CN113049526A - 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 - Google Patents

Abstract

本发明提供一种基于太赫兹衰减全反射的玉米种子水分含量测定方法，步骤为：1)采集m个玉米种子样本的水分及衰减全反射光谱，2)提取衰减全反射光谱的吸光度谱y_i，采用多种预处理方法对吸光度谱y_i进行去噪；3)将预处理后的每个数据集分别划分训练组与测试组；4)分别利用每个数据集的训练组数据及PLSR法、SVR法构建模型，选取最优的预处理方法；5)采用多种方法分别筛选最优预处理数据的特征谱区，6)将每个特征谱区分别划分训练组与测试组；7)分别利用每个特征谱区训练组数据及PLSR法、SVR法分别建立水分含量预测模型；8)选取最优模型对预测集样本进行预测；本发明通过建立快速准确测定玉米种子水分含量的模型对玉米种子水分含量进行测定。

Description

一种基于太赫兹衰减全反射的玉米种子水分含量测定方法

技术领域

本发明涉及玉米种子水分含量测定领域，特别是一种基于太赫兹衰减全反射的玉米种子水分含量测定方法。

背景技术

玉米是我国第一大粮食作物，是种植面积最大、总产量最多的作物，对于保障我国粮食安全具有重要战略地位。随着社会的发展和人民生活水平的提高，对玉米的产量和品质也提出了更高的要求。如何提高播种质量，培育优质壮苗来促进种子高产稳产、保证品质是现代农业发展中亟待解决的问题。

种子水分含量是影响种子安全贮藏的重要因素，是种子质量评定的重要指标之一，《农作物种子质量标准》(GB4404.1-2008)规定玉米种子安全水分含量小于13％。已有研究表明，水分含量过高时种子内部各种酶类新陈代谢加快，呼吸能力加强，易引起种子发霉变质丧失发芽能力，进而对种子产量产生影响。

传统种子水分测定方法包括高温烘干法、低恒温烘干法和高水分种子预先烘干法等，上述方法测定精度高但存在破坏性、耗时长且消耗化学试剂污染环境等问题，难以满足现代农业检测的新需求。探索和研究适应现代种子产业高速发展的活力测定新方法和新技术逐渐成为种子质量检测的热点。

近年来，分子光谱检测技术以其快速、无损、绿色等特点迅速得到国内外专家学者的关注。其中，太赫兹光谱检测技术作为重要交叉前沿领域逐渐成为无损检测农产品及食品品质的关键技术，太赫兹波段包含大多数生物大分子的转动和部分振动能级，分析物质在太赫兹频段的特征光谱就能够研究物质的内部组成。因此太赫兹技术有望成为近红外、X射线、拉曼等光谱技术的有力补充。近年来应用太赫兹技术检测农产品品质得到了较快的发展和应用，但直接采用太赫兹光谱技术对种子内部成分尤其是水分含量的检测尚未检索到相关研究报道。

发明内容

本发明的目的就是提供一种基于太赫兹衰减全反射的玉米种子水分含量测定方法，它可以用于对玉米种子水分含量的测定。

本发明的目的是通过这样的技术方案实现的，具体步骤如下：

1)数据采集：同批次采集不同水分含量m个玉米种子样本，并对玉米种子样本进行水分测定，得到水分含量数据x_i，在室温下，采集玉米种子样本的衰减全反射光谱s_i，其中i∈m；

2)数据预处理：对步骤1)中采集玉米种子样本的衰减全反射光谱s_i进行时域频域信号的转换及吸光度参数的提取得到吸光度谱y_i，分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱y_i进行去噪处理，分别得到预处理数据集Y_1i、Y_2i、Y_3i、Y_4i；

3)预处理数据分类：通过SPXY算法结合水分含量数据x_i将步骤2)中每个数据集Y_1i、Y_2i、Y_3i、Y_4i分别划分训练组与测试组；

4)选取预处理方法：分别利用步骤3)中Y_1i、Y_2i、Y_3i、Y_4i的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法对Y_1i、Y_2i、Y_3i、Y_4i分别构建预测模型，利用Y_1i、Y_2i、Y_3i、Y_4i的测试组数据对模型进行测试，以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能，选取最优模型对应的预处理数据Y_pi；

