CN107796766A - 一种臭脚盐产地鉴别方法、装置及计算机可读存储介质 - Google Patents
一种臭脚盐产地鉴别方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107796766A CN107796766A CN201710973731.8A CN201710973731A CN107796766A CN 107796766 A CN107796766 A CN 107796766A CN 201710973731 A CN201710973731 A CN 201710973731A CN 107796766 A CN107796766 A CN 107796766A
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- spectrum characteristic
- input quantity
- testing sample
- feature input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 150000003839 salts Chemical class 0.000 title claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 37
- 238000012850 discrimination method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 210000000056 organ Anatomy 0.000 abstract description 3
- 238000005336 cracking Methods 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 abstract description 2
- 235000002639 sodium chloride Nutrition 0.000 description 47
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 3
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 3
- 238000000540 analysis of variance Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 229910052740 iodine Inorganic materials 0.000 description 3
- 239000011630 iodine Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000011780 sodium chloride Substances 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 208000012639 Balance disease Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000001157 Fourier transform infrared spectrum Methods 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 231100000880 dysequilibrium Toxicity 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009967 tasteless effect Effects 0.000 description 1
- 201000004647 tinea pedis Diseases 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于涉及一种臭脚盐产地鉴别方法、装置及计算机可读存储介质，分析化学技术领域。该方法包括：获取待测样品的光谱特征数据；提取所述光谱特征数据中的前N个主成分数据，作为特征输入量，其中，N为大于1的整数；根据所述特征输入量、预设分类模型获得所述待测样品的鉴别结果。通过获取待测样品的光谱特征数据，提取该光谱特征数据的主成分数据作为特征量，利用预先设置的分类模型便能快速准备的识别臭脚盐产地，为臭脚盐产地溯源提供了新方法，进而在对臭脚盐的打假查处中，能帮助公安机关等执行人员维法。
Description
技术领域
本发明属于分析化学技术领域，具体涉及一种臭脚盐产地鉴别方法、装置及计算机可读存储介质。
背景技术
食盐是烹饪中最常用的调味料，是人类赖以生存的重要物质之一。成年人每天需食用大约16￣20克的食盐才能维持身体机能的正常。人们食用食盐主要是吸收其中富含的钠、钾、镁、钙等离子，以便通过体液循环来维持人体各脏器器官的正常运行。如果人较长时间不食用食盐，则会感到浑身乏力、食物无味，严重者会导致体内电解质平衡失调，产生系列组织器官的功能紊乱。因此，食盐是人们日常生活的必需品，食盐的质量安全关系到广大人民群众的身体健康。近些年，在我国多地市场上出现臭脚盐，此类食盐不符合食用盐的国家标准，加热后会出现臭脚气味，严重危害广大人民群众的人身健康，因此研究一种快速识别臭脚盐产地的方法，可以为监管部门提供有力的判断依据，以便从源头上有效遏制臭脚盐流入市场。
