CN109001148A - 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法 - Google Patents
一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法 Download PDFInfo
- Publication number
- CN109001148A CN109001148A CN201810979570.8A CN201810979570A CN109001148A CN 109001148 A CN109001148 A CN 109001148A CN 201810979570 A CN201810979570 A CN 201810979570A CN 109001148 A CN109001148 A CN 109001148A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- pseudo
- polynary
- atlas
- fusion
- 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.)
- Granted
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 98
- 230000004927 fusion Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000010495 camellia oil Substances 0.000 title claims abstract description 35
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 32
- 239000003921 oil Substances 0.000 claims abstract description 103
- 235000019198 oils Nutrition 0.000 claims abstract description 103
- 238000002156 mixing Methods 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 235000019484 Rapeseed oil Nutrition 0.000 claims abstract description 12
- 235000012424 soybean oil Nutrition 0.000 claims abstract description 11
- 239000003549 soybean oil Substances 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 239000000523 sample Substances 0.000 claims description 123
- 239000000203 mixture Substances 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 10
- 238000010348 incorporation Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims 2
- 238000002360 preparation method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 4
- 239000008157 edible vegetable oil Substances 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 235000015112 vegetable and seed oil Nutrition 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
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
本发明公开了一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,包括:向茶籽油样品中掺入一定量的大豆油和菜籽油,得到多元掺伪油样;采集多元掺伪油样在1350~1450nm范围的近红外光谱图,得到一次近红外光谱图;采集多元掺伪油样在1700~1800nm范围的近红外光谱图,得到二次近红外光谱图;将一次近红外光谱图和二次近红外光谱图进行典型相关分析融合,得到融合近红外光谱图;采用稀疏字典学习对融合近红外光谱图进行特征变量提取,得到融合特征变量;根据融合特征变量,采用掺伪优化定量模型预测所述多元掺伪油样的掺伪量。该近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,安全快速、检测便捷,预测准确率高。
