一種基于蟻群算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】一種基于蟻群算法的表征蜂蜜差異性智能嗅覺圖譜特征提取方法，蟻群算法屬于啟發(fā)式特征選擇方法，利用算法的自動(dòng)迭代進(jìn)化，對(duì)特征點(diǎn)選擇進(jìn)行自動(dòng)尋優(yōu)，直到獲得最優(yōu)結(jié)果，其特征在于將蟻群算法應(yīng)用于特征點(diǎn)的選擇，算法模擬遺傳算法。利用各特征點(diǎn)選擇后的Bayes判別準(zhǔn)確率以及所選擇的特征點(diǎn)數(shù)為適應(yīng)性函數(shù)，尋求最優(yōu)的向量組合，該算法主要?jiǎng)?chuàng)新點(diǎn)包括：（a）將特征點(diǎn)選擇數(shù)加入適應(yīng)函數(shù)中，并設(shè)定代價(jià)參數(shù)，通過參數(shù)調(diào)節(jié)，可以根據(jù)需要對(duì)特征點(diǎn)數(shù)和判別準(zhǔn)確率進(jìn)行取舍；（b）為避由于特殊點(diǎn)導(dǎo)致的更新方向錯(cuò)誤，設(shè)置最優(yōu)集，以最優(yōu)集合代替單一最優(yōu)點(diǎn)進(jìn)行選擇；（c）信息素更新程度與適應(yīng)函數(shù)提高成正比，算法優(yōu)化效果好，則更新幅度增大；（d）為加快計(jì)算速度，對(duì)效果較差的向量加快揮發(fā)速度，減小信息素濃度，減小其對(duì)后期計(jì)算干擾。
【專利說明】一種基于蟻群算法的表征蜂蜜差異性智能嗅覺圖譜特征提取方法
【技術(shù)領(lǐng)域】
[0001]本申請(qǐng)涉及一種基于蟻群算法的表征蜂蜜差異性智能嗅覺圖譜特征提取方法。
【背景技術(shù)】
[0002]我國(guó)蜂蜜產(chǎn)量居世界首位，近年來產(chǎn)量一直保持快速增長(zhǎng)的趨勢(shì)，由2001年的25.2萬噸增加到2009年的40.2萬噸，占世界總產(chǎn)量也由近20%提高到30%多。但由于經(jīng)濟(jì)利益的驅(qū)動(dòng)，目前蜂蜜市場(chǎng)摻假嚴(yán)重，導(dǎo)致?lián)郊俜涿壅紦?jù)了蜂蜜市場(chǎng)的20%?30%，有些地區(qū)摻假造假的蜂產(chǎn)品占50%左右，嚴(yán)重?fù)p壞了消費(fèi)者利益、影響蜂蜜產(chǎn)業(yè)健康發(fā)展、打擊出口貿(mào)易創(chuàng)匯。
[0003]由于缺乏檢測(cè)手段的影響，導(dǎo)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(zhì)結(jié)構(gòu)比較簡(jiǎn)單，包含水和糖類成分，給摻假提供了便利條件，同時(shí)，單靠檢測(cè)這幾種物質(zhì)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(shì)強(qiáng)弱、蜜期時(shí)間長(zhǎng)短、空氣的溫度和濕度，以及蜂蜜的加工、貯存、結(jié)晶等多種因素影響，造成蜂蜜主要物質(zhì)的含量范圍變化較大，使得蜂蜜摻假簡(jiǎn)單、方便；(3) C4等摻假檢測(cè)費(fèi)用高、無法大規(guī)模用于實(shí)際檢測(cè)和執(zhí)法。
[0004]香氣是產(chǎn)品品質(zhì)體現(xiàn)的重要屬性之一，產(chǎn)品香氣表征需要突出其客觀性、真實(shí)性與全面性。目前氣相色譜(GC)、氣相色譜-質(zhì)譜聯(lián)用(GC-MS)和氣相色譜-嗅辨(GC-O)等方法，只能檢測(cè)產(chǎn)品中有限的單體香氣物質(zhì)，并且這些香氣之間存在協(xié)同、變調(diào)等現(xiàn)象，很難從整體上反映樣品的香氣品質(zhì)。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(zhì)，同時(shí)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(zhì)判別、果蔬成熟度檢測(cè)、茶葉產(chǎn)地品種識(shí)別、酒類品牌界定等方面開展了相關(guān)研究。
