支持向量機-微量元素分析法判別烏龍茶,紅茶與綠茶

1、支持向量機微量元素分析法判別烏龍茶，紅茶與綠茶 陳念貽 1，陸文聰1 ， 陳瑞蘭1， 葉晨洲 2 ，李國正2（1.上海大學化學系計算機化學研究室 ，上海 200436 ； 2.上海交通大學圖象及模式識別研究所，上海 200030）摘要: 茶葉中的微量元素含量與產地土壤中的微量元素含量有關，故可用多種微量元素的分析數據結合模式識別計算判別茶葉產地和品牌。本工作根據三類茶葉中Zn, Mn, Mg, Cu, Al, Ca, Ba, K八種元素的分析數據，用支持向量機算法判別烏龍茶、紅茶或綠茶，并用留一法檢驗其預報能力。計算表明：支持向量機算法結果優(yōu)于Fisher 法和 KNN法。采用福建安溪鐵觀音烏

2、龍茶樣品的元素分析結果作測試樣品,檢驗本工作所得數學模型，判別結果亦與實際符合。關鍵詞: 烏龍茶判別，微量元素，支持向量機算法中圖分類號：O 06-04 收稿日期：2002-06-10；修回日期：2002-09-10資金資助：國家自然科學基金委和美國福特公司聯合資助，批準號：9716214作者簡介：陳念貽（1931-），男，教授，研究方向：計算機化學Support Vector Machine Applied to Differentiation of Oolong Tea and Black Tea or Green TeaChen Nianyi1 ， Lu Wencong 1 ， Chen

3、 Ruilan1，Ye Cheng-zhou2， Li Guo-zhen2（1Laboratory of Chemical Data Mining, Department of Chemistry, Shanghai University, Shanghai 200436，china;2Institute of Image and Pattern Recognition, JiaoTong University, Shanghai 200030, china）Abstract: Since the content of trace elements of tea is related to t

4、he local soil composition, it seems possible to use the results of trace element analysis to differentiate special brand of commercial tea products. In this work, the contents of eight trace elements: Zn, Mn, Mg, Cu, Al, Ca, Ba and K in tea samples have been used for the differentiation of Oolong Te

5、a from black tea or green tea. The cross validation by leaving-one method has been used to compare the prediction ability of support vector machine method with KNN and Fisher method. It has been found that the prediction result by support vector machine is better than that of KNN or Fisher method. B

6、esides, the mathematical model obtained has been tested by a new sample of oolong tea produced in Anxi county of Fujian province, and the computerized prediction result is in agreement with the fact.Key words: Differentiation of oolong tea, support vector machine, trace element content 1 引言烏龍茶是我國出產、

7、國際知名的茶葉品牌。烏龍茶罐裝飲料以其有一定的防誘變效果已打入國際飲料市場。我國烏龍茶有出口優(yōu)勢。故判別烏龍茶和其他茶葉品種在商品檢驗中有一定的實用意義。鑒于烏龍茶產地特殊，而茶葉中的微量元素與產地的土壤成分有關，有可能利用茶葉中多種微量元素的分析結果靠模式識別方法區(qū)別烏龍茶與它種茶葉。支持向量機(support vector machine，簡稱SVM) 是Vapnik等近年來根據新發(fā)展的統計學習理論建立的新算法。其特點是能最大限度防止統計預報中的過擬合現象，即擬合效果很好而預報效果不佳的現象（此問題在人工神經網絡應用中常遇到），從而保證預報有較傳統算法更高的預報可靠性。本工作采用支持向量機

8、算法根據微量元素含量判別烏龍茶和其它茶葉品牌，并與Fisher法和 KNN等傳統算法的預報結果相比較.2 計算方法本文采用文獻1用電感耦合等離子體原子發(fā)射光譜對烏龍茶和其它茶葉品牌（包括紅茶和綠茶）樣品的Zn, Mn, Mg, Cu, Al, Ca, Ba, K八種微量元素含量的分析結果；通過計算建立區(qū)別烏龍茶樣品與其他茶種的判別數學模型。本工作采用支持向量機算法作計算，并同時與KNN，Fisher法計算結果對比。支持向量機算法的原理是新發(fā)展的“統計學習理論”2-11。3 計算結果3.1 烏龍茶微量元素含量的數學模型根據上述八種微量元素的含量數據，判別烏龍茶樣本集(對紅茶樣本集)的支持向量機判

