CN104677875A - 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 - Google Patents

Abstract

一种通过三维荧光光谱结合平行因子鉴别不同品牌白酒的方法，属于白酒鉴别技术领域。本发明步骤：(一)使用荧光光谱仪获得不同品牌白酒的三维荧光光谱数据；(二)建立不同品牌白酒的鉴别模型。利用平行因子方法对光谱数据分解，获得载荷矩阵和浓度得分，将浓度得分作为支持向量机的输入，建立白酒品牌的鉴别模型；(三)白酒品牌的预测。对于预测样品，通过实验获得三维荧光光谱数据，保持载荷矩阵不变，利用遗传算法获得待测样本的浓度得分。并将浓度得分输入鉴别模型，输出预测的品牌值。本发明避免了繁琐的化学分离过程，具有快速、安全、易操作、廉价、无损等优势，可进一步建立不同原产地白酒鉴别模型。

Description

一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法

技术领域

本发明涉及一种通过三维荧光光谱结合平行因子鉴别不同品牌白酒的方法，此方法的特别之处在于：1.不解析化合物，通过平行因子分解的数学方法解析光谱数据，得到白酒样品的三种组分的特征谱及其对应的浓度得分。2.利用遗传算法获取测试样本的浓度得分，该方法避免了平行因子必须将所有样本放在一起分解的缺点，使得获取测试样本浓度得分快速、准确。属于白酒鉴别技术领域。

背景技术

中国白酒有2000多年的历史，其独特的风味受到广大老百姓的喜爱。由于原料和酿造工艺等的不同，形成了不同香型的白酒。主要香型有浓香、清香、酱香等。即使同种香型白酒，由于产地的环境和原料的差异，导致不同品牌白酒中一些微量香气成分及其含量的不同，形成各自独特的酒体风格。知名品牌白酒企业已经逐渐重视对自己白酒品牌的保护，但是也有不法商家为了牟取巨额利益，仿冒知名白酒，不但侵犯了知名白酒企业的知识产权，也侵害了消费者权益。因此，对白酒品牌的鉴定研究，有利于监督白酒生产质量和保护消费者的利益。目前白酒检测的方法主要有：近红外光谱检测、电子鼻检测、阵列传感器检测、顶空固相微萃取与质谱联用技术等。这些方法都有一定的优势，但是也有许多不足之处。例如顶空固相微萃取与质谱联用技术具有较高的准确率，但是该方法操作复杂，成本较高。荧光光谱技术检测成本低、灵敏度高、对样本无损。但是荧光光谱一般的特征量需要人工提取，存在一定的主观性，且模型预测精度有待进一步提高。

三维荧光光谱是荧光光谱仪的一种采集方式，体现的是发射波长随着激发波长变化的荧光强度信息，获得的信息量比常规荧光光谱更多。平行因子分析法是利用交替最小二乘算法实现的一种多维数据分解法,能够从多组分混合溶液中得到各个组分准确的定量结果,在三维荧光光谱分析中得到广泛的应用。但是目前大部分研究都是将训练样本和待测样本放在一起进行平行因子分解并进行拟合分析。主要问题是将待测样本和训练样本一起分解，会大大增加数据解析的时间，在实际快速检测应用中有一定的局限性。

鉴于此，为了监督白酒生产质量，维护白酒市场秩序，保护消费者的权益，发明一种快速准确的白酒鉴别方法，势在必行。

发明内容

本发明的技术方案：一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法，该方法包括如下步骤：

(a)使用FLS920荧光光谱仪采集分属于Q个品牌的总共M个白酒样本的三维荧光光谱图，得到白酒三维荧光光谱图集X；(b)对实验数据进行预处理；(c)将样本划分为训练样本和待测样本，采用平行因子分解获取训练样本的浓度得分、载荷矩阵A、载荷矩阵B；(d)将步骤(c)得到的浓度得分矩阵作为样本特征值，并将其作为支持向量机的输入，白酒的品牌预设值作为分类类别，构建支持向量机鉴别模型；(e)对于测试样品，通过实验获得三维矩阵X ^new。根据三线性模型，保持载荷矩阵A和B不变，利用遗传算法获得待测样本的浓度得分；(f)将步骤(e)获得的待测样本的浓度得分输入步骤(d)建立的鉴别模型，输出预测的品牌值。

所述步骤(b)中，预处理主要是：采用插值拟合的方法消除水的拉曼峰的影响，并将激发-发射矩阵中的缺失值置零，所有光谱数据进行中心化处理，以消除酒精度的影响。

所述步骤(a)中，仪器的激发与发射狭缝宽度为5nm，积分时间为0.1s。激发波长为200-600nm，步长5nm；发射波长为215-800nm，步长1nm。发射波长滞后15nm的原因是为了消除瑞利散射对实验的影响。

