基于PCA-GA-SVR的鮮食葡萄運(yùn)輸過程品質(zhì)建模

賀 苗 李 鑫 朱志強(qiáng) 馮建英*

（1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083；2.國家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心（天津），天津 300000）

1 引言

葡萄由于具有良好的風(fēng)味及較高的營養(yǎng)價值而深受大眾消費(fèi)者的喜愛[1]，我國葡萄主產(chǎn)區(qū)和主銷區(qū)普遍分離，因而葡萄從葡萄園到消費(fèi)者餐桌需要經(jīng)過生產(chǎn)者、收購商、批發(fā)商、分銷商、零售商、消費(fèi)者等環(huán)節(jié)，物流過程較長[2]。葡萄漿果汁多肉嫩，在物流運(yùn)輸過程中其品質(zhì)容易受到物流環(huán)境、震動、搬運(yùn)等因素的影響，造成營養(yǎng)價值和商品價值的降低。因此，對鮮食葡萄運(yùn)輸過程中的品質(zhì)進(jìn)行準(zhǔn)確評價具有很強(qiáng)的現(xiàn)實(shí)意義。

生鮮水果的品質(zhì)指標(biāo)可以由其理化指標(biāo)和感官品質(zhì)指標(biāo)來表征。理化指標(biāo)需要通過物理、化學(xué)等手段進(jìn)行測量和評價[3-4]，檢測結(jié)果具有客觀、準(zhǔn)確等優(yōu)點(diǎn)，評價結(jié)果距離普通消費(fèi)者的認(rèn)知和感受較遠(yuǎn)[5]，專業(yè)人士才能夠看懂鮮食葡萄理化指標(biāo)背后代表的品質(zhì)信息。感官品質(zhì)指標(biāo)一般需要開展感官評價來獲取數(shù)據(jù)，感官評價通過感官評價員對鮮食葡萄的外觀、香氣、果粒風(fēng)味、質(zhì)地等感官品質(zhì)指標(biāo)進(jìn)行評價打分[6-7]。感官評價的結(jié)果更接近消費(fèi)者對果品品質(zhì)的感受和認(rèn)知，但存在組織實(shí)施成本大、主觀性強(qiáng)的弊端[8]。由于水果品質(zhì)指標(biāo)的內(nèi)部關(guān)聯(lián)性，鮮食葡萄的感官屬性與理化指標(biāo)有著一定的聯(lián)系，因此可以將理化指標(biāo)與感官評價結(jié)合，對鮮食葡萄的理化指標(biāo)和感官品質(zhì)進(jìn)行建模，量化理化指標(biāo)與感官品質(zhì)的關(guān)聯(lián)關(guān)系，從而得到更全面和有效的品質(zhì)評價結(jié)果。

目前已有一些研究應(yīng)用機(jī)器學(xué)習(xí)算法對食品的感官品質(zhì)進(jìn)行評價[9-11]。由Vapnik 于1995 年提出的支持向量回歸(Support Vector Regression,SVR)算法利用了支持向量機(jī)(Support Vector Machine，SVM)的算法思想，并引入不敏感損失函數(shù)ε 解決非線性回歸問題[12]。SVR 應(yīng)用廣泛，在解決小樣本、非線性及高維模式識別等問題上顯示了一定的優(yōu)勢[13]。蔣華偉等[14]、Yao[15]等學(xué)者基于SVR 模型預(yù)測了小麥、肉類的品質(zhì)。針對簡單SVR 具有欠學(xué)習(xí)、過擬合等不足，學(xué)者們從不同角度探討了簡單SVR 模型的改進(jìn)和優(yōu)化[16-19]，經(jīng)過優(yōu)化改進(jìn)的SVR 有著比簡單SVR 更好的效果。鮮食葡萄理化指標(biāo)和感官品質(zhì)評價樣本數(shù)據(jù)具有小樣本、非線性、時變性等特征，因而預(yù)期支持向量回歸模型（SVR）可以較好地擬合鮮食葡萄理化指標(biāo)和感官品質(zhì)之間的非線性關(guān)系，并對簡單SVR優(yōu)化改進(jìn)以得到更高的預(yù)測精度。

