m,酿 I~2 ；
[0131] Cj,廠=(Xj-Xm) ΧΒ?Ι+Υμ，廠 1-3；
[0132] Cj，繼匕=(Xj-Xm) XBw：匕+Ym，繼匕 1-4;
[0133] 所述模型1-1~1-4中，Cj为第j个待测样品的相应评价指标的预测值，X」为第j个待 测样品的近红外吸收光谱数据值，Xm为训练集样本的近红外吸收光谱数据的平均值，B为相 应评价指标的模型的回归系数，Ym为训练集样本相应评价指标参考值的平均值；
[0134] (3)按照以下公式分别计算4个定量预测模型的模型系数；
[0135]
[0136]
[0137]
[0138]
[0139] 所述公式II-1~II-4中，Μ代表相应评价指标的模型系数，R2代表相应评价指标的 模型的测定系数，S D代表相应评价指标的训练集样本的样本标准差，RMSECV代表相应评价 指标的模型交互验证均方根误差；
[0140] 本实施例的模型相关参数如表1所示：
[0141] 表1:苹果品质模型参数
[0142]
[0143] (4)采集每个待测样品（由于篇幅所限，本实施例仅从同批的大量待测样品中随机 选择125个苹果作为待测样品）的近红外吸收光谱数据，分别代入各个定量预测模型获得预 测值，并按照以下公式对所述预测值进行归一化处理；
[0144]
[0145]
[0146]
[0147]
[0148] 所述公式III-1~III-4中，Cmin为相应评价指标的全部待测样品中的最小预测值， Cmax为相应评价指标的全部待测样品中的最大预测值，(^为第j个待测样品相应评价指标的 预测值，为第j个待测样品相应评价指标的归一化预测值；
[0149] (5)按以下公式分别计算每个待测苹果样品的综合评价值ZJ:
[01501
[0151] 以所得综合评价值Z为纵坐标，待测苹果样品序号为横坐标，绘制散点图，如附图2 所示;在上阈值为0.8、下阈值为0.4的条件下，对125个待测苹果样品进行分级，综合评价值 Z 2 0.8的一级苹果数量为30，综合评价值0.4 < Z〈0.8的二级苹果数量为85，综合评价值Z〈 0.4的三级苹果数量为10。
[0152] 由此可见，本实施例提供的综合评价结果基本符合正态分布规律，是针对苹果品 质的综合、全面、准确、科学、合理的分级结果。
[0153] 实施例2
[0154] 以在相同条件下种植、同时收获的梨作为待测样品，按照以下方法进行综合评价 分级：
[0155] (1)确定评价指标为糖度、酸度、硬度以及糖酸比，设定各项评价指标的权重系数 分别为 K|艘=〇·5，Κ_=0·3，Κ廠=0· 1，_?=0· 1;
[0156] (2)采用棋盘格法选择与待测样品具有相同种植环境的相同品种的典型梨样品作 为训练集样本，训练集样本共150个，占待测样品的数量百分比为4%，以训练集样本的近红 外吸收光谱数据为自变量、各项评价指标的评价值为因变量，采用偏最小二乘回归算法进 行回归运算，建立各项评价指标的近红外吸收光谱定量预测模型，分别为：
[0157] (Xj-Xm) ΧΒ?Μ+ΥΜ,?Μ I~1;
[0158] Cj,酿=(Xj-XM) XBsii+Ym,酿 1-2;
[0159] Cj,廠=(Xj-KM) ΧΒηι+Υμ,廠 1-3;
[0160] Cj,繼匕=(Xj-Xm) XBw：匕+Ym,繼匕 1-4;
[0161] 所述模型1-1~1-4中，Cj为第j个待测样品相应评价指标的预测值,?为第j个待测 样品的近红外吸收光谱数据值，Xm为训练集样本的近红外吸收光谱数据的平均值，B为相应 评价指标的模型的回归系数，Ym为训练集样本相应评价指标参考值的平均值；
[0162] (3)按照以下公式分别计算4个定量预测模型的模型系数；
[0163]
[0164]
[0165]
[0166]
[0167] 所述公式II-1~II-4中，Μ代表相应评价指标的模型系数，R2代表相应评价指标的 模型的测定系数，S D代表相应评价指标的训练集样本的样本标准差，RMSECV代表相应评价 指标的模型交互验证均方根误差；
[0168] 本实施例的模型相关参数如表2所示：
[0169] 表2:梨品质模型参数
[0170]
?ο?τ?~(4)采集每个待测样品（由于篇幅所限，本实施例仅从同批的大量待测样品中随机_ 选择48个梨作为待测样品）的近红外吸收光谱数据，分别代入各个定量预测模型获得预测 值，并按照以下公式对所述预测值进行归一化处理；
[0172]
[0173]
[0174]
[0175]
[0176] 所述公式ΙΙΙ-1~ΙΙΙ-4中，Cmin为相应评价指标的全部待测样品中的最小预测值， Cmax为相应评价指标的全部待测样品中的最大预测值，(^为第j个待测样品相应评价指标的 预测值，（二为第j个待测样品相应评价指标的归一化预测值；
[0177] (5)按以下公式分别计算待测梨样品各自的综合评价值1:
[0178]
