武汉市科技攻关计划项目(2013010501010147)
- 作品数：10 被引量：60H指数：5
- 相关作者：何东平郑晓涂斌宋志强曾路路更多>>
- 相关机构：武汉轻工大学武汉百信环保能源科技有限公司武汉工业学院更多>>
- 发文基金：武汉市科技攻关计划项目国家科技支撑计划“十一五”国家科技支撑计划更多>>
- 相关领域：理学轻工技术与工程医药卫生自动化与计算机技术更多>>
- 应用近红外光谱对低碳数脂肪酸含量预测被引量：11
- 2013年
- 应用近红外光谱技术结合支持向量机回归(support vector machine regression,SVR)方法测量食用植物油脂低碳数脂肪酸(C≤14)含量。使用SupNIR-5700近红外光谱仪采集58个样品的近红外光谱图,通过偏最小二乘(partial least square,PLS)算法剔除奇异样品。选择其中具有代表性的52个样品进行主成分分析(principal component analysis,PCA),选取径向基(radial basis function,RBF)核函数建立支持向量机回归模型,并对光谱预处理方法和参数寻优方法进行了详细的分析和讨论。实验表明,经过粒子群算法(parti-cle swarm optimization,PSO)优化后模型的性能都有所提高,泛化能力更强,预测的准确度和稳健性更好;其中预处理方法2经过PSO优化寻优后的参数C=2.085,γ=22.20时,预测集和校正集相关系数(correla-tion coefficient,r)分别达到了0.998 0和0.925 8,均方根误差(root mean square error,MSE)分别为0.000 4和0.014 3。研究结果表明,应用近红外光谱结合PSO-SVR方法进行食用植物油脂低碳数脂肪酸含量快速、准确的预测是可行的。
- 宋志强沈雄郑晓何东平亓培实杨永方慧文
- 关键词：近红外光谱技术支持向量机粒子群算法参数优化
- 应用近红外光谱技术对植物油酸值预测的研究被引量：1
- 2015年
- 利用近红外光谱技术结合支持向量机对植物油脂酸值含量进行回归预测。收集大豆油、花生油等油样共37份,应用激光近红外光谱仪对油样进行光谱采集,采用标准正态变量变化、多元散射校正和正交信号校正3种不同方法进行预处理。运用网格搜索法进行参数寻优,寻找最佳参数组合(C,g),建立支持向量机回归模型进行定量预测。研究表明,经过SNV、MSC和OSC预处理数据建立的模型的惩罚因子C均只有1,大大降低了模型出现过拟合现象的概率,提高了模型的泛化能力、稳健性和预测能力;预处理方法MSC和SNV建立的SVR模型校正集相关系数R较高,均达到99%;OSC建立的SVR模型具有最佳的预测性能,预测相关系数R达到93%以上;采用激光近红外光谱技术预测植物油脂酸值含量的方法是可靠的,为实现植物油脂酸值的快速检测提供了重要的依据。
- 陈志涂斌彭博郑晓何东平
- 关键词：近红外光谱支持向量机
- 近红外光谱技术在食用植物油脂检测中的应用被引量：10
- 2013年
- 近红外光谱技术作为一种快速检测技术,在食品行业已应用于粮食检测、果蔬加工和肉制品加工等领域,为食品质量管理作出了较大贡献。从近红外光谱技术在食用植物油脂分类检测、品质分析以及掺伪鉴别三个方面的应用加以综述;并对近红外分析技术建模过程中关键问题进行了分析和总结。
- 宋志强张恒郑晓任小聪何东平
- 关键词：近红外光谱技术
- 基于激光近红外的稻米油掺伪定性-定量分析被引量：15
- 2015年
- 该文主要研究激光近红外光谱分析技术结合化学计量学方法对稻米油掺伪进行定性-定量分析。分别将大豆油、玉米油、菜籽油、餐饮废弃油掺入稻米油中,按照不同质量比配置189个掺伪油样,利用激光近红外光谱仪采集光谱;对采集的稻米油掺伪图谱数据进行多元散射校正(MSC)、正交信号校正(OSC)、标准正态变量变换和去趋势技术联用算法(SNV_DT)三种不同预处理并与原始数据进行比较。采用连续投影算法(SPA)对经过预处理的光谱数据进行特征波长提取,应用支持向量机分类(SVC)方法建立稻米油掺伪样品的定性分类校正模型,选择网格搜索算法对模型参数组合(C,g)进行寻优,确定最优参数组合。