第３ ５卷，第７期 ２ ０ １ ５年７月 光谱学与光谱分析 Ｖｏ１．３５，Ｎｏ．７，ｐｐ１９７３—１９７９ Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ Ｊｕｌｙ，２０１５ 不同品种冷鲜猪肉ｐＨ值高光谱检测模型的传递方法研究 刘 娇，李小昱 ，金 瑞，徐森淼，库 静 华中农业大学工学院，湖北武汉４３００７０ 摘要针对目前模型传递方法研究大多在不同仪器之间且均采用近红外光谱建立模型，采用高光谱技术 建立猪肉ｐＨ值定量检测模型，并针对不同品种间的模型传递提出了一种光谱和预测值同步校正（ｓｙｎｃ ｃｏｒ— ｒｅｃｔｉｏｎ ｏｆ ｓｐｅｃｔｒｕｍ ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｖａｌｕｅ，ＣＳＰＶ）的传递算法，并与模型更新方法进行比较。当模型满足预测 相关系数（ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｐｒｅｄｉｃｔｉｏｎ，ｒｐ）ｒｐ≥０．８３７，且剩余预测偏差（ｒｅｓｉｄｕａｌ ｐｒｅｄｉｃｔｉｏｎ ｄｅｖｉａｔｉｏｎ， ＲＰＤ）ＲＰＤ≥１．９时，表明预测结果可靠。以杜长大、茂佳山黑猪和零号土猪３个品种猪肉样品为研究对象， 以杜长大作为主品种，茂佳山黑猪和零号土猪作为从品种，采用偏最小二乘（ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ ｒｅｇｒｅｓｓｉｏｎ， ＰＬＳ）法建立主品种猪肉ｐＨ值定量检测模型，模型校正相关系数（ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎ ｒｃ）和预测相关系数ｒ口分别达到０．９２２和０．９０４，交互验证均方根误差（ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ ｏｆ ｃｒｏｓｓ ｖａｌｉ— ｄａｔｉｏｎ，ＲＭＳＥＣＶ）和预测均方根误差（ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ ｏｆ ｐｒｅｄｉｃｔｉｏｎ，ＲＭＳＥＰ）分别为０．０４５和 ０．０４６，ＲＰＤ为２．３８０。用主模型分别对茂佳山黑猪和零号土猪ｐＨ值进行预测，ｒｐ仅达到０．７７０和０．７３１， ＲＭＳＥＰ分别为０．１１１和０．２０９，ＲＰＤ分别为１．５３３和１．２３４，预测精度较差。分别采用ＣＳＰＶ传递算法和模 型更新方法对主模型进行传递和修正，比较并验证了两种方法的模型传递和修正结果。采用ＣＳＰＶ算法对 模型传递后，当标样个数分别为９个和１０个时，ｒｐ可提高到’０．８８９和０．９００，ＲＰＤ提高到２．０７１和２．２１３， 均满足ｒＤ≥０．８３７，且ＲＰＤ￣Ｉ．９；而采用模型更新方法对模型修正后，当添加的代表性样品分别为１１个和 ９个时，ｒＤ分别达到０．８６９和０．８４５，但ＲＰＤ仅达到１．９３４和１．８０４，不满足ＲＰＤ＞￣１．９的条件。结果表明， ＣＳＰＶ传递算法能实现主模型对茂佳山黑猪和零号土猪样品的预测，而模型更新方法只能实现对茂佳山黑 猪品种的预测，不能实现对零号土猪样品的预测，且ＣＳＰＶ传递算法预测结果优于模型更新方法。 关键词猪肉；ｐＨ值；高光谱；模型传递；模型更新 文献标识码：Ａ ＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００—０５９３（２０１５）０７—１９７３—０７ 中图分类号：０４３３．４ 是对每一品种样品分别建模，则建模成本高，耗时长，效率 引 言 高光谱成像技术克服了传统光谱技术只能获取单一光谱 信息的缺点，能够同时获取被测对象的图像及光谱信息，其 中不仅包含了被测物的表面物理特征，同时还含有内部结构 特征及化学组分信息＿１］。目前，高光谱成像技术在果蔬、肉 类等农产品品质检测方面已有十分广泛的应用Ｌ２。］。对于光 低。因此，需要对模型进行维护，以提高模型适配性。 目前，针对不同仪器之间的模型传递方法的研究已有较 多，如刘贤等ｌ６］采用局部中心化、全局中心化、Ｚ－ｓｃｏｒｅ标准 化等不同预处理的正交信号校正方法，研究了秸秆饲料近红 外光谱模型在一台源仪器和两台目标仪器间的传递效果，实 验结果表明上述方法均可成功实现不同仪器间的模型传递。 Ｓｕｌｕｂ等［７］运用偏最小二乘（ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ ｒｅｇｒｅｓｓｉｏｎ， ＰＬＳ）法建立了药片含量均匀度测定的近红外光谱校正模型， 探讨了分段直接标准化（ｐｉｅｃｅｗｉｓｅ ｄｉｒｅｃｔ ｓｔａｎｄａｒｄｉｚａｔｉｏｎ， 谱分析技术，其原理大多是利用多元校正方法建立光谱和被 测量之间的数学模型，然后利用未知待测样的光谱和已建模 型实现对被测量进行预测＿４］。然而一种数学模型只能对一定 测量条件、时间或某一品种的样品进行检测，对于建模品种 ＰＤｓ）方法对模型在不同仪器之间传递的结果，表明ＰＤＳ方 法可较好地用于模型传递。