綜上，本研究將通過鮮食葡萄運(yùn)輸仿真實(shí)驗(yàn)獲取葡萄理化指標(biāo)和感官品質(zhì)數(shù)據(jù)，提出一種基于改進(jìn)SVR 的鮮食葡萄感官品質(zhì)建模方法，利用鮮食葡萄的理化指標(biāo)參數(shù)預(yù)測其感官品質(zhì)，以實(shí)現(xiàn)鮮食葡萄品質(zhì)的快速、動態(tài)評估，為感官品質(zhì)預(yù)測提供了新的方案，還可將結(jié)論反饋到物流管理中，提升鮮食葡萄的品質(zhì)。

2 材料與方法

2.1 實(shí)驗(yàn)與數(shù)據(jù)

2.1.1 鮮食葡萄物流運(yùn)輸調(diào)研

當(dāng)前鮮食葡萄運(yùn)輸模式主要有常溫運(yùn)輸、保冷運(yùn)輸和冷鏈運(yùn)輸。常溫運(yùn)輸不采取任何制冷措施，保冷運(yùn)輸于運(yùn)輸開始之前在田間進(jìn)行預(yù)冷，運(yùn)輸中利用棉被等包裹住葡萄以維持果實(shí)的低溫，而冷鏈運(yùn)輸全程通過人工制冷手段使鮮食葡萄維持在適宜的低溫環(huán)境中。常溫運(yùn)輸和保冷運(yùn)輸一般用于短距離運(yùn)輸，冷鏈則可以實(shí)現(xiàn)遠(yuǎn)距離和長周期運(yùn)輸。實(shí)驗(yàn)之前，先跟蹤調(diào)研了三條典型的鮮食葡萄供應(yīng)鏈，通過傳感器獲取了運(yùn)輸過程的環(huán)境因子數(shù)據(jù)，以便后續(xù)在實(shí)驗(yàn)室開展鮮食葡萄模擬仿真實(shí)驗(yàn)。

2.1.2 葡萄運(yùn)輸模擬實(shí)驗(yàn)

根據(jù)鮮食葡萄實(shí)際運(yùn)輸過程的環(huán)境因子監(jiān)測結(jié)果，在實(shí)驗(yàn)室條件下通過溫濕度調(diào)控，模擬了三種運(yùn)輸過程，實(shí)驗(yàn)地點(diǎn)為國家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心(天津)。三種運(yùn)輸模擬實(shí)驗(yàn)選擇同一品種、同一批次的鮮食葡萄，實(shí)驗(yàn)葡萄購于天津紅旗農(nóng)貿(mào)綜合批發(fā)市場，品種為巨峰。

實(shí)驗(yàn)中當(dāng)溫、濕度有顯著變化（溫度變化1℃，或濕度變化1%）時，隨機(jī)取出25 串樣本，對鮮食葡萄理化指標(biāo)進(jìn)行測定，同時開展感官品嘗實(shí)驗(yàn)。常溫運(yùn)輸、保冷運(yùn)輸、冷鏈運(yùn)輸模擬實(shí)驗(yàn)分別進(jìn)行了12 次、13次、17次測定。實(shí)驗(yàn)設(shè)計如圖1所示。

圖1 運(yùn)輸模擬實(shí)驗(yàn)設(shè)計流程Fig.1 Design process of transport simulation experiment

2.1.3 感官評價實(shí)驗(yàn)

