Este artículo utiliza los reactivos de tiobarbitúrico (TBARS) de la carne cocida como indicador de frescura, realizando la predicción mediante la combinación de hiperespectroscopía y aprendizaje semi supervisado. En el conjunto de datos, los datos hiperespectrales se representan como X, y los valores de contenido de TBARS como y. Al mismo tiempo, el conjunto completo de muestras se divide en un conjunto de calibración, un conjunto de validación y un conjunto de prueba independiente. El conjunto de calibración se utiliza para construir el modelo con el fin de predecir los conjuntos de validación y prueba independiente. En el conjunto de calibración, las muestras que tienen tanto X como y se denominan muestras etiquetadas; las muestras que solo tienen X sin y se denominan muestras no etiquetadas. Cada muestra en los conjuntos de validación y prueba independiente es una muestra etiquetada. El conjunto de validación se utiliza únicamente para ajustar los parámetros del modelo construido a partir del conjunto de calibración, sin participar en el modelado. El conjunto de prueba independiente no participa en el modelado ni en el ajuste, solo se utiliza para probar el resultado final del modelo. El número de muestras en el conjunto de calibración es de 233, de las cuales 48 son muestras etiquetadas y 185 muestras no etiquetadas; los conjuntos de validación y prueba independiente tienen cada uno 12 muestras. Durante el proceso de modelado, primero se utiliza la muestra etiquetada en el conjunto de calibración para construir el modelo entre X y y; luego, con este modelo se predicen las muestras no etiquetadas y se estiman sus valores y. En este momento, todas las muestras del conjunto de calibración son muestras etiquetadas. Finalmente, se construye el modelo con todas las muestras del conjunto de calibración para la predicción. Los parámetros de los dos modelos construidos difieren, y ambos se optimizan mediante el conjunto de validación. Los resultados muestran que la regresión de máquinas de soporte vectorial (SVR) tiene un mejor rendimiento de modelado, y que el algoritmo SVR combinado con el aprendizaje semi supervisado puede obtener una alta precisión de predicción. En la selección de muestras no etiquetadas, en comparación con el método basado en todas las muestras no etiquetadas, las muestras no etiquetadas seleccionadas según el método de distancia pueden obtener un error de predicción más bajo.

carne cocida;reactivos tiobarbitúricos (TBARS);regresión semi supervisada;hiperespectroscopía;regresión de máquinas de soporte vectorial (SVR);regresión de procesos gaussianos (GPR)