Description
技术领域
本发明涉及茶籽油快速检测技术领域,尤其涉及一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法。
背景技术
食用油是人们日常生活中的重要调味品,是人们膳食结构中必不可少的重要组成部分。茶籽油作为一款日常生活中常用油,其不含对人体有害的成分,且茶籽油是食用品质好,营养价值高的优良食用油。但是,近几年各种形式和各地监督检查情况发现:在茶籽油中掺入其他植物油或从废弃油渣中提取残油以及部分店家都是用食用香精勾兑其他食用油以次充好来谋取高润利益,严重影响消费者权益。因此,寻求一种快速、有效的茶籽油掺伪其它低廉食用油脂的检测方法具有重要意义。
发明内容
针对上述技术中存在的不足之处,本发明提供了一种安全可靠、便捷高效的近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法。
本发明解决其技术问题所采用的技术方案是:一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,包括:步骤一、多元掺伪油样配制:向茶籽油样品中掺入一定量的大豆油和菜籽油,得到多元掺伪油样;步骤二、一次光谱采集:采集多元掺伪油样在1350~1450nm范围的近红外光谱图,得到一次近红外光谱图;步骤三、二次光谱采集:采集多元掺伪油样在1700~1800nm范围的近红外光谱图,得到二次近红外光谱图;步骤四、典型相关分析融合:将多元掺伪油样的一次近红外光谱图和二次近红外光谱图进行典型相关分析融合,得到融合近红外光谱图;步骤五、特征变量提取:采用稀疏字典学习对多元掺伪油样的融合近红外光谱图进行特征变量提取,得到融合特征变量;步骤六、掺伪量预测:根据多元掺伪油样的融合特征变量,采用掺伪优化定量模型预测所述多元掺伪油样的掺伪量。
优选的,所述步骤一中大豆油和菜籽油向茶籽油样品中的掺入质量比范围均为0~50%。
优选的,所述步骤二中一次光谱采集的条件如下:将多元掺伪油样置于流通池中,设置多元掺伪油样的温度为30±5℃,湿度为40±5%RH,多元掺伪油样的流速为1~1.2cm/s;设置近红外光谱仪的分辨率为4cm,扫描次数为32次,光纤探头的光程为5mm,且光纤探头的入射方向与多元掺伪油样的流向构成一38.38°的入射角;每个多元掺伪油样取三次测量的平均值作为最终采集的一次近红外光谱图。
优选的,所述步骤三中二次光谱采集的条件如下:将多元掺伪油样置于流通池中,设置多元掺伪油样的温度为30±5℃,湿度为40±5%RH,多元掺伪油样的流速为0.4~0.6cm/s;设置近红外光谱仪的分辨率为8cm,扫描次数为64次,光纤探头的光程为10mm,且光纤探头的入射方向与多元掺伪油样的流向构成一38.38°的入射角;每个多元掺伪油样取三次测量的平均值作为最终采集的二次近红外光谱图。
优选的,所述步骤四中典型相关分析融合的方法如下:抽取一次近红外光谱图和二次近红外光谱图的两组不同特征矢量,构成样本空间A和B;计算样本空间A和B的总体协方差矩阵Saa、Sbb,及A和B之间的互协方差矩阵Sab;计算鉴别准则矩阵的非零本征值并排序,同时得到典型投影矢量;利用典型投影矢量组成变换矩阵抽取特征,即得到融合近红外光谱图。
优选的,所述步骤五中采用稀疏字典学习对多元掺伪油样的融合近红外光谱图进行特征变量提取,设置平衡误差参数ε=1.122,设置权重参数λ=30/σ,稀疏字典原子的稀疏度L=25,依次采用正交匹配追踪法和K-奇异值分解方法进行迭代优化,设置迭代次数为2~20次,当均方根误差值取最小时,得到融合特征变量。
优选的,所述步骤六中掺伪优化定量模型的建立方法如下:在若干份等质量的茶籽油样中依次按不同质量比掺入大豆油和菜籽油,得到若干份掺伪油样;采集所述若干份掺伪油样的一次近红外光谱图和二次近红外光谱图,一次近红外光谱图采集条件如步骤二中所述,二次近红外光谱图采集条件如步骤三中所述;将所述若干份掺伪油样的一次近红外光谱图和二次近红外光谱图进行典型相关分析融合,得到融合近红外光谱图,融合方法如步骤四中所述;采用稀疏字典学习对所述若干份掺伪油样的融合近红外光谱图进行特征变量提取,得到融合特征变量,特征变量提取方法如步骤五中所述;通过多核学习支持向量机回归方法建立所述若干份掺伪油样的融合特征变量与掺伪量之间的掺伪定量模型,并采用粒子群优化算法对掺伪定量模型中的参数进行优化,得到掺伪优化定量模型。
优选的,通过多核学习支持向量机回归方法建立所述若干份掺伪油样的融合特征变量与掺伪量之间的掺伪定量模型,将融合特征变量的数据按特征维数分为10组,这10组均利用高斯核建立单核支持向量机掺伪定量模型;并采用粒子群优化算法对掺伪定量模型中的惩罚因子矩阵[C]和核函数参数矩阵[g]进行优化,[C]和[g]均是10x8的矩阵,优化时设置种群粒子数为30,每个粒子维数为2,迭代进化次数为120,学习因子初始值设定为C1=1.5,C2=1.2,得到10组参数([C],[g]),并对这10组参数([C],[g])进行加权投票,从而得到掺伪优化定量模型。
