一種基于粒子群算法的支持向量機分類器參數(shù)選擇的蜂蜜檢測方法
【技術(shù)領(lǐng)域】
[0001] 本申請涉及一種基于粒子群算法的支持向量機分類器參數(shù)選擇的蜂蜜檢測方法?！颈尘凹夹g(shù)】
[0002] 我國蜂蜜產(chǎn)量居世界首位，近年來產(chǎn)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(chǎn)量也由近20%提高到30%多。但由于 經(jīng)濟利益的驅(qū)動，目前蜂蜜市場慘假嚴重，導(dǎo)致慘假蜂蜜占據(jù)了蜂蜜市場的20%~30%，有 些地區(qū)慘假造假的蜂產(chǎn)品占50%左右，嚴重損壞了消費者利益、影響蜂蜜產(chǎn)業(yè)健康發(fā)展、打 擊出口貿(mào)易創(chuàng)匯。
[0003] 由于缺乏檢測手段的影響，導(dǎo)致慘假打擊面臨困難，其根本原因如下；（1)由于蜂 蜜本身的主要物質(zhì)結(jié)構(gòu)比較簡單，包含水和糖類成分，給慘假提供了便利條件，同時，單靠 檢測該幾種物質(zhì)含量的多少根本沒辦法判別是否慘假；（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，W及蜂蜜的加工、膽存、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，使得蜂蜜慘假簡單、方便；（3) C4等慘假檢測 費用高、無法大規(guī)模用于實際檢測和執(zhí)法。
[0004] 香氣是產(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、真實性 與全面性。目前氣相色譜佑C)、氣相色譜-質(zhì)譜聯(lián)用佑C-M巧和氣相色譜-嗅辨佑C-0) 等方法，只能檢測產(chǎn)品中有限的單體香氣物質(zhì)，并且該些香氣之間存在協(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、茶葉產(chǎn)地品種識別、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；同時不 同蜜源、不同產(chǎn)地其風味物質(zhì)各異，并且蜂蜜慘假與否或品質(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)檢測與慘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(zhì)具有可行性，也為蜂蜜品質(zhì)檢測及慘假鑒別提供了一種快速、經(jīng)濟、準確且利于實 時應(yīng)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(chǎn)品品質(zhì)判別或慘假鑒別分析，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，其核也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(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，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(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] -種基于粒子群算法的支持向量機分類器參數(shù)選擇的蜂蜜檢測方法，根據(jù)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)的重慶潔陵區(qū)和永川區(qū)；2)慕枝蜜，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)極樹蜜；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，其特征在于初始化隨 機個體，通過計算當前個體適應(yīng)度函數(shù)值與群體最優(yōu)適應(yīng)值間差距進行個體變更，相比于 遺傳算法，粒子群算法收斂更快，在6代左右就達到最優(yōu)點，優(yōu)化結(jié)果為：訓練集最高準確 率為91. 25%，c= 32. 3362, r= 0. 0100,此條件下，預(yù)測準確率為88. 61%，其中油菜蜜21/23， 極樹蜜14/17,洋槐蜜36/39。
【附圖說明】
[000引圖1異常點剔除結(jié)果；(a)馬氏距離判別結(jié)果；化）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基于單項量判別的特征點提取結(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提取結(jié)果 圖7基于獨立成分分析的特征點提取結(jié)果 圖8基于網(wǎng)格搜素的支持向量機參數(shù)優(yōu)化結(jié)果 圖9基于遺傳算法的支持向量機參數(shù)優(yōu)化結(jié)果 圖10基于粒子群算法的支持向量機參數(shù)優(yōu)化結(jié)果
【具體實施方式】
[0009] 1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)的重慶潔陵區(qū) 和永川區(qū)；2)慕枝蜜，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)極樹蜜，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(nóng) 業(yè)科學院蜜蜂研究所直接由蜂農(nóng)處購得。