Ｄｕ等ｌ８］提出了光谱空间变换的 模型传递（ＳＳＴ）方法，以减小不同仪器或测量条件下的光谱 以外的样品则存在预测误差很大或模型不适用的问题＿５］。若 收稿日期：２０１４—０４—０２．修订日期：２０１４－０８－１２ 基金项目：公益性行业（农业）科研专项（２０１００３００８）资助 作者简介：刘娇，女，１９８８年生，华中农业大学工学院硕士研究生 ｅ－ｍａｉｌ：ｌｉｘｉａｏｙｕ＠ｍａｉｌ．ｈｚａｕ．ｅｄｕ．ｃｎ ｅ－ｍａｉｌ：ｌｉ￣ｉａｏ９６９３＠１６３．ｃｏｒｎ ＊通讯联系人 １９７４ 光谱学与光谱分析 第３５卷 差异，结果证明ＳＫＩ、法能完成不同仪器或测量条件下的模型 一传递。谭超等【。 提出 种小波变换的校正转移法，对两台近 红外光谱仪的光谱进行转移，其转移性能优于分段直接标准 化（ＰＤＳ）方法。此外，Ｓｈｅｎｋ’Ｓ算法ｌ“ 、直接校正（ｄｉｒｅｃｔ ｓｔａｎｄａｒｄｉｚａｔｉｏｎ，ＤＳ）算法 、斜率截距校正（ｓｌｏｐｅ／ｂｉａｓ ｃｏｒ— 白板图像。 ； … 式中ｆ为校正后图像， 为原始图像， 为黑板图像，Ｊ 为 运用ＥＮＶＩ４．７软件（ＩＴＴ Ｖｉｓｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ ＳｏｌｕｔｋｎＩＳ， Ｂｏｕｌｄｅｒ，ＣＯ，ＵＳＡ）选择校正后图像中问部位约４ ０００个像 素点的椭圆区域作为感兴趣区域（Ｒｅｇｉｏｎ ｏｆ Ｉｎｔｅｒｅｓｔ，Ｒ（）Ｉ）， ｒｅｃｔｉｏｎ，ＳＢＣ）算法＿ｌ Ｉ等在模型传递中也有较多应用。 日前针对 同品种或不同批次样品间的模型修正传递方 法研究相对较少，Ｈ．研究对象均为近红外光谱模型，而尚未 见高光谱模型关于小问品种之间修正传递方法的研究。如谢 丽娟等【” 采用模型更新和吸光度值修正两种方法，对同批 次相同成熟度、不同批次相同成熟度及同批次不同成熟度的 类转基因番茄样本的近红外鉴别模型进行修正。结果表 明，对同批次不同成熟度的番茄样本，吸光度值修正算法优 于模型更新。Ｆａｒｒｅｌｌ【１ 等采用模型更新方法对药片活性成分 检洲模型进行修正，实现－『对四种不同生产条件下的药片进 行预｛！Ｊ！Ｉｉ。结果表明，只需向原模型校正集中添加少量有代表 性新品种样品，模型预测误差相对更新前有很大改善，更新 后模型的预测误差最大可降低６４ 。 本研究以杜长大、零号土猪、茂佳山黑猪３个品种猪肉 为研究对象，提出ｒ一 种光谱和预测值同步校正（ｓｙｎｅ ｃｏｔ— ｒｅｃｔｉｏｎ ｏｆ ｓｐｅｃｔｒｕｍ ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｖａｌｕｅ，ＣＳＰＶ）的模型传递 算法，分别应用ＣＳＰＶ与模型更新（Ｍｏｄｅｌ Ｕｐｄａｔｉｎｇ）方法对 猪肉ｐＨ值高光谱检测模型进行传递和修正，验证并比较了 两种方法的模型修正结果。 １ 实验部分 １．１材料 以杜长人、岑 ｔ猪、茂佳山黑猪三个品种猪肉为研究 对象，取不同猪体背最长肌制备样品，将肉样切成厚约２ ｃｎｌ，重约５０ ｇ的肉片。分别采集杜长大样品１１７个，茂佳山 黑猪样品１２１个，零号ｔ猪样品１２３个。将制备好的样品用 保鲜袋密封装好并编号后采集猪肉高光谱图像数据，然后立 即完成ｐＨ值的测定。 １．２高光谱图像采集系统 试验所用高光谱系统为ＨｙｐｅｒＳＩＳ农产品高光谱成像 仪，该系统半要由光源、ＣＣＤ摄像头（Ａｎｄｏｒ，Ｃｌａｒａ，Ｂｒｉｔ— ａｉｎ）、成像光谱仪（ＳＰＥＣＩＭ，Ｖ１０Ｅ，Ｆｉｎｌａｎｄ）、电控位移载物 台、计算机等部件组成，波长范围为３９１．２１～１ ０４３．１４ ｎｍ， 共５２０个波段。设置系统相关参数为：曝光时问０．１ ｓ，电控 位移载物台的运行速度２ ＩＴｌｎｌ・Ｓ ，扫描长度为１２０ ｒｆｌｒｎ，波 长问隔为１．２５ ｎｍ。 １．３高光谱数据采集及猪肉ｐＨ值测定 采集高光谱图像前，需打开高光谱仪光源预热３０ ｍｉｎ， 以减少光源强度不稳定以及测量温度对光谱数据的影响，同 时为减小窀内光照和仪器工作暗电流的影响，光谱图像采集 前需进行黑、向板校正，用遮住镜头和采集标准白板图像的 方式获得黑、白板图像，用于对采集到的原始光谱图像进行 校正，校正公式见武（１） 提取该区域的平均反射光谱作为样品的最终光谱。 完成猪肉样品的高光谱数据采集后，立即进行猪｛炎ｌ ｐｔ ｌ 值的测定。化学测定根据ＧＢ／Ｔ ９６９５．５—２ｏ０８《肉与肉制品 ｐＨ测定》中规定的方法进行操作。 １．４模型修正方法及评价指标 １．４．１模型修正方法原理 不同品种间与不同仪器间的模型修正传递不同。对ｆ 同仪器间的模型传递，样品间只存在光谱数据的不同，而化 学值是相同的，故只需对光谱矩阵进行校正即可实现模型传 递。对于不同品种间的模型修正传递，样品问除了存在光谱 差异外，化学值也不同，若仅对光谱值进行校正，则不能彳｝｛ 好地改善模型预测结果。同时由于光谱和化学值均秤任差 异，品种问标准化样品的选取更为复杂。