基于SVM及BPNN辣椒红外光谱分析.docVIP

基于SVM及BPNN辣椒红外光谱分析 　　摘要：利用小波变换结合反向传播网络（BPNN）和支持向量机（SVM）研究了朝天椒和灯笼椒的傅里叶变换红外（FTIR）光谱，样品1 750～950 cm-1范围的红外光谱经多尺度一维连续小波变换（CWT）和离散小波变换分析，发现第20尺度的连续小波系数，提取该尺度3个区域的系数作为特征参数建立BPNN和SVM 模型。结果表明，BPNN和SVM模型都能很好地区别两种辣椒。第5尺度的离散小波细节系数建立BPNN和SVM模型分类的正确率分别为93.3%、100%。小波变换结合BPNN和SVM用于傅里叶变换红外光谱技术中能够准确识别朝天椒、灯笼椒，为区分不同品种的辣椒提供了快速、有效的方法。 　　关键词：朝天椒；灯笼椒；人工神经网络；支持向量机 　　中图分类号：O657.33；S641.3 文献标识码：A 文章编号：0439-8114（2015）01-0203-03 　　辣椒（Capsicum annuum L.）包括辣椒和甜椒，又称番椒、海椒、辣子、辣角、秦椒等，是茄科辣椒属一年或多年生植物。辣椒中维生素C的含量在蔬菜中居第一位，具有通经活络、活血化瘀、驱风散寒、开胃健胃、补肝明目、温中下气、抑菌止痒和防腐驱虫等功效[1，2]，被广泛应用于医药、轻化和食品行业。 　　区分辣椒常规的化学分析方法，如高效液相色谱法（HPLC）、气相色谱质谱法（GC-MS）、微卫星DNA标记（SSR）、超临界CO2萃取法等，这些检测方法虽然准确，但预处理过程复杂，耗时长，处理过程对人与环境有害[3]。傅里叶变换红外光谱法具有操作简单、灵敏度高、用样少、制样简单、重复性好等优点。小波变换是继傅里叶变换后的一种更为有效的信号处理方法[4]。人工神经网络（ANN）方法由于对非线性函数可任意逼近而在光谱分析中被广泛使用。人工神经网络具有高度智能化的特征与能力，在处理非线性问题上以计算简单、预测准确的优势在分析化学中得到了广泛的应用[5]。支持向量机（SVM）是近年来形成的一种新的模式识别方法，已表现出许多优于其他模式识别的方法。先通过非线性变换将输入空间变换到一个高维空间，然后在这个高维空间求取最优分类面[6]。 　　为此，选取两个品种的辣椒为研究对象，应用傅里叶变换红外光谱测定法得到FTIR，采用连续和离散小波多分辨率分析方法提取样品的红外光谱特征量，然后运用BP神经网络和支持向量机对两个品种的辣椒进行识别，旨在为同科属品种的植物提供一种分类方法。 　　1 材料与方法 　　1.1 试验仪器 　　红外光谱仪为PerkinElmer公司的Frontier傅里叶变换红外光谱仪，扫描范围4 000～400 cm-1，分辨率4 cm-1，扫描次数16次。 　　1.2 样品制备、检测及数据处理 　　朝天椒和灯笼椒采自湖南省农业科学院试验基地。朝天椒30个（编号a1～a30），灯笼椒30个（编号b1～b30）。样品清洗后晾干，取相同部位研磨成粉末，加入溴化钾研磨均匀，压片测红外光谱。光谱均扣除溴化钾背景，光谱数据用Omnic 8.0软件处理，经过基线校正、5点平滑处理、归一化。用Matlab 7.1软件进行支持向量机和BP神经网络分析。 　　2 结果与分析 　　2.1 两种辣椒果实红外光谱分析 　　图1是两个品种辣椒的原始光谱图。3 500～3 200 cm-1范围强宽峰为O-H与N-H的伸缩振动吸收，2 925 cm-1附近峰为亚甲基中C-H不对称伸缩振动吸收[7]；2 857 cm-1附近峰为亚甲基中C-H对称伸缩振动吸收[8]；1 735 cm-1附近吸收峰主要来自脂类C=O伸缩振动[9]；1 635 cm-1附近吸收峰为辣椒碱中C=C双键伸缩振动峰[10]；1 655、1 541 cm-1分别对应蛋白质的酰胺Ⅰ带和酰胺Ⅱ带的吸收峰[11]。1 610、1 516 cm-1为苯环的骨架特征伸缩振动吸收峰[12]；1 440～1 330 cm-1范围的谱峰为蛋白质、纤维素、木质素等受氧、氮原子影响的甲基、亚甲基对称弯曲振动和CH3剪式振动吸收及C-H弯曲振动吸收，其中1 386 cm-1附近是蛋白质及纤维素的甲基和亚甲基的对称弯曲振动和甲基的剪式振动吸收[8]；1 156～950 cm-1是多糖的C-O-C伸缩振动吸收峰[13]；900～750 cm-1范围为糖类异构吸收区，其中895 cm-1附近为纤维素的环振动产生的C-H变形峰[14]。 　　2.2 傅里叶变换红外光谱连续小波变换分析 　　两种辣椒的傅里叶变换红外光谱的区别不是特别明显，直接应用其傅里叶变换红外光谱鉴别两种辣椒往往容易造成错误的分类。对它们的傅里叶变换红外光谱进行一维连续小波变换，在不同的分辨率下对其进行有效分析，能够放大它们