Application of Radial Bases Function Network and Response Surface Method to Quantify Compositions of Raw Goat Milk with Visible/Near Infrared Spectroscopy

Abstract

Raw goat milk pricing is based on the milk quality especially on fat, solid not fat (SNF) and density. Therefore, there is a need of approach for composition quantization. This study applied radial basis function network (RBFN) to calibrate fat, SNF, and density with visible and near infrared spectra (400~2500 nm). To find the optimal parameters of goal error and spread used in RBFN, a response surface method (RSM) was employed. Results showed that with the optimal parameters suggested by RSM analysis, R 2 difference for training and testing data set was the smallest which indicated the model was less possible of overtraining or undertraining. The R 2 for testing set was 0.9569, 0.8420 and 0.8743 for fat, SNF and density, respectively, when optimal parameters were used in RBFN.

Infrared Spectrophotometry, Infrared Spectroscopy and Infrared Spectrometry in Diary Spectral Qualimetry: Contemporary Ideas and Retro-Engineering

“…Для этого используются робастные калиброванные алгоритмы [83] на всех стадиях сбора данных методами инфракрасной спектроскопии по технологической цепочке в молочной промышленности, включая технологии распознавания образов [84,85], функциональные сетевые подходы [86], многомерные и векторно-машинные методы [87,88] и гибридные методы подбора переменных [89]. Расширение или увеличение размерности пространства переменных увеличивает информационную ценность анализа молока по соответственному ряду непрямых параметров и формирует предпосылки для становления корреляции между ними с использованием соответствующих координатных систем в многомерном анализе.…”