针对上述问题，捉 出了一种光谱和预测值同步校正（ＣＳＰＶ）的传递算法，并分 别采用了ＣＳＰＶ传递算法和模型更新方法对模型进行传递和 修正。 ＣＳＰＶ传递算法是在不改变主品种模型的条件卜，通过 缩小从品种与主品种样品之间的光谱距离，并对模型预测值 进行同步校正来实现模型对从品种样品准确预测的方法。以 建模品种为主品种，被预测品种为从品种。ＣＳＰＶ传递算法 的基本步骤如式（２）： （１）计算样品马氏距离 按照马氏距离计算公式分别计算土、从品种样品光谱 主品种校正集平均光谱之间的马氏距离。马氏距离的引‘算公 式如下 Ｄ 一 （ｓ（ ，：）一Ｓ（ｊ，：））×Ｃ ×（ｓ（ ，：）ｓ（ｊ，：）） （２） 式中，Ｄ 为样品ｉ与样品Ｊ之『日】的马氏距离，Ｓ为光谱矩阵， Ｃ为Ｓ的协方差矩阵。主、从品种样品与主品种校正集甲均 光谱之间的马氏距离分别用Ｄ１ 和Ｄ ｚ 表示。 （２）选取标样对 选择主品种中与主品种校正集平均光谱距离最近的若ｒ 样品作为主品种标样，其光谱矩阵为Ｓ ，同时在从品种 选择与主品种校正集平均光谱距离最近的等量样品作为从品 种标样，其光谱矩阵为 ａ，将Ｓ 与Ｓｚ ａ按照马氏距离人 小顺序一一对应组成标样对。 （３）光谱矩阵及预钡４值的校正 将从品种标样光谱矩阵Ｓｚ刊转化为主品种标样光谱矩阵 Ｓ ，求得转化矩阵 ，然后利用转化矩阵Ｆ 将从品种的 未知待测样光谱矩阵Ｓｚ 进行转化。 光谱矩阵的转化公式见式（３）和式（４） Ｓ１ Ｌｄ（ ）＝＝ ｄ（ ，（ —ｋ１）： ：（ 十 ２））×Ｆ （．－） ． （：｛） 第７期 光谱学与光谱分析 不。 １９７５ Ｓ２ （ ， ）一 ｕｎ（ ，（ —ｋ１）： ：（ ＋矗２））×Ｆ （：， ）（４） 式中，Ｓ ｄ， ｔｄ均为ｍＸ ７＂／矩阵，ｍ为标样个数， 为波长变 量数，Ｓ （ ， ）表示Ｓ ａ光谱矩阵中第ｉ个样品的第Ｊ个波 长点的光谱值； 正的窗口宽度； Ｔａｂｌｅ １ Ｃｈｅｍｉｃａｌ ｖａｌｕｅｓ ｏｆ ｐａ ｉｎ ｐｏｒｋ ｓａｍｐｌｓ ｆｒｏｍ ｄｉｆｆｅｒｅｎｔｅ ｓｐｅｃｉｅｓ 为光谱校正矩阵，愚ｔ＋是ｚ＋１为波长点校 为 经 校正后的光谱矩阵。 同时，用主模型对从品种标样 。 转化后光谱Ｓ ａ进行 预测，得到预测值 ，建立预测值 与从品种标样实测 Ｓ．ｎ：Ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ 值ｙ２ 。ａ之间的转化关系，然后利用转化关系对从品种的未知 待测样转化后光谱ｓｚ 在主模型中的预测值进行校正，校正 公式见式（５）和式（６） ｙ２ ｄ—ｎ× ＋ｂ （５） Ｙ 一ａ× ＋ｂ （６） 式中， 为模型对Ｓ ａ的预测值；ｙ２刚为ｓｚ。 样品对应的化 学测量值；ｙｌ盎为模型对 的预测值；Ｙ巯为 嚣经校正后 的预测值。 （４）则ｙ 为模型对从品种未知待测样的最终预测值。 计算 与从品种未知待测样的实测值ｙ２ 之间的相关系数 ｒＤ和剩余预测偏差ＲＰＤ。 模型更新是一种简单有效的模型修正方法。当运用已有 模型对另一新品种样品进行预测时，先从被测新品种样品中 选出具有代表性的样品添加进已建模型的校正集中，通过扩 大原模型校正集的变异范围来提高模型适配性。由于更新后 的模型校正集包含了新品种样品信息，因此能实现对新品种 样品的预测。然而，由于向主模型校正集中添加了从品种样 品，故模型更新方法还会降低主模型的稳健性。 １．４．２模型评价指标 模型稳健性的优劣由交叉验证相关系数（ｃｏｒｒｅｌａｔｉｏｎ ＣＯ— ｅｆｆｉｃｉｅｎｔ ｏｆ ｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎ，ｒｃ）和交叉验证均方根误差（ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ ｏｆ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ，ＲＭＳＥＣＶ）来评价， 模型的预测结果由预测相关系数（ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｐｒｅｄｉｃｔｉｏｎ，ｒｐ）、预测均方根误差（ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ ｏｆ ｐｒｅｄｉｃｔｉｏｎ，ＲＭＳＥＰ）及剩余预测偏差（ｒｅｓｉｄｕａｌ ｐｒｅｄｉｃｔｉｏｎ ｄｅ— ｖｉａｔｉｏｎ，ＲＰＤ）来评价。ＲＰＤ计算公式如下 ｃ、ｒ、 ＲＰＤ一丽ＯＬ／ｒｅｆ （７） 式中，ＳＤ 为测试集样品化学值的标准差。 模型 和ｒ口越高，ＲＭＳＥＣＶ和ＲＭＳＥＰ越低，则说明 模型鲁棒性和预测性能越好；当 ≥０．８３７，且ＲＰＤ≥１．９ 时，则证明预测结果可靠＿１ 。模型修正结果根据ｒｐ和ＲＰＤ 进行评价。 ２结果与讨论 ２．１猪肉ｐＨ值的统计结果 去掉前后两端信噪比低的光谱波段，取４１５～１ ０１９ ｎｍ 波段处光谱数据进行后续计算。