基于机器学习方法的吉林大米产地确证模型研究.pdfVIP

中国粮油学报 ＪｏｕｒｎａｌｏｆｔｈｅＣｈｉｎｅｓｅＣｅｒｅａｌｓａｎｄＯｉｌｓＡｓｓｏｃｉａｔｉｏｎ 基于机器学习方法的吉林大米产地确证模型研究 １ １ １ １ ２ １ １ 王靖会　臧妍宇　曹　崴　崔　浩　郑　晖　陈美文　于合龙 １ （吉林农业大学信息技术学院 ，长春　１３０１１８） ２ （吉林农业大学食品科学与工程学院 ，长春　１３０１１８） 摘　要　吉林地理标志大米因其品质优，口感好，营养价值高，在市场上享有较高的声誉，研究地理标志 大米产地确证技术具有重要意义。以吉林省柳河县和辉南县为研究区域，分别采集柳河地理标志大米样本６２ 个，辉南地理标志大米样本５８个，共 １２０个样本。通过检测大米样本中矿物质元素［铜（Ｃｕ）、锌（Ｚｎ）、铁 （Ｆｅ）、锰（Ｍｎ）、钾（Ｋ）、钙（Ｃａ）、钠（Ｎａ）、镁（Ｍｇ）、铅（Ｐｂ）、镉（Ｃｄ）］，利用反向传播人工神经网络（Ｂａｃｋ－ ＰｒｏｐａｇａｔｉｏｎＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＢＰ－ＡＮＮ）、随机森林（ＲａｎｄｏｍＦｏｒｅｓｔ，ＲＦ）和支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒ Ｍａｃｈｉｎｅｓ，ＳＶＭ）三种机器学习方法建立确证模型，并通过Ｆ评分（Ｆ－ｓｃｏｒｅ）方法对矿物质元素进行特征提取， 采用１０次１０折交叉验证和混淆矩阵对研究区域建立的产地确证模型进行评估比较。结果表明：单个Ｃｕ元 素可作为代表该地区空间特征的典型变量。三种机器学习方法建立的产地确证模型均达到了良好的预测性 能，其中ＢＰ－ＡＮＮ方法使用Ｃｕ元素和Ｚｎ元素建立的分类模型准确率为９９．７％；ＳＶＭ方法使用Ｃｕ元素、Ｚｎ 元素和Ｐｂ元素建立的分类模型准确率为１００％；ＲＦ方法使用Ｃｕ、Ｚｎ、Ｐｂ、Ｃａ、Ｃｄ、Ｋ６种元素建立的分类准确 率为１００％。ＲＦ模型和ＳＶＭ模型整体分类效果优于ＢＰ－ＡＮＮ模型，模型更稳定，更适合建立研究区域的产 地确证模型。 关键词　反向传播人工神经网络　随机森林　支持向量机　Ｋ折交叉验证　混淆矩阵 中图分类号：Ｓ５１１；ＴＰ１８１　　文献标志码：Ａ　　文章编号：１００３－０１７４（２０１８）０７－００００－０８ 网络出版时间：2018-07-18 14:28:33 网络出版地址：/kcms/detail/11.2864.TS1428.002.html 　　随着食品贸易的全球化发展和粮食供给侧改革的 Ａｌｃáｚａｒ等［５］为区分欧洲啤酒（德国、西班牙和葡萄牙） ［１］ 推进 ，具有原产地保护（ＰｒｏｔｅｃｔｅｄＤｅｓｉｇｎａｔｉｏｎｏｆ 地理产地，利用线性判别分析和支持向量机对２０种元 Ｏｒｉｇｉｎ，ＰＤＯ）和地域特色标志（ＰｒｏｔｅｃｔｅｄＧｅｏｇｒａｐｈｉｃ 素变量判别力进行了研究，结果显示，通过线性判别分 Ｉｎｄｉｃａｔｉｏｎ，ＰＧＩ）的农产品在过去几年中受到普遍的认 析可在数据集中找出５个最有判别力的变量，结合交 可［２］。吉林省地理标志大米由于其地理位置和气候 互算法可获得支持向量机模型最优超平面，模型的灵 环境独特，其米饭清香四溢、营养丰富，随着人们对健 敏度和特异性分别（９９．３±１．２）％、（９９．５±０．８）％。 康和天然食品的需求日益增长，具有多重优势和独特 Ｂｉｎｅｔｔｉ等［６］对阿普利亚的四个最有代表性橄榄油品种 品质的吉林大米闻名全国。然而，由于内在的商业价 进行了神经网络训练和验证，利用四个不同的数据集 值和产地确证技术的欠缺，针对地理标志大米的欺诈 标准、两种隐藏层数量、５种神经元数量来验证预测因 和模仿已严重干扰了大米市场，因此，确定地标大米 子，其结果表明，最小绝对收缩和选择算子算法作为预 （地理标志大米）原产地已成为