立PLS回归模型。