采用蒙特卡罗结合偏最小二 乘（ｍｏｎｔｅ－ｃａｒｌｏ ｓａｍｐｌｉｎｇ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ， ＭＣＰＬＳ）法检测并剔除三个品种中的异常样品。剔除异常样 品后，杜长大、茂佳山黑猪和零号土猪样品个数分别为１１４， １１６和１１８个，３个品种猪肉样品ｐＨ值的统计信息如表１所 Ｔａｂｌｅ ２ Ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔ ｏｆ ｄｕｃｈａｎｇｄａ ｍｏｄｅｌ ｔｏ ｐｏｒｋ ｓａｍｐｌｓｅ ｆｒｏｍ ｄｉｆｆｅｒｅｎｔ ｓｐｅｃｉｅｓ ２．２主模型建立与适用性检验 ２．２．１定量校正模型的建立 以杜长大作为主品种，茂佳山黑猪和零号土猪为从品 种。采用（ｓａｍｐｌｅ ｓｅｔ ｐａｒｔｉｔｉｏｎｉｎｇ ｂａｓｅｄ ｏｎ ｊｏｉｎｔ ｘ＿Ｙ ｄｉｓｔａｎｃｅｓ ａｌｇｏｒｉｔｈｍ，ＳＰＸＹ）方法从１１４个杜长大样品集中选择８Ｏ个 作为校正集，剩余３４个作为测试集，分别采用平滑（ｓｍｏｏｔ ｈｉｎｇ）、多元散射校正（ｍｕｌｔｉｐｌｉｃａｔｉｖｅ ｓｃａｔｔｅｒ ｃｏｒｒｅｃｔｉｏｎ，Ｍｓｃ） 等方法对光谱进行预处理，选出最优预处理方法，然后采用 偏最小二乘（ＰＬＳ）建立杜长大ｐＨ值预测模型，预测结果如 表２所示，模型校正相关系数 和预测相关系数ｒｐ分别达 到０．９２２和０．９０４，均方根误差ＲＭＳＥＣＶ和ＲＭＳＥＰ分别为 ０．０４５和０．０４６，ＲＰＤ为２．３８０，满足ｒ口≥０．８３７，且ＲＰＤ≥ １．９的条件，表明模型可以较好地实现对杜长大样品ｐＨ值 的预测。 ２．２．２模型适配性检验 从茂佳山黑猪和零号土猪样品集中各选出６Ｏ个样品作 为未知待测样，用于模型修正方法的验证，并将剩余的样品 用于模型修正。 利用主成分分析（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ，ＰＣＡ）得 到样品的主成分得分，并利用得分值计算光谱之间的马氏距 离，根据不同品种问的主成分得分和马氏距离分布图可以直 观地对模型的适用性作出判断。由图１可以看出，杜长大校 正集样品的第一和第二主成分得分空间与２个待测从品种的 得分空间只有部分交叉，并不能完全覆盖待测品种的得分空 间。从图２的马氏距离分布图也可以看出，３个品种的马氏 距离相差较大，且零号土猪与杜长大样品光谱差异大于茂佳 山黑猪与杜长大的光谱差异。综上所述，杜长大样品变异范 围最小，不能实现对茂佳山黑猪和零号土猪样品的预测。 利用已建立的杜长大模型分别对茂佳山黑猪和零号土猪 的６Ｏ个未知待测样品进行预测，预测结果如表２所示。预测 相关系数ｒ口仅达到０．７７０和０．７３１，预测均方根误差ＲＭ— ＳＥＰ分别为０．１１１和０．２０９，ＲＰＤ分别为１．５３３和１．２３４，显 然，ｒＤ≤ｏ．８３７，ＲＰＤ≤１．９，杜长大模型不适用于对茂佳山 ｌ９７６ 光谱学与光谱分析 第３５卷 黑猪和零号土猪的ｐＨ值预测。一摹０一． ０一 ｕ（Ｉ口０∞ ００∽ Ｏ ０．６ Ｏ．４ Ｏ．２ Ｏ 一０．２ —０．４ ０．６ ０．８ ．１ ７ ８ ９ ｌＯ １ｌ １２ Ｓｃｏｒｅｓ ｏｎ ＰＣ ｌ（９９．８６％、 （ａ）ＰＣｓ ｓｃｏｒｅｓ ｏｆｄｕｃｈａｎｇｄａ ａｎｄ ｍａｏｊｉａ ｓａｍｐｌｅｓ Ｑ３ｕ吼ｓ【ｐ∞一ｑｏ磊 嚼苫 ７ ６ ６ ５ ５ ４ ４ ３ ３ ２ ０ ５ ０ ５ Ｏ ５ ０ ５ Ｏ ５ －｛１ Ｏ ．０ ．Ｏ １ ７ ８ ９ １０ １１ １２ Ｓｃｏｒｅｓ ｏｎ ＰＣ １（９９．８６％） （ｂ）ＰＣｓ ｓｃｏｒｅｓ ｏｆｄｕｃｈａｎｇｄａ ａｎｄ ｌｉｎｇｈａｏ ｓａｍｐｌｅｓ Ｆ ．１ ＰＣｓ ｓｃｏｒｅｓ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｐｏｒｋ ｓａｍｐｌｅｓ ｆｒｏｍ ｄｉｆｆｅｒｅｎｔ ｓｐｅｃｉｅｓ ９ ８ ７ § ６ 芎 点５ 鼋 ｄ ２ ０ ５Ｏ ｌＯ０ １５Ｏ ２ｏ０ Ｓａｍｐｌｅｓ ｎｕｍｂｅｒ Ｆｉｇ．２ Ｍａｈａｌａｎｏｂｉｓ ｄｉｓｔａｎｃｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｆｏ ｐｏｒｋ ｓａｍｐｌｅｓ 一 ０一．０一Ｎｕ 口０∞ ｊｏ３ｓ ０ １０ ２０ ３Ｏ ４０ ５０ ６０ Ｓａｍｐｌｅｓ ｎｕｍｂｅｒ （ａ）Ｍａｈａｌａｎｏｂｉｓ ｄｉｓｔａｎｃｅ ｂｅｔｗｅｅｎ ｍａｊｉａ ａｎｄ ｄｕｃｈａｎｇｄａ ７．５ ７．Ｏ ６．５ ６．０ ５．５ ５．Ｏ ４．５ ４．０ ３．５ ０ １０ ２Ｏ ３Ｏ ４０ ５０ ６０ Ｓａｍｐｌｅｓ ｎｕｍｂｅｒ （ｂ）Ｍａｈａｌａｎｏｂｉｓ ｄｉｓｔａｎｃｅ ｂｅｔｗｅｅｎ ｍａｊｉａ ａｎｄ ｄｎｃｈａｎｇｄａ Ｆｉｇ．