小麦霉菌污染支持向量机判别模型的建立

为建立一种快速判别小麦霉菌污染的方法,该研究采用近红外光谱技术结合化学计量学方法,以126份小麦样品为研究对象,通过剔除异常样品、光谱降维和预处理,采用支持向量机分类（support vector machine classification,SVM）方法建立判别模型。结果表明：运用基于马氏距离的主成分分析方法剔除异常样品5个,将原始光谱数据进行降维处理得到8个主成分,能够代表原始样本的98.80%。输入变量的最佳预处理方式为标准正态变量变换,最佳核函数为linear,核函数参数C值为10,SVM判别模型的训练集判别正确率为100%,交叉验证判别正确率为98.89%。用未参与建立判别模型的外部验证集样品对SVM判别模型进行验证,结果表明：SVM判别模型对外部验证集样品的判别正确率为100%。该研究所建立的SVM判别模型可以用于小麦霉菌污染的快速检测。     

高光谱成像技术检测油茶果成熟度

为解决油茶果采摘期判断不准确可能导致的茶油产量降低问题,应用高光谱成像技术结合化学计量法对油茶果成熟度进行定性判别。完成了高光谱图像的曲率校正,分析不同成熟阶段油茶果的光谱特征和理化特征的变化情况。使用4 种不同的分类算法建立基于全波段光谱数据的油茶果成熟度判别模型,发现支持向量机（support vector machine,SVM）模型的分类正确率最高为97%。结合5 种特征变量选择方法对全波段光谱数据进行降维,发现经过竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）选择的特征波长建立的模型正确率最高为82%。提取高光谱图像中的颜色特征和纹理特征建立SVM模型后发现,融合颜色特征和光谱特征建立的SVM模型的正确率高于使用单一的光谱特征（经CARS降维）建立的模型正确率：训练集分类正确率为95%,测试集正确率为93%。结果表明,利用高光谱成像技术能够对不同成熟度的油茶果进行较准确的分类,为茶农对油茶果最佳采摘期的判断提供科学依据,在保障茶籽产量最大化、油质最优化等方面具有重要意义。     

基于超高效液相色谱-高分辨质谱的白酒基酒等级判别

白酒基酒等级的准确鉴别是白酒分级储藏和勾兑的重要依据,对白酒质量控制至关重要。以浓香型白酒基酒为研究对象,采用超高效液相色谱-高分辨质谱联用(UPLC-Q-Exacive-MS)技术对不同等级浓香型白酒基酒进行分析,经过主成分分析(PCA)降维处理,结合线性判别分析(LDA)、支持向量机(SVM)和反向传播神经网络(BP-ANN)等多种化学计量学方法建立白酒基酒等级判别模型。结果显示,BP-ANN鉴别效果最好,在主成分为8时,训练集和测试集的识别率均达100%,不同等级的白酒样本全部正确识别;其次是SVM(训练集和测试集的识别率分别为96.25%、95.00%)和LDA(训练集和测试集的识别率分别为91.25%、90.00%)。实验证明,UPLC-Q-Exacive-MS结合化学计量学分析方法能实现不同等级浓香型白酒基酒的准确判别。     

基于二维相关近红外光谱的白酒酒龄鉴别

目的:杜绝以低龄酒冒充高龄酒,实现对白酒酒龄的判别。方法:利用近红外光谱仪采集白酒样品的近红外透射光谱,以酒龄作为外扰,构建各白酒样品的同步和异步二维相关谱;在此基础上,提取每个样品的自相关谱,并结合马氏距离法建立白酒酒龄判别模型。结果:1400~1800 nm波段范围内包含白酒样品随酒龄变化的有效信息;模型校正集判别正确率为93.3%,预测集判别正确率为92.0%。结论:二维相关谱结合马氏距离法能够对白酒酒龄进行有效鉴别。     

