本实验采用小波包变换的5尺度分解的光谱,提取光谱的主成分作为径向基神经网络的输入节点,近红外光谱径向基人工神经网络模型(NIRS-RBFNN),即在灵芝蛋白的分析过程中,采用的模型为(10-18-1,SC=2.6);灵芝多糖分析的模型中采用的模型为(12-10-1,SC=3.0),此时对校正集而言,参数达到了最优化,在5尺度小波包分解后的重构光谱主成分提取中,其它变量保持不变,当径向基宽度的选择为2.6时,径向基神经网络模型的交互验证均方根误差(RMSECV)达到了最低值,此时我们得到了灵芝蛋白含量测定的近红外光谱径向基神经网络模型(NIRS-RBFNN)建模的最佳效果,此时得到的模型对校正集的交互验证均方根误差(RMSECV)为0.00825,同时校正集的相关系数为Rc=0.9925;同时在5尺度小波包分解后的重构光谱主成分提取中,其它参数优选后固定,灵芝多糖含量测定的近红外光谱径向基神经网络模型(NIRS-RBFNN)建模的交互验证均方根误差(RMSECV)达到了最小值取得的径向基网络模型的宽度为3.0,此时得到了近红外光谱径向基网络模型对多糖含量分析的最佳模型,此时得到的模型对校正集的交互验证均方根误差(RMSECV)为0.00548,同时校正集的相关系数为Rc=0.9956。预测的结果也表明这两个模型对灵芝蛋白和多糖的分析是合理可行的。