发明内容
鉴于此，本发明的目的在于提供一种臭脚盐产地鉴别方法、装置及计算机可读存储介质，以有效地改善上述问题。
本发明的实施例是这样实现的：
第一方面，本发明实施例提供了一种臭脚盐产地鉴别方法，包括：获取待测样品的光谱特征数据；提取所述光谱特征数据中的前N个主成分数据，作为特征输入量，其中，N为大于1的整数；根据所述特征输入量、预设分类模型获得所述待测样品的鉴别结果。
第二方面，本发明实施例还提供了一种臭脚盐产地鉴别装置，包括：获取模块，用于获取待测样品的光谱特征数据；提取模块，用于提取所述光谱特征数据中的前N个主成分数据，作为特征输入量，其中，N为大于1的整数；鉴别模块，用于根据所述特征输入量、预设分类模型获得所述待测样品的鉴别结果。
第三方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读取存储介质存储有处理器可执行的程序代码于计算机内，所述计算机可读取存储介质包括多条指令，所述多条指令被配置成使所述处理器执行上述臭脚盐产地鉴别方法。
本发明实施例提供的臭脚盐产地鉴别方法、装置及计算机可读存储介质，通过获取待测样品的光谱特征数据，提取该光谱特征数据的主成分数据作为特征量，利用预先设置的分类模型(如BP人工神经网络分类模型、PSO－BP人工神经网络分类模型)便能快速准备的识别臭脚盐产地，为臭脚盐产地溯源提供了新方法，进而在对臭脚盐的打假查处中，能帮助公安机关等执行人员维法。同时，在对待测样品进行识别的过程中，也可以不断的对该预先设备的分类模型进行学习，以提高识别的准确率，以及识别的多样性。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。通过附图所示，本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。
图1示出了本发明实施例提供的一种电子设备的结构示意图。
图2示出了本发明第一实施例提供的一种臭脚盐产地鉴别方法的方法流程图。
图3示出了原始光谱特征参数的主成分的累积方差贡献率的示意图。
图4示出了BP人工神经网络对训练集的分类效果示意图。
图5示出了BP人工神经网络对预测集的分类效果示意图。
图6示出了PSO－BP神经网络对训练集的分类效果示意图。
图7示出了PSO－BP人工神经网络预测集的分类效果示意图。
图8示出了利用BP人工神经网络和PSO－BP人工神经网络分别对样本进行训练的训练误差对比图。
图9示出了本发明第二实施例提供的一种臭脚盐产地鉴别方法的方法流程图。
图10示出了本发明第三实施例提供的一种臭脚盐产地鉴别装置的模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，图1示出了本发明实施例提供的一种电子设备100的结构框图。所述电子设备100包括：臭脚盐产地鉴别装置110、存储器120、存储控制器130和处理器140。
所述存储器120、存储控制器130、处理器140各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述臭脚盐产地鉴别装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作系统(operatingsystem，OS)中的软件功能模块。所述处理器140用于执行存储器120中存储的可执行模块，例如所述臭脚盐产地鉴别装置110包括的软件功能模块或计算机程序。
其中，存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(ReadOnly Memory，ROM)，可编程只读存储器(Programmable Read－OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read－Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read－Only Memory，EEPROM)等。其中，存储器120用于存储程序，所述处理器140在接收到执行指令后，执行所述程序，后述本发明实施例任一实施例揭示的流程定义的电子设备100所执行的方法可以应用于处理器140中，或者由处理器140实现。
处理器140可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
第一实施例
请参阅图2，为本发明实施例提供的一种应用于上述电子设备100的数据处理方法，下面将结合图2对其所包含的步骤进行说明。
步骤S101：获取待测样品的光谱特征数据。
在获取待测样品的光谱特征数据时，可以采用傅里叶变换红外光谱(FourierTransform Infrared Spectroscopy，FTIR)光谱仪来获得待测样品的光谱特征数据。例如，将一定量的溴化钾(KBr)粉末以及一定量的待测样品混合搅拌均匀后利用红外压片机将其压制成待测锭片，以便将其放入FTIR仪的样品室测定。
步骤S102：提取所述光谱特征数据中的前N个主成分数据，作为特征输入量，其中，N为大于1的整数。
获得待测样品的光谱特征数据之后，采用主成分分析(Principal ComponentAnalysis，PCA)算法提取所述光谱特征数据中的前N个主成分数据，作为特征输入量，其中，N为，N为大于1的整数。