5)提取特征谱区：采用间隔偏最小二乘法iPLS、向后间隔偏最小二乘法biPLS、联合间隔偏最小二乘法siPLS、移动窗口偏最小二乘法MWPLS分别筛选步骤4)中最优模型对应的预处理数据Y_pi的特征谱区，分别得到特征谱区Y_1pi、Y_2pi、Y_3pi、Y_4pi；

6)特征谱区分类：通过SPXY算法结合水分含量数据x_i将步骤5)中每个特征谱区Y_1pi、Y_2pi、Y_3pi、Y_4pi分别划分训练组与测试组；

7)构建预测模型：分别利用步骤6)中Y_1pi、Y_2pi、Y_3pi、Y_4pi的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法分别建立基于太赫兹光谱的玉米种子水分含量预测模型；

8)选取最优模型：利用步骤7)中Y_1pi、Y_2pi、Y_3pi、Y_4pi的测试组数据对模型进行测试，以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能，选取最优模型对预测集样本进行预测。

进一步，步骤2)中数据预处理的具体步骤如下：

2-1)对步骤1)中采集玉米种子样本的衰减全反射光谱s_i利用太赫兹光谱分析软件进行数据分析，根据采集到的参考光谱E_ref(ω)和样本光谱E_s(ω)，计算得到透射光谱参数T(ω)：

式(1)中，ω为角频率；

2-2)对吸光度参数A(ω)进行提取得到吸光度谱y_i：

A(ω)＝2log10T(ω) (2)

2-3)分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱y_i进行去噪处理，分别得到预处理数据集Y_1i、Y_2i、Y_3i、Y_4i。

进一步，步骤3)中预处理数据分类的方法为：

通过SPXY算法结合水分含量数据x_i将步骤2)中每个数据集Y_1i、Y_2i、Y_3i、Y_4i按照3：1的比例分别划分训练组与测试组：

式(3)中，y_p、y_q分别为步骤2)中去噪处理后同一数据集中两个样本的吸光度谱数据，x_p、x_q分别为两个样本的水分含量，N表示样本的光谱点数量。

进一步，步骤4)中选取预处理方法的具体步骤为：

4-1)利用PLSR建立的模型分别对光谱矩阵Y(Y_1i、Y_2i、Y_3i、Y_4i)和浓度矩阵X(x_i)进行分解：

式(4)中，T、U为光谱矩阵和水分浓度矩阵的得分矩阵，P、Q为光谱矩阵和水分浓度矩阵的载荷矩阵，E、F为光谱矩阵和水分浓度矩阵的PLS拟合残差矩阵；

对光谱矩阵和水分浓度矩阵的得分矩阵进行线性回归：

根据Y＝TP+E求出待测样本的光谱矩阵的得分矩阵T，进而根据X＝TBQ得到水分含量的预测值；

4-2)利用SVR建立预测模型，其核函数为RBF，惩罚参数c和核参数g采用网格搜索法进行寻优；

4-3)利用Y_1i、Y_2i、Y_3i、Y_4i的测试组数据对模型进行测试，以模型评价指标相关系数R表示样品预测值与真实值间的相关程度，以预测均方根误差RMSEP用来评价模型对预测样本的能力，RMSEP越小表示模型对预测集样品的预测能力越高，相对分析误差RPD证明模型的稳定性，通过评价指标选取最优模型对预测集样本进行预测，选取最优模型对应的预处理数据Y_pi：

式(6)中，x_i为玉米种子样本集中第i个样本的水分含量的真实值，

为玉米种子样本集中第i个样品的预测值，

为玉米种子样本集中所有样品真实值的平均值；

式(7)中，n为预测集样品总数；

式(8)中，SD表示测量值的标准差。

由于采用了上述技术方案，本发明具有如下的优点：

1、本发明通过建立快速准确测定玉米种子水分含量的模型，为种子理化成分解析提供了一种快速检测的新方法；2、本发明采用多种方法对吸光度谱数据进行预处理，并选择最优预处理方法；3、通过提取特征谱区消除了环境中水分对光谱数据的干扰，提高了模型的精度；4、通过筛选得到的种子水分含量变化敏感的谱段进一步为种子在生长及存储过程中成分变化的分析提供了理论基础和技术支撑；5、本发明采用多种方法对特征谱区进行提取，针对不同品类的玉米种子提高了水分含量预测的准确度，适用性广。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的方法流程图。

