《表1 实验选取酒花水分、α-酸、β-酸、贮藏指数的最佳预处理方法》
近红外光谱易受样品均匀度、基线漂移和偏移、光散射、仪器噪音等因素的干扰[11]。在模型建立过程中,为剔除无效建模信息,需对酒花粉末的原始近红外光谱图进行预处理,以提高信噪比,进而优化模型的预测性能。常用的光程处理方法有:无处理(Constant)、标准归一化法(standard normal variate,SNV)、多元散射校正法(mutiplicative scatter correction,MSC),光谱预处理方法有:一阶导数法(first derivative)和二阶导数法(second derivative),以及S-G平滑法(savitzky-golay filter)和N-D平滑法(norrisderivativefilter)这两种光谱平滑方法[12]。模型的质量常以建模集、验证集相关系数(R2)、建模集均方根误差(root-mean-square error of calibration,RMSEC)和交叉验证集均方根误差(root-mean-square error of cross-validation,RMSECV)等模型评价参数评价,模型R2越接近1,说明样品实测值与近红外预测值的相关性越好;RMSEC、RMSECV越小,说明模型的预测性能越高[13]。本文以模型评价参数为指标,经不同预处理方法组合匹配,选择最佳预处理方法得到最佳光谱信息,以偏最小二乘法(PLS)作为建立模型的化学计量方法。表1所列为优化后酒花水分、α-酸、β-酸、贮藏指数建模时所选择的预处理方法。
图表编号 | XD00168127900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.15 |
作者 | 陈爽、王安平、王荣、王莉娜 |
绘制单位 | 北京燕京啤酒股份有限公司 |
更多格式 | 高清、无水印(增值服务) |