其中，主成分分析是多元统计分析中用来分析数据的一种常用方法，算法核心思想是用较少数量的特征对样本进行描述，以达到降低特征空间维数的目的。主成分个数N的选取，主要根据主成分的累积贡献率来决定，一般要求累积贡献率达到80％以上，才能保证包含原始变量的绝大多数信息。
采用该主成分分析算法对已知样品的原始光谱特征数据进行降维，得到的前10个主成分的累积方差贡献率如图3所示，由图3可知，前10个主成分可以解释原始光谱特征数据97％左右的信息。在建立预设分类模型时，经过试验表明，在选取前2至4个主成分时，该分类模型的准确率呈上升趋势；在选取前5至10个主成分时，分类准确率呈下降趋势，加之，从图3可知，前4个主成分的累积方差贡献率达到85％，能够包含原始光谱特征数据的大部分信息，因此，作为一种可选的实施方式，本实施例中，在采用该主成分分析算法对待测样品的光谱特征数据进行降维时，可以选取前4个主成分作为特征输入量。
步骤S103：根据所述特征输入量、预设分类模型获得所述待测样品的鉴别结果。
将该特征输入量输入该预设分类模型便可以获得该待测样品的鉴别结果，作为一种可选的实施方式，该特征输入量为前4个主成分。同时，在对待测样品进行识别的过程中，也可以不断的对该预先设备的分类模型进行学习，以提高识别的准确率，以及识别的多样性。
其中，预设分类模型是事先基于预设深度学习方法以及标准样本建立的分类模型，可选地，本实施例中，以BP人工神经网络建立分类模型。BP人工神经网络是一种单向传播的多层前向网络，是一种具有三层或三层以上的神经网络，包括输入层、中间层和输出层。上下两层之间实现全连接，而每层神经元之间无连接。当学习样本提供给BP人工神经网络后，神经元的激活值从输入层经各个中间层向输出层传播，在输入层的各个神经元获得网络的输入响应。然后，按照减少目标输出与实际误差的目标，从输出层经过各中间层逐层修正各连接权值，最后返回到输入层。随着误差的传播修正不断进行，BP人工神经网络对输入模式响应的正确率不断提升。进一步地，构建一个3层的BP人工神经网络，包括：输入层、隐含层和输出层，其各层的节点数依次为4，9，3。其中，输入层的4个节点的数据来自于主成分分析得到的前4个主成分。设定BP人工神经网络的最小训练速率为0.1，训练迭代次数为3000次。
其中，由于该分类模型鉴别结果的准确性直接影响到该鉴别方法的鉴别结果，因此需要对该分类模型的准确性进行验证。验证时，选取已知产地的臭脚盐样品进行验证，例如，采用3种臭脚盐样品，分别为1号：超市购买的400克装“代盐人”牌加碘深井岩盐；2号：超市购买的500克装“宇鹰”牌加碘深井岩盐；3号：超市购买的400克装“四季九珍”牌加碘食盐。先分别将3种臭脚盐、KBr粉碎，依次过400目筛子后，置于100℃烘箱中干燥2h，冷却后保存于干燥器中备用。接着按KBr和臭脚盐样品50：1的比例，配置成50个样品，待均匀混合后，利用红外压片机，加15t压力压制成直径10mm的锭片，放入FTIR光谱仪的样品室测定，以获得样品的光谱特征参数。
其中，为了去除来自高频随机噪声、基线漂移、样本不均匀、光散射等因素带来的影响，需要进行光谱预处理来消除噪声。对3种臭脚盐样品，以BP人工神经网络作为建模方法，全光谱数据作为输入，比较8种光谱数据预处理方法的建模分类准确率，其试验结果如表1所示。
表1
由表1可知，多元散射校正法的分类准确率最高，达到89％，优于其它光谱特征数据预处理方法所达到的分类准确率，因此，优选地，采用多元散射校正法作为臭脚盐原始光谱特征数据的预处理方法。
采用采用多元散射校正法对光谱特征数据进行预处理后，采用主成分分析算法获得前10个主成分，以BP神经网络作为建模方法，比较试验结果的分类准确率。结果表明，在选取前2至4个主成分时，分类准确率呈上升趋势；在选取前5至10个主成分时，分类准确率呈下降趋势。因此，本研究选取前4个主成分作为BP人工神经网络的特征输入量。所有的50个臭脚盐样本被随机划分为学习集和预测集，其中30个样本为学习集，20个样本为预测集。1号臭脚盐样品的产地分类标签为1，2号臭脚盐样品的产地分类标签为2，3号臭脚盐样品的产地分类标签为3。
基于BP人工神经网络的分类模型对训练集的分类效果如图4所示，误判个数为3，分类准确率为90％。
基于BP人工神经网络的分类模型对预测集的分类效果如图5所示，误判个数为2，分类准确率为90％。
其中，分类准确率的计算公式为：(分类正确的样本个数/测试样本个数)＊100％。
由于在BP人工神经网络中，初始权值和阈值的设置存在人为主观因素，不能保证所选择的参数值就是最优选择，所以，可以利用PSO算法对这两个参数值进行筛选，以得到最优参数值。PSO算法是一种集群智能的随机搜索优化算法。该算法以临近原理为基础，集群中的单个粒子之间相互学习，根据其自身所获得的知识移动到更好的临近区域。粒子个体通过追踪个体极值Pbest和全局极值gbest，按照公式(1)来更新自身的速度信息，按照公式(2)来更新自身的位置信息。
vid＝vid+c1rand()×(pbest-xid)+c2rand()×(gbest-xid) (1)
xid＝xid+vid (2)
其中，vid是该粒子的速度，xid是该粒子的位置，Pbest是粒子自身所找到的最优解，gbest是整个种群目前所找到的最优解，rand()是介于0和1之间的随机数，c1，c2是学习因子，通常取c1＝c2＝2。经过粒子群算法优化后的位置和速度值，作为BP人工神经网络的初始权值和阈值，以使得误差函数达到全局最小值。
