基于支持向量机的近红外光谱羊毛混纺面料的无损鉴别技术

采用便携式近红外光谱仪分别采集了羊毛/棉、羊毛/马海毛、羊毛/氨纶、羊毛/丝、羊毛/羊绒5种羊毛混纺面料的近红外光谱,利用支持向量机算法(SVM)分别对原始光谱和经归一化预处理后的光谱建立分类模型。选用径向基函数(RBF)作为核函数,并采用网格搜索法(Grid Search)、遗传算法(GA)和粒子群算法(PSO)对惩罚参数c和核函数参数γ进行参数寻优。结果表明:PSO-SVM模型分类结果最理想,模型对训练集整体分类准确率为100%,对验证集的整体分类准确率为94.87%,其中羊毛/棉、羊毛/马海毛、羊毛/氨纶3类面料的分类准确率均为100%,羊毛/羊绒的分类准确率为95%,羊毛/丝的分类准确率相对较低为85%。     

基于近红外光谱的纯花生油掺伪快速鉴别方法研究

针对目前国内缺乏快速鉴别花生油掺伪鉴别技术的现状,提出基于近红外光谱的纯花生油掺伪快速鉴别方法.实验分别配制了掺入大豆油、菜籽油、棕榈油和调和油的4类掺伪花生油样品共40个,纯花生油样品5个,采集样品近红外全谱,通过支持向量机技术建立纯花生油掺伪鉴别模型.结果表明,选取径向基函数为支持向量机核函数,通过网格搜索和k折校...     

基于介电特性的鸡蛋品种无损鉴别

为更合理有效实现鸡蛋品种分类,研究一种介电特性无损鉴别鸡蛋品种方法。本实验以4组不同品种鸡蛋(江苏镇江洋鸡蛋、江苏镇江草鸡蛋、安徽老南沟草鸡蛋、江苏东台草鸡蛋)为研究对象,采用平行极板法测量4组鸡蛋在10~200 k Hz条件下的介电特性参数,并利用支持向量机(support vector machine,SVM)算法建立鸡蛋品种鉴别分类检测模型。研究不同核函数(线性核函数、多项式核函数、RBF核函数和Sigmoid核函数)、不同参数寻优算法(网格搜索法、遗传算法和粒子群算法)选择对分类模型准确率的影响。结果表明,以线性核函数为SVM核函数、粒子群算法为SVM参数寻优算法时,建立的鸡蛋品种SVM分类模型的性能最优,其训练集正确率为95.83%,测试集正确率为95.83%。利用介电特性无损检测技术结合SVM算法,取得了很好的分类效果,为鸡蛋品种鉴别提供了一种新的快速有效的方法。     

应用同步荧光光谱和支持向量机快速鉴别油茶籽油真伪

为快速鉴别油茶籽油真伪,采用同步荧光光谱和支持向量机建立油茶籽油真伪鉴别模型。结果表明,原始同步荧光光谱通过标准归一化(SNV)预处理,经过主成分分析提取5个主成分,选用径向基函数(RBF)作为核函数,采用经网格搜索和交叉验证优化得到的两个建模参数惩罚因子C=0.5和核参数γ=0.0313,建立的模型最佳。该模型对训练集和预测集的判别率均可达到100%。说明采用同步荧光光谱结合支持向量机可以快速、准确地鉴别油茶籽油真伪。     

基于高光谱技术的铁观音茶叶等级判别

应用高光谱技术结合支持向量机分类理论对不同等级的铁观音茶叶进行判别分析。采集铁观音各等级茶样的高光谱数据,提取红边幅值、蓝边位置、黄边面积、红谷反射率、归一化植被指数等共20 个光谱特征参数,以其作为输入量带入以径向基函数作为核函数的支持向量机分类模型,探讨惩罚参数C和核参数g的最佳取值,构建判别模型,并对其进行验证和评价。结果显示,当惩罚参数C和核参数g分别为106和0.007 5时,所建模型对未知等级的铁观音样品正确判别率可达92.86%,表明应用高光谱技术进行铁观音茶叶等级的快速无损准确鉴别是可行的。     

