一種基于單項判別法的表征蜂蜜差異性智能嗅覺圖譜特征提取方法
【專利摘要】一種基于單項判別法的表征蜂蜜差異性智能嗅覺圖譜特征提取方法，其特征在于對所有特征點逐個進行模式識別，比較當每個信號點作為單一特征時判別準確率的差異，該方法將模式識別方法嵌入特征選擇中，通過結合判別方法，可以獲得各信號點對樣品預測的能力，該方法對所選擇的模式識別方法較依賴，選擇結果會隨判別方法的改變發(fā)生一定變化,單向量選擇中不同傳感器間準確率的差異較小，而同根傳感器內不同檢測時間下的信息點間的差異較大,但不同傳感器內時間點Bayes判別準確率的變化趨勢與方差比變化趨勢一致，即檢測初期信號判別準確率較高，集中于各傳感器的前30s檢測時間內，而檢測后期的效果則較差,選擇判別準確率大于60%的信號點作為特征點，共598特征點，其中油菜蜜20/23，椴樹蜜13/17，洋槐蜜34/39。
【專利說明】一種基于單項判別法的表征蜂蜜差異性智能嗅覺圖譜特征提取方法【技術領域】
[0001]本申請涉及一種基于單項判別法的表征蜂蜜差異性智能嗅覺圖譜特征提取方法?！颈尘凹夹g】
[0002]我國蜂蜜產量居世界首位，近年來產量一直保持快速增長的趨勢，由2001年的25.2萬噸增加到2009年的40.2萬噸，占世界總產量也由近20%提高到30%多。但由于經濟利益的驅動，目前蜂蜜市場摻假嚴重，導致?lián)郊俜涿壅紦朔涿凼袌龅?0%~30%，有些地區(qū)摻假造假的蜂產品占50%左右，嚴重損壞了消費者利益、影響蜂蜜產業(yè)健康發(fā)展、打擊出口貿易創(chuàng)匯。
[0003]由于缺乏檢測手段的影響，導致?lián)郊俅驌裘媾R困難，其根本原因如下:(1)由于蜂蜜本身的主要物質結構比較簡單，包含水和糖類成分，給摻假提供了便利條件，同時，單靠檢測這幾種物質含量的多少根本沒辦法判別是否摻假；(2)由于蜂蜜受蜜源植物種類、蜜蜂群勢強弱、蜜期時間長短、空氣的溫度和濕度，以及蜂蜜的加工、貯存、結晶等多種因素影響，造成蜂蜜主要物質的含量范圍變化較大，使得蜂蜜摻假簡單、方便；(3) C4等摻假檢測費用高、無法大規(guī)模用于實際檢測和執(zhí)法。
[0004]香氣是產品品質體現(xiàn)的重要屬性之一，產品`香氣表征需要突出其客觀性、真實性與全面性。目前氣相色譜(GC)、氣相色譜-質譜聯(lián)用(GC-MS)和氣相色譜-嗅辨(GC-O)等方法，只能檢測產品中有限的單體香氣物質，并且這些香氣之間存在協(xié)同、變調等現(xiàn)象，很難從整體上反映樣品的香氣品質。而智能嗅覺系統(tǒng)(電子鼻)能夠模擬人類嗅聞特征，綜合表征香氣的整體信息,體現(xiàn)香氣的嗅覺特征和整體品質，同時比人的嗅覺更加客觀、可靠。目前已在食品新鮮度、食用油變質判別、果蔬成熟度檢測、茶葉產地品種識別、酒類品牌界定等方面開展了相關研究。
[0005]蜂蜜中含有300多種芳香物質，因此它是研究智能嗅覺表征的重要樣例；同時不同蜜源、不同產地其風味物質各異，并且蜂蜜摻假與否或品質優(yōu)劣能在整體香氣上有所體現(xiàn)，使得香氣成為蜂蜜品質檢測與摻假鑒別的重要指標之一；充分說明采用智能嗅覺表征蜂蜜品質具有可行性，也為蜂蜜品質檢測及摻假鑒別提供了一種快速、經濟、準確且利于實時應用的檢測方法。因此選擇蜂蜜作為研究對象具有實用意義，對其行業(yè)健康發(fā)展更具深遠價值。
[0006]采用電子鼻進行產品品質判別或摻假鑒別分析，其本質是利用智能嗅覺圖譜的整體香氣信息，尋找樣品間的差異性，其核心是尋找代表樣品間差異性的圖譜信息，即“差異化信息”，也叫“智能嗅覺的差異化圖譜信息”。但是電子鼻的傳感器陣列具有交叉敏感性，即每根傳感器對每個香氣都有不同程度的響應，因此通過電子鼻采集的呈香物質圖譜具有廣譜、重疊等特點，很難單獨用肉眼從圖譜上區(qū)分不同樣品，需要進行“信號挖掘”，特別是“代表樣品間差異化信息的挖掘”，挖掘的差異性化信息越多，就越有助于快捷的區(qū)分產品特征與品質。但目前在差異化信息挖掘方面還很薄弱，也是制約電子鼻發(fā)展的瓶頸。