[0005]蜂蜜中含有300多種芳香物質(zhì)，因此它是研究智能嗅覺表征的重要樣例；同時(shí)不同蜜源、不同產(chǎn)地其風(fēng)味物質(zhì)各異，并且蜂蜜摻假與否或品質(zhì)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(zhì)檢測(cè)與摻假鑒別的重要指標(biāo)之一；充分說明采用智能嗅覺表征蜂蜜品質(zhì)具有可行性，也為蜂蜜品質(zhì)檢測(cè)及摻假鑒別提供了一種快速、經(jīng)濟(jì)、準(zhǔn)確且利于實(shí)時(shí)應(yīng)用的檢測(cè)方法。因此選擇蜂蜜作為研究對(duì)象具有實(shí)用意義，對(duì)其行業(yè)健康發(fā)展更具深遠(yuǎn)價(jià)值。
[0006]采用電子鼻進(jìn)行產(chǎn)品品質(zhì)判別或摻假鑒別分析，其本質(zhì)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(duì)每個(gè)香氣都有不同程度的響應(yīng)，因此通過電子鼻采集的呈香物質(zhì)圖譜具有廣譜、重疊等特點(diǎn)，很難單獨(dú)用肉眼從圖譜上區(qū)分不同樣品，需要進(jìn)行“信號(hào)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(chǎn)品特征與品質(zhì)。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(nèi)容】

[0007]—種基于蟻群算法的表征蜂蜜差異性智能嗅覺圖譜特征提取方法，根據(jù)我國(guó)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(yáng)；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(duì)待測(cè)樣品蜂蜜進(jìn)行檢測(cè)，利用蟻群算法的自動(dòng)迭代進(jìn)化，對(duì)特征點(diǎn)選擇進(jìn)行自動(dòng)尋優(yōu)，直到獲得最優(yōu)結(jié)果，其特征在于將蟻群算法應(yīng)用于特征點(diǎn)的選擇，算法模擬遺傳算法，利用二進(jìn)制編碼對(duì)各傳特征向量進(jìn)行編碼，I代表選擇該信息點(diǎn)，O代表舍棄該信息點(diǎn)，利用各特征點(diǎn)選擇后的Bayes判別準(zhǔn)確率以及所選擇的特征點(diǎn)數(shù)為適應(yīng)性函數(shù)，尋求最優(yōu)的向量組合，該算法包括:Ca)將特征點(diǎn)選擇數(shù)加入適應(yīng)函數(shù)中，并設(shè)定代價(jià)參數(shù)，通過參數(shù)調(diào)節(jié)，可以根據(jù)需要對(duì)特征點(diǎn)數(shù)和判別準(zhǔn)確率進(jìn)行取舍；(b)為避由于特殊點(diǎn)導(dǎo)致的更新方向錯(cuò)誤，設(shè)置最優(yōu)集，以最優(yōu)集合代替單一最優(yōu)點(diǎn)進(jìn)行選擇；(C)信息素更新程度與適應(yīng)函數(shù)提高成正比，算法優(yōu)化效果好，則更新幅度增大；(d)為加快計(jì)算速度，對(duì)效果較差的向量加快揮發(fā)速度，減小信息素濃度，減小其對(duì)后期計(jì)算干擾。
[0008]所述的智能嗅覺圖譜特征提取方法，其蟻群算法各參數(shù)選擇如下:最終選擇蟻群規(guī)模=20 ;信息素?fù)]發(fā)濃度=0.003 ;優(yōu)秀螞蟻集=3 ;差螞蟻集=3;特征數(shù)懲罰比例=400 ;蟻群算法所選擇的特征點(diǎn)多集中于1000附近和1500至2160，即第9、第15-18根傳感器的信號(hào)點(diǎn)，最終選擇特征點(diǎn)數(shù)206，判別準(zhǔn)確率為94.94%，其中油菜蜜22/23，椴樹蜜16/17，洋槐蜜 37/39。
【專利附圖】

【附圖說明】
[0009]
圖1異常點(diǎn)剔除結(jié)果:(a)馬氏距離判別結(jié)果；(b)杠桿值判別結(jié)果；
