马惠玲 曹梦柯 王 栋 邱凌雨 任小林

(1.西北农林科技大学生命科学学院， 陕西杨凌 712100; 2.西北农林科技大学园艺学院， 陕西杨凌 712100)

0 引言

我国苹果年产量约占世界总产量的50%[1]。准确预测货架期能有效减少贮藏损失，保障上市果实品质。在苹果保鲜技术的研究中，通常测定失重率、可溶性固形物含量、可滴定酸含量、硬度、色值、抗坏血酸含量等品质指标来衡量保鲜效果[2-5]。因此，有望从中筛选特征指标或组合来用于采后苹果的货架期预测。目前在一些果蔬上已成功运用品质指标来构建货架期预测模型[6-8]。

广泛应用于货架期预测的模型主要包括传统的动力学模型以及机器学习模型等。前人对苹果采后品质指标变化也进行了探究，以及建立了Arrhenius货架期预测方程，但预测准确率较低[9]，说明常用的动力学模型难以表征苹果采后品质综合变化的复杂性，从而使其预测误差率较高。机器学习模型如反向传播人工神经网络(Back propagation-artificial neural networks, BP-ANN)已经广泛应用于农产品[10-12]的货架期预测问题上。然而，由于机器学习模型的复杂性，小样本数据集容易造成过拟合、欠拟合现象。扩充数据集，可以在一定程度上降低过拟合现象，提高模型预测的准确率。SMOTE(Synthetic minority over-sampling technique)及其改进算法的数据合成方法属于线性插值法，其合成的数据和实际数据相关性不强[13]。生成式对抗网络(GAN)模型是一种基于深度学习的数据生成方法，其基于博弈理论的数据生成原理，并采用无监督的学习方法，能自动对数据集进行学习，生成高质量的数据[14]。……