另采用后向间隔偏最小二乘法(BiPLS)和SPA对预处理后的光谱数据进行特征波长提取,分别应用偏最小二乘法(PLS)和支持向量机回归(SVR)建立掺伪油含量的定量校正模型,并选用网格搜索算法对SVR模型参数组合(C,g)进行寻优,建立最优参数模型。研究表明,建立的SVC模型预测集和校正集的准确率分别达到了95%和100%;对比SVR和PLS方法建立的数学模型对稻米油中掺杂油脂的含量的预测,两种方法均能够实现含量预测,SVR模型的预测能力更好,相关系数R高于0.99,均方根误差(MSE)低于5.55×10-4,预测精度高。结果表明,采用激光近红外光谱分析技术可以实现稻米油掺伪的定性-定量分析,同时为其他油脂的掺伪分析提供了方法。
- 涂斌宋志强郑晓曾路路尹成何东平亓培实
- 关键词：稻米油近红外光谱技术偏最小二乘法支持向量机
- 基于拉曼和近红外光谱特征层融合的食用油MUFA和PUFA含量检测被引量：9
- 2017年
- 针对食用油中单不饱和脂肪酸(MUFA)和多不饱和脂肪酸(PUFA)含量的快速检测问题,研究探索应用拉曼(Raman)和近红外(NIR)光谱以及特征层数据的融合,结合化学计量学分析,建立食用油MUFA和PUFA含量预测模型。重点研究各种预处理算法对模型预测能力的影响。应用竞争性自适应重加权采样(CARS)提取Raman和NIR光谱的特征波长,应用网格搜索(GS)算法选取支持向量机回归(SVR)模型的参数组合(C,g)值,分别建立基于拉曼和近红外光谱的特征波段的SVR预测模型;建立基于特征层的多源光谱融合的SVR预测模型。试验表明,基于特征层融合建立的Raman-NIR-SVR模型能够实现食用油MUFA和PUFA含量的快速预测,且预测效果更优。其中预测MUFA含量的SG15-ALS-Nor-CARS-MSC-CARSSVR模型的预测集决定系数R2为0.977 3,与单光谱中最优含量预测模型相比增加了2.43%;而预测PUFA含量的MA11-air PLS-Nor-CARS-MSC-CARS-SVR模型的预测集R2为0.993 0,比较最优单光谱数据建立的SVR模型增加了2.57%。结果表明,采用特征层融合方法建立的含量预测模型的综合性能优于基于单光谱数据建立的模型。
- 吴双王杰俞雅茹涂斌郑晓何东平
- 关键词：单不饱和脂肪酸多不饱和脂肪酸特征层融合支持向量机回归
- 基于特征波长提取的激光近红外光谱快速鉴别食用植物油种类被引量：5
- 2017年
- 提出了基于CARS、SPA和CARS-SPA特征波长提取的激光近红外光谱技术快速鉴别食用植物油种类的方法。应用光谱仪采集127个食用植物油样本的光谱数据,采用标准正态变量变换算法(SNV)、标准正态变量变换和去趋势技术联用算法(SNV-DT)对其进行预处理,采用CARS、SPA和CARS-SPA 3种方法对经过预处理的光谱数据进行特征波长提取,应用支持向量机分类方法(SVC)建立食用植物油种类定性分类校正模型,选择网格搜索算法对模型参数组合(C,g)进行寻优,确定最优参数组合。结果表明,CARS-SVC、SPA-SVC和CARS-SPA-SVC模型预测集准确率均达到96.77%,预测效果理想,其中SNV-DT-SPA-SVC模型预测效果最优,预测集准确率达到100%。综上基于特征波长提取的激光近红外光谱分析技术能够快速准确鉴别食用植物油种类,为便携式现场检测设备开发提供了理论基础。
- 吴双涂斌郑晓何东平
- 关键词：食用植物油支持向量机分类掺伪
- 近红外光谱结合蒙特卡洛交互验证奇异样本筛选的橄榄油掺伪定性定量分析被引量：4
- 2016年
- 采用基于蒙特卡洛交互验证(MCCV)奇异样本筛选的近红外光谱技术结合支持向量机(SVM)对橄榄油掺伪进行定性和定量分析。应用近红外光谱仪采集将大豆油、菜籽油、玉米油、葵花籽油掺入橄榄油中的188个掺伪样本光谱图。采用蒙特卡洛交互验证(MCCV)方法剔除橄榄油掺伪样本光谱数据中的奇异样本,剔除3个奇异样本。利用多元散射校正(MSC)、去趋势技术(DT)、标准正态变量变换和去趋势技术联用算法(SNV-DT)分别对奇异样本筛选前后的掺伪样本光谱数据进行预处理,选择网格搜索算法(GS)对模型参数组合(C,g)进行寻优,确定最优参数组合。