基于PSO－BP人工神经网络的分类模型对训练集的分类效果如图6所示，误判个数为1，分类准确率为96.67％。
基于PSO－BP人工神经网络的分类模型对预测集的分类效果如图7所示，误判个数为0，分类准确率为100％。
对全部50个臭脚盐样本，分别利用BP人工神经网络和PSO－BP人工神经网络进行训练，训练误差结果如图8所示。与BP人工神经网络算法相比，PSO－BP算法有效地缩短了收敛所用的时间，减小了训练误差，其算法性能较BP神经网络有一定程度的提高。
基于上述分析，BP人工神经网络和PSO－BP人工神经网络所构建的分类模型均能有效地识别出臭脚盐样品的产地。就分类准确率而言，基于PSO－BP人工神经网络的分类模型要优于BP人工神经网络所构建的分类模型。因此本实施例中优选PSO－BP人工神经网络的分类模型作为臭脚盐产地的鉴别方法。
第二实施例
请参阅图9，为本发明实施例提供的一种应用于上述电子设备100的数据处理方法，下面将结合图9对其所包含的步骤进行说明。
步骤S201：获取待测样品的光谱特征数据。
该步骤与步骤S101相同，具体说明请参阅步骤S101。
步骤S202：基于预处理方法对所述光谱特征数据进行预处理，以消除光谱噪声。
为了去除来自高频随机噪声、基线漂移、样本不均匀、光散射等因素带来的影响，可以采用Savitzky－Golay法、多元散射校正法、标准正态变量变换法、一阶导数法、二阶导数法、小波变换法、矢量归一化法、正交信号校正法等预处理方法对所述光谱特征数据进行预处理，以消除光谱噪声。
步骤S203：提取所述光谱特征数据中的前N个主成分数据，作为特征输入量，其中，N为大于1的整数。
该步骤与步骤S102相同，具体说明请参阅步骤S102。
步骤S204：根据所述特征输入量、预设分类模型获得所述待测样品的鉴别结果。
该步骤与步骤S103相同，具体说明请参阅步骤S103。
第三实施例
本发明实施例还提供了一种臭脚盐产地鉴别装置110，如图10所示。该臭脚盐产地鉴别装置110包括：获取模块111、预处理模块112、提取模块113和鉴别模块114。
所述获取模块111，用于获取待测样品的光谱特征数据。
所述预处理模块112，用于基于预处理方法对所述光谱特征数据进行预处理，以消除光谱噪声。
所述提取模块113，用于提取所述光谱特征数据中的前N个主成分数据，作为特征输入量，其中，N为大于1的整数。以及还用于提取所述光谱特征数据中的前4个主成分数据，作为特征输入量。
所述鉴别模块114，用于根据所述特征输入量、预设分类模型获得所述待测样品的鉴别结果。以及还用于根据所述特征输入量、PSO－BP人工神经网络分类模型获得所述待测样品的鉴别结果。
对需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本发明实施例所提供的臭脚盐产地鉴别装置110，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种臭脚盐产地鉴别方法，其特征在于，包括：
获取待测样品的光谱特征数据；
提取所述光谱特征数据中的前N个主成分数据，作为特征输入量，其中，N为大于1的整数；
根据所述特征输入量、预设分类模型获得所述待测样品的鉴别结果。
2.根据权利要求1所述的方法，其特征在于，获取待测样品的光谱特征数据之后，所述方法还包括：
基于预处理方法对所述光谱特征数据进行预处理，以消除光谱噪声。
3.根据权利要求1所述的方法，其特征在于，根据所述特征输入量、预设分类模型获得所述待测样品的鉴别结果之前，所述方法还包括：
基于预设深度学习方法以及标准样本建立预设分类模型。
4.根据权利要求1所述的方法，其特征在于，根据所述特征输入量、预设分类模型获得所述待测样品的鉴别结果，包括：
根据所述特征输入量、PSO－BP人工神经网络分类模型获得所述待测样品的鉴别结果。
5.根据权利要求1所述的方法，其特征在于，提取所述光谱特征数据中的前N个主成分数据，作为特征输入量，包括：
提取所述光谱特征数据中的前4个主成分数据，作为特征输入量。
6.一种臭脚盐产地鉴别装置，其特征在于，包括：
获取模块，用于获取待测样品的光谱特征数据；
提取模块，用于提取所述光谱特征数据中的前N个主成分数据，作为特征输入量，其中，N为大于1的整数；
鉴别模块，用于根据所述特征输入量、预设分类模型获得所述待测样品的鉴别结果。
7.根据权利要求6所述的臭脚盐产地鉴别装置，其特征在于，所述臭脚盐产地鉴别装置还包括：
预处理模块，用于基于预处理方法对所述光谱特征数据进行预处理，以消除光谱噪声。
8.根据权利要求6所述的臭脚盐产地鉴别装置，其特征在于，所述提取模块还用于提取所述光谱特征数据中的前4个主成分数据，作为特征输入量。
9.根据权利要求6所述的臭脚盐产地鉴别装置，其特征在于，所述鉴别模块还用于根据所述特征输入量、PSO－BP人工神经网络分类模型获得所述待测样品的鉴别结果。
