基于特征选择与特征提取融合的鸡蛋新鲜度光谱快速检测模型优化

为有效提高鸡蛋新鲜度检测效率、优化检测模型,本研究结合波长特征选择和特征提取方法各自的优点,对二者进行有效融合共同优化鸡蛋新鲜度检测模型。利用一阶微分对550～950?nm范围内鸡蛋的可见-近红外透射光谱数据进行预处理,考虑到冗余光谱信息对模型精度的影响,使用特征选择方法中的竞争性自适应重加权(competitive?adaptive?reweighted?sampling,CARS)算法融合非线性特征提取局部切空间排列(local?tangent?space?alignment,LTSA)算法最小化光谱无用信息,建立支持向量机回归(support?vector?regression,SVR)模型,结果表明单一使用CARS特征波长选择建立模型得到训练集交叉验证相关系数(Rcv)为0.880 5,交叉验证均方根误差(root?mean?square?error?of?cross?validation,RMSECV)为8.59,预测集相关系数(Rp)为0.888 9,预测集均方根误差(root?mean?square?error?of?prediction,RMSEP)为8.42,融合LTSA特征提取方法后得到Rcv为0.896 0,RMSECV为8.04,Rp为0.898 3,RMSEP为8.18,与CARS-SVR模型相比较,融合模型预测精度均有所提高,同时数据维数再次减少14个,进一步简化了预测模型。研究表明,将特征选择与特征提取二者融合共同应用于鸡蛋可见-近红外光谱数据,不仅提升了光谱检测效率,而且提高了鸡蛋新鲜度预测模型精度,可为鸡蛋新鲜度光谱检测模型优化提供参考依据。