太赫兹时域光谱识别4种食用油真实性的研究

采用太赫兹时域光谱系统(THz-TDS),研究了4种食用油(黑芝麻油、芝麻油、小磨香油和花生油)在0.2~1.6 THz波段的延时特性和折射率特性。使用主成分分析法(PCA),根据累计贡献率的大小提取光谱的特征数据。提取了4个主成分(累计贡献率大于95%)作为一个支持向量机(SVM)模型的输入用于识别食用油的种类。结果表明:结合主成分分析法,通过选择合适的支持向量机核函数及其参数,食用油种类识别的正确率可达到93%;通过与主成分回归(PCR)、偏最小二乘回归(PLS)和后向(BP)神经网络方法的比较,支持向量机结合主成分分析(PCA-SVM)方法具有更突出的分类性能,同时也说明了采用太赫兹时域光谱,结合化学计量学方法精准鉴别食用油种类的可行性。     

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%。     

结合太赫兹光谱与机器学习的小麦霉变程度判别

为快速、准确地判断小麦籽粒的霉变程度，研究基于太赫兹时域光谱技术，结合支持向量机（support vector machine,SVM）、随机森林（random forest,RF）和极限学习机（extreme learning machine,ELM）的霉变小麦定性分析方法。首先，将小麦籽粒分为正常、轻度霉变、中度霉变和重度霉变4类，利用CCT-1800太赫兹时域光谱仪获取小麦样本在0.1～4.0 THz波段的光谱数据。对比采用不同光谱预处理方法对判别结果的影响后，使用主成分分析、线性判别分析（linear discriminant analysis,LDA）、t分布随机近邻嵌入3种方法对光谱数据进行降维，结果表明LDA的降维效果最好。最后，构建基于SVM、RF和ELM的小麦霉变程度判别模型，结果显示SVM的判别效果最好，当核函数选择多项式核、误差惩罚系数为1时，判别准确率高达98.61%，预测集均方根误差值为0.142 9。本研究表明利用太赫兹光谱技术可实现小麦霉变程度的准确检测，为食品安全和粮食贮藏检测提供一种检测手段。     

基于嗅觉可视化技术的食用植物油分类识别

为实现山茶油与3种常见食用植物油(菜籽油、大豆油和玉米油)的区分,制备可视化传感器阵列,采用嗅觉可视化技术对4种不同种类的食用植物油进行分类识别。采用主成分分析(PCA)对4种油样的特征数据进行降维,然后将降维后的数据导入K近邻(KNN)、极限学习机(ELM)、支持向量机(SVM) 3种分类模型中进行模型参数优化,对比了3种分类模型的分类结果。结果表明：建立的SVM分类模型性能最优,当输入主成分向量数为7、c=1.741 1、g=4.549 8时,SVM分类模型的测试集分类识别准确率为95.8%,五折交叉验证准确率为89.6%。制得的可视化传感器阵列可以实现4种食用植物油的分类识别,嗅觉可视化技术用于食用植物油检测是可行的。     

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。     

基于太赫兹时域光谱的大米品种识别研究

为实现大米品种的准确鉴别,提出一种基于太赫兹时域光谱（Terahertz Time-Domain Spectroscopy, THz-TDS）技术的大米品种识别方法。利用标准差（Standard Deviation, SD）和区间偏最小二乘（Interval Partial Least Square, iPLS）选取0.53~1.21 THz波段的吸收光谱信息作为分类模型的输入数据,再采用决策树模型（Decision Tree, DT）对四种大米吸收光谱进行分类识别,并在模型训练过程中结合网格搜索算法寻找模型最优参数。为增加实验对比度,分别使用逻辑回归模型和支持向量机模型进行对比实验,其模型分类准确率分别为80.75%和88.75%。实验结果表明,太赫兹时域光谱技术结合SD、iPLS和DT方法可以实现大米品种的准确识别,准确率可达95%,为农产品品种识别提供了一种新的鉴别方法。     

基于主成分分析和改进支持向量机的猪肉品质识别

目的:剔除近红外光谱存在大量冗余信息以及提高猪肉品质识别的精度,建立猪肉品质快速识别方法。方法:运用主成分分析对猪肉光谱数据进行降维处理,筛选出猪肉光谱特征波长;运用樽海鞘群算法进行支持向量机(SVM)模型的参数优化,提出一种基于樽海鞘算法改进支持向量机的猪肉品质识别模型。结果:与灰狼算法(GWO)优化SVM(GWO-SVM)、网格搜索算法改进SVM(Grid-SVM)、粒子群算法改进SVM(PSO-SVM)和SVM相比,基于SSA-SVM的猪肉品质识别模型的精度最高。结论:融合主成分分析和樽海鞘算法优化SVM模型的猪肉品质识别模型可以有效提高SVM模型的猪肉品质识别精度。     

