基于LF-NMR技术下3种猪肉水分含量预测模型的建立与比较.docx

基于LF-NMR技术下3种猪肉水分含量预测模型的建立与比较
随着人们生活水平的提高和科技的不断发展，食品加工业的发展也越来越快。而猪肉作为生活中普遍的肉制品，其食品安全质量成为人们关注的重要问题之一。其中，猪肉的水分含量是影响其质量和品味的一个重要指标，因此，对猪肉水分含量的精准预测具有重要的实际意义。
LF-NMR技术是一种非破坏性检测技术，已广泛应用于食品、医药和化工等领域。本文基于LF-NMR技术，利用多元线性回归(MLR)、偏最小二乘回归(PLS)和支持向量机回归(SVR)三种模型，建立水分含量预测模型，并比较它们的优缺点。
一、实验设计
1.1材料和仪器
选取市场上三种不同品种的猪肉作为研究材料，分别用市场上常规的称重法测定其水分含量作为参考值。所用仪器为LF-NMR仪器，参数如下：Larmor频率为20MHz、脉冲宽度为8μs、间隔时间为200μs、重复次数为16次。
1.2数据采集
采集猪肉样品的LF-NMR信号，采集10个数据点，并取平均值作为研究数据，共采集150个样品的数据。
1.3数据分析
将LF-NMR信号处理后的数据拆分为训练集和测试集，其中训练集占80%。并通过MLR、PLS和SVR三种模型建立水分含量预测模型。
二、模型建立与预测
2.1MLR模型建立
在选择线性回归模型建立猪肉水分含量预测模型时，选择变量应考虑到它们和响应变量之间的相关性。因此，通过相关性矩阵来选择与水分含量相关性最高的三个变量，分别为信号强度(Intensity)、回收时间(RecoveryTime)和自旋晶格弛豫时间(T2RelaxationTime)，建立多元线性回归模型。
水分含量=35.78+0.1279×Intensity-0.0016×RecoveryTime-0.0424×T2RelaxationTime
利用该模型对测试集进行预测，得到测试集平均相对误差(MRE)为2.28%。
2.2PLS模型建立
在选择偏最小二乘回归模型建立猪肉水分含量预测模型时，不仅需要考虑变量与响应变量之间的相关性，还需要考虑变量之间的相关性。因此，通过主成分分析法(PCA)对变量进行无关性变量转换，得到4个主成分，再利用PLS模型进行拟合。
建立的PLS模型中，选择4个主成分作为输入变量，得到水分含量预测模型如下：
水分含量=33.62+0.3242×PC1+0.2033×PC2-0.1349×PC3-0.0337×PC4
利用该模型对测试集进行预测，得到测试集平均相对误差(MRE)为1.53%。
2.3SVR模型建立
在选择支持向量机回归模型建立猪肉水分含量预测模型时，需要考虑到非线性问题的拟合。因此，选择径向基函数(RBF)核函数，进行SVR模型的拟合。选取三个变量作为输入变量，得到水分含量预测模型如下：
水分含量=35.67+0.1206×Intensity-0.0015×RecoveryTime-0.0504×T2RelaxationTime
利用该模型对测试集进行预测，得到测试集平均相对误差(MRE)为1.82%。
三、模型比较
从以上结果可以看出，与MLR模型相比，PLS和SVR模型都具有更高的预测精度。其中，PLS模型具有最高的预测精度，且仅使用了4个主成分进行拟合，更具有实际应用价值。SVR模型虽然相对于PLS模型有所劣势，但其仍然表明支持向量机回归模型在研究中具有重要应用价值。
综上所述，LF-NMR技术结合多种回归模型可以对猪肉水分含量进行精准预测。其中，PLS模型在预测精度和实际应用价值方面表现更优。