基于遺傳算法的近紅外光譜橄欖油產(chǎn)地鑒別方法研究

1、第卷，第期年月光譜學(xué)與光譜分析，。，基于遺傳算法的近紅外光譜橄欖油產(chǎn)地鑒別方法研究陳永明，林萍，何勇浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，浙江杭州摘要提出了一種應(yīng)用近紅外光譜技術(shù)快速無(wú)損鑒別橄欖油產(chǎn)地的新方法。采用近紅外光譜儀獲取三種不同產(chǎn)地的橄欖油各個(gè)樣本的光譜漫反射特征曲線，利用全局搜索算法一遺傳算法提取特征波長(zhǎng)，即從光譜個(gè)波長(zhǎng)數(shù)據(jù)提取個(gè)特征波長(zhǎng)數(shù)據(jù)，并將其作為主成分分析法的輸入變量，運(yùn)用主成分分析法建立分析校正模型。結(jié)果表明，主成分和累計(jì)可信度已達(dá)，對(duì)不同產(chǎn)地的橄欖油有很好的聚類作用，同時(shí)也說(shuō)明遺傳算法抽取特征波長(zhǎng)方法正確。將提取到的六種主成分作為神經(jīng)網(wǎng)絡(luò)的輸入變量，品種類型作為神經(jīng)網(wǎng)絡(luò)的

2、輸出變量，建立層人工神經(jīng)網(wǎng)絡(luò)模型，對(duì)個(gè)未知橄欖油產(chǎn)地進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果準(zhǔn)確率達(dá)。該方法能快速無(wú)損地檢測(cè)橄欖油產(chǎn)地，同時(shí)也為其他油類產(chǎn)地鑒別提供了一種新方法。關(guān)鍵詞產(chǎn)地；橄欖油；近紅外光譜；遺傳算法；主成分分析；神經(jīng)網(wǎng)絡(luò)中圈分類號(hào)：。￥文獻(xiàn)標(biāo)識(shí)碼：（引言橄欖油在地中海沿岸國(guó)家有幾千年的歷史，在西方被譽(yù)材料與方法儀器設(shè)備實(shí)驗(yàn)使用美國(guó)（定范圍在為“液體黃金”，原因就在于其極佳的天然保健功效，美容功效和理想的烹調(diào)用途?？晒┦秤玫母邫n橄欖油是用初熟或成熟的油橄欖鮮果通過(guò)物理冷壓榨工藝提取的天然果油汁，是世界上唯一以自然狀態(tài)的形式供人類食用的木本植物油。目前，中國(guó)市場(chǎng)銷售的絕大多數(shù)橄欖油依賴進(jìn)口。一些學(xué)者

3、利用化學(xué)方法，對(duì)橄欖油的化學(xué)性質(zhì)做了一些研究，但是對(duì)于橄欖油產(chǎn)地的鑒別研究很少。隨著市場(chǎng)上進(jìn)口橄欖油日益增多，且橄欖油的產(chǎn)地對(duì)橄欖油的價(jià)格和質(zhì)量影響很大。因此，如何快速、無(wú)損地進(jìn)行橄欖油的產(chǎn)地識(shí)別很有必要。本實(shí)驗(yàn)采用近紅外光譜技術(shù)快速、無(wú)損鑒別）公司的光譜儀，其光譜采樣間隔為，測(cè)之間，掃描次數(shù)次。光源采用與光譜儀配套的鹵素?zé)?。得到的光譜數(shù)據(jù)經(jīng)軟件轉(zhuǎn)化為碼形式，再由分析軟件和對(duì)數(shù)據(jù)進(jìn)行分析處理。樣品來(lái)源及光譜的獲取意大利歐麗薇蘭特級(jí)初榨橄欖油、西班牙品利特級(jí)初榨橄欖油、土耳其達(dá)利牌特級(jí)初榨橄欖油為市售。各取，放入直徑為，高度的培養(yǎng)肛。每個(gè)品種各做個(gè)樣本，共計(jì)個(gè)樣本。全部實(shí)驗(yàn)樣本隨機(jī)分成建模集和預(yù)