[0010] 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 測條件差異的干擾，樣品采集后儲存于-18C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-18C下取出后，5種蜜源樣品各取60g左右，置于4(TC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-18C下保存。水浴加熱時為保證樣 品融化完全，無結(jié)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比 W上，直至樣品溫度與室溫（2(TC) -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(dǎo)體傳感器表層 電流強度。通過數(shù)字轉(zhuǎn)換，獲得各樣品的響應(yīng)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,化ance)，該電子鼻由18根金屬氧化物半導(dǎo)體氣敏傳感 器（M0S)與服100頂空自動進樣器組成。
[0012] 儀器具體操作流程如下： 1)將水浴后冷卻至室溫的蜂蜜樣品根據(jù)要求加入容積為10ml的頂空瓶中。將裝好樣 品的頂空瓶置于巧盤上。HS100自動進樣器最多容納2個巧盤，每個巧盤可放置32個頂空 瓶。
[0013] 2)根據(jù)要求設(shè)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(jù)蜜源 種類和檢測順序，對巧盤上各頂空瓶進行編碼。
[0014] 3)頂空瓶根據(jù)設(shè)置的條件被放入頂空室內(nèi)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(jié)束后，抽取頂空氣體，注入檢測器中，并將頂空瓶從頂空室 內(nèi)取出。Fox 4000為連續(xù)型氣流注射，氣體進入檢測氣后與各傳感器發(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。
[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(?。┲底鳛樵搨鞲衅鞯捻憫?yīng)值進行分析。
[0016] 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(chǔ)上的漸進理論，但實際生產(chǎn)應(yīng)用中個，由于 各方面條件的限制，大量的樣本數(shù)往往難W得到較好的保證，在小樣本的條件下，根據(jù)傳統(tǒng) 的統(tǒng)計學基礎(chǔ)，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（Suppo;rt Vector Machine, SVM)理論是 Vapnik (1995)在傳統(tǒng)的統(tǒng) 計學習基礎(chǔ)上，結(jié)合結(jié)構(gòu)風險最小化原則，針對有限樣本的特點所提出的。該方法可W有效 減少傳統(tǒng)模式識別模型中參數(shù)設(shè)定的隨意行，克服了模型建立過程中經(jīng)驗風險與期望風險 發(fā)生較大差別的不足，具體SVM理論如下。
[001引在模式識別中，求出一個最優(yōu)化函數(shù)f(x，w)，使其在對未知樣本集（Xi，yi) (i=l，2…，n;y e{-1,1}為樣本標號）進行評估時，期望風險R(W)最小：
【主權(quán)項】
1. 一種基于粒子群算法的支持向量機分類器參數(shù)選擇的蜂蜜檢測方法，根據(jù)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，其特征在于初始化隨 機個體，通過計算當前個體適應(yīng)度函數(shù)值與群體最優(yōu)適應(yīng)值間差距進行個體變更，相比于 遺傳算法，粒子群算法收斂更快，在6代左右就達到最優(yōu)點，優(yōu)化結(jié)果為：訓練集最高準確 率為91. 25%，C= 32. 3362, r= 0. 0100,此條件下，預(yù)測準確率為88. 61%，其中油菜蜜21/23， 椴樹蜜14/17,洋槐蜜36/39。
【專利摘要】一種基于粒子群算法的支持向量機分類器參數(shù)選擇的蜂蜜檢測方法，其特征在于初始化隨機個體，通過計算當前個體適應(yīng)度函數(shù)值與群體最優(yōu)適應(yīng)值間差距進行個體變更，相比于遺傳算法，粒子群算法收斂更快，在6代左右就達到最優(yōu)點，優(yōu)化結(jié)果為：訓練集最高準確率為91.25%，c=32.3362，r=0.0100，此條件下，預(yù)測準確率為88.61%，其中油菜蜜21/23，椴樹蜜14/17，洋槐蜜36/39。
【IPC分類】G01N1-44, G01N1-28, G01N27-00
【公開號】CN104749219
【申請?zhí)枴緾N201310323321
【發(fā)明人】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
【公開日】2015年7月1日
【申請日】2013年7月30日