《表1 太赫兹光谱处理方法及其在农产品品质检测中的研究汇总》

  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

《太赫兹技术在农产品品质检测中的研究进展》

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

太赫兹光谱数据蕴含着样品“指纹”信息，但由于农产品组分复杂，且各物质之间相互影响，导致产生特征峰堆叠、被淹没的现象，往往需要通过化学计量学、模式识别等理论提取有效特征，建立分类、回归模型，实现对检测样品的定性判别和定量预测。在近期的研究文献中，主成分分析（principal component analysis，PCA）、偏最小二乘（partial least squares regression，PLSR）、支持向量机（support vector machine，SVM）、线性判别分析（linear discriminant analysis，LDA）是最常用的建模方法。如表1所示。PCA是一种非监督式线性降维方法，通过线性变换将原始特征转换为一组相互正交的线性无关的新特征，使得在新的特征空间下样本点投影后方差最大，这组新特征即为主成份。已有研究利用PCA进行定性分类[26]，更多地将其作为特征降维方法，通过与其他聚类、分类、回归模型相结合实现定性判别或定量预测[23，27-28]。PLSR是一种基于统计的多自变量-多因变量回归方法，通过对自变量集合和因变量集合分别提取主成分，解决了自变量共线问题、以及普通多元线性回归样本数量要大于自变量数量的限制问题，该方法常用于定量预测[25，29]和特征选择[30]。SVM基于统计学习理论，通过将线性不可分的原始训练数据集映射到高维特征空间，从而达到在高维特征空间线性可分的目的，在高维特征空间最小化结构风险寻找最优决策超平面。该方法既可以应用于定量分析也可以应用于定性判别。研究人员利用粒子群[31]、遗传算法[32]等最优化方法对SVM模型参数进行优化，相较于普通SVM模型性能得到提升。另外，LDA是一种常用的监督式分类判别方法，通过将原始训练数据投影后同类样例的投影尽可能接近、异类样例的投影尽可能远离，从而得到投影矩阵，对未知样例的类别判断则依据其在投影矩阵的位置来判断。