基酒FT-NIR光谱预处理与特征波筛选方法的比较

为解决白酒基酒分类的问题,降低基酒的分类误差,减少基酒对摘酒师傅身体的危害,本实验选取18种预处理以及3种特征波筛选方法来较少光谱中的无关干扰信息,降低建模数据复杂度。基酒的傅里叶近红外光谱（Fourier Transform Near Infrared Spectroscopy,FT-NIR）经过光谱理化值共生距离法（SPXY）划分数据集、预处理、马氏距离（MD）异常剔除、特征波筛选、支持向量机回归（SVR）预测来完成最终的分类。研究发现：多元散射校正（Multiplicative Scatter Correction,MSC）后的训练集预测集分类准确率可以达到100%,主成分分析（Principal Component Analysis,PCA）与特定算法结合才能实现准确分类,因此要注意与其他算法的组合,无信息变量消除法（Uninformative Variables Elimination,UVE）和竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling,CARS）都能实现高效的特征波选择,预测集的平均准确率接近90%。实验证明,经过处理后的光谱数据最多占原数据的47.57%,基酒近红外谱图经过预处理与特征波筛选后可以降低后期回归模型处理数据的复杂程度,提高模型的精确度。     

近红外光谱法快速鉴别转基因大豆模型优化

目的应用近红外光谱(NIR)结合偏最小二乘判别分析(PLS-DA)建立转基因大豆的快速鉴别模型,并选择最优模型。方法主成分分析(PCA)用于从光谱数据中提取相关特征并剔除异常样品。在试验中,94份样品用于构建模型,41份样品用作验证评估模型的效果。分别讨论样品形态(整粒和粉末)、波长范围和光谱预处理方法对所建模型判别正确率的影响。结果粉末状大豆样品建模的效果好于整粒大豆样品。其中判定效果最好的模型,整粒大豆在9 403～5 438 cm~(-1)范围内,采用二阶导数(2nd)处理光谱,模型的校正集和验证集的判定正确率均为100.00%;粉末状大豆在7 505～4 597 cm~(-1)范围内,采用矢量归一化+一阶导数(SNV+1st)处理光谱,模型的校正集和验证集的判定正确率也均为100.00%。结论通过选择样品形态、波长范围和光谱预处理方法可以优化鉴别模型,提高近红外判别模型的鉴别正确率。     

基于支持向量机的牛肉嫩度等级评价模型研究

目的 利用VIS/NIR反射光谱建立基于支持向量机的生鲜牛肉嫩度等级的评价模型。方法 以牛肉背最长肌为研究对象, 选取样本58个, 在牛肉新鲜切口处采集波长范围400~1700 nm的反射光谱信息, 使用肉类嫩度测量仪测量牛肉剪切力值, 应用支持向量机(SVM)模型评价牛肉嫩度等级。结果 应用SVM模型可以较好地实现对牛肉嫩度等级的评价。尤其是经主成分分析降维预处理, 结合径向基核函数SVM, 对牛肉训练集嫩度等级的回判率达到95%, 对样品校正集判别的准确率进一步提高至83.3%。结论 SVM模型对牛肉嫩度等级评价结果较好, 进行主成分分析后, 判别结果有所提高。     

短波近红外光谱结合ν-SVM法快速无损鉴别淀粉种类

选用不同厂家的红薯淀粉、马铃薯淀粉和玉米淀粉共112个样品,利用短波近红外光谱技术对淀粉种类进行鉴别。分别采用马氏距离判别法、C-支持向量机(C-SVM)、ν-支持向量机(ν-SVM)建立淀粉种类鉴别的短波近红外光谱模型;并对比多元散射矫正、平滑、一阶微分、二阶微分等多种预处理方法后的建模结果。结果表明:同时使用平滑、多元散射矫正、一阶微分3种预处理方法后,ν-SVM分类模型的效果最佳;训练集交叉验证正确率为100%,测试集正确率也达到100%。该模型快速准确无损的鉴别淀粉种类是可行的。     

基于近红外光谱和随机森林方法鉴别蜂蜜真伪

目的建立蜂蜜样品真伪鉴别的近红外光谱快速检测方法,为今后蜂蜜检验工作提供可靠参考依据。方法采用积分球透反射模式采集样品近红外光谱数据,以Savitzky-Golay 1阶微分方法对原始光谱进行预处理,以随机森林方法建立光谱数据与蜂蜜真伪的定性判别模型。结果所建立的判别模型中训练样本判别正确率为100%,测试样本判别正确率为95%。结论近红外透反射光谱技术应用于蜂蜜真伪鉴别的可行性,同其他分析方法相比具有操作简单、速度快、效率高、无污染、费用低、无需复杂前处理等优点。     