图2为本发明不同水分含量等级玉米种子时域光谱。

图3为本发明不同水分含量等级玉米种子频域光谱。

图4为本发明不同水分含量等级玉米种子吸光度谱。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示的一种基于太赫兹衰减全反射的玉米种子水分含量测定方法，其特征在于，具体步骤如下：

1)数据采集：同批次采集不同水分含量m个玉米种子样本，并对玉米种子样本进行水分测定，得到水分含量数据x_i，在室温下，采集玉米种子样本的衰减全反射光谱s_i，其中i∈m；具体步骤为：

1-1)在40℃，100％相对湿度的条件下，每隔2h依次取样，共计40份不同水分含量的种子样本，利用FW-200高速万能粉碎机粗磨样本后采用梅特勒-托利多HB43-S卤素水分测定仪对制备样本进行水分含量测定，仪器预设模式为玉米粗磨，干燥温度为125℃，待干燥完成后即可得到样品的水分含量x_i，样本水分含量x_i统计信息如表1所示：

表1样本水分含量统计信息

1-2)在室温(22℃干燥环境)下，将步骤1-1)中制备的样本采用Terapulse4000太赫兹时域光谱仪及其衰减全反射附件采集ATR光谱，每组样本分别取样三次采集光谱，扫描完成后即可得到120条光谱曲线s_i，测量的光谱范围为0.2-85.37cm^-1。

2)数据预处理：对步骤1)中采集玉米种子样本的衰减全反射光谱s_i进行时域频域信号的转换及吸光度参数的提取得到吸光度谱y_i，分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱y_i进行去噪处理，分别得到预处理数据集Y_1i、Y_2i、Y_3i、Y_4i；具体步骤如下：

2-1)对步骤1)中采集玉米种子样本的衰减全反射光谱s_i利用太赫兹光谱分析软件进行数据分析，根据采集到的参考光谱E_ref(ω)和样本光谱E_s(ω)，计算得到透射光谱参数T(ω)：

式(1)中，ω为角频率；

2-2)对吸光度参数A(ω)进行提取得到吸光度谱y_i：

A(ω)＝2log10T(ω) (2)

2-3)分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱y_i进行去噪处理，分别得到预处理数据集Y_1i、Y_2i、Y_3i、Y_4i。

3)预处理数据分类：通过SPXY算法结合水分含量数据x_i将步骤2)中每个数据集Y_1i、Y_2i、Y_3i、Y_4i分别划分训练组与测试组；具体方法为：

通过SPXY算法结合水分含量数据x_i将步骤2)中每个数据集Y_1i、Y_2i、Y_3i、Y_4i按照3：1的比例分别划分训练组与测试组：

式(3)中，y_p、y_q分别为步骤2)中去噪处理后同一数据集中两个样本的吸光度谱数据，x_p、x_q分别为两个样本的水分含量，N表示样本的光谱点数量。

4)选取预处理方法：分别利用步骤3)中Y_1i、Y_2i、Y_3i、Y_4i的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法对Y_1i、Y_2i、Y_3i、Y_4i分别构建预测模型，利用Y_1i、Y_2i、Y_3i、Y_4i的测试组数据对模型进行测试，以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能，选取最优模型对应的预处理数据Y_pi；具体步骤为：

4-1)利用PLSR建立的模型分别对光谱矩阵Y(Y_1i、Y_2i、Y_3i、Y_4i)和浓度矩阵X(x_i)进行分解：

式(4)中，T、U为光谱矩阵和水分浓度矩阵的得分矩阵，P、Q为光谱矩阵和水分浓度矩阵的载荷矩阵，E、F为光谱矩阵和水分浓度矩阵的PLS拟合残差矩阵；

对光谱矩阵和水分浓度矩阵的得分矩阵进行线性回归：

根据Y＝TP+E求出待测样本的光谱矩阵的得分矩阵T，进而根据X＝TBQ得到水分含量的预测值；

4-2)利用SVR建立预测模型，其核函数为RBF，惩罚参数c和核参数g采用网格搜索法进行寻优，设定惩罚参数c和参数g的范围为[2^-10，2¹⁰]，步长为0.5；

4-3)利用Y_1i、Y_2i、Y_3i、Y_4i的测试组数据对模型进行测试，以模型评价指标相关系数R表示样品预测值与真实值间的相关程度，以预测均方根误差RMSEP用来评价模型对预测样本的能力，RMSEP越小表示模型对预测集样品的预测能力越高，相对分析误差RPD证明模型的稳定性，通过评价指标选取最优模型对预测集样本进行预测，选取最优模型对应的预处理数据Y_pi：

