基于判定区间伸缩因子决策融合算法研究.docVIP

基于判定区间伸缩因子决策融合算法研究 　　摘要：以近红外光谱分析技术为基础，结合化学计量学分析方法，对西湖龙井和普通龙井进行鉴别研究，提出一种基于判定区间伸缩因子决策融合的鉴别方法。该方法采用支持向量机（SVM）结合向后区间偏最小二乘法（BiPLS）进行决策融合，并引入判定区间伸缩因子对判定区间进行调节，找到最优判定区间。以西湖龙井和普通龙井样本为材料，采集样本的近红外光谱，使用二阶导数对原始光谱进行预处理，采用该方法建立分类模型，对西湖龙井和普通龙井进行分类。结果表明，对72份训练集样本和38份预测集样本进行分类，训练集样本和预测集样本分类的准确率均达到100%，证明该方法对西湖龙井和普通龙井能进行有效的分类鉴别。 　　关键词关键词：近红外光谱；伸缩因子；支持向量机；最小二乘法 　　中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2016）004-0059-04 　　0引言 　　中国是茶树的源产地，是世界上最早种植和加工茶叶的国家，茶叶是世界上消费量最大的三大软饮料之一。随着社会进步和人们生活水平的提高，消费者对茶叶品质的要求也越来越高。 　　我国现行茶叶品质标准中，关于茶叶的感官品质都采用定性语言描述，消费者难以理解和应用，致使标准在交易定价中很难发挥作用，造成实施标准的缺失。普通消费者在购买茶叶时往往难辨良莠，听任一些不良茶商的信口胡言，以次充好，收购人员随意开价，致使茶叶加工厂或茶农的利益受损，长此以往也会抑制消费者需求[1]。因此，急需建立一种科学、量化、便捷的茶叶鉴别方法。 　　对茶叶进行分类鉴别的传统方法主要是感官评定法和化学方法。感官评定的结果易受人为因素和外界环境的干扰，评定结果存在较大的客观性；化学方法是通过茶叶物理、化学要素的测定，采用较简易的数据处理方法对所获得的测定数据进行分析，寻求内在规律，并以此来评定茶叶的品质。但此类方法耗时费力，推广难度大。近红外光谱（NIRS）分析具有快速、成本低以及结果重现性好等优点[2]，是一种无损检测方法。研究表明，利用数学手段和计算机技术有效地提取近红外光谱的微弱信息，使得近红外光谱技术成为一种极具发展前途的技术，其已在石油化工、烟草、水果等领域中得到了应用，产生了一定的经济效益[3-6]。 　　在近红外光谱分析中，目前对茶叶进行识别分类的常用建模方法有偏最小二乘法（PLS）、K最近邻分类算法（KNN）、聚类方法（K-means）、线性判别分析（LDA）、簇类独立软模式法（SIMCA）、支持向量机（SVM）和人工神经网络法等。 　　周健[7]等以近红外光谱分析技术为基础，采用PLS、欧氏距离等方法的组合来实现茶叶特殊原料品种鉴别，对4种不同品种茶叶样本的原料品种进行识别，训练集样本的准确率为90.3%，预测集样本的准确率为83.5%。该研究为实现特殊品种茶叶鉴定以及成品茶的品种溯源提供了一种参考方法。陈全胜[8]等以碧螺春茶为研究对象，利用近红外光谱分析技术结合支持向量机模式识别原理建立碧螺春茶真伪鉴别模型，对训练集中的138个茶叶样本进行识别，准确率为93.48%，对90个独立样本组成的预测集样本进行识别，准确率为84.44%，表明基于支持向量机的近红外光谱鉴别名优茶真伪的方法是可行的。赵杰文[9]等采用近红外光谱结合主成分――马氏距离模式识别方法鉴别龙井、碧螺春、毛峰和铁观音4种中国名茶，模型对训练集样本和预测集样本的鉴别率分别达到了98.75%和95%。 　　本研究利用近红外光谱技术，获得西湖龙井和普通龙井的近红外光谱数据，结合向后区间偏最小二乘法[10]和支持向量机建立识别模型进行决策融合，通过调节区间伸缩因子动态改变判定区间，对西湖龙井和普通龙井进行识别，弥补传统方法的缺陷，提高识别的准确性和效率，为西湖龙井茶叶的真假鉴别提供了理论基础和依据，对推动茶叶市场规范化具有重要意义。 　　1材料与方法 　　1.1实验材料 　　本实验采用的所有样本均按照龙井茶加工工艺生产，包括杭州地区的西湖龙井样本57份、在超市购买的其它普通龙井样本53份。采用SPXY方法[11]将样本分为两部分，即抽取部分西湖龙井样本和普通龙井样本组成训练集用于建立识别模型，其中西湖龙井样本40份，普通龙井样本32份。剩下的样本组成预测集作为未知样本对识别模型进行验证。因此，样本集分为包含72个样本的训练集和包含38个样本的预测集。 　　1.2样品处理 　　在进行近红外光谱的采集前，所有样品均经过粉碎处理。称取20g左右的茶叶样品放入粉碎机粉碎约30s，然后经过筛子筛选后，准确称取10g作为近红外光谱的分析样品。 　　1.3近红外光谱采集 　　样品的近红外光谱采集实验仪器采用美国PerkinElmer公司生产的红外光谱仪，实验所设置的光谱