感官評價實(shí)驗(yàn)伴隨理化指標(biāo)檢測實(shí)驗(yàn)開展，實(shí)驗(yàn)地點(diǎn)在國家農(nóng)產(chǎn)品保險工程技術(shù)中心的感官分析實(shí)驗(yàn)室，參照NY/T1986-2011標(biāo)準(zhǔn)設(shè)計了鮮食葡萄感官評價評分標(biāo)準(zhǔn)表，如表1所示。邀請的10名感官評價員均具有生鮮農(nóng)產(chǎn)品工程專業(yè)背景，并且接受過專業(yè)的鮮食葡萄感官評價培訓(xùn)。評價員根據(jù)評價指標(biāo)和評分標(biāo)準(zhǔn)，對每次取出的葡萄樣本進(jìn)行感官評價，得到葡萄樣本在不同時間點(diǎn)上各感官屬性指標(biāo)的分值，加總得到其感官品質(zhì)總分；對10 份感官評價結(jié)果取均值，獲得感官評價最終得分。

表1 鮮食葡萄感官評價評分標(biāo)準(zhǔn)Table1 Table Grape Sensory Evaluation Scoring Standard

2.1.4 數(shù)據(jù)預(yù)處理與數(shù)據(jù)集建立

對獲取的運(yùn)輸時長、葡萄理化指標(biāo)和感官品質(zhì)數(shù)據(jù)進(jìn)行預(yù)處理，包括去重、修正異常值、去除錯誤數(shù)據(jù)、數(shù)據(jù)標(biāo)準(zhǔn)化等，最終得到鮮食葡萄品質(zhì)數(shù)據(jù)集。常溫運(yùn)輸數(shù)據(jù)集包含300 條記錄，保冷運(yùn)輸數(shù)據(jù)集325 條記錄，冷鏈運(yùn)輸數(shù)據(jù)集425 條數(shù)據(jù)以及混合數(shù)據(jù)集1050 條。四種數(shù)據(jù)集中，每條記錄具有三方面的特征屬性，即運(yùn)輸時間、理化指標(biāo)（失重率、可滴定酸含量等11項(xiàng)指標(biāo)）、感官品質(zhì)得分。

2.2 基于PCA-GA-SVR 的建模方法

2.2.1 基于SVR的鮮食葡萄感官品質(zhì)評估基礎(chǔ)模型構(gòu)建

以鮮食葡萄的理化指標(biāo)數(shù)據(jù)作為輸入，鮮食葡萄感官評估得分作為輸出，實(shí)現(xiàn)對鮮食葡萄的理化指標(biāo)與鮮食葡萄的感官品質(zhì)之間的關(guān)系建模。假設(shè)為支持向量回歸模型的目標(biāo)輸出值即感官評價得分，為支持向量回歸模型的輸入變量即理化指標(biāo)數(shù)據(jù)值向量，其中Xi表示第i個樣本葡萄的理化指標(biāo)數(shù)據(jù)值向量；n表示指標(biāo)的維數(shù)，即n=11。建立與輸出之間的Yi={yi}的映射關(guān)系：Rn→R。用訓(xùn)練樣本集{(xi,yi),i=1,2,…,n}訓(xùn)練模型，輸入輸出的形式為：

SVR 的精確性和推廣能力很大程度上依賴于核函數(shù)及超參數(shù)[20-22]，因而核函數(shù)的類型選擇及其參數(shù)確定至關(guān)重要[22-23]。鮮食葡萄數(shù)據(jù)集具有非線性特征，因此線性核函數(shù)的效果欠佳；多項(xiàng)核函數(shù)能夠解決非線性問題，但多項(xiàng)式核函數(shù)參數(shù)較多，應(yīng)用高階多項(xiàng)式會大大增加其復(fù)雜度，甚至達(dá)到無法計算的程度[24]；Sigmoid 核函數(shù)在實(shí)際的應(yīng)用中應(yīng)用較少，這是因?yàn)楫?dāng)Sigmoid 核的參數(shù)滿足某些特定條件時，Sigmoid 核函數(shù)才符合半正定核[25]；徑向基核函數(shù)適用性更強(qiáng)，對于不同分布的樣本均能適用，能夠較好完成低維空間到高維空間的非線性映射[26]，且徑向核函數(shù)的參數(shù)較少，在參數(shù)確定和選擇時較簡單。因此，本研究選擇徑向基核函數(shù)作為支持向量回歸模型的核函數(shù)，徑向基核函數(shù)表達(dá)式如下：