所述步骤(c)中，通过核一致诊断法结合拟合残差分析来确定平行因子分解的组分数。

所述步骤(e)中，遗传算法可以是遗传算法，也可以是模拟退火或者蚁群算法。设置遗传算法参数，包括初始种群大小、最大进化代数、交叉比例等。以遗传算法迭代次数达到设定的均方根误差(RMSE)作为收敛终止条件。

$\mathrm{RMSE}=\sqrt{\frac{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{(\underset{f=1}{\overset{F}{\mathrm{\Σ}}}{a}_{\mathrm{if}}{b}_{\mathrm{jf}}{c}_{\mathrm{nf}}^{\mathrm{new}}-x_{\mathrm{ijn}})}^2}{I\×J\×N}}$

其中，x_ijn为矩阵X ^new中的一个元素。为测试样本集中第n个样本中第f个组分对应的预测浓度。

所述步骤(d)中，支持向量机的模型表达式是:

$y\left(x\right)={\mathrm{\Σ}}_{i=1}^n{a}_i\exp (-\frac{{\left|\right|x-x_i\left|\right|}^2}{2{\mathrm{\σ}}^2})$

式中，a_i为拉格朗日乘子，b为偏差，x_i为输入向量。选用RBF函数作为其核函数，σ和c称为核参数和惩罚因子。

本发明的有益效果：本发明使用三维荧光光谱技术分析不同品牌白酒酒样，通过软件导出三维数据，获得不同酒样的三维荧光光谱数据。然后利用平行因子分析方法分解出训练样本的相对浓度得分和载荷矩阵，与支持向量机结合建立白酒品牌鉴别模型。利用遗传算法结合分解得到的载荷矩阵获得预测样本的相对浓度得分，作为模型的输入，从而进行品牌的预测。本发明建立了一种全新的白酒质量控制及品牌保护方法，操作简单，检测灵敏度高，结果直观可靠。

附图说明

图1为白酒品牌鉴别流程图。

图2为8个不同品牌白酒的三维荧光光谱等高图。(a):芝麻A；(b)：酱香A；(c)：清香A；(d)：清香B；(e)：浓香A；(f)：浓香B；(g)：浓香C；(h)：豉香A。

图3为三种组分的激发和发射轮廓图和荧光光谱等高图。(a)：组分1；(b)：组分2；(c)：组分3。

图4为白酒样本的得分分布图。(a)：8种品牌白酒训练样本的聚类图；(b)：浓香型白酒和豉香型白酒训练样本的聚类图。

图5为基于遗传算法获得预测浓度得分的流程图。

图6为两种方法的比较。

图7为白酒品牌的预测结果。

具体实施方式

实施案例：8种不同品牌白酒的分类鉴别。

(1)使用荧光光谱仪FLS920测量8种不同品牌白酒的三维荧光光谱：

a、样品准备：采集8种不同品牌的浓香型白酒，每个品牌的白酒准备20个样本，共140个样本。具体白酒信息见表1。将整个样品集分成训练集(120个酒样，每个品牌15个)和测试集(40个酒样，每个品牌5个)。

b、扫描条件：氙灯光源450w；探测温度-20度；激发波长范围：200-600nm，步长5nm；发射波长范围：215-800nm，步长1nm。

c、通过软件导出三维数据，获得不同酒样的三维荧光光谱数据。图2(a)-(h)分别为8种品牌白酒的三维荧光等高线图谱。

d、对所有样本的荧光光谱数据进行预处理，采用插值拟合的方法消除水的拉曼峰的影响，并将激发-发射矩阵中的缺失值置零。所有光谱数据进行中心化处理，以消除酒精度的影响。

表1白酒酒样信息

(2)平行因子分解

(a)组分数的确定

激发发射矩阵按照样本叠加成三维矩阵(81×586×120)。通过核一致诊断法结合拟合残差分析，结果如表2所示,可以确定当组分数F＝3时，可释方差为94.265％,残差为0.855，核一致达到92.567％，模型为三线性模型，平行因子分解准确性较高。

表2平行因子组分估计

(b)浓度得分和载荷矩阵的获得

利用平行因子分解方法对三维矩阵进行分析，可以得到三种组分(component1、component2、component3)的激发载荷矩阵A、发射载荷矩阵B，以及对应的浓度得分。如图3是三种组分的激发和发射轮廓图。从图中可以看出Component1的激发/发射波长为：285/324；Component2激发/发射波长为355/438；component3激发/发射波长为320/380。

