融合特征选择与回归建模混合框架的干猕猴桃品质属性无损预测研究

《Scientific Reports》：An integrated machine learning framework for accurate, real-time and non-destructive vitamin C quantification from Vis/NIR spectral data

　　

摘要

本研究旨在开发并评估一种融合特征选择与回归建模的混合框架，用于无损预测干猕猴桃中的维生素C含量、可溶性固形物含量和硬度。在该框架中，采用可见-近红外光谱技术在470–980 nm波长范围内采集了250个干猕猴桃样本的光谱。研究采用四种特征选择方法，包括蚁群优化算法、竞争性自适应重加权抽样、遗传算法和最小冗余最大相关，来识别并比较最具信息量的波长。每种方法筛选出的30个波长随后被用作四种回归模型的输入变量，即偏最小二乘回归、随机森林、支持向量回归和极端梯度提升。在验证阶段，采用决定系数（R²）、均方根误差和剩余预测偏差来评估模型性能。结果表明，在维生素C和可溶性固形物含量的预测中，SVR与ACO的组合达到了最高的验证性能，RPD值分别为5.52和5.17。相比之下，在硬度预测中，PLSR与CARS的组合表现出更稳定的预测性能，验证R²为0.91，RMSE为0.43，RPD为3.50。通过比较特征选择方法，还可以评估所选波长的重叠程度以及它们在预测干猕猴桃不同品质属性中的潜在作用。这些发现表明，特征选择的有效性既取决于目标品质属性，也取决于回归模型类型，将适当的特征选择方法与合适的回归算法相结合可以改善干猕猴桃品质属性的无损预测。未来的研究应采用更大且独立的数据集，并在真实场景和在线条件下评估所提出的框架，以进一步考察其泛化能力和实际应用性。