10.一种计算机可读存储介质，其特征在于，所述计算机可读取存储介质存储有处理器可执行的程序代码于计算机内，所述计算机可读取存储介质包括多条指令，所述多条指令被配置成使所述处理器执行所述权利要求1-5任一项所述臭脚盐产地鉴别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710973731.8A CN107796766A (zh) | 2017-10-18 | 2017-10-18 | 一种臭脚盐产地鉴别方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710973731.8A CN107796766A (zh) | 2017-10-18 | 2017-10-18 | 一种臭脚盐产地鉴别方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107796766A true CN107796766A (zh) | 2018-03-13 |
Family
ID=61533318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710973731.8A Pending CN107796766A (zh) | 2017-10-18 | 2017-10-18 | 一种臭脚盐产地鉴别方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107796766A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
| CN111598146A (zh) * | 2020-04-28 | 2020-08-28 | 余自如 | 一种笔墨识别方法、系统、装置及存储介质 |
| CN112285246A (zh) * | 2020-12-29 | 2021-01-29 | 南京市产品质量监督检验院 | 一种检测食盐中污染物的方法 |
| CN115078552A (zh) * | 2022-07-06 | 2022-09-20 | 江南大学 | 一种倒装焊芯片缺陷检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101464414A (zh) * | 2007-12-21 | 2009-06-24 | 曹恒 | 食盐及常见工业盐快速定性测试剂及其制作原理 |
| CN106404692A (zh) * | 2016-11-09 | 2017-02-15 | 大连工业大学 | 利用高光谱成像技术检测即食海参新鲜度等级的方法 |
| CN106645458A (zh) * | 2016-10-31 | 2017-05-10 | 广州市食品检验所 | 一种用三维指纹图谱鉴别特定产地特定品种葡萄酒的方法 |
| CN107121407A (zh) * | 2017-06-02 | 2017-09-01 | 中国计量大学 | 基于pso‑ricaelm的近红外光谱分析鉴别翠冠梨成熟度的方法 |
-
2017
- 2017-10-18 CN CN201710973731.8A patent/CN107796766A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101464414A (zh) * | 2007-12-21 | 2009-06-24 | 曹恒 | 食盐及常见工业盐快速定性测试剂及其制作原理 |
| CN106645458A (zh) * | 2016-10-31 | 2017-05-10 | 广州市食品检验所 | 一种用三维指纹图谱鉴别特定产地特定品种葡萄酒的方法 |
| CN106404692A (zh) * | 2016-11-09 | 2017-02-15 | 大连工业大学 | 利用高光谱成像技术检测即食海参新鲜度等级的方法 |
| CN107121407A (zh) * | 2017-06-02 | 2017-09-01 | 中国计量大学 | 基于pso‑ricaelm的近红外光谱分析鉴别翠冠梨成熟度的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王欢 等: "近红外光谱结合模式识别方法用于食盐溯源研究", 《河南工业大学学报（自然科学版）》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
| WO2019195971A1 (zh) * | 2018-04-09 | 2019-10-17 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
| CN111598146A (zh) * | 2020-04-28 | 2020-08-28 | 余自如 | 一种笔墨识别方法、系统、装置及存储介质 |
| CN111598146B (zh) * | 2020-04-28 | 2023-11-17 | 余自如 | 一种笔墨识别方法、系统、装置及存储介质 |
| CN112285246A (zh) * | 2020-12-29 | 2021-01-29 | 南京市产品质量监督检验院 | 一种检测食盐中污染物的方法 |
| CN112285246B (zh) * | 2020-12-29 | 2021-03-26 | 南京市产品质量监督检验院 | 一种检测食盐中污染物的方法 |
| CN115078552A (zh) * | 2022-07-06 | 2022-09-20 | 江南大学 | 一种倒装焊芯片缺陷检测方法及系统 |
