基于最小二乘支持向量机的白酒酒醅成分定量分析

利用近红外光谱技术实现对白酒发酵过程中酒醅主要成分的质量控制,并进行模型优化,提高性能。采用偏最小二乘法提取的潜在变量作为最小二乘支持向量机的输入变量,先后建立了白酒酒醅中酒精度、淀粉、水分、酸度的近红外定量模型,并与经无信息变量消除法波段筛选后建立的偏最小二乘模型结果进行比较。结果表明：与偏最小二乘模型相比,4 个指标的最小二乘支持向量机定量模型的相关系数（R2）、预测均方根误差以及相对分析误差3 个评价参数均有更优表现;对未知样品进行预测时,最小二乘支持向量机模型的预测准确度明显高于偏最小二乘模型。说明最小二乘支持向量机模型的准确度、稳定性及预测性能均优于偏最小二乘法模型,为白酒酒醅的品质分析方法研究提供了新的思路。     

基于粒子群算法的番茄酱成分检测及品质分析

以番茄酱成分检测过程为研究对象,采用多光谱成像技术采集番茄酱光谱图像,并提取出有效光谱信息,分别利用偏最小二乘法、偏最小二乘法支持向量机算法和粒子群算法建立番茄酱成分校正模型和番茄酱品质预测模型。采用3种模型进行预测试验对比,偏最小二乘法支持向量机算法和偏最小二乘法两种模型对可溶性固形物和番茄红素含量的预测性能均低于粒子群算法模型;粒子群算法模型对可溶性固形物和番茄红素含量的预测绝对系数均大于0.9,表明粒子群算法模型能够有效进行番茄酱成分含量检测和品质预测。     

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。     

最小二乘支持向量机和脂肪酸融合信息应用于花生油掺伪玉米油检测

将最小二乘支持向量机用于气相色谱分析实现对花生油掺伪玉米油的鉴别,基于油脂的全样和Sn-2位脂肪酸组成的不同,采用主成分分析消除融合数据中信息重叠的部分,利用粒子群优化最小二乘支持向量机的参数,对花生油的掺伪进行鉴别,识别率为100%;分别采用最小二乘支持向量机、偏最小二乘法和主成分回归对花生油中掺入玉米油含量进行预测,结果表明基于脂肪酸融合信息的最小二乘支持向量机的预测均方根误差和相关系数R2分别为3.452 1%和0.986 6,与偏最小二乘法和主成分回归法相比,最小二乘支持向量机具有更好的稳定性和预测精度,同时也为食用油的真伪鉴别及掺伪情况确定提供一种新方法。     

基于拉曼光谱和支持向量机的黄酒品质快速分析

本研究使用拉曼光谱分析技术采集不同产地和不同酒龄的黄酒样品指纹信息,对比判别分析(DA)和最小二乘支持向量机(LS-SVM)所建黄酒品质快速模型性能,确定最优模型以实现快速准确地评价黄酒品质。本研究在全波段范围利用主成分分析对拉曼光谱数据降维,计算降维谱图间马氏距离,基于ward’s算法建立判别分析模型;将全波段范围作为最小二乘支持向量机的输入量,选择出能较好处理非线性问题的RBF为核函数,同时采用交互验证方式优化RBF核函数参数,基于优化RBF核函数,建立最小二乘支持向量机鉴别模型。研究结果表明:拉曼光谱结合最小二乘支持向量机鉴别模型对黄酒产地和酒龄的鉴别正确率均为100%;拉曼光谱结合判别分析鉴别模型对嘉善、绍兴和上海黄酒的鉴别正确率分别为100%、80%和80%,对黄酒酒龄的鉴别正确率均为100%;最小二乘支持向量机模型性能优于判别分析模型。拉曼光谱结合化学计量学方法可快速、准确评价黄酒品质。     

