支持向量机结合主成分探析辅助激光诱导击穿光谱技术识别鲜肉品种.docVIP

支持向量机结合主成分探析辅助激光诱导击穿光谱技术识别鲜肉品种 　　摘要为提高激光诱导击穿光谱技术（Laserinduced breakdown spectroscopy， LIBS）对鲜肉品种的识别率， 采用支持向量机结合主成分分析算法辅助LIBS技术对鲜肉品种进行识别。对鲜肉切片用载玻片压平， 采用LIBS技术对鲜肉组织（猪肉、牛肉和鸡肉）表面进行光谱数据的采集， 每种鲜肉采集150幅光谱并进行随机排列， 取前75幅光谱作为训练集建立模型， 后75幅作为测试集测试建模结果。研究选取K、Ca、Na、Mg、Al、H、O等元素的49?l归一化谱线数据进行主成分分析， 并用所得数据建立支持向量机分类模型。结果表明， 通过主成分分析降维， 输入变量从49个优化减少到18个， 模型建模速度从88.91 s降至55.52 s， 提高了支持向量机的建模效率； 并使预测集的平均识别率提高到89.11%。本研究为激光诱导击穿光谱技术在鲜肉品种快速分类领域提供了方法和数据参考 关键词激光诱导击穿光谱； 支持向量机； 主成分分析； 组织分类 1引 言 肉类品种多样、价格不一， 一些不良商家以次充好， 不断出现“猪肉充当牛肉”、“鼠肉充当羊肉”、“掺假牛羊肉”、“僵尸肉”等严重危害消费者利益和食品安全的事件。因此， 肉类品种的快速分类分析有着重要的现实意义。传统的肉类检测技术有聚合酶链反应技术（Polymerase chain reaction）[1]、气相层析质谱分析技术（Gas chromatography mass spectrometer）[2]、芯片毛细管凝胶电泳（Capillary gel electrophoresis）[3]等。虽然上述方法检测准确度高， 但需要专业人员对样品进行DNA或蛋白质的萃取， 操作过程复杂耗时[4]， 不能满足快速检测的需求， 因此亟需开发一种快速肉类品种区分的检测技术 激光诱导击穿光谱（Laserinduced breakdown spectroscopy， LIBS）是一种原子发射光谱分析技术[5]， 已广泛用于固、液、气等物质的检测[6～13]， 并逐渐进入工业生产检测领域[14]， 尤其以微损、非接触、快速分析的特点在生物组织检测方面受到越来越多的关注[15～18]。近年来， 将LIBS技术与化学计量学方法相结合识别生物组织已成为研究热点[19]。Kumar等[20]使用LIBS技术对狗肝正常组织和恶性肿瘤组织进行光谱区分， 实验表明， 组织中不同元素谱线强度比值差异可以有效区分正常组织和肿瘤组织。Yueh等[21]使用层析聚类分析（Hierarchical cluster analysis， HCA）、主成分分析（Principal components analysis， PCA）、偏最小二乘判别分析（Partial least square discriminant analysis， PLSDA）和BP神经网络（Back propagation artificial neural networks， BPANN）4种算法对冰冻鸡肉组织的不同部位（大脑、肝、肺、脾脏、肾脏、肌肉）进行LIBS实验分析， HCA对44个样品验证，仅有3个没有正确识别， 其它算法（如PLSDA、BPANN）由于训练集建模样品数据太少及训练集与验证集采集时间不一致， 不能有效地建立训练模型， 造成对验证集的识别率差。Bilge等[22]采用LIBS技术结合PCA算法对烘干压片处理的肉类组织（猪、牛、鸡）进行种类区分， 识别率为83.37%。除此之外， 还对相互掺杂的肉制品进行了PLS定量分析的研究。上述研究表明， LIBS对肉类组织的识别率有待提高， 且样品的制作方法如冰冻、压片法， 制样耗时、复杂， 需要改善 相对于以上所使用的分类算法， 支持向量机[23]（Support vector machines， SVM）具有在小样本建模、训练速度、预测稳定等方面的优势， 被广泛用于LIBS分类研究中。 Yu等[24]利用LIBS结合SVM对11种塑料的识别率达到了100%， 但SVM常会受输入变量过多和噪声的影响， 使得建模效率和稳定性降低。鉴于PCA具有降维、除噪[25]的优势， 目前已有研究者将PCA引入SVM算法， 提高SVM的建模效率和稳定度， 并成功应用于土壤[26]、岩石[27]、柑橘叶[28]和蛋白质[29]等LIBS的分类研究中， 识别率分别达到100%， 91.33%， 97.5%和98%。然而， 将SVM与PCA结合用于LIBS鲜肉品种分类方面的研究鲜有报道 本研究采用载玻片压制鲜肉样品的简单处理方法， 使用SVM辅助LIBS技术对猪肉、牛肉、鸡肉等6种不同品种的鲜肉进行快