Este artigo utiliza o reagente tiobarbitúrico (TBARS) da carne cozida como indicador de frescor, realizando a predição por meio da combinação de hiperespectroscopia com aprendizado semi-supervisionado. No conjunto de dados, os dados hiperespectrais são representados por X e os valores de conteúdo de TBARS por y. Ao mesmo tempo, o conjunto total de amostras é dividido em conjunto de calibração, conjunto de validação e conjunto de teste independente. O conjunto de calibração é usado para construir um modelo para prever o conjunto de validação e o conjunto de teste independente. No conjunto de calibração, amostras que possuem tanto X quanto y são chamadas de amostras rotuladas; amostras que possuem apenas X sem y são chamadas de amostras não rotuladas. Cada amostra nos conjuntos de validação e teste independente é uma amostra rotulada. O conjunto de validação é usado apenas para ajustar os parâmetros do modelo construído no conjunto de calibração, não participando da modelagem. O conjunto de teste independente não participa da modelagem nem do ajuste de parâmetros, sendo usado apenas para testar o resultado final do modelo. O número de amostras no conjunto de calibração é 233, das quais 48 são amostras rotuladas e 185 amostras não rotuladas; os conjuntos de validação e teste independente têm cada um 12 amostras. Durante o processo de modelagem, primeiro são usadas as amostras rotuladas do conjunto de calibração para construir o modelo entre X e y; depois, com esse modelo, prevê-se as amostras não rotuladas e estima-se seus valores de y. Neste momento, todas as amostras no conjunto de calibração são amostras rotuladas. Finalmente, com base em todas as amostras do conjunto de calibração, constrói-se o modelo para predição. Os parâmetros dos dois modelos construídos são diferentes e ambos são otimizados pelo conjunto de validação. Os resultados mostram que a regressão da máquina de vetores de suporte (SVR) tem melhor desempenho de modelagem e que o algoritmo SVR combinado com aprendizado semi-supervisionado pode obter alta precisão preditiva. Na seleção de amostras não rotuladas, comparado ao método que usa todas as amostras não rotuladas, a seleção baseada no método da distância pode obter menor erro de previsão.

carne cozida;reagentes tiobarbitúricos (TBARS);regressão semi-supervisionada;hiperespectroscopia;regressão da máquina de vetores de suporte (SVR);regressão por processo Gaussiano (GPR)