高光谱图像光谱提取区域对猕猴桃糖度检测精度的影响

为了了解高光谱图像中光谱提取区域对果品糖度检测模型精度的影响,本文以"华优"猕猴桃为对象,分别提取了10×10、20×20和30×30(像素×像素)的正方形光谱区域以及样品掩膜图像的平均光谱,对平均光谱进行平滑去噪+标准正态变量变换预处理,用处理后的全光谱建立了预测猕猴桃糖度的偏最小二乘、最小二乘支持向量机、极限学习机和误差反向传播网络模型,分析了光谱提取区域对猕猴桃糖度检测精度的影响规律。结果表明,光谱提取面积的增加能够提升最小二乘支持向量机、极限学习机和误差反向传播网络模型的预测性能。基于猕猴桃掩膜图像的平均光谱所建立的最小二乘支持向量机模型具有最好的预测性能,其预测相关系数为0.97,预测均方根误差为0.86oBrix,相对预测误差为4.06。研究说明在高光谱图像中选择合适的光谱提取区域有助于提高模型的预测精度。     

纸浆洗涤过程的多目标进化优化研究

应用最小二乘史持向景机建立了纸浆洗涤过程中黑液残碱和波美度数学模型,利用非劣排序遗传算法对残碱和波美度进行最小二乘支持向量机模型和BP神经网络模型寻优,获得进浆浓度、进浆流量、清水用量的优化值.其结果用于某造纸厂纸浆洗涤过程的优化,发现最小二乘支持向量机模型多日标进化算法的寻优结果明显优于基于BP神经网络模型的多日标进化算法,并且最小二乘史持向最机模型的多目标进化算法更好地解决了纸浆洗涤过程多个目标的冲突问题.     

基于近红外光谱的重金属污染泥蚶的快速检测

提出了利用近红外光谱技术对重金属污染泥蚶的快速检测方法。以冷冻干燥磨粉的泥蚶肌肉为试验对象,方案设计分为两种:对照泥蚶和单一重金属(Cd,Cu,Pb或Zn)污染泥蚶的分类(设计Ⅰ);所有样本包括对照泥蚶和4种重金属污染泥蚶的分类(设计Ⅱ)。采用两种识别算法,即最小二乘支持向量机和随机森林,对设计I和设计II分别建立分类模型并进行预测。预测结果表明:设计Ⅰ:最小二乘支持向量机和随机森林的平均预测正确率分别为100%和95%;设计Ⅱ:最小二乘支持向量机和随机森林的平均预测正确率分别为96%和92%。利用近红外光谱技术快速检测重金属污染泥蚶具有可行性,可为泥蚶重金属污染提供一种快速检测方法。     

基于近红外光谱的褐变板栗识别建模方法研究

为了实现褐变板栗的快速无损分选,研究了基于近红外光谱技术的褐变板栗栗仁检测方法。试验在1000~2500 nm波段范围内采集板栗栗仁的反射光谱,通过标准正态变量变换预处理后,采用K-最近邻法(KNN)、簇类独立软模式法(SIMCA)、主成分回归-线性判别分析法(PCA-LDA)、偏最小二乘回归-线性判别分析法(PLS-LDA)以及最小二乘-支持向量机判别分析法(LS-SVM)分别建立褐变板栗识别模型并进行比较分析。偏最小二乘结合最小二乘-支持向量机所建PLS-LS-SVM模型性能最优,该模型对测试集的敏感性、特异性和识别正确率分别为1.00%、0.92%和95.00%。结果表明:近红外光谱结合PLS-LS-SVM可用于褐变板栗的快速无损检测。     

基于PSO-LSSVM和特征波长提取的羊肉掺假检测方法

为解决羊肉—猪肉掺假快速检测这一问题,利用多光谱仪器对掺假羊肉进行光谱采集,得到样品在350~1 100 nm 波段下的反射率。对数据预处理后,利用粒子群算法(PSO)对最小二乘支持向量机(LSSVM)进行优化,建立了基于粒子群优化的最小二乘支持向量机模型(PSO-LSSVM),与偏最小二乘(PLS)、反向传播神经网络(BPNN)和LSSVM 3种模型结果进行比较,结果表明,PSO算法能有效优化LSSVM模型,预测的决定系数和均方根误差分别为0.920 4和0.089 2。进一步采用随机青蛙算(RF)、无信息变量消除法(UVE)、竞争性自适应重加权法(CARS)提取特征波长并建立偏最小二乘模型,结果显示,UVE-PLS模型预测集的决定系数和均方根误差分别为0.996 7和0.016 2,UVE优于其他特征波长提取方法。     