【發(fā)明內容】

[0007]—種基于單項判別法的表征蜂蜜差異性智能嗅覺圖譜特征提取方法，其特征在于對所有特征點逐個進行模式識別，比較當每個信號點作為單一特征時判別準確率的差異，該方法將模式識別方法嵌入特征選擇中，通過結合判別方法，可以獲得各信號點對樣品預測的能力，該方法對所選擇的模式識別方法較依賴，選擇結果會隨判別方法的改變發(fā)生一定變化，單向量選擇中不同傳感器間準確率的差異較小，而同根傳感器內不同檢測時間下的信息點間的差異較大，但不同傳感器內時間點Bayes判別準確率的變化趨勢與方差比變化趨勢一致，即檢測初期信號判別準確率較高，集中于各傳感器的前30s檢測時間內，而檢測后期的效果則較差，選擇判別準確率大于60%的信號點作為特征點，共598特征點，利用支持向量機進行驗證，預測準確率為84.8101%，其中油菜蜜20/23，椴樹蜜13/17，洋槐蜜34/39。
【專利附圖】

【附圖說明】
[0008]圖1異常點剔除結果:(a)馬氏距離判別結果；(b)杠桿值判別結果；
圖2基于方差比的特征提取結果
圖3基于單項量判別的特征點提取結果 圖4蟻群算法流程圖 圖5基于蟻群算法的特征提取結果 圖6基于核主成分分析的特征點提取結果 圖7基于獨立成分分析的特征點提取結果 圖8基于網格搜素的支持向量機參數優(yōu)化結果 圖9基于遺傳算法的支持向量機參數優(yōu)化結果 圖10基于粒子群算法的支持向量機參數優(yōu)化結果
【具體實施方式】
[0009]I關于樣本收集與制備
為使所研究的蜜源差異具有代表性，根據我國地理區(qū)域(西部、華南、華北、華東、東北)的劃分，選擇5種不同蜜源作為研究樣本，分別為:1)油菜蜜，采自西部地區(qū)的重慶涪陵區(qū)和永川區(qū)；2)荔枝蜜，采自華南地區(qū)的廣西南寧；3)荊條蜜，采自華北地區(qū)的北京密云等地；4)洋槐蜜，采自華東的山東萊陽；5)椴樹蜜，采自東北的吉林敦化及黑龍江哈爾濱等地。為保證實驗樣本的真實性和準確性，避免市場商業(yè)蜜加工工藝的干擾，樣品通過中國農業(yè)科學院蜜蜂研究所直接由蜂農處購得。
[0010]樣品采集后按照不同蜜源、不同產地分別置于不同試劑瓶中。為確保研究不受檢測條件差異的干擾，樣品采集后儲存于-18°C條件下，待所有樣品采集完畢后統(tǒng)一進行試驗。實驗前，樣品從_18°C下取出后，5種蜜源樣品各取60g左右，置于40°C恒溫水浴箱中，水浴加熱15min，使蜂蜜樣品融化，剩余樣品繼續(xù)置于-18°C下保存。水浴加熱時為保證樣品融化完全，無結晶，水浴時需每3min震蕩一次。樣品水浴完成后，取出置于室溫下冷卻Ih以上，直至樣品溫度與室溫(20°C )—致。[0011 ]
2電子鼻檢測方法
電子鼻利用氣敏傳感器陣列與不同揮發(fā)性成分的吸附差異對待測樣品蜂蜜進行檢測。蜂蜜揮發(fā)性成分與傳感器特征吸附(包括物理吸附與化學吸附)后，改變半導體傳感器表層電流強度。通過數字轉換，獲得各樣品的響應曲線，從而對樣品進行檢測分析。本發(fā)明采用Fox 4000型電子鼻(Alpha MOS, France)，該電子鼻由18根金屬氧化物半導體氣敏傳感器(MOS)與HS100頂空自動進樣器組成。
[0012]儀器具體操作流程如下:
I)將水浴后冷卻至室溫的蜂蜜樣品根據要求加入容積為IOml的頂空瓶中。將裝好樣品的頂空瓶置于托盤上。HS100自動進樣器最多容納2個托盤，每個托盤可放置32個頂空瓶。
