《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》

  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

《近红外光谱法应用于酒花主要品质参数的快速分析》

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。