乔正明 詹 成

(1. 常州纺织服装职业技术学院，江苏 常州 213164；2. 苏州科技大学，江苏 苏州 215000)

随着近红外光谱技术与化学计量方法的快速发展，近红外光谱技术被广泛地应用于农产品品质分析领域[1]。苹果糖度是苹果质量的重要评价指标，运用预测相关系数(correlation of prediction，CP)Rp预测均方根误差(root mean square error of prediction，RMSEP)σp作为苹果糖度预测结果的性能评价指标，很多学者利用近红外光谱技术进行了苹果糖度预测研究。赵杰文等[2]提出运用傅里叶变换近红外光谱仪采集苹果光谱，建立了基于偏最小二乘(partial least squares，PLS)的苹果糖度预测模型，其中Rp和σp分别为0.938 7和0.505 4。Zhang等[3]运用Nexus FT-IR光谱仪为苹果光谱采集仪器，建立了基于PLS的苹果糖度预测模型，Rp和σp分别为0.906和0.272，该方法主要用于测试套袋评估的精度，且要求苹果颜色均匀，因此整体预测精度不高。刘燕德等[4]运用Antaris FT-IR光谱仪采集苹果光谱，建立了基于遗传—偏最小二乘的苹果糖度预测模型，Rp和σp分别为0.954和0.797，该方法可以有效解决苹果颜色对于预测精度的影响，但是光谱冗余信息造成的误差过大。夏阿林等[5]建立了基于遗传—区间偏最小二乘的苹果糖度预测模型，运用Nexus 670 FT-IR光谱仪采集苹果光谱，Rp和σp分别为0.932和0.384，该方法虽然对比以往研究整体的预测精度有大幅提升，且算法的执行效率较高，但对于光谱冗余信息的处理仍然是个难题，整体收敛性差，复杂度较高。

为了进一步改善苹果糖度预测模型的精度，研究拟提出一种基于小波包变换的特征波长筛选和樽海鞘算法(salp swarm algorithm，SSA)改进极限学习机(extreme learning machine，ELM)的苹果糖度预测模型，以期为苹果糖度预测提供新的方法。……