本文探讨了基于高光谱融合神经网络技术在预测玉米中黄曲霉毒素B_1和赤霉烯酮含量的应用。高光谱成像是一个强大的工具，可以提供丰富的光谱信息，用于识别和分析物质的成分。在食品安全领域，尤其是粮食作物的安全监测，这种技术具有巨大的潜力。
黄曲霉毒素B_1和赤霉烯酮是两种常见的真菌毒素，它们在玉米中可能自然产生，对人类和动物的健康构成威胁。因此，快速、准确地检测这两种毒素的含量对于确保粮食安全至关重要。
在该研究中，研究人员首先对原始高光谱数据进行了多元散射校正(MSC)，以减少光谱中的散射影响，提高光谱的纯净度。然后，通过相关系数法筛选出与目标物质关联性最强的波段，这些波段包含了与黄曲霉毒素B_1和赤霉烯酮含量高度相关的光谱特征。接着，连续投影算法结合信息熵选择法进一步精简特征波段，最终选取了8个最具代表性的特征波长。
接下来，研究人员利用这些特征波长构建了基于BP神经网络的预测模型。BP神经网络是一种经典的深度学习模型，它通过反向传播优化权重，实现对复杂非线性关系的学习和预测。在实验结果中，8个特征波长下的模型表现最佳，黄曲霉毒素B_1的预测正确率达到了98.74%，均方根误差为0.0485；而赤霉烯酮的预测正确率更是达到了100%，均方根误差为0.1605。这表明，高光谱融合神经网络方法对于这两种真菌毒素的含量预测非常准确，具有很高的实用价值。
此外，该研究还强调了高光谱融合神经网络在霉变玉米毒素检测中的可行性，为粮食安全监控提供了新的技术手段。这一技术不仅可以提升检测效率，而且可以减少传统化学分析方法的繁琐步骤，降低检测成本。
总结来说，本文提出的基于高光谱融合神经网络的方法为食品安全监测提供了一种高效、精确的新途径，尤其适用于粮食作物中真菌毒素的快速筛查。这种方法的应用有望加强我国粮食安全体系，保障国民的食品安全。未来的研究可能会进一步优化模型，提高预测精度，甚至扩展到其他农产品或更多类型的污染物检测。