9、據為：WX + 2.401 > 0。判別烏龍茶樣本集(對綠茶樣本集)的支持向量機判據為：WX + 2.137 > 0。支持向量的權重系數和W的各分量如表所示。表 1 區(qū)別烏龍茶和紅茶，綠茶判據方程的系數 Table 1 The coefficients of the criteria for oolong tea with green tea or black tea系數烏龍茶對紅茶判據烏龍茶對綠茶判據WZnWMnWMgWCuWAlWCaWBaWK0.324-0.772-2.4842.042-3.428-1.049-0.281-2.030-0.478-1.830-1.2880.80

10、2-0.7480.206-1.258-2.126*各系數為對應各元素含量在(0,1)數域的歸一化值求得。用留一法交叉檢驗支持向量機算法的預報能力，并與Fisher法, KNN法建模的預報能力對比，結果如表2。表 2 烏龍茶與其它茶種樣本集模式識別建模預報結果 Table 2 The rate of correctness of prediction of oolong tea by SVM and other methods樣本集SVM預報正確率KNN預報正確率Fisher法預報正確率烏龍茶與紅茶烏龍茶與綠茶10010090.090.4%96.6%100% 3.2 用福建安溪名茶“鐵觀音”樣品

11、分析數據檢驗SVM數學模型為檢驗上文所述的烏龍茶SVM判別模型，我們從“上海名茶總匯”購得福建安溪名牌烏龍茶“鐵觀音”樣品，分析其微量元素含量。結果如表3。表3 福建安溪名牌烏龍茶“鐵觀音”微量元素分析數據（mg/kg茶）Table 3 Results of chemical analysis of a sample of famous oolong tea “teguanying” from Anxi county, Fujian provinceZnMnMgCuAlCaBaK20380120084152100痕量13000將此數據代入SVM數學模型，判別為烏龍茶。與實際符合。4 討論文獻(

12、1)用人工神經網絡和傳統的模式識別算法對烏龍茶、紅茶、綠茶根據微量元素含量建模，用交叉檢驗法測定判別效果，其判別正確率為90-95%。我們根據同樣數據，用SVM建模，留一法預報正確率更高。這是SVM的建模預報能力優(yōu)于傳統算法的又一實例。從判別烏龍茶的SVM判別式中各元素的系數可看出烏龍茶微量元素模式的特點，即K，Ba, Mg等堿性強的微量元素較其他茶種低，這應是福建等地烏龍茶產區(qū)土壤中微量元素含量的反映。據文獻，福建、廣東烏龍茶產區(qū)土壤系鐵鋁土類型，鹽基成分淋失是其特點12，因此烏龍茶中堿性成分偏低是可以理解的。對商品的多種成分的分析，尤其是多種微量元素的分析和化學計量學方法相結合，是商品檢驗

13、強有力的手段。本工作對烏龍茶的判別只是一個實例。在多種化學計量學算法中，新發(fā)展的支持向量機算法由于具有限制過擬合的功能，表現了比傳統算法更好的預報能力。估計今后將在這類商品檢驗工作中起重要作用。此外，從烏龍茶所含元素的特點看，其鎂、鉀含量偏低。而鎂，鉀都是植物的營養(yǎng)元素，此點似應引起對烏龍茶種植區(qū)施肥問題的注意。參 考 文 獻1. Herrador M.A. and Gonzalez A.G. . Pattern recognition procedures for differentiation of green, black and oolong tea according to thei

14、r metal content from inductively coupled plasma atomic emission spectrometry, Talanta , 2001 , 53 : 1249 . 2. Vapnik Vladimir N., The Nature of Statistical Learning Theory. Berlin, Springer, 19953. Vapnik Vladimir N., Statistical learning theory, New York, Wiley, 1998.4. Cristinini N. and Taylor J.S

15、.: An introduction on support vector machine and other kernel-based learning methods, Cambridge,Cambridge University Press, 2000.5. Burbidge R., Trotter M., Buxton B., Holden S.: Drug design by machine learning: support vector machines for phamaceutical data analysis, Computer and chemistry, 2001, 2

16、6 (5):5-146. Joachims T.: Advances in kernel methodsupport vector learning, Boston, MIT Press,19997. Wan, Vincent; Campbell, William M., Support vector machines for speaker verification and identification, Neural Networks for Signal Processing - Proceedings of the IEEE Workshop 2, 2000:775-7848. Tho

17、rsten Joachims, Learning to Classify Text Using Support Vector Machines. Dissertation, Universitaet Dortmund, February 2001. 9. Burbidge R, Trotter M, Buxton B, Holden S, Drug design by machine learning: support vector machines for pharmaceutical data analysis, Computer and Chemistry, 2001, 26 (1): 5-1410. , Buxton, B.F., Holden, S.B., Support vector machines in combinatorial chemistry, Measurement and Cont