2.2.2 基于PCA的鮮食葡萄理化指標(biāo)降維方法

鮮食葡萄共有11 項(xiàng)理化指標(biāo)，維度較高，如果直接使用原始樣本數(shù)據(jù)會影響支持向量回歸模型的預(yù)測精度及泛化能力[27]。主成分分析法（PCA）可以消除變量之間的相關(guān)性，從而實(shí)現(xiàn)數(shù)據(jù)降維、提高模型的運(yùn)算效率和預(yù)測效果。本研究利用主成分分析法對原始數(shù)據(jù)進(jìn)行降維，在保證原始數(shù)據(jù)的信息量的同時，能夠?yàn)楹罄m(xù)的模型算法減少了運(yùn)算次數(shù)，提高計算效率。主成分分析的具體步驟如下：

（1）利用經(jīng)過預(yù)處理的理化指標(biāo)數(shù)據(jù)構(gòu)造樣本矩陣：

其中m為樣本的個數(shù)，4 個數(shù)據(jù)集的m 取值不同；n為樣本的維度，此處n=11。

（2）建立相關(guān)系數(shù)矩陣R

式中rik是由矩陣X的第i列和第k列構(gòu)成的隨機(jī)變量的相關(guān)系數(shù)。

（3）求R的特征根及特征向量

令|R-λI|=0，根據(jù)數(shù)值從小到大排列求出的矩陣R 的n個特征根：λ1,λ2,…,λn。利用初始因子載荷計算特征向量。

（4）計算貢獻(xiàn)率及累計貢獻(xiàn)率

計算第i個主元素的貢獻(xiàn)率ωi：

則前k個主元素的累計貢獻(xiàn)率ω：

一般情況下，當(dāng)主成分的累計貢獻(xiàn)率達(dá)到85%，就認(rèn)為這些主成分足以表示原樣本數(shù)據(jù)的大部分信息[28]。

（5）確定主成分表達(dá)式

根據(jù)求出的特征向量，確定主成分的表達(dá)式：

其中，i=1,2,3…,m；uim為對應(yīng)的特征向量。

2.2.3 基于遺傳算法（GA）的SVR參數(shù)優(yōu)化方法

優(yōu)化算法是指通過使輸出結(jié)果和正確結(jié)果之間的誤差最小化的方式來更新迭代參數(shù)并優(yōu)化模型的算法[29]。支持向量回歸模型的預(yù)測精度取決于核函數(shù)類型，而影響其性能的關(guān)鍵因素是核函數(shù)中的參數(shù)g 和懲罰因子C。懲罰因子C 如果過小，則對誤差的懲罰偏小，會導(dǎo)致“欠學(xué)習(xí)”；C 過大會對誤差懲罰偏大，減少了對模型結(jié)構(gòu)的限制，導(dǎo)致“過學(xué)習(xí)”[30]。當(dāng)徑向基核函數(shù)的核參數(shù)g 較小時會降低支持向量回歸模型對數(shù)據(jù)樣本的正確預(yù)測能力；當(dāng)g 較大時會提高支持向量回歸模型對樣本數(shù)據(jù)的正確預(yù)測能力，g趨向于無限大時，可能會造成“過學(xué)習(xí)”。因此，正確的選擇合適的誤差懲罰系數(shù)C 和參數(shù)g 來優(yōu)化支持向量回歸對其性能有著重要的影響。

遺傳算法（genetic algorithm,GA)通過對一組可能解所構(gòu)成的初始群組進(jìn)行選擇、交叉和變異操作，使得樣本適應(yīng)度值不斷提高，直至尋求到全局最優(yōu)解。遺傳算法對支持向量回歸模型的參數(shù)尋優(yōu)基本思路為：估計支持向量回歸模型的懲罰因子C 和核參數(shù)g 的取值范圍，其中個體為每一個（C,g），種群由多個（C,g）構(gòu)成，編碼組成部分相當(dāng)于個體基因，通過利用適應(yīng)度函數(shù)即均方誤差函數(shù)MSE 的評價，選出最優(yōu)的參數(shù)C和g。