基于嗅觉指纹信息的黄酒酒龄和产地鉴别

为了找出一种快速、准确鉴别黄酒酒龄和产地的方法,本研究采用超快速气相色谱电子鼻采集不同酒龄和产地黄酒样品的嗅觉指纹信息,采用主成分分析对嗅觉指纹信息进行降维处理,并采用判别因子分类法建立黄酒酒龄和产地鉴别模型。经主成分分析降维后的1年陈和3年陈基酒样品点落在相近的区域内,7年陈和9年陈基酒样品点落在相近的区域内,陈酿时间5年是基酒风味变化的一个转折点;判别因子分类法所建黄酒酒龄鉴别模型的鉴别正确率为100%。主成分分析降维后,绍兴黄酒与上海黄酒、浙江嘉善黄酒和江苏南通黄酒差异明显,进一步采用判别因子分类,4个产地黄酒的鉴别正确率均为100%。研究表明,超快速气相色谱电子鼻结合化学计量学方法建立的模型可以较好地应用于黄酒酒龄和产地的鉴别。     

Application of Vis/NIR Spectroscopy for Chinese Liquor Discrimination

As one of the most widely consumed alcoholic beverages, Chinese liquor varies greatly in price, flavor, and quality. This diversity calls for effective and reliable discrimination methods. In an attempt to find the best liquor discrimination method, this study used different methods to analyze and identify 730 Chinese liquor samples including 22 kinds, ten brands, and six flavors. These samples, covering most of the famous liquors in China, were analyzed by visible and near-infrared (Vis/NIR) spectroscopy and modeled by three classification methods including supporting vector machine, soft independent modeling of class analogy, and linear discriminate analysis based on principal component analysis (PCA-LDA). Pretreatments and parameters for each model were optimized, and models discrimination ability was compared. The research finds that PCA-LDA was the best model with an average prediction rate of 98.94 % in the training set and 95.70 % in the test set. The correct rates for brands, flavor styles, ages, and alcohol degrees were all higher than 95 %. It shows that Vis/NIR is a reliable, inexpensive, and effective tool for Chinese liquors discrimination.     

基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法（SPXY）进行训练集和测试集的划分,将1 000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析（PCA）法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法（SVM）建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。     

基于嗅觉可视化技术的眉茶等级分类方法

为了快速、准确地对眉茶等级进行分类,提出了一种基于嗅觉可视化技术的眉茶等级快速分类方法。首先,根据卟啉显色反应预实验结果,选定了12 种显色效果明显的卟啉指示剂制备嗅觉可视化传感器阵列,通过该传感器阵列与不同等级的眉茶茶汤进行反应,获取不同的特征图像。然后,对特征图像数据进行主成分分析和降维,将得到的不同维数的主成分分析结果作为输入变量,构建支持向量机（support vector machine,SVM）眉茶等级分类模型。最后,引入3 种群体智能优化算法（萤火虫算法、灰狼优化算法、布谷鸟算法）对SVM分类模型的惩罚因子c和核函数参数g进行优化。结果显示：未经优化的SVM分类模型对测试集的分类正确率为80%,所需的主成分个数为12 个;经过优化的SVM模型的分类正确率均有所提升,其中经过布谷鸟算法优化的SVM模型对测试集的分类正确率达到了93.3%,且所需的主成分个数减少为6 个。这表明应用嗅觉可视化技术能够实现对眉茶等级的分类,而通过群体智能优化算法优化SVM分类模型可以显著增强模型的性能,提高分类正确率。     

利用可见/近红外光谱判别干枣品种

目的利用可见/近红外反射光谱技术快速判别干枣的品种。方法使用光谱仪获取山西永和枣、山西板枣和新疆和田枣3种干枣在345~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1~(st)-D)和二阶导数法(2~(st)-D)对反射光谱进行预处理;对预处理光谱进行主成分分析,全交差验证法确定最佳主成分数量,提取主成分,结合马氏距离法和线性判别法建立品种判别模型,建立模型过程中使用全交叉验证法确定最佳主成分数,将模型应用于干枣的品种判别。结果可见/近红外反射光谱经过MSC处理后提取主成分建立品种预测模型对枣的品种判别结果最好,利用前4个主成分结合马氏距离法建立的判别模型和利用前5个主成分结合线性判别法建立判别模型,对于3个品种的枣的校正和验证判别准确率都达到了100%。结论可见/近红外反射光谱技术可以较好地判别干枣品种,本研究可为可见/近红外光谱技术在于枣品种和产地的快速鉴别和溯源中的应用提供一定的技术基础。     