基于特征波长提取的激光近红外光谱快速鉴别食用植物油种类

提出了基于CARS、SPA和CARS-SPA特征波长提取的激光近红外光谱技术快速鉴别食用植物油种类的方法。应用光谱仪采集127个食用植物油样本的光谱数据,采用标准正态变量变换算法(SNV)、标准正态变量变换和去趋势技术联用算法(SNV-DT)对其进行预处理,采用CARS、SPA和CARS-SPA 3种方法对经过预处理的光谱数据进行特征波长提取,应用支持向量机分类方法(SVC)建立食用植物油种类定性分类校正模型,选择网格搜索算法对模型参数组合(C,g)进行寻优,确定最优参数组合。结果表明,CARS-SVC、SPA-SVC和CARS-SPA-SVC模型预测集准确率均达到96.77%,预测效果理想,其中SNV-DT-SPA-SVC模型预测效果最优,预测集准确率达到100%。综上基于特征波长提取的激光近红外光谱分析技术能够快速准确鉴别食用植物油种类,为便携式现场检测设备开发提供了理论基础。     

基于支持向量机的食源性致病菌近红外光谱鉴别

以近红外光谱法结合支持向量机对大肠杆菌O157∶H7、单增李斯特菌、金黄色葡萄球菌进行了分类鉴别。对预处理后的3 种食源性致病菌近红外光谱数据进行主成分分析,以前26 个主成分向量为支持向量机输入量建立支持向量机模型,对径向基函数核函数分类器与多项式核函数分类器进行了对比分析。结果表明,以径向基函数为核函数的支持向量机在核参数为0.5时对3 种食源性致病菌的鉴别效果最好,与国标方法相比结果一致,其鉴别准确率均达到100%。     

近红外光谱结合蒙特卡洛交互验证奇异样本筛选的橄榄油掺伪定性定量分析

采用基于蒙特卡洛交互验证(MCCV)奇异样本筛选的近红外光谱技术结合支持向量机(SVM)对橄榄油掺伪进行定性和定量分析。应用近红外光谱仪采集将大豆油、菜籽油、玉米油、葵花籽油掺入橄榄油中的188个掺伪样本光谱图。采用蒙特卡洛交互验证(MCCV)方法剔除橄榄油掺伪样本光谱数据中的奇异样本,剔除3个奇异样本。利用多元散射校正(MSC)、去趋势技术(DT)、标准正态变量变换和去趋势技术联用算法(SNV-DT)分别对奇异样本筛选前后的掺伪样本光谱数据进行预处理,选择网格搜索算法(GS)对模型参数组合(C,g)进行寻优,确定最优参数组合。应用支持向量机分类(SVC)方法建立掺伪油的品种定性分类校正模型;采用竞争性自适应重加权算法(CARS)选择奇异样本筛选前后的掺伪样本光谱数据的特征变量,应用支持向量机回归(SVR)建立掺伪油含量快速预测的定量校正模型。试验表明,采用MCCV方法剔除奇异样本后,建立的掺伪油品种鉴别模型的预测准确率达到100%,而建立的GS-SVR模型能够快速预测橄榄油掺伪量,特别是建立SNV_DT-CARS-SVR模型的校正集和预测集相关系数R分别达到99.80%、99.13%,均方误差(MSE)分别为0.0142、0.0535,综合性能最好。结果表明,采用激光近红外光谱分析技术可以实现橄榄油掺伪的定性-定量分析。     

近红外光谱技术结合支持向量机对食用醋品牌溯源的研究

研究近红外光谱技术对食用醋品牌进行快速无损溯源。收集市场上保宁、东湖、恒顺、镇江4个品种共152份具有代表性的食用醋样品,采集它们的近红外光谱数据,对原始光谱数据进行多元散射校正(multip,licative scatter corrertion,MSC)预处理,对预处理后的光谱数据利用主成分分析法(principal component analysis,PCA)进行聚类分析,根据主成分的累计贡献率选取主成分数,然后用支持向量机(support vector machine,SVM)建立预测模型,选取合适的SVM核函数,并利用粒子群优化算法(particle swarm optimization,PSO)优化模型参数。结果表明,近红外光谱技术结合支持向量机对食用醋品牌分类正确率可达100%。     

基于傅里叶变换近红外和支持向量机的霉变玉米检测

利用傅里叶变换近红外光谱对霉变玉米进行检测。运用波数范围在12 000~4 000 cm-1的FTNIR系统进行不同霉变程度样品光谱信息的采集,并利用支持向量机(Support Vector Machine,SVM)进行数据分析。结果显示,利用原光谱数据,以主成分分析(PCA)提取的前5个主成分作为输入,选用径向基函数(RBF)作为SVM核函数,并运用网格划分寻优法寻得的最优参数C、γ,所建立的分类模型最佳。SVM分类模型对训练集和测试集的预测准确率分别达到93.3%和91.7%,对独立样品集的预测准确率达到87.8%,表明基于FT-NIR和SVM进行霉变玉米的检测是可行的。     

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。     

短波近红外光谱结合v-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)、v-支持向量机(v-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,v-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.     