高光谱技术结合改进LSSVM的大米脂肪酸检测方法

目的:解决食品企业现有大米品质检测方法存在的准确性低和效率差等问题。方法:基于高光谱数据采集系统,提出一种结合改进细菌觅食算法和最小二乘支持向量机的贮藏大米品质快速无损检测方法。通过改进的细菌觅食算法对最小二乘支持向量机超参数(正则化参数和核参数)进行寻优,实现贮藏大米品质的快速无损检测。通过试验分析其性能。结果:所提方法可以实现贮藏大米脂肪酸含量的快速无损检测,决定系数为0.940 5,均方根误差为0.543 5,平均检测时间为1.12 s。结论:所提检测方法具有较高的检测性能,可用于大米品质的鉴别与检测。     

基于内在品质参数的乌龙茶等级判别模型建立

茶叶等级评价是检测茶叶品质的重要技术手段,科学建立茶叶等级评价模型具有重要意义。本文以102个乌龙茶为研究对象,采用多种特征值筛选方法结合支持向量机算法建立基于特征内在品质参数的乌龙茶等级评价模型。同时,采用高光谱技术结合化学计量学,对特征品质参数建立基于特征波长的粒子群算法优化反向误差神经网络神经网络（PSO-BP）和麻雀搜索算法优化最小二乘支持向量机（SSA-LSSVM）的定量预测模型,最后对定量预测的化学值模型验证。结果表明,当参数组合酯型儿茶素、简单儿茶素、茶多酚、水浸出物、咖啡碱、表没食子儿茶素没食子酸酯（EGCG）六种化学值时的乌龙茶等级模型判别准确率最高,训练集的准确率为97.22%,预测集准确率为93.33%。基于特征波长的麻雀搜索算法优化最小二乘支持向量机（SSA-LSSVM）定量预测模型的预测精度更高且均方根误差更低,预测集的决定系数R2均在0.93～0.99之间。随机抽取30个乌龙茶样本六种化学值的最佳预测值,其判别准确率达90%。综上所述,基于内在品质参数组合对不同等级的乌龙茶准确判别是可行的,且基于高光谱技术的预测模型可以快速精准的获得其化学值大小,预测的化学...     

机器视觉和电子鼻融合的番茄成熟度检测方法

目的:探索机器视觉与电子鼻融合法在果蔬成熟度检测中的应用能力,实现番茄不同成熟度的检测.方法:基于机器视觉和电子鼻采集系统,提出了一种基于多源信息融合的番茄成熟度检测方法.以机器视觉筛选出的6个颜色特征和电子鼻筛选出的10个气味特征为基础,建立番茄成熟度检测的最小二乘支持向量机模型.通过试验对融合方法和单一方法进行对比...     

面向大批量定制的基于改进的LS-SVM服装需求预测模型

为提高服装需求预测精度,充分考虑了服装需求量随季节、气候条件、价格、性别等因素的影响而动态变化的情况,运用模糊理论对相关影响因素进行模糊化处理后,再将这些影响因素作为服装需求量预测函数的输入变量;然后建立了以改进的二乘支持向量机(LS-SVM)方法为主、多方法融合为辅的预测模型,对服装销售量进行动态预测。实际算例验证了这一智能预测模型具有良好的精确性。     

近红外光谱定性定量检测牛肉汉堡饼中猪肉掺假

利用近红外光谱技术结合化学计量学方法,对不同肥肉占比的解冻牛肉汉堡饼中的猪肉掺假进行定性判别建模,并建立猪肉掺假比例的定量检测模型。结果表明：对不同掺假比例样品的判别,应用偏最小二乘判别分析方法效果优于主成分分析-支持向量机方法,最优模型校正集和验证集判别正确率均为100%。应用偏最小二乘方回归法定量检测不同肥瘦比解冻牛肉汉堡饼中的猪肉掺假比例,模型校正集和验证集的相关系数Rc和Rp、验证集均方根误差分别为0.968 9、0.861 1、7.221%。因此,应用近红外光谱技术可以实现对不同肥肉占比的解冻牛肉汉堡饼中的猪肉掺假进行定性判别和定量检测。     

