領(lǐng)學(xué)術(shù)科研之先，創(chuàng)食品科技之新
—— 中國(guó)食品雜志社
針對(duì)櫻桃番茄在實(shí)際檢測(cè)中樣品數(shù)不足的特點(diǎn)，本研究提出一種深度卷積生成對(duì)抗網(wǎng)絡(luò)（deep convolutional generative adversarial network，DCGAN）模型以同時(shí)擴(kuò)充光譜數(shù)據(jù)及可溶性固形物含量（soluble solids content，SSC）標(biāo)簽數(shù)據(jù)，并建立一維卷積神經(jīng)網(wǎng)絡(luò)回歸（one dimensional-convolutional neural networks regression，1D-CNNR）模型以提高模型的預(yù)測(cè)精度和泛化能力。為了比較，分別建立偏最小二乘回歸（partial least squares regression，PLSR）模型和支持向量機(jī)回歸（support vector regression，SVR）模型。將原始80 個(gè)樣品數(shù)據(jù)集、1 000 個(gè)樣品的DCGAN擴(kuò)充數(shù)據(jù)集和1 080 個(gè)樣品的合并數(shù)據(jù)集，分別結(jié)合1D-CNNR、SVR及PLSR進(jìn)行建模與預(yù)測(cè)。為了進(jìn)一步驗(yàn)證模型的泛化能力，一批新的總數(shù)為40 個(gè)樣品的櫻桃番茄數(shù)據(jù)作為上述3 個(gè)模型的新測(cè)試集。結(jié)果顯示，使用合并數(shù)據(jù)集劃分所得校正集進(jìn)行1D-CNNR建模后，模型為最優(yōu)的SSC回歸檢測(cè)模型。此時(shí)1D-CNNR面向合并樣品測(cè)試集的預(yù)測(cè)準(zhǔn)確率最高，預(yù)測(cè)相關(guān)系數(shù)rp＝0.980 7，均方根誤差RMSEp＝0.192 9；與SVR與PLSR對(duì)比，1D-CNNR面向新的40 個(gè)樣品數(shù)據(jù)集的預(yù)測(cè)準(zhǔn)確率也最高，其rp＝0.963 8，RMSEp＝0.224 5。本研究可為有效準(zhǔn)確檢測(cè)櫻桃番茄的可溶性固形物含量提供一種新思路。
2023年第44卷 2022年第43卷 2021年第42卷 2020年第41卷 2019年第40卷 2018年第39卷 2017年第38卷 2016年第37卷 2015年第36卷 2014年第35卷 2013年第34卷 2012年第33卷 2011年第32卷 2010年第31卷 2009年第30卷 2008年第29卷 2007年第28卷 2006年第27卷 2005年第26卷 2004年第25卷 2003年第24卷 2002年第23卷 2001年第22卷 2000年第21卷 1999年第20卷 1998年第19卷 1997年第18卷 1996年第17卷 1995年第16卷 1994年第15卷 1993年第14卷 1992年第13卷 1991年第12卷 1990年第11卷 1989年第10卷 1988年第09卷 1987年第08卷 1986年第07卷 1985年第06卷 1984年第05卷 1983年第04卷 1982年第03卷 1981年第02卷 1980年第01卷
電話: 010-87293157
地址: 北京市豐臺(tái)區(qū)洋橋70號(hào)
版權(quán)所有 @ 2023 中國(guó)食品雜志社 京公網(wǎng)安備11010602060050號(hào) 京ICP備14033398號(hào)-2