萤火虫优化支持向量机参数的近红外光谱技术鉴别卷烟牌号

目的：准确快速鉴别卷烟牌号。方法：采集不同牌号卷烟的近红外光谱,通过光谱预处理方法降低干扰因素后,利用萤火虫算法(FA)优化支持向量机(SVM)参数,考察光谱预处理方法、萤火虫算法的种群数目和迭代次数对卷烟分类正确率的影响。结果：采用标准正态变量变换(SNV)结合一阶导数(1D)方法进行近红外光谱预处理,当萤火虫种群数目为20,迭代次数为20时,优化支持向量参数可达到较好的识别效果,训练集的分类正确率为100%,测试集的分类正确率为96.67%~100.00%。结论：利用近红外光谱技术结合FA算法优化SVM可实现对卷烟牌号的准确鉴别     

应用近红外光谱技术对植物油酸值预测的研究

利用近红外光谱技术结合支持向量机对植物油脂酸值含量进行回归预测。收集大豆油、花生油等油样共37份,应用激光近红外光谱仪对油样进行光谱采集,采用标准正态变量变化、多元散射校正和正交信号校正3种不同方法进行预处理。运用网格搜索法进行参数寻优,寻找最佳参数组合(C,g),建立支持向量机回归模型进行定量预测。研究表明,经过SNV、MSC和OSC预处理数据建立的模型的惩罚因子C均只有1,大大降低了模型出现过拟合现象的概率,提高了模型的泛化能力、稳健性和预测能力;预处理方法MSC和SNV建立的SVR模型校正集相关系数R较高,均达到99%;OSC建立的SVR模型具有最佳的预测性能,预测相关系数R达到93%以上;采用激光近红外光谱技术预测植物油脂酸值含量的方法是可靠的,为实现植物油脂酸值的快速检测提供了重要的依据。     

基于太赫兹时域光谱的芝麻油品种识别研究

为了实现对芝麻油品种的快速鉴别,本文基于太赫兹时域光谱(THz-TDS)提出一种芝麻油品种识别的方法。选取0~2.5 THz范围内的光谱进行分析,通过主成分分析法(PCA)对时域光谱数据进行降维,选择前4个主成分(累计贡献率大于99%)代表原始数据,然后利用支持向量机(SVM)方法对不同品种芝麻油进行分类识别,分类时使用3种不同的核函数建模,并采用网格搜索算法获得最优模型及其模型参数。使用径向基核函数(参数为惩罚函数C=0.01,核函数系数γ=0.1)的模型识别率最高,达到100%,说明太赫兹时域光谱技术结合PCA和SVM方法可以快速可靠的进行食用油的识别,为食品安全的识别提供一种新的技术手段。     

基于光谱技术的支持向量机判别牛肉新鲜度

目的 实现生鲜牛肉新鲜度等级的无损快速判别。方法 用可见/近红外光谱检测系统, 获取储存1~18 d的36块牛肉样品的400~1600 nm范围的光谱信息, 以挥发性盐基氮理化值为分类依据。用多元散射校正(MSC)、变量标准化(SNV)、SG平滑预处理方法处理光谱数据, 分别建立牛肉新鲜度的支持向量机分类模型。结果 MSC+SG预处理后所建立的分类模型预测能力最好, 训练集和测试集的回判识别率和预测识别率分别为96.30%、100%, 验证集的识别率为88.89%。结论 可见/近红外光谱结合支持向量机, 对牛肉新鲜度进行无损快速判别是可行的。     