圖2基于方差比的特征提取結(jié)果 圖3基于單項(xiàng)量判別的特征點(diǎn)提取結(jié)果 圖4蟻群算法流程圖 圖5基于蟻群算法的特征提取結(jié)果 圖6基于核主成分分析的特征點(diǎn)提取結(jié)果 圖7基于獨(dú)立成分分析的特征點(diǎn)提取結(jié)果 圖8基于網(wǎng)格搜素的支持向量機(jī)參數(shù)優(yōu)化結(jié)果 圖9基于遺傳算法的支持向量機(jī)參數(shù)優(yōu)化結(jié)果 圖10基于粒子群算法的支持向量機(jī)參數(shù)優(yōu)化結(jié)果
【具體實(shí)施方式】
[0010]I關(guān)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(jù)我國(guó)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(yáng)；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(shí)驗(yàn)樣本的真實(shí)性和準(zhǔn)確性，避免市場(chǎng)商業(yè)蜜加工工藝的干擾，樣品通過中國(guó)農(nóng)業(yè)科學(xué)院蜜蜂研究所直接由蜂農(nóng)處購(gòu)得。
[0011]樣品采集后按照不同蜜源、不同產(chǎn)地分別置于不同試劑瓶中。為確保研究不受檢測(cè)條件差異的干擾，樣品采集后儲(chǔ)存于-18°C條件下，待所有樣品采集完畢后統(tǒng)一進(jìn)行試驗(yàn)。實(shí)驗(yàn)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(shí)為保證樣品融化完全，無結(jié)晶，水浴時(shí)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。
[0012]2電子鼻檢測(cè)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(duì)待測(cè)樣品蜂蜜進(jìn)行檢測(cè)。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(xué)吸附)后，改變半導(dǎo)體傳感器表層電流強(qiáng)度。通過數(shù)字轉(zhuǎn)換，獲得各樣品的響應(yīng)曲線，從而對(duì)樣品進(jìn)行檢測(cè)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(dǎo)體氣敏傳感器(MOS)與HS100頂空自動(dòng)進(jìn)樣器組成。
[0013]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(jù)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(dòng)進(jìn)樣器最多容納2個(gè)托盤，每個(gè)托盤可放置32個(gè)頂空瓶。
[0014]2)根據(jù)要求設(shè)定儀器檢測(cè)條件，包括頂空制樣條件和電子鼻檢測(cè)條件。根據(jù)蜜源種類和檢測(cè)順序，對(duì)托盤上各頂空瓶進(jìn)行編碼。
[0015]3)頂空瓶根據(jù)設(shè)置的條件被放入頂空室內(nèi)進(jìn)行加熱，加熱時(shí)頂空瓶間歇震蕩，保證頂空氣體均一性。頂空制樣結(jié)束后，抽取頂空氣體，注入檢測(cè)器中，并將頂空瓶從頂空室內(nèi)取出。Fox 4000為連續(xù)型氣流注射，氣體進(jìn)入檢測(cè)氣后與各傳感器發(fā)生吸附與解吸附反應(yīng)，并各自生成響應(yīng)的響應(yīng)曲線。
[0016]單一樣品可獲得18 (18根傳感器)*t (檢測(cè)時(shí)間)的信號(hào)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(yīng)值進(jìn)行分析。
[0017]3基于電子鼻信息的蜂蜜品質(zhì)建模方法
利用提取出的電子鼻特征信息建立支持向量機(jī)判別模型，對(duì)不同蜜源的樣本進(jìn)行分類。傳統(tǒng)的模式識(shí)別方法是建立在大量樣本基礎(chǔ)上的漸進(jìn)理論，但實(shí)際生產(chǎn)應(yīng)用中個(gè)，由于各方面條件的限制，大量的樣本數(shù)往往難以得到較好的保證，在小樣本的條件下，根據(jù)傳統(tǒng)的統(tǒng)計(jì)學(xué)基礎(chǔ)，很難取得較理想的學(xué)習(xí)效果和泛化效果。但支持向量機(jī)適用于小樣本條件下的建模需求，由此對(duì)不同蜜源樣本進(jìn)行模式識(shí)別判定。