式(4)中，x_i为玉米种子样本集中第i个样本的水分含量的真实值，

为玉米种子样本集中第i个样品的预测值，

为玉米种子样本集中所有样品真实值的平均值；

式(5)中，n为预测集样品总数；

式(6)中，SD表示测量值的标准差；

结果表明在0.2-85.37cm^-1范围内，经Smooth光谱预处理后建立的PLSR模型相关系数R值为0.9969，预测均方根误差(RMSEP)为0.1986，模型稳定性较高(RPD＝3.5254)，经Smooth光谱预处理后建立的SVR模型相关系数R值为0.9846，预测均方根误差(RMSEP)仅为0.1257，且具有更高的稳定性(RPD＝5.6852)。同时可以根据吸收光谱图及光谱数据与水分含量值的相关系数值大致判断与水分含量变化敏感的波段，该方法对于种子成分含量快速测定具有一定的开拓性及实用性。

5)提取特征谱区：由于水分子对太赫兹的强烈吸收作用，光谱数据存在环境中水分的干扰，因此考虑利用特征变量筛选方法对玉米种子水分含量模型进行优化；采用间隔偏最小二乘法iPLS、向后间隔偏最小二乘法biPLS、联合间隔偏最小二乘法siPLS、移动窗口偏最小二乘法MWPLS分别筛选步骤4)中经Smooth预处理后光谱Y_pi的特征谱区，分别得到特征谱区Y_1pi、Y_2pi、Y_3pi、Y_4pi；具体方法为：

利用iPLS、biPLS、siPLS将经Smooth预处理后光谱Y_pi分别划分为10，11，…，30个区间的情况下建立PLS谱区筛选模型，综合考虑Rc、Rp、RMSECV及RMSEP的值，最终iPLS将光谱划分为10个子区间，采用第2个子区间进行建模；biPLS将光谱划分为27个子区间，2个子区间(1，8)联合进行建模；siPLS将光谱区域划分10个子区间，采用4个子区间联合(2，3，4，7)进行建模；MWPLS特征波段筛选方法考虑以窗口宽度为11个光谱变量作为初始窗口宽度，步长为10，分别从11个变量到121个变量建立谱区筛选模型，最终当窗口宽度选择51个变量时，RMSECV值达最小。经特征波段筛选后分别得到4种方法对应的谱区，如表2所示；

表2特征谱区筛选结果

6)特征谱区分类：通过SPXY算法结合水分含量数据x_i将步骤5)中每个特征谱区Y_1pi、Y_2pi、Y_3pi、Y_4pi分别划分训练组与测试组；

7)构建预测模型：分别利用步骤6)中Y_1pi、Y_2pi、Y_3pi、Y_4pi的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法建立基于太赫兹光谱的玉米种子水分含量预测模型；

8)选取最优模型：利用步骤7)中Y_1pi、Y_2pi、Y_3pi、Y_4pi的测试组数据对模型进行测试，以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能，选取最优模型对预测集样本进行预测：

结果表明利用siPLS特征变量筛选方法建立基于SVR的模型预测性能更好，相关系数R值为0.9930，预测均方根误差(RMSEP)为0.0697，能够有效降低模型复杂度的同时具有更高的稳定性(RPD＝12.3457)。联合区间偏最小二乘法最终筛选得到的波数范围(51.79-57.31cm^-1)与水在太赫兹波段的吸收峰(60cm^-1附近)接近，可以判定为与种子水分含量变化敏感的谱段。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (4)

1.一种基于太赫兹衰减全反射的玉米种子水分含量测定方法，其特征在于，具体步骤如下：

1)数据采集：同批次采集不同水分含量m个玉米种子样本，并对玉米种子样本进行水分测定，得到水分含量数据x_i，在室温下，采集玉米种子样本的衰减全反射光谱s_i，其中i∈m；

2)数据预处理：对步骤1)中采集玉米种子样本的衰减全反射光谱s_i进行时域频域信号的转换及吸光度参数的提取得到吸光度谱y_i，分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱y_i进行去噪处理，分别得到预处理数据集Y_1i、Y_2i、Y_3i、Y_4i；