玉露香梨可溶性固形物近红外漫透射光谱在线检测

应用近红外漫透射光谱技术探索玉露香梨可溶性固形物在线无损检测的可行性。358个试验样本被分成建模集和预测集(269∶89),分别用于建立模型和验证模型的预测能力。通过对玉露香梨样品近红外漫透射光谱分析发现,样品光谱在625,725,800nm处存在3个波峰,在673,765,825nm处存在3个波谷。通过对比不同预处理方法,发现漫透射近红外光谱分别经一阶微分、移动窗口平滑和多元散射校正组合预处理后建立的模型效果最好。结合组合预处理方法建立了偏最小二乘和偏最小二乘支持向量机预测模型,经比较,偏最小二乘支持向量机模型预测能力更强,模型预测均方根误差和相关系数分别为0.316%和0.949。对比发现主成分分析和径向基函数有利于提高最小二乘支持向量机模型的预测能力。试验结果表明采用近红外漫透射光谱技术结合最小二乘支持向量机算法,实现了玉露香梨可溶性固形物在线无损检测。     

基于多源光谱分析技术的鱼油品牌判别方法研究

多源光谱分析技术被用于鱼油品牌快速无损鉴别。采用可见光谱分析技术、短波近红外光谱分析技术、长波近红外光谱分析技术、中红外光谱分析技术和核磁共振光谱分析技术采集了7种不同品牌的鱼油的光谱特征,并应用偏最小二乘判别分析法(partial least squares discrimination analysis,PLS-DA)和最小二乘支持向量机(least-squares support vector machine,LS-SVM)建立判别模型并比较判别结果。基于长波近红外光谱的PLS-DA模型和LS-SVM模型取得了最高识别正确率,建模集和预测集识别正确率均达到100%。采用中红外光谱和核磁共振谱分别建立的LS-SVM模型,也可以获得100%的判别正确率。而可见光谱和短波近红外光谱则判别准确率较差。且LS-SVM算法较PLS-DA更加适合用于建立光谱数据和鱼油品牌之间的判别模型。研究结果表面长波近红外光谱技术能够有效判别不同鱼油的品牌,为将来鱼油品质鉴定便携式仪器的开发提供了技术支持和理论依据。     

基于近红外光谱和LSSVM方法的转基因大米鉴别研究

采用近红外漫反射光谱结合主成分分析(principal component analysis,PCA)和最小二乘支持向量机(least squares support vector machine,LSSVM)研究转基因大米的鉴别方法。采用PCA方法分析大米样品光谱空间分布;不同的光谱预处理方法:5点平滑、多元散射校正(multiplicative scatter correction,MSC)和标准正态变量变换(standard normal variate transformation,SNV)结合LSSVM用于定性判别模型的建立和优化;采用格点搜索方法对LSSVM模型的惩罚因子(c)和径向基核函数宽度(g)进行优化;正确识别率(correct recognition rate,CRR)用于判别模型的评价。结果表明:MSC结合LSSVM可用于转基因大米定性判别模型的建立,最优模型的CRR为97.50%。该方法有望成为转基因食品快速鉴别的一种辅助方法。     

融合光谱与纹理特征的龙井茶等级无损识别

龙井茶等级快速无损识别具有重要意义。本研究以六个等级龙井茶为实验对象,应用高光谱成像技术,分别建立基于光谱特征、纹理特征及融合特征的支持向量机(Support Vector Machine,SVM)识别模型。首先采用标准正态变量变换(Standard Normal Variate,SNV)对光谱进行归一化处理,提取光谱特征,建立SVM光谱模型;然后通过T分布和随机近邻嵌入(T-Distributed Stochastic Neighbour Embedding,T-SNE)算法将高维高光谱数据映射到低维空间,选取特征图像。应用灰度共生矩阵(Gray-Level Co-Occurrence Matrix,GLCM),提取纹理特征,建立SVM图像模型;最后将光谱特征和纹理特征进行数据级融合,建立SVM混合模型。数据显示,光谱模型预测集识别率为91.11%,图像模型预测集识别率为75.42%,混合模型预测集识别率为95.14%。结果表明,与仅使用光谱或纹理信息建模相比,结合光谱和纹理特征可以提高模型识别的准确率。为进一步提高混合模型精度,引入人工蜂群(Artificial Bee Colony,ABC)算法,迭代优化SVM模型的惩罚因子C和核函数宽度g,得到最优模型,预测集准确率可达98.61%。本研究为改进龙井茶叶快速无损评估技术提供了一种可靠的方法。