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。     

基于THz-ATR技术的发芽葵花籽光谱分析研究

随着葵花籽发芽,其脂肪和蛋白质等营养物质的含量会减少,影响油脂产品的产量及品质。利用太赫兹时域光谱技术,分别结合支持向量机(Support vector machine,SVM)算法和极限学习机(Extreme learning machine,ELM)算法建立葵花籽发芽粒的定性识别模型,保障葵花籽的品质安全。实验过程首先对60粒葵花籽进行萌芽培养,之后从中随机选择30颗作为发芽粒样本,另选择30粒正常葵花籽样本,共计60粒实验样本。之后利用太赫兹衰减全反射技术采集0.3～3.6 THz范围内的实验样本光谱数据,经过快速傅里叶变换与加窗操作转换到频域中,通过提取光学常数得到样本的吸收系数光谱和折射率光谱,选取10～40 cm^–1和60～80 cm^–1 2个特征波段的折射率进行归一化预处理,分别结合SVM算法和ELM算法建立定性识别模型。实验结果表明,基于联合特征波段-SVM算法的定性模型与基于联合波段-ELM建立的定性识别模型对发芽粒识别正确率、正常粒识别准确率均为100%。相比ELM模型,SVM模型识别速度更快。研究结果表明,利用太赫兹时域...     

玉米中黄曲霉毒素B1的太赫兹时域光谱检测与识别

针对近红外和传感器方法检测精度差的问题,采用太赫兹时域光谱技术,研究了黄曲霉毒素B1对太赫兹波的响应。首先研究了玉米中黄曲霉毒素的提取过程和保存方法,根据B1溶液在不同频率范围内的光学参数(主要是折射率和吸收系数)的不同,对B1溶液的太赫兹光谱进行定性分析,利用一种改进的多重D-S证据理论对其进行了识别。试验和分析结果表明,利用太赫兹时域光谱技术结合信息融合技术能够对不同浓度的黄曲霉毒素B1溶液进行精确识别,为以后建立黄曲霉毒素太赫兹谱库和快速检测食品中的黄曲霉毒素提供了理论依据。     

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。      

基于主成分分析法的芝麻油香气质量评价模型的构建

采用顶空固相微萃取与气相色谱-质谱联用(HS-SPME-GC-MS)测定了9种芝麻油的挥发性成分.对萃取条件进行了优化,共鉴定了164种化合物,确认了其中16种芝麻油重要香气成分,并以16种香气物质的相对含量为变量,利用主成分分析法建立了芝麻油香气质量评价模型,并应用该模型对9种芝麻油香气质量进行了评价[通过感官评价法进一步对模型评价结果进行了检验,结果显示两种方法具有很好的一致性,表明所建立的方法是可行的.     

基于统计学习理论的食用油红外光谱分析方法研究

目的建立不同品质食用油快速分类的中红外光谱检测方法。方法不同品质的食用油在化学组分上是存在差异的,利用中红外光谱技术全面反映和整体把握食用油的化学成分信息,并借助主成分分析(PCA)结合马氏距离法对食用油的中红外光谱图进行预处理,提取其特征信息,然后通过基于统计学习理论的支持向量机(SVM)建立相应分类模型,运用模型自动鉴别不同品质的食用油类别属性。结果实验通过从市场上随机抽取食用油样本,选取了3种不同品牌的大豆油、花生油共60个样本进行测试,分类正确率达到了100%。结论基于统计学习理论的食用油红外光谱分析方法对不同品质食用油的快速分类鉴别是有效的。     

电子鼻在芝麻油及芝麻油香精识别中的应用

采用电子鼻时芝麻油、芝麻油香精和其他油脂样品进行了分析.对所获得的数据进行主成分分析(Principal Component Analysis,PCA)、判别因子分析(Discriminant Factor Analysis,DFA)和统计质量控制分析(Statistical Quality Control,SQC),结果表明:电子鼻能够有效识别芝麻油、芝麻油香精和其他油脂,且电子鼻对芝麻油和其他油脂的识别比对芝麻油和芝麻油香精的识别效果更好;2号芝麻油香精和芝麻油样品的香气较为相似,其香气的模拟比较成功;电子鼻能够识别不同储存时间的芝麻油样品,随着储存时间的延长,样品在PCA图中呈现规律性的变化,这可能与芝麻油在储存过程中发生氧化有关.     

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。