2.2.4 PCA-GA-SVR模型優(yōu)化的整體思路

綜上，本研究構(gòu)建PCA-GA-SVR 優(yōu)化模型以實(shí)現(xiàn)通過鮮食葡萄的理化指標(biāo)評價其感官品質(zhì)的目的。模該型的核心思想和實(shí)現(xiàn)步驟如下：

Begin

Step 1.采集數(shù)據(jù)，對數(shù)據(jù)進(jìn)行預(yù)處理，包括去重、修正異常值、去除錯誤數(shù)據(jù)、數(shù)據(jù)標(biāo)準(zhǔn)化等，得到實(shí)驗(yàn)的樣本數(shù)據(jù)集；

Step 2.對輸入變量即理化指標(biāo)數(shù)據(jù)利用主成分分析法進(jìn)行降維；

Step 3.從數(shù)據(jù)中隨機(jī)選取訓(xùn)練集與測試集，訓(xùn)練集與測試集的比例為4：1；

Step 4.參數(shù)配置。設(shè)置種群數(shù)量和最大進(jìn)化代數(shù)，定義參數(shù)C和g的取值范圍；

Step 5.初始化編碼數(shù)據(jù)，通過配置的初始參數(shù)，編碼生成初始種群；

Step 6.對種群個體進(jìn)行計算，得出種群中每個個體的適應(yīng)度；

模型的主要流程圖如圖2所示。

圖2 PCA-GA-SVR 模型流程圖Fig.2 PCA-GA-SVR model flow chart

3 結(jié)果與討論

針對三種不同運(yùn)輸實(shí)驗(yàn)的混合數(shù)據(jù)集建模，并將四種數(shù)據(jù)集的建模結(jié)果進(jìn)行比較，探索鮮食葡萄理化指標(biāo)和感官品質(zhì)的關(guān)系。

3.1 理化指標(biāo)的相關(guān)性分析

對理化指標(biāo)之間、以及理化指標(biāo)與感官品質(zhì)進(jìn)行了相關(guān)性分析。通過分析各變量之間的相關(guān)性矩陣，發(fā)現(xiàn)理化指標(biāo)數(shù)據(jù)與感官品質(zhì)之間的相關(guān)性受到運(yùn)輸模式的影響較小，因此由于篇幅原因只展示常溫運(yùn)輸中鮮食葡萄品質(zhì)指標(biāo)的相關(guān)系數(shù)矩陣，如表2 所示。感官評價與失重率、果梗拉力、果梗葉綠素含量、可滴定酸含量、抗壞血酸含量、可溶性固形物含量、硬度、彈性、凝聚性、咀嚼性、回復(fù)性這些變量之間存在中等及以上的相關(guān)性；失重率、可滴定酸含量、與抗壞血酸含量之間存在強(qiáng)正相關(guān)性，與果梗拉力、果梗葉綠素含量、硬度、咀嚼性、彈性、凝聚性、回復(fù)性呈現(xiàn)強(qiáng)負(fù)相關(guān)性；果梗拉力、果梗葉綠素含量、硬度、彈性、凝聚性、咀嚼性與回復(fù)性之間存在中強(qiáng)相關(guān)性。由于鮮食葡萄的各項(xiàng)理化指標(biāo)數(shù)據(jù)在運(yùn)輸過程中受溫度、濕度環(huán)境條件的影響，葡萄果實(shí)散發(fā)水分，失重率上升，果實(shí)失水，果汁收縮，可溶性固形物含量及抗壞血酸含量因此上升；在此過程中葡萄的各項(xiàng)質(zhì)構(gòu)指標(biāo)也因?yàn)楣麑?shí)的失水而下降。通過主成分分析可以把相關(guān)性較大的樣本數(shù)據(jù)進(jìn)行簡化，用少數(shù)幾個主成分代替原樣本數(shù)據(jù)。