[0013]2)根據要求設定儀器檢測條件，包括頂空制樣條件和電子鼻檢測條件。根據蜜源種類和檢測順序，對托盤上各頂空瓶進行編碼。
[0014]3)頂空瓶根據設置的條件被放入頂空室內進行加熱，加熱時頂空瓶間歇震蕩，保證頂空氣體均一性。頂空制樣結束后，抽取頂空氣體，注入檢測器中，并將頂空瓶從頂空室內取出。Fox 4000為連續(xù)型氣流注射，氣體進入檢測氣后與各傳感器發(fā)生吸附與解吸附反應，并各自生成響應的響應曲線。
[0015]單一樣品可獲得18 (18根傳感器)*t (檢測時間)的信號矩陣。傳統(tǒng)方法將各傳感器的最大(小)值作為該傳感器的響應值進行分析。
[0016]
3基于電子鼻信息的蜂蜜品質建模方法
利用提取出的電子鼻特征信息建立支持向量機判別模型，對不同蜜源的樣本進行分類。傳統(tǒng)的模式識別方法是建立在大量樣本基礎上的漸進理論，但實際生產應用中個，由于各方面條件的限制，大量的樣本數往往難以得到較好的保證，在小樣本的條件下，根據傳統(tǒng)的統(tǒng)計學基礎，很難取得較理想的學習效果和泛化效果。但支持向量機適用于小樣本條件下的建模需求，由此對不同蜜源樣本進行模式識別判定。
[0017]支持向量機(SupportVector Machine, SVM)理論是 Vapnik (1995)在傳統(tǒng)的統(tǒng)計學習基礎上，結合結構風險最小化原則，針對有限樣本的特點所提出的。該方法可以有效減少傳統(tǒng)模式識別模型中參數設定的隨意行，克服了模型建立過程中經驗風險與期望風險發(fā)生較大差別的不足，具體SVM理論如下。
[0018]在模式識別中，求出一個最優(yōu)化函數f (X，w),使其在對未知樣本集(Xi, Yi)(1=1，2夂，]1;7 e {-1,1}為樣本標號)進行評估時,期望風險R(W)最小:
wm= I iJjjm.w`mFiK.y}
?+(I)
其中，F(xiàn) (X，y)為聯(lián)合分布概率，L(y, f (x, w))是用f (x, w)對y進行預測而造成的損失，稱為損失函數，對于兩類模式識別問題，L可以定義為:
【權利要求】
1.一種基于單項判別法的表征蜂蜜差異性智能嗅覺圖譜特征提取方法，根據我國地理區(qū)域西部、華南、華北、華東、東北的劃分，選擇5種不同蜜源作為研究樣本，分別為:1)油菜蜜，采自西部地區(qū)的重慶涪陵區(qū)和永川區(qū)；2)荔枝蜜，采自華南地區(qū)的廣西南寧；3)荊條蜜，采自華北地區(qū)的北京密云等地；4)洋槐蜜，采自華東的山東萊陽；5)椴樹蜜；利用氣敏傳感器陣列與不同揮發(fā)性成分的吸附差異對待測樣品蜂蜜進行檢測，其特征在于對所有特征點逐個進行模式識別，比較當每個信號點作為單一特征時判別準確率的差異，該方法將模式識別方法嵌入特征選擇中，通過結合判別方法，可以獲得各信號點對樣品預測的能力，該方法對所選擇的模式識別方法較依賴，選擇結果會隨判別方法的改變發(fā)生一定變化，單向量選擇中不同傳感器間準確率的差異較小，而同根傳感器內不同檢測時間下的信息點間的差異較大，但不同傳感器內時間點Bayes判別準確率的變化趨勢與方差比變化趨勢一致，即檢測初期信號判別準確率較高，集中于各傳感器的前30s檢測時間內，而檢測后期的效果則較差，選擇判別準確率大于60%的信號點作為特征點，共598特征點，利用支持向量機進行驗證，預測準確率為84.8101%，其中油菜蜜20/23，椴樹蜜13/17，洋槐蜜34/39。
【文檔編號】G01N27/00GK103487464SQ201310323171
【公開日】2014年1月1日 申請日期:2013年7月30日 優(yōu)先權日:2013年7月30日
【發(fā)明者】史波林, 劉寧晶, 趙鐳, 支瑞聰, 汪厚銀, 張璐璐, 解楠, 裴高璞 申請人:中國標準化研究院