(c)聚类分析

借助浓度得分矩阵，可以获得每个样本的浓度得分，如此便可以将不同品牌白酒训练样本的聚类结果可视化，如图4(a)所示。从图中可以看出，不同香型白酒之间比较疏远，同种香型之间较为靠拢。特别是浓香型白酒由于浓度得分较为相似，导致聚合的较为密集。因此需要单独对聚合较密集的浓香型白酒和豉香型白酒进行聚类分析，如图4(b)所示。从图中可以看到豉香A与浓香型白酒分的较开，三种浓香型白酒基本上也能够分开。通过上述分析可以说明浓度得分可以看成样本的特征量，将其作为支持向量机的输入具有一定的可行性。

(3)预测样本浓度得分的获得

通过平行因子分解得到载荷矩阵A和B，结合遗传算法获得了40个测试样本对应的三个组分浓度得分(SCORE1，SCORE2，SCORE3)。遗传算法的参数设置:种群规模为100，交叉概率为0.8,变异概率为0.35，设定最大迭代次数为1600。图5是基于遗传算法获得预测浓度得分的流程图。为了验证通过遗传算法获得的验证样本浓度值的准确性，我们将其与平行因子分解得到的结果做比较，具体结果如图6所示。横坐标为通过平行因子分解获得值，纵坐标为通过遗传算法获得值。从图中可以看到，两种方法获得的得分值非常接近，相关系数R＝0.9998。说明通过遗传算法获取浓度得分方法的可行性。

(4)支持向量机鉴别模型构建及其预测

将样本浓度得分作为SVM的输入，建立鉴别模型。采取十折交叉验证和网格搜索算法寻找最优惩罚因子c和核参数σ参变量。将白酒的品牌作为模型的输出值,设定虚拟变量1-8代表不同的品牌,其中:1为芝麻A、2为酱香A、3为清香A、4为清香B、5为浓香A、6为浓香B、7为浓香C、8为豉香A。由以上参数构建的SVM模型对测试集样本的输出结果见图7。从图中可以看出测试集里除了第26个样本误判为浓香C外，其余都判断正确，鉴别准确率达97.5％。模型参数和鉴别结果如表3所示。

表3模型的性能参数及预测准确率

Claims (6)

1.一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法，其特征在于该方法包括如下步骤：

(a)使用FLS920荧光光谱仪采集分属于Q个品牌的总共M个白酒样本的三维荧光光谱图，得到白酒三维荧光光谱图集X；

(b)对实验数据进行预处理；

(c)将样本划分为训练样本和待测样本，采用平行因子分解获取训练样本的浓度得分、载荷矩阵A、载荷矩阵B；

(d)将步骤(c)得到的浓度得分矩阵作为样本特征值，并将其作为支持向量机的输入，白酒的品牌预设值作为分类类别，构建支持向量机鉴别模型；

(e)对于测试样品，通过实验获得三维矩阵X ^new。根据三线性模型，保持载荷矩阵A和B不变，利用遗传算法获得待测样本的浓度得分；

(f)将步骤(e)获得的待测样本的浓度得分输入步骤(d)建立的鉴别模型，输出预测的品牌值。

2.根据权利要求1所述的一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法，其特征在于：所述步骤(b)中预处理主要是：采用插值拟合的方法消除水的拉曼峰的影响，并将激发-发射矩阵中的缺失值置零，所有光谱数据进行中心化处理，以消除酒精度的影响。

3.根据权利要求1所述的一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法，其特征是：所述步骤(a)中，仪器的激发与发射狭缝宽度为5nm，积分时间为0.1s，激发波长为200-600nm，步长5nm；发射波长为215-800nm，步长1nm。

4.根据权利要求1所述的一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法，其特征在于：所述步骤(c)中，通过核一致诊断法结合拟合残差分析来确定平行因子分解的组分数。

5.根据权利要求1所述的一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法，其特征在于：所述步骤(e)中，以遗传算法迭代次数达到设定的均方根误差(RMSE)作为收敛终止条件：

$\mathrm{RMSE}=\sqrt{\frac{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{(\underset{f=1}{\overset{F}{\mathrm{\Σ}}}{a}_{\mathrm{if}}{b}_{\mathrm{jf}}{c}_{\mathrm{nf}}^{\mathrm{new}}-x_{\mathrm{ijn}})}^2}{I\×J\×N}}---\left(2\right)$

其中，x_ijn为矩阵X ^new中的一个元素。为测试样本集中第n个样本中第f个组分对应的预测浓度得分。

6.根据权利要求1所述的一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法，其特征在于：所述步骤(d)中，支持向量机的模型表达式是:

$y\left(x\right)={\mathrm{\Σ}}_{i=1}^n{a}_i\exp (-\frac{\left|\right|x-x_i{\left|\right|}^2}{{2\mathrm{\σ}}^2})+b---\left(3\right)$

式中，a_i为拉格朗日乘子，b为偏差，x_i为输入向量。选用RBF函数作为其核函数，σ和c称为核参数和惩罚因子。