采用CARS(Competitive adaptive reweighted sampling)变量筛选方法建模

显著提高了液态奶中蛋白质与脂肪近红外模型的预测精度。用蒙特卡罗采样(Monte-Carlo sampling)方法先剔除奇异样本

再对光谱进行中心化与Karl Norris滤波降噪处理

通过CARS方法筛选出与样本性质密切相关的变量

建立预测蛋白质与脂肪含量的偏最小二乘法(PLS)校正模型

并与未选变量的PLS模型进行比较。以定标集相关系数(r2)及交互验证均方残差(RMSECV)和预测误差均方根(RMSEP)作为判定依据

确定了蛋白质与脂肪的最佳建模条件。蛋白质与脂肪校正模型的相关系数分别为0.975 0、0.995 1

RMSECV分别为0.194 8、0.136 3

RMSEP分别为0.113 3、0.140 1

预测结果优于未选变量的PLS模型及其他选变量方法

有效简化了模型

适于液态奶中脂肪和蛋白质的快速、无损检测。