3)预处理数据分类：通过SPXY算法结合水分含量数据x_i将步骤2)中每个数据集Y_1i、Y_2i、Y_3i、Y_4i分别划分训练组与测试组；

4)选取预处理方法：分别利用步骤3)中Y_1i、Y_2i、Y_3i、Y_4i的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法对Y_1i、Y_2i、Y_3i、Y_4i分别构建预测模型，利用Y_1i、Y_2i、Y_3i、Y_4i的测试组数据对模型进行测试，以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能，选取最优模型对应的预处理数据Y_pi；

5)提取特征谱区：采用间隔偏最小二乘法iPLS、向后间隔偏最小二乘法biPLS、联合间隔偏最小二乘法siPLS、移动窗口偏最小二乘法MWPLS分别筛选步骤4)中最优模型对应的预处理数据Y_pi的特征谱区，分别得到特征谱区Y_1pi、Y_2pi、Y_3pi、Y_4pi；

6)特征谱区分类：通过SPXY算法结合水分含量数据x_i将步骤5)中每个特征谱区Y_1pi、Y_2pi、Y_3pi、Y_4pi分别划分训练组与测试组；

7)构建预测模型：分别利用步骤6)中Y_1pi、Y_2pi、Y_3pi、Y_4pi的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法分别建立基于太赫兹光谱的玉米种子水分含量预测模型；

8)选取最优模型：利用步骤7)中Y_1pi、Y_2pi、Y_3pi、Y_4pi的测试组数据对模型进行测试，以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能，选取最优模型对预测集样本进行预测。

2.如权利要求1所述的一种基于太赫兹衰减全反射的玉米种子水分含量测定方法，其特征在于，步骤2)中数据预处理的具体步骤如下：

2-1)对步骤1)中采集玉米种子样本的衰减全反射光谱s_i利用太赫兹光谱分析软件进行数据分析，根据采集到的参考光谱E_ref(ω)和样本光谱E_s(ω)，计算得到透射光谱参数T(ω)：

式(1)中，ω为角频率；

2-2)对吸光度参数A(ω)进行提取得到吸光度谱y_i：

A(ω)＝2log10T(ω) (2)

2-3)分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱y_i进行去噪处理，分别得到预处理数据集Y_1i、Y_2i、Y_3i、Y_4i。

3.如权利要求1所述的一种基于太赫兹衰减全反射的玉米种子水分含量测定方法，其特征在于，步骤3)中预处理数据分类的方法为：

通过SPXY算法结合水分含量数据x_i将步骤2)中每个数据集Y_1i、Y_2i、Y_3i、Y_4i按照3：1的比例分别划分训练组与测试组：

式(3)中，y_p、y_q分别为步骤2)中去噪处理后同一数据集中两个样本的吸光度谱数据，x_p、x_q分别为两个样本的水分含量，N表示样本的光谱点数量。

4.如权利要求1所述的一种基于太赫兹衰减全反射的玉米种子水分含量测定方法，其特征在于，步骤4)中选取预处理方法的具体步骤为：

4-1)利用PLSR建立的模型分别对光谱矩阵Y(Y_1i、Y_2i、Y_3i、Y_4i)和浓度矩阵X(x_i)进行分解：

式(4)中，T、U为光谱矩阵和水分浓度矩阵的得分矩阵，P、Q为光谱矩阵和水分浓度矩阵的载荷矩阵，E、F为光谱矩阵和水分浓度矩阵的PLS拟合残差矩阵；

对光谱矩阵和水分浓度矩阵的得分矩阵进行线性回归：

根据Y＝TP+E求出待测样本的光谱矩阵的得分矩阵T，进而根据X＝TBQ得到水分含量的预测值；

4-2)利用SVR建立预测模型，其核函数为RBF，惩罚参数c和核参数g采用网格搜索法进行寻优；

4-3)利用Y_1i、Y_2i、Y_3i、Y_4i的测试组数据对模型进行测试，以模型评价指标相关系数R表示样品预测值与真实值间的相关程度，以预测均方根误差RMSEP用来评价模型对预测样本的能力，RMSEP越小表示模型对预测集样品的预测能力越高，相对分析误差RPD证明模型的稳定性，通过评价指标选取最优模型对预测集样本进行预测，选取最优模型对应的预处理数据Y_pi：

式(6)中，x_i为玉米种子样本集中第i个样本的水分含量的真实值，

为玉米种子样本集中第i个样品的预测值，

为玉米种子样本集中所有样品真实值的平均值；

式(7)中，n为预测集样品总数；

式(8)中，SD表示测量值的标准差。

Images