优选的,经优化,
当[C]等于
[g]等于
且权重为[0.052,0.0863,0.1124,0.1476,0.0745,0.1281,0.1309,0.0937,0.0458,0.1412]时,得到掺伪优化定量模型,其均方根误差≤5%,相关系数≥98%。
本发明与现有技术相比,其有益效果是:本发明提供的近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,通过采用不同波段范围的一次光谱采集和二次光谱采集,并设置两次光谱采集时多元掺伪油样的相同温度、湿度和不同流速,及设置两次光谱采集时近红外光谱仪的不同分辨率、扫描次数、光纤探头光程和相同的入射角,可有效消除外部条件对近红外光谱图的影响;通过典型相关分析融合一次近红外光谱图和二次近红外光谱图,可有效压缩近红外光谱图中的无用变量及干扰信息;通过采用多核学习支持向量机回归方法建立掺伪优化定量模型,可实现对多元掺伪油样中的掺伪量进行快速预测。
附图说明
图1是近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法的流程示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供了一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,包括:
步骤一、向茶籽油样品中掺入一定量的大豆油和菜籽油,得到多元掺伪油样,所述大豆油和菜籽油向茶籽油样品中的掺入质量比范围均为0~50%;
步骤二、将多元掺伪油样置于流通池中,设置多元掺伪油样的温度为30±5℃,湿度为40±5%RH,多元掺伪油样的流速为1~1.2cm/s;设置近红外光谱仪的分辨率为4cm-1,扫描次数为32次,光纤探头的光程为5mm,且光纤探头的入射方向与多元掺伪油样的流向构成一38.38°的入射角;采集多元掺伪油样在1350~1450nm范围的近红外光谱图,每个多元掺伪油样取三次测量的平均值作为最终采集的一次近红外光谱图;
步骤三、将多元掺伪油样置于流通池中,设置多元掺伪油样的温度为30±5℃,湿度为40±5%RH,多元掺伪油样的流速为0.4~0.6cm/s;设置近红外光谱仪的分辨率为8cm-1,扫描次数为64次,光纤探头的光程为10mm,且光纤探头的入射方向与多元掺伪油样的流向构成一38.38°的入射角;采集多元掺伪油样在1700~1800nm范围的近红外光谱图,每个多元掺伪油样取三次测量的平均值作为最终采集的二次近红外光谱图;
步骤四、将多元掺伪油样的一次近红外光谱图和二次近红外光谱图进行典型相关分析融合,抽取一次近红外光谱图和二次近红外光谱图的两组不同特征矢量,构成样本空间A和B;计算样本空间A和B的总体协方差矩阵Saa、Sbb,及A和B之间的互协方差矩阵Sab;计算鉴别准则矩阵的非零本征值并排序,同时得到典型投影矢量;利用典型投影矢量组成变换矩阵抽取特征,即得到融合近红外光谱图;
步骤五、采用稀疏字典学习对多元掺伪油样的融合近红外光谱图进行特征变量提取,设置平衡误差参数ε=1.122,设置权重参数λ=30/σ,稀疏字典原子的稀疏度L=25,依次采用正交匹配追踪法和K-奇异值分解方法进行迭代优化,设置迭代次数为2~20次,当均方根误差值取最小时,得到融合特征变量;
步骤六、根据多元掺伪油样的融合特征变量,采用掺伪优化定量模型预测所述多元掺伪油样的掺伪量;
其中,所述掺伪优化定量模型的建立方法如下:
在若干份等质量的茶籽油样中依次按不同质量比掺入大豆油和菜籽油,得到若干份掺伪油样;
采集所述若干份掺伪油样的一次近红外光谱图和二次近红外光谱图,一次近红外光谱图采集条件如步骤二中所述,二次近红外光谱图采集条件如步骤三中所述;
将所述若干份掺伪油样的一次近红外光谱图和二次近红外光谱图进行典型相关分析融合,得到融合近红外光谱图,融合方法如步骤四中所述;
采用稀疏字典学习对所述若干份掺伪油样的融合近红外光谱图进行特征变量提取,得到融合特征变量,特征变量提取方法如步骤五中所述;
通过多核学习支持向量机回归方法建立所述若干份掺伪油样的融合特征变量与掺伪量之间的掺伪定量模型,将融合特征变量的数据按特征维数分为10组,这10组均利用高斯核建立单核支持向量机掺伪定量模型;并采用粒子群优化算法对掺伪定量模型中的惩罚因子矩阵[C]和核函数参数矩阵[g]进行优化,[C]和[g]均是10x8的矩阵,优化时设置种群粒子数为30,每个粒子维数为2,迭代进化次数为120,学习因子初始值设定为C1=1.5,C2=1.2,得到10组参数([C],[g]),并对这10组参数([C],[g])进行加权投票,经优化,
当[C]等于
[g]等于