表2 常溫運(yùn)輸過程鮮食葡萄品質(zhì)指標(biāo)的相關(guān)系數(shù)矩陣Table 2 Correlation coefficient matrix of quality indexes of table grapes for normal temperature transportation

3.2 理化指標(biāo)的降維結(jié)果

一般情況下，當(dāng)主成分的累計貢獻(xiàn)率達(dá)到85%，就認(rèn)為這些主成分足以表示原樣本數(shù)據(jù)的大部分信息。常溫運(yùn)輸?shù)睦砘笜?biāo)主成分分析結(jié)果如表3 所示，可以看出前3 個主成分的累計貢獻(xiàn)率為90.486%，高于85%，因此前3 個指標(biāo)可以代替11 個原始理化指標(biāo)。類似地，保冷運(yùn)輸、冷鏈運(yùn)輸以及混合三種運(yùn)輸模式的前3 個指標(biāo)可以代替11 個原始理化指標(biāo)。

表3 常溫運(yùn)輸理化指標(biāo)主成分貢獻(xiàn)率Table 3 Contribution rate of principal components of physical and chemical indicators of normal temperature transportation

3.3 基于PCA-GA-SVR 組合方法的感官評估建模結(jié)果

3.3.1 模型評估方法

采用平均絕對誤差(MAE)、均方誤差（MSE）、均方根誤差(RMSE)、決定系數(shù)(R2)作為評價模型的指標(biāo)。

3.3.2 模型參數(shù)優(yōu)化結(jié)果

分別將不同運(yùn)輸模式下通過PCA 降維后的3 個主成分作為PCA-GA-SVR 鮮食葡萄品質(zhì)評價模型的輸入變量，鮮食葡萄的感官評價分?jǐn)?shù)作為輸出變量，支持向量回歸模型的核函數(shù)選擇徑向基核函數(shù)，利用遺傳算法優(yōu)化支持向量回歸模型的參數(shù)，遺傳算法初始化種群規(guī)模為N=30，最優(yōu)懲罰因子C和核參數(shù)g的范圍從0.01 到100，最大迭代次數(shù)為100，均方誤差MSE作為適應(yīng)度函數(shù)。

經(jīng)過算法迭代，最終基于遺傳算法對支持向量回歸模型的參數(shù)進(jìn)行優(yōu)化結(jié)果如下：常溫運(yùn)輸最優(yōu)懲罰因子C為3.1815，核函數(shù)g為0.0533；保冷運(yùn)輸最優(yōu)懲罰因子C 為3.999，核函數(shù)g 為0.0497；冷鏈運(yùn)輸最優(yōu)懲罰因子C 為3.225，核函數(shù)g 為0.0461；混合數(shù)據(jù)集的最優(yōu)懲罰因子C為3.124，核函數(shù)g為0.0387。

3.3.3 建模結(jié)果及分析

針對四個數(shù)據(jù)集，按照4：1 比例分別隨機(jī)選取樣本建立訓(xùn)練集和測試集，基于PCA-GA-SVR 模型對理化指標(biāo)與感官品質(zhì)進(jìn)行建模，并以SVR、PCA-SVR模型作為對照，模型在不同數(shù)據(jù)集上的性能評價結(jié)果如表4所示。

表4a 常溫運(yùn)輸PCA-GA-SVR 組合模型評價結(jié)果Table 4a Evaluation results of PCA-GA-SVR combined model for normal temperature transportation

表4b 保冷運(yùn)輸PCA-GA-SVR 組合模型評價結(jié)果Table 4b Evaluation results of PCA-GA-SVR combined model for Cold Storage Transportation

表4c 冷鏈運(yùn)輸PCA-GA-SVR 組合模型評價結(jié)果Table 4c Evaluation results of PCA-GA-SVR combined model for Cold Chain Transportation

表4d 混合數(shù)據(jù)集PCA-GA-SVR 組合模型評價結(jié)果Table 4d Evaluation results of PCA-GA-SVR combined model for Mixed Datasets