基于低场核磁共振的白酒品牌判别分析

为探求一种白酒品牌判别的方法,基于低场核磁共振（LF-NMR）技术,综合运用主成分分析（PCA）、偏最小二乘法-判别分析（PLS-DA）、反向传播人工神经网络（BP-ANN）方法对6种浓香型白酒品牌共300个样本进行模式识别分析,解析了对不同品牌浓香型白酒进行判别的可行性。结果表明,运用PCA方法对样品进行识别,无法区分白酒品牌;运用PLS-DA的方法对白酒样品进行识别,训练集的识别率约为99.5%,预测集识别率约为96.7%;运用BP-ANN的方法对白酒样品进行识别,训练集识别率约为99.5%,预测集识别率约为98.9%。结果表明,PLS-DA方法和BP-ANN方法对浓香型白酒样品的区分成功,表示将低场核磁共振方法应用到浓香型白酒的品牌判别中是可行有效的。     

Lychee Variety Discrimination by Hyperspectral Imaging Coupled with Multivariate Classification

This current study was carried out to investigate the ability of hyperspectral imaging (HSI) technique and multivariate classification for the differentiation of lychee varieties. A total of 122 lychee samples from three varieties (“Baila,” “Jizhui,” and “Guiwei”) were used. The relationship between reflectance spectra and lychee varieties were established. Principal component analysis (PCA) was implemented on the region of interest (ROI) image to reduce data dimensionality and visualize the cluster trend. The first two principal components (PCs) explained over 97 % of variances of all spectral bands. Linear (soft independent modeling of class analogy (SIMCA) and partial least square discriminant analysis (PLS-DA)) and nonlinear (back propagation neural network (BPNN) and support vector machine (SVM)) multivariate classification methods were used to develop discrimination models. The results revealed that SVM model achieved the best result, with the identification rate of 100 % in the calibration set and 87.81 % in the prediction set. BPNN had a discrimination rate of 100 % for the training set and 85.37 % for prediction set, while PSL-DA and SIMCA model had a discrimination rate of 78.05 % and 60.98 % for prediction sets, respectively. The nonlinear classification methods used were superior to the linear ones. The overall results showed that HSI system with SVM classification tool could be used in identification of lychee varieties.     

基于主成分分析和人工神经网络的近红外光谱大豆产地识别

为了准确、快速地识别大豆产地,通过近红外光谱技术（NIRS）结合主成分分析（PCA）和人工神经网络技术（ANN）研究不同国家大豆内含特征,建立进口大豆产地识别模型。采用箱型图校正法,剔除阿根廷、巴西、乌拉圭、美国等4个国家166组大豆样本中12组异常样本。采用多元散射校正（MSC）、标准正态变量（SNV）、Savitzky-Golay（SG）平滑滤波等方法进行光谱数据预处理,结果表明,采用SG（3）平滑结合MSC预处理效果最好。主成分分析表明,前10个主成分的累积贡献率达到99.966%。选取主成分分析得到前10个主成分为输入向量,4个产地作为目标向量,分别采用支持向量机（SVM）、邻近算法（KNN）与人工神经网络法（ANN）建立识别模型。结果表明,采用BP-ANN建模效果最好,总体测试集准确率为95.65%,其中阿根廷准确率为100%,巴西准确率为100%,乌拉圭准确率为80%,美国准确率为100%,该模型能够实现对进口大豆生产国别的识别。     

Discrimination of Cocoa Beans According to Geographical Origin by Electronic Tongue and Multivariate Algorithms

Electronic tongue as an advanced and novel emerging technology has been successfully utilized for the rapid identification of cocoa beans according to their geographical locations. Seven categories of cocoa beans from Ghana were used in this experiment. Electronic tongue system was used for data acquisition while three pattern recognition methods were applied comparatively to build discrimination model. The performances of the models were cross-validated to ensure its stability. Experimental results revealed that Fisher’s discriminant analysis (FDA) is better than principal component analysis (PCA) for visualizing the cluster trends. K-nearest neighbor (KNN) model was slightly better than FDA model at an optimal performance of 100 % in the training set and 98.8 % in prediction set. Overall, support vector machine (SVM) was superior to both FDA and KNN with 100 % discrimination rate in both the training and prediction set at five PCs. This finding proves that electronic tongue technology coupled with SVM technique can rapidly, accurately, and reliably discriminate cocoa beans for quality assurance management.