论文部分内容阅读
小麦是世界上最重要的谷物资源之一,产量仅次于稻谷居第2位。小麦产量对世界经济有重要影响,在农业和工业中都需要对小麦的品质和品种进行分析和鉴别。本论文试验以关中地区小麦为材料,用德国Bruker公司的MPA近红外扫描仪进行籽粒的光谱扫描,同时对小麦籽粒的总淀粉含量、直链淀粉含量和蛋白含量进行化学检测,用OPUS 5.5、SAS 8.1、DPS 6.55分析软件对数据进行分析,建立小麦品质测定和品种鉴别的近红外模型,主要的研究结果如下:小麦籽粒品质分析的近红外模型均用偏最小二乘法(PLSR)建立。小麦籽粒淀粉近红外模型的最佳建模方法为:预处理方法选择一阶导数+减去一条直线,光谱范围选择7501.9 cm-1~5450 cm-1,主成分数确定为7;模型的交叉验证决定系数R2cv达到0.6902,交叉验证标准差RMSECV值为1.08,外部验证决定系数R2val为0.8151,外部验证标准差RMSEP达到0.878。小麦籽粒直链淀粉近红外模型的最佳建模方法为:预处理方法选择矢量归一化,光谱范围选择7501.9 cm-1~4597.6 cm-1,主成分数确定为8;模型的交叉验证决定系数R2cv达到0.8552,交叉验证标准差RMSECV值为0.638,外部验证决定系数R2val为0.8403,外部验证标准差RMSEP达到0.675。小麦籽粒蛋白质近红外模型的最佳建模方法为:预处理方法选择一阶导数+减去一条直线,光谱范围选择10502 cm-1~6098 cm-1,主成分数确定为9;模型的交叉验证决定系数R2cv达到0.9528,交叉验证标准差RMSECV值为0.402,外部验证决定系数R2val为0.9449,外部验证标准差RMSEP达到0.422。小麦品种鉴别模型的建立:依据光谱分析,选择光谱范围4000 cm-1~10500 cm-1,采用Savitzky-Golay平滑法,平滑点选择9,进行平滑处理,滤除噪声,再用矢量归一化处理。将处理后的光谱数据导入SAS中进行主成分分析。将得到的主成分作为新变量,分别用三种不同的模式识别方法(BP-人工神经网络、Fisher多类线性判别、Bayes多类逐步判别)分析,建立小麦品种鉴别模型,以模型的正确分类率来衡量其好坏。BP-人工神经网络分析方法选择6个主成分建立了一个6(输入层节点)—5(隐含层节点)—1(输出层节点)的三层ANN-BP模型,建立模型的校正集和验证集的正确分类率均达到100%;Fisher多类线性判别分析方法选择6个主成分分析,所建模型校正集的正确分类为96.8%,验证集的正确分类率达到100%;Bayes多类逐步判别分析方法选择3个主成分,所建模型的校正集和验证集的正确分类率均达到100%。比较分析,主成分分析结合Bayes多类逐步判别方法建立小麦品种鉴别模型效果较好。建立小麦籽粒品质和品种的近红外模型是可行的,所建模型均有较好的预测效果。