4、測(cè)集，建模集有個(gè)樣本（每種品種各個(gè)），預(yù)測(cè)集有個(gè)樣本（每種品種各個(gè)）。光譜儀經(jīng)校準(zhǔn)后進(jìn)行測(cè)技術(shù)，對(duì)市售的三種不同國(guó)家的橄欖油進(jìn)行了產(chǎn)地鑒別研究，利用全局搜索算法一遺傳算法（，）提取特征波長(zhǎng)，將其作為主成分分析法（，）的輸入變量，采用建立分析校正模，試。嗨培養(yǎng)皿水平放置于光譜儀傳感器正下方，對(duì)每一個(gè)樣本掃描次。隨機(jī)任選三種不同產(chǎn)地橄欖油漫反射光譜曲、線圖，如圖所示。遺傳算法工作原理遺傳算法模擬生物進(jìn)化機(jī)制隨機(jī)優(yōu)化的算法，將其應(yīng)用于波長(zhǎng)選擇，其主要步驟有染色體編碼、種群初始化、適應(yīng)型并提取各類不同產(chǎn)地橄欖油的主成分，將提取的主成分作為（）神經(jīng)網(wǎng)絡(luò)的輸入變量¨，產(chǎn)地類型作為神經(jīng)網(wǎng)絡(luò)的輸出變

5、量，設(shè)置中間層神經(jīng)元個(gè)數(shù)為，建立了神經(jīng)網(wǎng)絡(luò)模型，對(duì)未知產(chǎn)地進(jìn)行了分類與預(yù)測(cè)。收稿日期：修訂日期：基金項(xiàng)目：國(guó)家科技支撐計(jì)劃項(xiàng)目（），“”項(xiàng)目（）和公益性行為（農(nóng)業(yè)）科研專項(xiàng)項(xiàng)目（）資助作者簡(jiǎn)介：陳永明，年生，浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院博士研究生：（螢通訊聯(lián)系人：（孕光譜學(xué)與光譜分析第卷度函數(shù)、遺傳操作、算法停止條件和波長(zhǎng)選擇。本文設(shè)置的適應(yīng)度函數(shù)獨(dú)立變量數(shù)為，抽取特征波長(zhǎng)。圖為運(yùn)用對(duì)歐麗薇蘭與品利橄欖油取得的特征波長(zhǎng)（其中虛線對(duì)應(yīng)的橫坐標(biāo)即為抽取的特征波長(zhǎng)）。§獸（）凹砌鷓：；：；：鬻代：；：；：主成分分析主成分分析方法是一種有效的特征壓縮方法，它把原有的各個(gè)特征利用線性變換

6、得到一批新的特征，每個(gè)特征都是原有特征的函數(shù)，但新特征總數(shù)少于原有特征數(shù)，這樣新特征既保留了原有特征的主要信息，又減少了特征個(gè)數(shù)，通過(guò)對(duì)特征的選擇，在一定程度上還能濾除噪音。神經(jīng)網(wǎng)絡(luò)全部樣本隨機(jī)分成建模集和預(yù)測(cè)集，建模集有三種不同產(chǎn)地橄欖油各個(gè)樣本，共計(jì)個(gè)。預(yù)測(cè)集有三種不同產(chǎn)地橄欖油各個(gè)樣本，共計(jì)個(gè)。建立了一個(gè)層的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)主成分分析后得到的每個(gè)樣本的前個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)的輸入，即輸入層節(jié)點(diǎn)數(shù)為，中間層有個(gè)神經(jīng)元，傳遞函數(shù)為（對(duì)數(shù)型傳遞函數(shù)），輸出層個(gè)神經(jīng)元，傳遞函數(shù)為（線性傳遞函數(shù)），設(shè)定系統(tǒng)允許誤差為，設(shè)定訓(xùn)練迭代次數(shù)為次。建立神經(jīng)網(wǎng)絡(luò)。試驗(yàn)結(jié)果與分析直接用主成分分析結(jié)果將光譜

7、儀提取的光譜特征曲線做相應(yīng)的預(yù)處理后，直接作為的輸入變量，主成分累計(jì)可信度見(jiàn)表，主成分一、主成分二得分圖見(jiàn)圖。圖中橫坐標(biāo)表示每個(gè)樣本的第一主成分得分值，縱坐標(biāo)表示每個(gè)樣本的第二主成分得分值。由圖可見(jiàn)，產(chǎn)地為意大利和西班牙橄欖油聚類到了一塊。由此得出結(jié)論，將個(gè)橄欖油波長(zhǎng)數(shù)據(jù)全部作為的輸入端，大大增加其計(jì)算量，而且有些區(qū)域樣品的光譜信息很弱，與樣品的組成或性質(zhì)問(wèn)缺乏一定的相關(guān)性，根本無(wú)法建立正確的校正模型。主成分累計(jì)可信度害昌；（）：；：；：遺傳算法抽取特征波長(zhǎng)分析光譜儀測(cè)量波長(zhǎng)范圍為范圍，共有個(gè)波長(zhǎng)數(shù)據(jù)。傳統(tǒng)的方法是將這個(gè)波長(zhǎng)數(shù)據(jù)直接作為或者（）的輸入變量，提取主成分值刮。這些傳統(tǒng)的建模方法不但