| CN115078552B (zh) * | 2022-07-06 | 2023-09-08 | 江南大学 | 一种倒装焊芯片缺陷检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107796766A (zh) | 一种臭脚盐产地鉴别方法、装置及计算机可读存储介质 | |
| Roy et al. | Instrumental testing of tea by combining the responses of electronic nose and tongue | |
| CN104391860B (zh) | 内容类别检测方法及装置 | |
| Yin et al. | Modified multiscale cross-sample entropy for complex time series | |
| CN109620210B (zh) | 一种基于自编码模式的cnn与gru结合的心电信号分类方法 | |
| CN104573699B (zh) | 基于中等场强磁共振解剖成像的实蝇识别方法 | |
| CN107679135A (zh) | 面向网络文本大数据的话题检测与跟踪方法、装置 | |
| CN106749495A (zh) | R语言结合正交试验法优化丹参酮iia的提取工艺方法 | |
| CN110363090A (zh) | 智能心脏疾病检测方法、装置及计算机可读存储介质 | |
| Yu et al. | A recognition method of soybean leaf diseases based on an improved deep learning model | |
| CN106650818A (zh) | 基于高阶超网络的静息态功能磁共振影像数据分类方法 | |
| Sabariah et al. | Early detection of type II Diabetes Mellitus with random forest and classification and regression tree (CART) | |
| CN108444944A (zh) | 一种基于近红外漫反射光谱法的首乌粉产地鉴别方法 | |
| Jalilian et al. | Multivariate product‐shot‐noise Cox point process models | |
| CN104376078A (zh) | 一种基于知识熵的异常数据检测方法 | |
| Devi et al. | IoT-deep learning based prediction of amount of pesticides and diseases in fruits | |
| Qin et al. | MLP-based regression prediction model for compound bioactivity | |
| Liu et al. | An identification method of herbal medicines superior to traditional spectroscopy: Two-dimensional correlation spectral images combined with deep learning | |
| Bal et al. | A novel deep learning-based hybrid method for the determination of productivity of agricultural products: Apple case study | |
| ABIDIN et al. | Efficient Fruits Classification Using Convolutional Neural Network | |
| Mermillod et al. | The coarse-to-fine hypothesis revisited: Evidence from neuro-computational modeling | |
| Dong et al. | A new effective method for identifying boletes species based on FT-MIR and three dimensional correlation spectroscopy projected image processing | |
| Ahmed et al. | Improving prediction of plant disease using k-efficient clustering and classification algorithms | |
| CN111078883A (zh) | 危险指数分析方法、装置、电子设备和存储介质 | |
| Xu et al. | Generative detect for occlusion object based on occlusion generation and feature completing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180313 |
|
| RJ01 | Rejection of invention patent application after publication |