可以看出，PCA-GA-SVR 評價模型與PCA-SVR相比，指標(biāo)MAE、MSE、RMSE 均下降，R2均在提高，表明遺傳算法在選擇最優(yōu)參數(shù)方面的優(yōu)越性；PCAGA-SVR 預(yù)測模型與SVR 預(yù)測模型相比，評價指標(biāo)MAE、MSE、RMSE 均發(fā)生下降，R2均在提高，說明了PCA 對于輸入變量的選擇可以有效降低待處理問題的復(fù)雜性。而混合數(shù)據(jù)集中模型的精度相較于其他三個數(shù)據(jù)集更高，可能的原因是不同運(yùn)輸模式對理化指標(biāo)數(shù)據(jù)與感官品質(zhì)評價之間的模型關(guān)系影響較小，而混合數(shù)據(jù)集由于數(shù)據(jù)量大、訓(xùn)練樣本較多，使得模型的準(zhǔn)確性有所提高。優(yōu)化模型及對照模型的擬合結(jié)果如圖3所示。

由圖3 可以看出，SVR 與PCA-SVR 預(yù)測結(jié)果較為接近，擬合結(jié)果均與原始數(shù)據(jù)有一定差距，尤其在感官評價分?jǐn)?shù)變化波動較為劇烈的附近誤差更大。經(jīng)過遺傳算法優(yōu)化的PCA-GA-SVR 模型預(yù)測的準(zhǔn)確性和精度有了明顯的提高，與測試集中原始數(shù)據(jù)擬合效果更好。

圖3a 常溫運(yùn)輸PCA-GA-SVR 組合模型的擬合結(jié)果Fig.3a Fitting results of PCA-GA-SVR combined model for normal temperature transportation

圖3b 保冷運(yùn)輸PCA-GA-SVR 組合模型的擬合結(jié)果Fig.3b Fitting results of PCA-GA-SVR combined model for Cold Storage Transportation

圖3c 冷鏈運(yùn)輸PCA-GA-SVR 組合模型的擬合結(jié)果Fig.3c Fitting results of PCA-GA-SVR combined model for Cold Chain Transportation

圖3d 混合數(shù)據(jù)集PCA-GA-SVR 組合模型的擬合結(jié)果Fig.3d Fitting results of PCA-GA-SVR combined model for Mixed Datasets

4 結(jié)論

本研究提出了基于PCA-GA-SVR 組合方法的鮮食葡萄感官品質(zhì)評價模型，實(shí)現(xiàn)了利用理化指標(biāo)數(shù)據(jù)預(yù)測評估感官品質(zhì)。主要結(jié)論如下：

（1）構(gòu)建了基于PCA-GA-SVR 組合方法的鮮食葡萄感官品質(zhì)評估模型：主成分分析法(PCA)用于降低輸入數(shù)據(jù)的相關(guān)性和維數(shù)，遺傳算法(GA)用于對支持向量回歸模型（SVR）參數(shù)進(jìn)行優(yōu)化和調(diào)節(jié)。通過實(shí)驗(yàn)表明，針對常溫運(yùn)輸、保冷運(yùn)輸、冷鏈運(yùn)輸以及混合數(shù)據(jù)集，基于PCA-GA-SVR 組合模型的感官品質(zhì)評價模型性能均最優(yōu)，能夠較好地反映鮮食葡萄理化指標(biāo)與感官質(zhì)量之間的非線性映射關(guān)系，且混合數(shù)據(jù)集中模型數(shù)據(jù)量大、模型訓(xùn)練充分，模型精度更高。

（2）由于理化指標(biāo)數(shù)據(jù)與感官品質(zhì)之間的關(guān)系受到運(yùn)輸模式的影響較小，因而本研究提出的感官品質(zhì)評估模型可以較好地應(yīng)用在任何運(yùn)輸方式上，用來反映物流運(yùn)輸中鮮食葡萄品質(zhì)變化情況，輔助物流過程中生鮮農(nóng)產(chǎn)品的品質(zhì)控制與管理。