３ Ｒｅｓｕｌｔｓ ｏｆＭａｈａｌａｎｏｂｉｓ ｄｉｓｔａｎｃｅ ｏｆ ｓｐｅｔｒａ Ｔａｂｌｅ ３ Ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔ ｆｏ ｄｕｃｈａｎｇｄａ ｍｏｄｅｌ ｔｏ ｍａｏｊｉａ ａｎｄ ｌｉｎｇｈａｏ ｓａｍｐｌｓｅ ｂｙ ＣＳＰＶ ｔｒａｎｓｆｅｒ ｍｅｔｈｏｄ ２．３ ＣＳＰＶ传递算法的模型修正结果 分别计算用于模型修正的５６个茂佳山黑猪和５８个零号 土猪样品与杜长大校正集平均光谱的马氏距离，结果如图３ ｏｕ牙锡若∞一Ｄ０—高 案 第７期 光谱学与光谱分析 １９７７ 所示。根据计算结果，选择马氏距离小的样品作为标样，并 讨论了２到１６个不同标样数量对模型修正结果的影响，模 型修正结果如表３所示。 试验表明，对于茂佳山黑猪样品，当光谱校正窗口宽度 为２５时，ＣＳＰＶ传递算法的校正结果最优；对于零号土猪样 Ｔａｂｌｅ ４ Ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔ ｏｆ ｄｕｃｈａｎｇｄａ ｍｏｄｅｌ ｔｏ ｍａｏｊｉａ ａｎｄ ｌｉｎｇｈａｏ ｓａｍｐｌｅｓ ｂｙ ｍｏｄｅｌ ｕｐｄａｔｉｎｇ ｍｅｔｈｏｄ 添加样品个数 Ｏ ２ 茂佳山黑猪 ｒｐ 零号土猪 ｒｐ ０．７３１ ０．７５８ ０．７５８ ＲＰＤ １．５３３ １．５４７ １．６６９ ＲＰＤ １．２３４ １．４０２ ０．７７０ 品，当光谱校正窗口宽度为１７５时，ＣＳＰＶ传递算法的校正 结果最优。 ０．８２５ ０．８３０ ０．８５３ ０．８５５ ０．８５６ ０．８５８ １．３８０ １．６８６ １．７２０ １．８３０ １．８７０ １．９１２ ０．８１２ ０．８２９ ０．８４Ｊ ０．８３７ 由表３可知，ＣＳＰＶ传递算法可实现杜长大模型对茂佳 山黑猪和零号土猪样品的预测，且不同的标准样品数量对模 型修正结果有较大影响。随着标样数量的逐渐增多，ｒｐ和 １．７６７ １．７６７ １．９１２ ＲＰＤ均呈现先上升后下降的趋势。这是由于当标样个数较少 时，光谱及化学值的校正矩阵获取的信息不足，而当标样个 数选取较多时，光谱及化学值校正矩阵中含有过多冗余信 息，导致校正幅度过大。 对于茂佳山黑猪样品，当标样个数增加到８时，模型即 可实现对茂佳山黑猪６０个待测样品ｐＨ值的预测，ｒｐ由传 递前的０．７７０提高到０．８７１，ＲＰＤ由１．５３３提高到１．９２８，满 足ｒＤ≥Ｏ．８３７，ＲＰＤ￣Ｉ．９的条件，表明预测结果可用。当标 样个数为９时，ＣＳＰＶ算法传递结果达到最优，此时，ｒｐ和 ０ ｎ ＲＰＤ分别达到０．８８９和２．０７１，结果表明，经ＣＳＰＶ传递算 法进行模型修正后，杜长大模型可实现对茂佳山黑猪样品 ｐＨ值的预测。 对于零号土猪样品，当标样个数为９时，模型即可实现 对零号土猪６０个待测样品ｐＨ值的预测， 由传递前的 ０．７３１提高到０．８９３，ＲＰＤ由１．２３４提高到２．１３６，满足ｒｐ≥ ０．８３７，ＲＰＤ￣１．９，表明结果可用。当标样个数为ｌＯ时，模 型预测结果达到最优，此时，ｒｐ和ＲＰＤ分别达到０．９００和 ２．２１３，结果表明经ＣＳＰＶ传递算法进行模型修正后，杜长大 模型可实现对零号土猪样品ｐＨ值的预测。 ２．４模型更新方法的修正结果 采用Ｋｅｎｎａｒｄ／Ｓｔｏｎｅ（ＫＳ）算法分别从用于模型修正的５６ 个茂佳山黑猪和５８个零号土猪样品中依次选出不同数量的 代表性样品，将这些样品添加到杜长大模型校正集中建立修 正模型，利用修正后模型对待测样进行预测，预测相关系数 ｒＤ和剩余预测残差ＲＰＤ如表４所示。 由表４可知，当添加的代表性样品个数为６个时，模型 即可实现对茂佳山黑猪ｐＨ值的预测，此时ｒｐ由修正前的 ０．７７０上升至０．８５６，ＲＰＤ由１．５３３提高到１．９１２，满足 ≥ ０．８３７，且ＲＰＤ￣Ｉ．９的条件，表明预测结果可用。当添加样 品数增加到１１个时，模型预测结果达到最优， 达到 ０．８６９，ＲＰＤ提高到１．９３４。结果表明，模型更新方法可实现 杜长大模型对茂佳山黑猪ｐＨ值的预测。 当添加的零号土猪样品数为９个时，模型预测结果达到 最优， 和ＲＰＤ分别由修正前的０．７３１和１．２３４提高到 ０．８４５和１．８０４，虽满足ｒ口≥Ｏ．８３７，但不满足ＲＰＤ≥１．９的 条件，结果表明，虽然向杜长大模型中添加零号土猪样品可 以改善模型的预测性能，但改善效果有限，且由于零号土猪 光谱马氏距离与杜长大品种差距较大，模型更新方法最终未 能实现杜长大模型对零号土猪样品的预测。 ０．８６３ １．９３４ ０．８３７ １．７７９ ０．８６２ １．９３４ ０．８４５ １．８０４ ０．８６６ ｌ＿９１２ ０．８４１ １．７９２ ０．８６９ Ｉ．９３４ ０．８４２ １．８０４ ０．８５７ １．８７０ ０．８５０ ｌ＿７７９ ０．８５６ １．８７０ ０．８５１ １．７７９ ０．８５７ １．８９１ ０．８４９ １．７６７ ０．８６５ １．９１２ ０．８４９ １．７５５ ０．８６０ １．８７０ Ｏ．８５１ １．７８７ Ｍ ２．