遗传算法联合LS-SVM的苹果原醋成分定量分析

利用近红外光谱技术对苹果原醋中的重要指标进行定量分析,并进行模型优化以提高性能。采用遗传偏最小二乘法（GA-PLS）提取的特征波长作为最小二乘支持向量机（LS-SVM）的输入变量,先后建立苹果原醋中总酸、可溶性固形物的近红外定量模型,并与建立的偏最小二乘（PLS）模型结果进行比较。用决定系数（R2）、预测均方根误差（RMSEP）以及相对分析误差（RPD）对模型进行评价,确定最佳建模方法。结果表明,相比于PLS模型,总酸及可溶性固形物指标的LS-SVM定量模型的R2、RMSEP以及RPD值均有更好的表现,且在进行独立测试集验证时,LS-SVM模型的预测精度也明显优于PLS模型。说明遗传算法联合LS-SVM建立的定量模型有很高的准确度及稳定性,可以应用于苹果原醋总酸和可溶性固形物含量的快速检测。     

基于计算机视觉的核桃外观缺陷检测

为快速准确识别核桃外观缺陷(黑斑、破裂),自行搭建图像采集系统采集样本图像。预处理后采用形态学和逻辑运算去除背景,基于样本图像提取18个颜色特征参数和20个纹理特征参数。采用形态学和逻辑运算提取缺陷部分和样本投影像素面积的比值t以及样本图像阈值分割后二值图像的欧拉数。分别采用回归系数法(Regression Coefficient,RC)和连续投影法(Successive Projections Algorithm,SPA)优选特征参数并建立偏最小二乘法(PLS)模型。结果表明,基于SPA法优选特征参数建立的模型性能最优。将SPA法提取的5个优选特征参数作为输入建立最小二乘支持向量机(LS-SVM)模型,并对预测集样本进行预测。结果表明,对正常核桃、黑斑核桃、破裂核桃的判别准确率分别为88.9%、83.3%、94.6%,总判别率为88.9%。本研究建立的方法能够很好的对核桃外观缺陷进行检测,为今后核桃的在线检测分选提供了技术支持。     

应用高光谱技术及MLSPTSVM模型检测热损伤大豆

进口大豆在运输过程中极易因贮藏温度过高而造成热损伤,加剧大豆蛋白及油脂的品质恶化,对大豆质量造成影响。本文利用高光谱图像技术和多元最小二乘递归投影孪生支持向量机(multiple least squares recursive projection twin support vector machine,MLSPTSVM)对大豆的热损伤进行检测。应用高光谱图像采集系统,在400~1000 nm范围内获取正常大豆、轻度热损伤、重度热损伤大豆的光谱图像,采用多种预处理方法进行光谱预处理,对预处理方法提高模型检测性能的有效性进行分析。结果表明,多元散射校正预处理搭配线性核的MLSPTSVM模型,原始光谱数据搭配非线性核的MLSPTSVM模型,均能达到100%检测准确率,相较于经典检测模型具有显著优势。在实验样本数量大幅减少的情况下,应用线性核的模型检测准确率仍能达到100%。因此,结合MLSPTSVM模型的高光谱图像检测方法有效地提高热损伤大豆检测精度,且具有良好的鲁棒性,为大豆品质的检测提供了新的方法。     

A Non-invasive Method for Screening Sodium Hydroxymethanesulfonate in Wheat Flour by Near-Infrared Spectroscopy

A rapid and non-invasive method, based on near infrared diffuse reflectance spectroscopy, was established for screening sodium hydroxymethanesulfonate in wheat flour. Successive projection algorithm was used for spectral variable selection. The selected variables were applied as inputs to partial least square discriminant analysis (PLS-DA) and advanced K-means dynamic clustering. The first two principal components extracted by PLS-DA had been applied as inputs to least squares support vector machine (LS-SVM). Three algorithms, including PLS-DA, advanced K-means dynamic clustering, and LS-SVM, were used to establish the calibration model. The results of LS-SVM outperformed that of the other two methods, with the classification accuracy of 92.0% for the validation and 94.7% for the prediction. The results of the study showed the potential of near-infrared spectroscopy as a non-invasive and environmentally acceptable method for the screening of sodium hydroxymethanesulfonate in wheat flour.