《表2 不同数据前处理方法组合参数的模型效果》

  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

《江西烤烟淀粉近红外检测模型的建立》

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

注:RMSEC和RMSEP分别为校正集均方根误差和预报集均方根误差，样品按照20∶1的比例随机选集。

在进行粉末样品的近红外漫反射光谱采集时，由于样品的均匀性和尺寸颗粒不同，光程也不一样，因此需要对光谱数据进行预处理以消除光程的影响，常用的方法有SNV和MSC。图1A和1B分别是烟叶样品的近红外原始光谱和SNV光谱，可以看到经SNV处理后，光谱偏移得到了很大改善。另外导数处理也可以一定程度消除基线偏移还可以分离重叠信息。图1C和图1D分别是样品的一阶和二阶导数光谱，可以看出，相比原始光谱，基线差异明显减小且重叠信息得到了分离。但高阶导数处理在放大信息的同时也会放大噪声，因此在导数处理之前通常还要对数据进行滤波（平滑）处理。滤波的作用是减小噪声，提高信噪比，我们选择了SG和ND两种滤波方式。如表2所示，在进行了不同的光程类型方式、平滑方法和导数阶数的组合建模后，我们发现选择MSC+ND（5，5）+一阶导数的组合建立的模型具有最小的均方根误差和最大的相关系数。