５两种模型修正方法结果比较 比较ＣＳＰＶ传递算法和模型更新方法对模型的修正结果 可知，ＣＳＰＶ传递算法能同时实现杜长大模型对茂佳山黑猪 和零号土猪样品的预测，而模型更新方法只实现了对茂佳山 黑猪样品的预测，未能实现对零号土猪样品的预测。 对于茂佳山黑猪样品，采用ＣＳＰＶ传递算法对杜长大模 型进行传递，当选取的标样个数为９个时，杜长大模型对茂 佳山黑猪６Ｏ个待测样品的预测相关系数ｒｐ达到０．８８９， ＲＰＤ达到２．０７１；而采用模型更新方法，当添加的代表性样 品数为１１个时，ｒｐ达到０．８６９，ＲＰＤ达到１．９３４，结果表明 ＣＳＰＶ传递算法优于模型更新方法。 由于零号土猪样品的光谱马氏距离与杜长大样品差距较 大，所以模型更新方法只是在一定程度上改善了杜长大模型 对零号土猪样品的预测结果，当添加的代表性样品为９个 时，最优预测结果ｒＤ和ＲＰＤ只达到０．８４５和１．８０４，虽然满 足ｒＤ≥Ｏ．８３７，但不满足ＲＰＤ￣Ｉ．９的条件，故修正后模型不 可用于对零号土猪样品ｐＨ值的预测；而经ＣＳＰＶ传递算法 对模型进行传递后，当标样个数为１Ｏ个时，模型对零号土猪 未知待测样的预测结果最优，此时，ｒｐ和ＲＰＤ分别达到 ０．９００和２．２１３，满足 ＞／ｏ．８３７，ＲＰＤ￣Ｉ．９的条件，结果表 明ＣＳＰＶ传递算法克服了模型更新方法不能解决的品种差异 大的问题，且预测结果优于模型更新方法。 ３结论 （１）用杜长大样品建立的ｐＨ值高光谱检测模型可以实 现对杜长大品种样品ｐＨ值的快速、无损检测，模型校正相 关系数 和预测相关系数ｒｐ分别达到０．９２２和０．９０４，均方 根误差ＲＭＳＥＣＶ和ＲＭＳＥＰ分别为０．０４５和０．０４６，ＲＰＤ为 ２．３８０，而用该模型对茂佳山黑猪和零号土猪样品的预测结 果则很差，预测相关系数ｒ口仅达到０．７７０和０．７３１，预测误 ”ｌ９７８ 光谱学与光谱分析 预测。 笫３５卷 差均方根ＲＭＳＥＰ分别为０．１１ｌ和０．２０９，ＲＰＤ分别为 １．５３３和１．２３４，表明杜长大模型不能用于对茂佳山黑猪和 零号土猪样品的预测。 而采用模型更新方法，当添加的代表性样品个数为ｌ１ 个时，模型可实现对茂佳山黑猪样品的预测，预测结果 为 ０．８６９，ＲＰＤ为１．９３４；当添加的代表性零号土猪样品为９个 时，模型预测结果ｒｐ为０．８４５，而ＲＰＤ仅达到１．８０４，不满 足ＲＰＤ￣Ｉ．９的条件，表明模型更新方法不能实现对零号上 猪样品的预测。 （２）针对不同品种间的模型传递，提出了一种光谱和预 测值同步校正（ＣＳＰＶ）的传递算法。该算法可实现杜长大主 模型对茂佳山黑猪和零号土猪２个品种ｐＨ值的预测。 ＣＳＰＶ传递算法只需选取９个标样即可实现杜长大模型对茂 佳山黑猪６Ｏ个待测样的预测， 达到０．８８９，ＲＰＤ达到 ２．０７１；只需选取１Ｏ个标样即可实现杜长大模型对零号土猪 ６Ｏ个样品的预测，预测结果ｒＤ达到０．９００，ＲＰＤ达到 比较ＣＳＰＶ传递算法和模型更新两种方法对杜长大模型 的修正结果可知，ＣＳＰＶ传递算法预测结果优于模型更新方 法。 ２．２１３，结果表明该传递算法可实现主品种对两个从品种的 Ｒｅｆｅｒｅｎｃｅｓ Ｌ １ Ｎａｍｒｕｚｚａｍａｎ Ｍ，Ｅ１Ｍａｓｒｙ Ｇ，Ｓｕｎ Ｄ Ｗ，ｅｔ ａ１．Ｉｎｎｏｖａｔｉｖｅ Ｆｏｏｄ Ｓｃｉｅｎｃｅ ８Ｌ Ｅｍｅｒｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ，２０１２，１６：２１８ ．ｕ Ｒ，Ａｒｉａｎａ Ｄ Ｐ，ｅｔ ａ１．Ｆｏｏｄ ａｎｄ Ｂｉｏｐｒｏｃｅｓｓ Ｔｅｃｈｎｏｌｏｇｙ，２０１４，７（６）：１６８９． ［２ Ｊ Ｃｅｎ Ｈ，１ｙ Ｇ，Ｓｕｎ Ｉ）Ｗ，Ａｌｌｅｎ Ｐ．Ｆｏｏｄ Ｒｅｓｅａｒｃｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ，２０１１，４４（９）：２６２４． ［３］ ＥｉＭａｓｒｌ ４］ ｚ｝ＩＡＮＣ－Ｈｕｉ，Ｓ（）ＮＧ Ｙａｎ，ＬＥＮＧ Ｊｉｎｇ，ｅｔ ａｌ（张２００７，２４（３）：３８８． 卉，宋妍，冷静，等）．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｐｅｃｔｒｏｓｃｏｐｙ Ｌａｂｏｒａｔｏｒｙ（光谱实验窒）， Ｌ ５ ｌ Ｉｌ Ｕ Ｗａｎ—ｚｈｅｎ（陆婉珍）．Ｍｏｄｅｒｎ Ｎｅａｒ Ｉｎｆｒａｒｅｄ Ｓｐｅｃｔｒｏｓｃｏｐｙ（现代近红外光谱分析技术）．Ｂｅｉｊｉｎｇ：Ｃｈｉｎａ Ｐｅｔｒｏｃｈｅｍｉｃａｌ Ｐｒｅｓｓ（－［Ｌ京：ｑ』国 石化出版社），２００７． Ｌ ６ ［７ Ｉ ＩＵ Ｘｉａｎ，ＨＡＮ １．ｕ ｊｉａ，ＹＡＮＧ Ｚｅｎｇ－ｌｉｎｇ，ｅｔ ａｌ（刘贤，韩鲁佳，杨增玲，等）．Ａｎａｌｙｔｉｃａｌ Ｃｈｅｍｉｓｔｒｙ（分析化学），２０１２，４０（４）：５９６． Ｓｕｌｕｂ Ｙ，ＬｏＢｒｕｔｔｏ Ｒ，Ｖｉｖｉｌｅｃｃｈｉａ Ｒ，ｅｔ ａ１．Ｖｉｂｒａｔｉｏｎａｌ Ｓｐｅｃｔｒｏｓｃｏｐｙ，２００８，４６（２）：１２８． ［８ Ｌ ９ １）ｕ Ｗ，Ｃｈｅｎ Ｚ Ｉ ，Ｚｈｏｎｇ Ｉ Ｊ，ｅｔ ａｌ，Ａｎａｌｙｔｉｃａ Ｃｈｉｍｉｃａ Ａｅｔａ，２０１ｌ，６９０（１）：６４． ＴＡＮ Ｃｈａｏ，ＱＩＮ Ｘｉｎ，ｗｕ Ｔｏｎｇ（谭６４５． 