[0179] 以所得综合评价值Z为纵坐标，待测梨样品序号为横坐标，绘制散点图，如附图3所 示;在上阈值为0.7、下阈值为0.4的条件下，对48个待测梨样品进行分级，综合评价值Z 2 0.7的一级梨样品数量为7，综合评价值0.4 < Z〈0.7的二级梨样品数量为29，综合评价值Z〈 0.4的三级梨样品数量为12。
[0180] 由此可见，本实施例提供的综合评价结果基本符合正态分布规律，是针对梨品质 的综合、全面、准确、科学、合理的分级结果。
[0181] 实施例3
[0182] 以在相同条件下种植、同时收获的桃作为待测样品，按照以下方法进行综合评价 分级：
[0183] (1)确定评价指标为糖度、酸度、硬度以及糖酸比，设定各项评价指标的权重系数 分别为 K|it=〇 · 6，K酿=0 · 2，K廠=0 · 15，Κ|*?=0 · 05;
[0184] (2)采用棋盘格法选择与待测样品具有相同种植环境的相同品种的典型梨样品作 为训练集样本，训练集样本共540个，占待测样品的数量百分比为5%，以训练集样本的近红 外吸收光谱数据为自变量、各项评价指标的评价值为因变量，采用偏最小二乘回归算法进 行回归运算，建立各项评价指标的近红外吸收光谱定量预测模型，分别为：
[0185] (Xj-Xm) ΧΒ?Μ+ΥΜ,?Μ I~1;
[0186] Cj,酿=(X」-Xm) XBsii+Ym,酿 1-2;
[0187] Cj,廠 =(Xj-XM) ΧΒ?Ι+Υμ，廠 1-3;
[0188] Cj，|*|i=(Xj-XM) ΧΒ?|±+Υμ，|*|± 1-4；
[0189] 所述模型1-1~1-4中，Cj为第j个待测样品相应评价指标的预测值,?为第j个待测 样品的近红外吸收光谱数据值，Xm为训练集样本的近红外吸收光谱数据的平均值，B为相应 评价指标的模型的回归系数，Ym为训练集样本相应评价指标参考值的平均值；
[0190] (3)按照以下公式分别计算4个定量预测模型的模型系数；
[0191]
[0192]
[0193]
[0194]
[0195] 所述公式II-1~II-4中，Μ代表相应评价指标的模型系数，R2代表相应评价指标的 模型的测定系数，Sd代表相应评价指标的训练集样本的标准差，RMSECV代表相应评价指标 的模型交互验证均方根误差；
[0196] 本实施例的模型相关参数如表3所示：
[0197] 表3:桃品质模型参数
[0198]
[0199] (4)采集每个待测样品（由于篇幅所限，本实施例仅从同批的大量待测样品中随机 选择180个桃作为待测样品）的近红外吸收光谱数据，分别代入各个定量预测模型获得预测 值，并按照以下公式对所述预测值进行归一化处理；
[0200]
[0201]
[0202]
[0203]
[0204] 所述公式III-1~III-4中，Cmin为相应评价指标的全部待测样品中的最小预测值， Cmax为相应评价指标的全部待测样品中的最大预测值，(^为第j个待测样品相应评价指标的 预测值，为第j个待测样品相应评价指标的归一化预测值；
[0205] (5)按以下公式分别计算待测桃样品各自的综合评价值1: Γποπα?
[0207] 以所得综合评价值Ζ为纵坐标，待测桃样品序号为横坐标，绘制散点图，如附图4所 示;在上阈值为0.55，下阈值为0.28的条件下，对180个待测桃样品进行分级，综合评价值Ζ 2 0.55的桃样品数量为37，综合评价值0.28 < Ζ〈0.55的桃样品数量为121，综合评价值Ζ〈 0.28的桃样品数量为22。
[0208] 由此可见，本实施例提供的综合评价结果基本符合正态分布规律，是针对桃品质 的综合、全面、准确、科学、合理的分级结果。
[0209] 虽然，上文中已经用一般性说明、【具体实施方式】及试验，对本发明作了详尽的描 述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见 的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的 范围。
【主权项】
1. 一种农产品品质的综合评价方法，其特征在于，所述方法包括以下步骤： (1) 确定η项评价指标，并设定各项评价指标的权重系数Ki，其中，i = 1，2，…，η-1，η;所 述η项评价指标的权重系数之和等于1; (2) 选择与待测农产品具有相同种植环境的同品种典型样品作为训练集样本，以训练 集样本的振动光谱数据为自变量、各项评价指标的评价值为因变量，进行回归运算，建立各 项评价指标的振动光谱定量预测模型； 第i项评价指标的振动光谱定量预测模型如公式I所示： Cj，i=(Xj-XM)XBi+YM,i I； 所述公式I中，为第j个待测样品的预测值，X」为第j个待测样品的近红外光谱数据 值，Xm为训练集样本的近红外吸收光谱数据的平均值，为模型的回归系数，YM>1为训练集