应用支持向量机分类(SVC)方法建立掺伪油的品种定性分类校正模型;采用竞争性自适应重加权算法(CARS)选择奇异样本筛选前后的掺伪样本光谱数据的特征变量,应用支持向量机回归(SVR)建立掺伪油含量快速预测的定量校正模型。试验表明,采用MCCV方法剔除奇异样本后,建立的掺伪油品种鉴别模型的预测准确率达到100%,而建立的GS-SVR模型能够快速预测橄榄油掺伪量,特别是建立SNV_DT-CARS-SVR模型的校正集和预测集相关系数R分别达到99.80%、99.13%,均方误差(MSE)分别为0.0142、0.0535,综合性能最好。结果表明,采用激光近红外光谱分析技术可以实现橄榄油掺伪的定性-定量分析。
- 吴双涂斌陈志彭博郑晓何东平
- 关键词：橄榄油近红外光谱支持向量机
- 基于多源光谱特征融合技术的花生油掺伪检测被引量：11
- 2016年
- 以拉曼、近红外2种光谱特征融合结合化学计量学方法对花生油掺伪进行了定量分析。分别用激光拉曼、激光近红外光谱仪采集134个掺伪油样本的光谱数据,采用SPXY算法对样本集进行划分。拉曼光谱(Ram)和近红外光谱(near infrared spectroscopy,NIR)数据进行预处理后,采用后向间隔偏最小二乘法(BiPLS)和联合间隔偏最小二乘法(synergy interval partial least squares,Si PLS)分别提取2种光谱的特征波长;将提取的特征波长融合,结合支持向量机回归(SVR)建立数学模型,采用网格搜索算法(CV)对SVR模型的参数组合(C,g)值寻优,建立最优参数模型。研究表明:建立的Ram-NIR-SVR模型能够实现花生油中掺杂油脂含量的快速准确预测,预测集和校正集的相关系数R分别达到0.98和0.99,均方根误差(MSE)低于2.38E-3;对比不同特征波长提取方法,并与单光谱分析技术比较,可以看出,数据融合技术能够增强模型预测能力,减小模型参数,有利于模型的实际应用,体现了2种光谱很好的互补性。表明光谱分析结合数据融合技术对食用油真实性综合鉴别具有重要意义。
- 涂斌陈志彭博郑晓宋志强尹成曾路路何东平
- 关键词：花生油拉曼光谱支持向量机回归
- 样品温度对植物油的近红外定性分析模型的影响被引量：1
- 2016年
- 主要研究不同的样品温度对基于激光近红外食用植物油分类模型预测能力的影响。选择样品温度分别为30、40、50、60℃作为研究对象,利用激光近红外光谱仪采集4种温度下的合格食用油样品的光谱数据,用标准正态变量变换(SNV)对光谱数据进行预处理,应用支持向量机分类(SVC)方法建立独立温度分类模型和混合温度分类模型,然后采用遗传算法(GA)对模型参数组合(C,g)进行寻优,确定最佳参数组合,利用建立的8个模型对4种不同温度下的预测集样品分别进行预测。试验结果表明:某个样品温度下的独立模型对于该温度下的样品的预测准确率较高,但是对于其他温度下的样品的预测准确率不够理想;混合模型对不同温度的样品预测能力相对较好,具有更好的预测稳定性和温度适应性。研究表明:样品温度对模型的预测能力有很大的影响,是建立食用植物油分类模型过程中需要考虑的重要变量。
- 涂斌宋志强郑晓曾路路尹成何东平亓培实
- 关键词：油脂遗传算法支持向量机
- 激光近红外结合SVM的花生油掺伪定性定量分析被引量：3
- 2016年
- 利用激光近红外技术结合支持向量机(support vectormachines,SVM)对花生油掺伪进行定性和定量分析。使用激光近红外光谱仪采集188个掺入餐饮废弃油、大豆油、玉米油以及菜籽油的花生油样品光谱图。结果表明,建立的SVC分类模型均能实现100%的预测准确率,但经提取波长后的模型的变量变少,由全波段的451个波长数减少为136个。建立的SVR回归模型也能准确预测花生油中掺伪油的含量,其中非全波段模型参与建模变量变少,由451个降低到66个,预测精度也更高,校正集和测试集相关系数分别达到99.88%、99.90%,均方根误差都低于6.99E-4。由此可知,特征波长提取方法不仅可以减少建模变量,提高建模效率,也能够提高模型的预测能力。结果表明,运用激光近红外结合SVM可以实现花生油掺伪油脂的定性和定量分析。
- 曾路路涂斌尹成郑晓宋志强何东平亓培实
- 关键词：花生油