超，覃鑫，吴 同）．Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ａｐｐｌｉｅｄ Ｃｈｅｍｉｓｔｒｙ（计算机与应用化学），２００９，２６（５）： 云，高建芹，王小天）．ＪｉａｎｇＳｕ Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ（江苏农业科学），２０１２，４０（：｛）： Ｌ１０ｊ ＧＡＯ Ｙｕｎ，（ｊ Ａ【）Ｊｉａｎ ｑｉｎ，ＷＡＮ（；－Ｘｉａｏ－ｔｉａｎ（高２９２． ｍａ Ｂ Ｉ Ｉ ，１）ｅ Ｖａｓｃｏｎｃｅｌｏｓ Ｆ Ｖ Ｃ，Ｐｅｒｅｉｒａ Ｃ Ｆ，ｅｔ ａ１．Ｆｕｅｌ，２０１０，８９（２）：４０５． Ｉｊ Ｆａｔｉｇｕｅｒｏ Ｃ Ｉ ，［＇ａｌａｇｏｓ Ｂ，Ｐｅｆｌａ Ｒ Ｆ，ｅｔ ａ１．Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ，２０１３，９６：２０２． ２］ Ｓａｌ３］ ＸＩＥ １ ｉ ｊｕａｎ，ＹＩＮＧ Ｙｉ—ｂｉｎ（谢丽娟，应义斌）．Ｊｏｕｒｎａｌ ｏｆ Ｊｉａｎｇｓｕ Ｕｎｉｖｅｒｓｉｔｙ（江苏大学学报），２０１２，３３（５）：５３８． Ｊ Ａ，Ｈｉｇｇｉｎｓ Ｋ．Ｋａｌｉｖａｓ ｊ Ｈ．３ｏｕｒｎａｌ ｏｆ Ｐｈａｒｍａｃｅｕｔｉｃａｌ ａｎｄ Ｂｉｏｍｅｄｉｃａｌ Ａｎａｌｙｓｉｓ，２０１２，６１：ｌ１４． ４ｊ Ｆａｒｒｅｌｌ５］ Ｋａｐｐｅｒ Ｃ，Ｋｌｏｎｔ Ｒ Ｅ，Ｖｅｒｄｏｎｋ Ｊ Ｍ Ａ Ｊ，Ｕｒｌｉｎｇｓ Ｈ Ａ Ｐ．Ｍｅａｔ Ｓｃｉｅｎｃｅ，２０１２，９１（３）：２９４． Ｅｘｔｅｎｄｉｎｇ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｄｅｔｅｃｔｉｎｇ Ｍｏｄｅｌ ｏｆ ｐＨ ｉｎ Ｆｒｅｓｈ Ｐｏｒｋ ｔｏ Ｎｅｗ Ｂｒｅｅｄｓ １．１Ｕ Ｊｉａｏ，ＩＡ Ｘｉａ（＞ｙｕ ，ＪＩＮ Ｒｕｉ，ＸＵ Ｓｅｎ－ｍｉａｏ，ＫＵ Ｊｉｎｇ Ｃｏｌｌｅｇｅ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｕａｚｈｏｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ ４３００７０，Ｃｈｉｎａ Ａｂｓｔｒａｃｔ Ｃａｌｉｂｒａｔｉｏｎ ｔｒａｎｓｆｅｒ ｉｓ ａｎ ｅｆｆｅｃｔｉｖｅ ａｐｐｒｏａｃｈ ｔｏ ｓｏｌｖｅ ｍｏｄｅｌ ｉｎｖａｌｉｄａｔｉｏｎ ｐｒｏｂｌｅｍｓ ｃａｕｓｅｄ ｂｙ ｔｈｅ ｃｈａｎｇｅ ｏｆ ｉｎｓｔｒｕｍｅｎｌｓ ｏｒ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｓａｍｐｌｅｓ．Ｈｏｗｅｖｅｒ，ｍｏｓｔ ｓｔｕｄｉｅｓ ｏｎ ｃａｌｉｂｒａｔｉｏｎ ｔｒａｎｓｆｅｒ ｗｅｒｅ ｂａｓｅｄ ｏｎ ｄｉｆｆｅｒｅｎｔ ｉｎｓｔｒｕｍｅｎｔｓ，ａｎｄ ｍｏｄｅｌｓ ｗｅｒｅ ｅｓｔａｂｌｉｓｈｅｄ ｂｙ Ｎｅａｒ Ｉｎｆｒａｒｅｄ Ｓｐｅｃｔｒｏｓｃｏｐｙ．Ｉｎ ｔｈｉｓ ｓｔｕｄｙ，ｈｙｐｅｒｓｐｅｃｔｒａｌ ｄｅｔｅｃｔｉｎｇ ｍｏｄｅｌ ｏｆ ｐｏｒｋ ｐＨ ｖａｌｕｅ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ，ａｎｄ ｉｎ ｏｒｄｅｒ ｔｏ ｅｎｈａｎｃｅ ｔｈｅ ａｐｐｌｉｃａｂｉｌｉｔＹ ｏｆ ｍｏｄｅｌ ｔｏ ｄｉｆｆｅｒｅｎｔ ｂｒｅｅｄｓ ｏｆ ｐｏｒｋ ｓａｍｐｌｅｓ，ａ ｎｅｗ ｔｒａｎｓｆｅｒ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｓｐｅｃｔｒａ Ｍａ～ ｈａｌａｎｏｂｉｓ ｄｉｓｔａｎｃｅ，ｓｙｎｃ ｃｏｒｒｅｃｔｉｏｎ ｏｆ ｓｐｅｃｔｒｕｍ ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｖａｌｕｅ（ＣＳＰＶ），ｈａｓ ｂｅｅｎ ｐｒｏｐｏｓｅｄ，ａｎｄ ｗａｓ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｍｏｄｅｌ ｕｐｄａｔｉｎｇ ｍｅｔｈｏｄ．Ｅｑｕａｔｉｏｎｓ ｗｉｔｈ ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｐｒｅｄｉｃｔｉｏｎ（ｒｐ）≥Ｏ．８３７ ａｎｄ ｒｅｓｉｄｕａｌ ｐｒｅｄｉｃｔｉｏｎ ｄｅｖｉａｔｉｏｎ（ＲＰＤ）≥１．９ ｗｅｒｅ ｃｏｎｓｉｄｅｒｅｄ ａｓ ａｐｐｌｉｃａｂｌｅ ｔｏ ｐｒｅｄｉｃｔ ｐｏｒｋ ｑｕａｌｉｔｙ．Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｔｈｒｅｅ ｂｒｅｅｄｓ，ｄｕｃｈａｎｇｄａ，ｍａｏｊｉａ ａｎｄ ｌｉｎｇｈａｏ ｐｏｒｋ ｗｅｒｅ ｒｅ ｓｅａｒｃｈｅｄ，ａｎｄ ａ ｐＨ ｄｅｔｅｃｔｉｎｇ ｍｏｄｅｌ ｏｆ ｄｕｃｈａｎｇｄａ（ｔｈｅ ｐｒｉｍａｒｙ ｂｒｅｅｄ）ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ ｕｓｉｎｇ ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ（ＰＬＳ）ｒｅｇｒｅｓ‘ ｓｉｏｎ ｍｅｔｈｏｄ ｗｉｔｈ ｒｅ Ｏｆ ０．９２２，Ｙｐ ｏｆ ０．９０４，ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ ｏｆ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ（ＲＭＳＥＣＶ）ｏｆ ０．０４５，ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ ｏｆ ｐｒｅｄｉｃｔｉｏｎ（ＲＭＳＥＰ）ｏｆ ０．０４６ ａｎｄ ＲＰＤ ｏｆ ２．３８０．Ｈｏｗｅｖｅｒ，ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｈｅ ｍｏｄｅｌ ｔｏ ｓａｍｐｌｅｓ ｆｒｏｍ ｍａｏｊｉａ ａｎｄ 第７期 光谱学与光谱分析 ｌ９７９ １ｉｎｇｈａｏ ｂｒｅｅｄｓ（ｔｈｅ ｓｅｃｏｎｄａｒｙ ｂｒｅｅｄｓ）ｗａｓ ｖｅｒｙ ｐｏｏｒ ｗｉｔｈ ｒｐ ｏｆ ０．７７０ ａｎｄ ０．７３１ ｒｅｓｐｅｃｔｉｖｅｌｙ，ＲＭＳＥＰ ｏｆ ０．１１１ ａｎｄ ０．２０９，ＲＰＤ ｒｅａｃｈｅｄ ｏｎｌｙ ｌ＿５３３ ａｎｄ １．２３４ ｓｅｐａｒａｔｅｌｙ．Ｏｂｖｉｏｕｓｌｙ，ｔｈｅ ＰＬＳ ｍｏｄｅｌ ｏｆ ｄｕｃｈａｎｇｄａ ｗａｓ ｕｎａｂｌｅ ｔＯ ａｃｈｉｅｖｅ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｔＯ ｍａｏｊｉａ ａｎｄ ｌｉｎｇｈａｏ ｓａｍｐｌｅｓ．Ｗｉｔｈ ｔｈｅ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｏｆ ＣＳＰＶ ａｌｇｏｒｉｔｈｍ ｔｏ ｄｕｃｈａｎｇｄａ ｍｏｄｅｌ。ｏｎｌｙ ９ ａｎｄ １０ ｓｔａｎｄａｒｄ ｓａｍｐｌｅｓ ｆｒｏｍ ｍａｏｊｉａ ａｎｄ ｌｉｎｇｈａｏ ｂｒｅｅｄｓ ｗｅｒｅ ｕｓｅｄ ｒｅｓｐｅｃｔｉｖｅｌｙ，ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ａｂｉｌｉｔｙ ｗａｓ ｉｍｐｒｏｖｅｄ ｗｉｔｈ ｒＤ ｏｆ ０．８８９ ａｎｄ ０．９００，ＲＰＤ ｇｒｅｗ ｔｏ ２．０７１ ａｎｄ ２．２３１，ｗｈｉｃｈ ｍｅｔ ｔｈｅ ｒｅｑｕｉｒｅｍｅｎｔ ｏｆ ｒｐ≥Ｏ．８３７ ａｎｄ ＲＰＤ￣Ｉ．９．Ｗｈｉｌｅ ｗｉｔｈ ｍｏｄｅ１ ｕｐｄａｔｉｎｇ ｍｅｔｈｏｄ，ｗｈｅｎ ｌｌ ａｎｄ ９ ｒｅｐｒｅｓｅｎｔａｔｉｖｅ ｓａｍｐｌｅｓ ｆｒｏｍ ｍａｏｊｉａ ａｎｄ ｌｉｎｇｈａｏ ｂｒｅｅｄｓ ｗｅｒｅ ａｄｄｅｄ ｔＯ ｃａｌｉｂｒａｔｉｏｎ ｓｅｔ ｏｆ ｄｕｃｈａｎｇｄａ ｍｏｄｅｌ，ｒＤ ｉｎｃｒｅａｓｅｄ ｔｏ ０．８６９ ａｎｄ ０．８４５，ｂｕｔ ＲＰＤ ｏｎｌｙ ｒａｉｓｅｄ ｔｏ １．９３４ ａｎｄ １．８０４ ｅｘｃｌｕｓｉｖｅｌｙ，ｅｖｅｎ ｔｈｏｕｇｈ ｔａｌｌｙ ｒｐ≥Ｏ．８３７，ｉｔ ｄｉｄｎ’ｔ ｍｅｅｔ ｔｈａｔ ＲＰＤ≥１．９． Ｔｈｅ ｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈａｔ ＣＳＰＶ ｔｒａｎｓｆｅｒ ａｌｇｏｒｉｔｈｍ ｃｏｕｌｄ ｒｅａｌｉｚｅ ｔｈｅ ｐＨ ｖａｌｕｅ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｄｕｃｈａｎｇｄａ ｍｏｄｅｌ ｔＯ ｍａｏｊｉａ ａｎｄ ｌｉｎｇｈａｏ ｓａｍｐｌｅｓ，ｗｈｉｌｅ ｍｏｄｅｌ ｕｐｄａｔｉｎｇ ｍｅｔｈｏｄ ｗａｓ ｏｎｌｙ ａｐｐｌｉｃａｂｌｅ ｆｏｒ ｍａｏｊｉａ ｓａｍｐｌｅｓ ｉｎｓｔｅａｄ ｏｆ ｌｉｎｇｈａｏ ｓａｍｐｌｅｓ，ａｎｄ ｔｈｅ ｐｅｒ— ｆｏｒｍａｎｃｅ ｏｆ ＣＳＰＶ ｔｒａｎｓｆｅｒ ａｌｇｏｒｉｔｈｍ ｗａｓ ｂｅｔｔｅｒ ｔｈａｎ ｍｏｄｅｌ ｕｐｄａｔｉｎｇ． Ｋｅｙｗｏｒｄｓ Ｐｏｒｋ；ｐＨ ｖａｌｕｅ；Ｈｙｐｅｒｓｐｅｃｔｒａｌ；Ｍｏｄｅｌ ｔｒａｎｓｆｅｒ；Ｍｏｄｅｌ ｕｐｄａｔｅ （Ｒｅｃｅｉｖｅｄ Ａｐｒ．２，２０１４；ａｃｃｅｐｔｅｄ Ａｕｇ．１２，２０１４） ＊Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ
