Cet article utilise les réactifs au thiobarbiturique (TBARS) de la viande cuite comme indicateur de fraîcheur, et réalise la prédiction en combinant hyperspectroscopie et apprentissage semi-supervisé. Dans le jeu de données, les données hyperspectrales sont représentées par X, et les valeurs du contenu en TBARS par y. L’ensemble des échantillons est divisé en un ensemble de calibration, un ensemble de validation et un ensemble de test indépendant. L’ensemble de calibration sert à construire le modèle afin de prédire les ensembles de validation et test indépendant. Les échantillons de l’ensemble de calibration contenant à la fois X et y sont appelés échantillons étiquetés ; ceux ne contenant que X sans y sont appelés échantillons non étiquetés. Chaque échantillon dans les ensembles de validation et test indépendant est un échantillon étiqueté. L’ensemble de validation est seulement utilisé pour ajuster les paramètres du modèle construit sur l’ensemble de calibration, sans participer à la modélisation. L’ensemble de test indépendant ne participe ni à la modélisation ni à l’ajustement, il sert uniquement à tester le modèle final. Le nombre d’échantillons dans l’ensemble de calibration est de 233, comprenant 48 échantillons étiquetés et 185 échantillons non étiquetés ; les ensembles de validation et test indépendant comportent chacun 12 échantillons. Lors de la modélisation, on utilise d’abord les échantillons étiquetés de l’ensemble de calibration pour construire un modèle entre X et y ; ensuite ce modèle sert à prédire les échantillons non étiquetés et à estimer leurs valeurs de y. À ce moment, tous les échantillons dans l’ensemble de calibration sont considérés comme étiquetés. Enfin, un modèle est construit à partir de tous les échantillons de l’ensemble de calibration pour la prédiction. Les paramètres des deux modèles construits diffèrent, et sont optimisés par l’ensemble de validation. Les résultats montrent que la régression par machines à vecteurs de support (SVR) présente de meilleures performances de modélisation, et que l’algorithme SVR combiné à l’apprentissage semi-supervisé peut obtenir une précision de prédiction élevée. Pour la sélection des échantillons non étiquetés, en comparaison avec la méthode utilisant tous les échantillons non étiquetés, la méthode basée sur la distance permet d’obtenir des erreurs de prédiction plus faibles.

viande cuite;réactifs thiobarbituriques (TBARS);régression semi-supervisée;hyperspectroscopie;régression par machine à vecteurs de support (SVR);régression par processus gaussien (GPR)