[0018]支持向量機(jī)(SupportVector Machine, SVM)理論是 Vapnik (1995)在傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ)上，結(jié)合結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，針對(duì)有限樣本的特點(diǎn)所提出的。該方法可以有效減少傳統(tǒng)模式識(shí)別模型中參數(shù)設(shè)定的隨意行，克服了模型建立過程中經(jīng)驗(yàn)風(fēng)險(xiǎn)與期望風(fēng)險(xiǎn)發(fā)生較大差別的不足，具體SVM理論如下。
[0019]在模式識(shí)別中，求出一個(gè)最優(yōu)化函數(shù)f (X，w),使其在對(duì)未知樣本集(Xi, Yi)(i=l，2…，n;y 6 {-1,1}為樣本標(biāo)號(hào))進(jìn)行評(píng)估時(shí)，期望風(fēng)險(xiǎn)R(W)最小:
【權(quán)利要求】
1.一種基于蟻群算法的表征蜂蜜差異性智能嗅覺圖譜特征提取方法，根據(jù)我國(guó)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(yáng)；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(duì)待測(cè)樣品蜂蜜進(jìn)行檢測(cè)，利用蟻群算法的自動(dòng)迭代進(jìn)化，對(duì)特征點(diǎn)選擇進(jìn)行自動(dòng)尋優(yōu)，直到獲得最優(yōu)結(jié)果，其特征在于將蟻群算法應(yīng)用于特征點(diǎn)的選擇，算法模擬遺傳算法，利用二進(jìn)制編碼對(duì)各傳特征向量進(jìn)行編碼，I代表選擇該信息點(diǎn)，O代表舍棄該信息點(diǎn)，利用各特征點(diǎn)選擇后的Bayes判別準(zhǔn)確率以及所選擇的特征點(diǎn)數(shù)為適應(yīng)性函數(shù)，尋求最優(yōu)的向量組合，該算法包括:Ca)將特征點(diǎn)選擇數(shù)加入適應(yīng)函數(shù)中，并設(shè)定代價(jià)參數(shù)，通過參數(shù)調(diào)節(jié)，可以根據(jù)需要對(duì)特征點(diǎn)數(shù)和判別準(zhǔn)確率進(jìn)行取舍；(b)為避由于特殊點(diǎn)導(dǎo)致的更新方向錯(cuò)誤，設(shè)置最優(yōu)集，以最優(yōu)集合代替單一最優(yōu)點(diǎn)進(jìn)行選擇；(C)信息素更新程度與適應(yīng)函數(shù)提高成正比，算法優(yōu)化效果好，則更新幅度增大；(d)為加快計(jì)算速度，對(duì)效果較差的向量加快揮發(fā)速度，減小信息素濃度，減小其對(duì)后期計(jì)算干擾。
2.根據(jù)權(quán)利要求1所述的智能嗅覺圖譜特征提取方法，其蟻群算法各參數(shù)選擇如下:最終選擇蟻群規(guī)模=20 ;信息素?fù)]發(fā)濃度=0.003 ;優(yōu)秀螞蟻集=3 ;差螞蟻集=3;特征數(shù)懲罰比例=400 ;蟻群算法所選擇的特征點(diǎn)多集中于1000附近和1500至2160，即第9、第15-18根傳感器的信號(hào)點(diǎn)，最終選擇特征點(diǎn)數(shù)206，判別準(zhǔn)確率為94.94%，其中油菜蜜22/23，椴樹蜜 16/17，洋槐蜜 37/39 (。
【文檔編號(hào)】G01N27/00GK103499608SQ201310323337
【公開日】2014年1月8日 申請(qǐng)日期:2013年7月30日 優(yōu)先權(quán)日:2013年7月30日
【發(fā)明者】史波林, 劉寧晶, 趙鐳, 汪厚銀, 支瑞聰, 裴高璞, 解楠, 張璐璐 申請(qǐng)人:中國(guó)標(biāo)準(zhǔn)化研究院