可见/近红外光谱判别:揭开梨枣产地识别的秘密
需积分: 0 193 浏览量
更新于2024-09-05
收藏 356KB PDF 举报
本文主要探讨了梨枣产地的可见/近红外光谱判别技术,由张淑娟、赵聪慧等人合作完成,旨在通过光谱分析提升消费者在购买时对梨枣产地的识别能力,从而实现产品的源头追溯。这项研究针对同一品种的梨枣,分别来自三个不同的产地,选取了采收期的样品进行分析。
研究过程中,作者们采用了多种预处理方法,如一阶微分,目的是优化样本的光谱数据,提高模型的准确性。他们构建了基于全波段、短波近红外、中波近红外和长波近红外不同波段的最小二乘支持向量机(LS-SVM)判别模型,通过对各模型识别率的比较,最终确定了一阶微分预处理结合主成分分析法提取的20个主成分建立的短波近红外LS-SVM模型为最优模型,其正确判别率达到100%。
这项工作不仅展示了可见/近红外光谱技术在农产品品质控制中的应用潜力,也为梨枣等农产品的产地标识提供了科学依据。此外,研究还得到了高等学校博士学科点专项科研基金的支持,体现出学术界对此类跨学科研究的重视,即结合信息技术与农业实践,推动精准农业的发展。
论文的关键词包括可见/近红外光谱、最小二乘支持向量机、梨枣、产地以及判别,这些关键词有助于读者快速定位到文章的核心内容。总体来说,该研究为梨枣产地的区分提供了高效且精确的方法,对于保障食品安全、提升消费者信心以及促进农产品市场透明度具有重要意义。
2021-06-18 上传
2021-04-23 上传
2021-09-09 上传
2021-08-06 上传
2021-12-25 上传
2021-10-02 上传
2021-08-19 上传
2021-09-10 上传
2024-10-31 上传
2024-10-31 上传
weixin_38628310
- 粉丝: 4
- 资源: 950
最新资源
- SSM动力电池数据管理系统源码及数据库详解
- R语言桑基图绘制与SCI图输入文件代码分析
- Linux下Sakagari Hurricane翻译工作:cpktools的使用教程
- prettybench: 让 Go 基准测试结果更易读
- Python官方文档查询库,提升开发效率与时间节约
- 基于Django的Python就业系统毕设源码
- 高并发下的SpringBoot与Nginx+Redis会话共享解决方案
- 构建问答游戏:Node.js与Express.js实战教程
- MATLAB在旅行商问题中的应用与优化方法研究
- OMAPL138 DSP平台UPP接口编程实践
- 杰克逊维尔非营利地基工程的VMS项目介绍
- 宠物猫企业网站模板PHP源码下载
- 52简易计算器源码解析与下载指南
- 探索Node.js v6.2.1 - 事件驱动的高性能Web服务器环境
- 找回WinSCP密码的神器:winscppasswd工具介绍
- xctools:解析Xcode命令行工具输出的Ruby库