苹果货架期GAN-BP-ANN预测模型研究

准确预测剩余货架期是降低苹果过长贮藏风险的有效途径，目前基于传统动力学模型的预测准确度较低,提出一种基于生成式对抗网络（GAN）改进的反向传播人工神经网络（BP-ANN）苹果货架期预测方法。以0、5、15、25℃下贮藏的“富士”苹果为研究对象，获取果实的12个理化品质指标随贮藏时间变化的取值；分别采用2种特征选择方法对品质指标进行排序，依次累加排序为1~12的品质指标结合贮藏温度作为BP-ANN的输入层变量。通过GAN扩大BP-ANN的训练集样本数量，建立“富士”苹果货架期的 GAN-BP-ANN和BP-ANN预测模型。试验结果表明，经过GAN可生成与真实数据分布范围一致的数据集，以真实和生成数据集共同作为训练集构建的GAN-BP-ANN模型其验证集准确度总体高于BP-ANN模型；以稀疏主成分分析(SPCA) 选取得到的前1、2、6个品质指标，结合贮藏温度分别作为GAN-BP-ANN模型的输入层对货架期进行预测，其平均相对误差均在0.070以内，决定系数均在0.988以上。