8、預(yù)算量大，而且當(dāng)光譜曲線特征差異不明顯時(shí)，它們無(wú)法將不相關(guān)性或非線性變量剔除，即無(wú)法建立正確的校正模型。本文利用遺傳算法抽取品牌為達(dá)利與歐麗薇蘭、達(dá)利與品利、歐利與品利之間特征波長(zhǎng)各個(gè)，共個(gè)特征波長(zhǎng)作為輸入變量。由此可見(jiàn)，使用遺傳算法有效地進(jìn)行了數(shù)據(jù)壓縮，為將來(lái)和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)提供了更強(qiáng)的校正模型。不同產(chǎn)地橄欖油主成分分析對(duì)由提取的三種不同產(chǎn)地橄欖油（個(gè)樣本，共個(gè)樣本）的個(gè)特征波長(zhǎng)進(jìn)行主成分分析。得到前個(gè)主成分的特征值及累計(jì)可信度，如表所示。岱主成分累計(jì)可信度由于前個(gè)主成分的累計(jì)可信度已達(dá)，故僅用前個(gè)主成分就可表示原近紅外光譜的主要信息。圖表示個(gè)建模樣本的主成分和得分圖，圖中橫坐標(biāo)表示每第期光譜

9、學(xué)與光譜分析個(gè)樣本的第一主成分得分值，縱坐標(biāo)表示每個(gè)樣本的第二主迅分。驀露一成分得分值。從圖中可以看出，類不同產(chǎn)地的橄欖油已明顯分成類。說(shuō)明和對(duì)類不同產(chǎn)地的橄欖油有較好的聚類作用。基于前個(gè)主成分神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在主成分分析的基礎(chǔ)上，選取貢獻(xiàn)率較大的前個(gè)主成分作為輸入，中間層設(shè)定為，產(chǎn)地類型作為神經(jīng)網(wǎng)絡(luò)輸出瑩一濰一（）璃知飚（將達(dá)利、歐麗薇蘭、品利產(chǎn)地類型分別設(shè)置為，）。建立一個(gè)層輸入單元，個(gè)隱含單元和個(gè)輸出單元的嘲神經(jīng)網(wǎng)絡(luò)。個(gè)不同產(chǎn)地個(gè)建模樣本，對(duì)個(gè)未知樣本產(chǎn)地進(jìn)行識(shí)別。結(jié)果表明，建模樣本產(chǎn)地類型的擬合率和預(yù)測(cè)識(shí)別率均為，預(yù)測(cè)結(jié)果見(jiàn)表。：真實(shí)值代表產(chǎn)地為土耳其；真實(shí)值代表產(chǎn)地為意大利；真實(shí)值代

10、表產(chǎn)地為西班牙個(gè)，而且能解決單純地用原始光譜波長(zhǎng)數(shù)據(jù)作為主成分結(jié)論提出了一種基于遺傳算法的近紅外光譜技術(shù)對(duì)不同產(chǎn)地橄欖油進(jìn)行快速、無(wú)損檢測(cè)的新方法。結(jié)果表明，運(yùn)用遺傳算法抽取特征波長(zhǎng)，不但將光譜波長(zhǎng)數(shù)據(jù)從個(gè)壓縮到參考分析無(wú)法正確分類的問(wèn)題。具體運(yùn)作方法為用遺傳算法抽取特征波長(zhǎng)，然后用主成分分析法對(duì)特征波長(zhǎng)進(jìn)行主成分提取，再用神經(jīng)網(wǎng)絡(luò)對(duì)三種不同橄欖油產(chǎn)地成功進(jìn)行分類。實(shí)驗(yàn)結(jié)果說(shuō)明建模方法正確，同時(shí)該建模方法為其他油類品種產(chǎn)地鑒別提供了新方法。獻(xiàn)文，（劉景林，林毅，褚瑩，等）（化學(xué)學(xué)報(bào)），（）【幻，（楊立榮，吳堅(jiān)平，姚善涇）（有機(jī)化學(xué)），（）：釘，（丁輝，徐世民，宋寶東，等）（現(xiàn)代化工），（）：釘明，（）：，（何勇，李曉麗邵詠妮）（光譜學(xué)與光譜分析），（何勇，馮水娟，李曉麗，等）（光譜學(xué)與光譜分析），（）：。，（