且权重为[0.052,0.0863,0.1124,0.1476,0.0745,0.1281,0.1309,0.0937,0.0458,0.1412]时,得到掺伪优化定量模型,其均方根误差≤5%,相关系数≥98%。
实施例
1、掺伪油样配制
在921份等质量的茶籽油样中依次按不同质量比掺入大豆油和菜籽油,所述大豆油和菜籽油向茶籽油样品中的掺入质量比范围均为0~50%,采用SPXY算法按2∶1的比例选取校正集掺伪油样614份和预测集掺伪油样307份。
2、光谱采集
将掺伪油样置于流通池中,设置掺伪油样的温度为30℃,湿度为40%RH,掺伪油样的流速为1cm/s;设置近红外光谱仪的分辨率为4cm,扫描次数为32次,光纤探头的光程为5mm,且光纤探头的入射方向与掺伪油样的流向构成一38.38°的入射角;采集921份掺伪油样在1350~1450nm范围的近红外光谱图,每个掺伪油样取三次测量的平均值作为最终采集的一次近红外光谱图;
将掺伪油样置于流通池中,设置掺伪油样的温度为30℃,湿度为40%RH,掺伪油样的流速为0.5cm/s;设置近红外光谱仪的分辨率为8cm-1,扫描次数为64次,光纤探头的光程为10mm,且光纤探头的入射方向与掺伪油样的流向构成一38.38°的入射角;采集921份掺伪油样在1700~1800nm范围的近红外光谱图,每个掺伪油样取三次测量的平均值作为最终采集的二次近红外光谱图。
3、典型相关分析融合
将校正集中的614份掺伪油样的一次近红外光谱图和二次近红外光谱图进行典型相关分析融合,抽取一次近红外光谱图和二次近红外光谱图的两组不同特征矢量,构成样本空间A和B;计算样本空间A和B的总体协方差矩阵Saa、Sbb,及A和B之间的互协方差矩阵Sab;计算鉴别准则矩阵的非零本征值并排序,大于0.001的本征值分别为0.9996,0.8756,0.7529,0.6214,0.4327,0.2948,0.1521,0.1036,0.0842,0.0609,0.562,0.0382,0.0225,0.0197,0.0123,0.0082,0.0063,0.0049,0.0046,0.0032,0.0026,0.0019,0.0015,0.0014,0.0013,0.0012,0.0011,0.0010,同时得到典型投影矢量;利用典型投影矢量组成变换矩阵抽取特征,即得到融合近红外光谱图。
4、光谱特征提取
采用稀疏字典学习对校正集中的614份掺伪油样的融合近红外光谱图进行特征变量提取,设置平衡误差参数ε=1.122,设置权重参数λ=30/σ,稀疏字典原子的稀疏度L=25,依次采用正交匹配追踪法和K-奇异值分解方法进行迭代优化,设置迭代次数为2~20次,当取σ=28且迭代次数为16次时,得到均方根误差值最小为0.1325,提取得到融合特征变量72个。
5、优化掺伪定量模型的建立
通过多核学习支持向量机回归方法建立校正集中的614份掺伪油样的融合特征变量与掺伪量之间的掺伪定量模型,将融合特征变量的数据按特征维数分为10组,这10组均利用高斯核建立单核支持向量机掺伪定量模型;并采用粒子群优化算法对掺伪定量模型中的惩罚因子矩阵[C]和核函数参数矩阵[g]进行优化,[C]和[g]均是10x8的矩阵,优化时设置种群粒子数为30,每个粒子维数为2,迭代进化次数为120,学习因子初始值设定为C1=1.5,C2=1.2,得到10组参数([C],[g]),并对这10组参数([C],[g])进行加权投票,经优化,
当[C]等于
[g]等于
且权重为[0.052,0.0863,0.1124,0.1476,0.0745,0.1281,0.1309,0.0937,0.0458,0.1412]时,得到掺伪优化定量模型,校正集的相关系数为0.9985,均方根误差为0.0133。
6、预测集掺伪油样验证
通过经优化得到的惩罚因子矩阵[C]和核函数参数矩阵[g],且权重为[0.052,0.0863,0.1124,0.1476,0.0745,0.1281,0.1309,0.0937,0.0458,0.1412]时的掺伪优化定量模型对预测集中的307份掺伪油样进行预测验证,计算得到预测集的相关系数为0.9869,均方根误差为0.0126。
尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,其特征在于,包括:
步骤一、多元掺伪油样配制:向茶籽油样品中掺入一定量的大豆油和菜籽油,得到多元掺伪油样;
步骤二、一次光谱采集:采集多元掺伪油样在1350~1450nm范围的近红外光谱图,得到一次近红外光谱图;
步骤三、二次光谱采集:采集多元掺伪油样在1700~1800nm范围的近红外光谱图,得到二次近红外光谱图;
步骤四、典型相关分析融合:将多元掺伪油样的一次近红外光谱图和二次近红外光谱图进行典型相关分析融合,得到融合近红外光谱图;
步骤五、特征变量提取:采用稀疏字典学习对多元掺伪油样的融合近红外光谱图进行特征变量提取,得到融合特征变量;
步骤六、掺伪量预测:根据多元掺伪油样的融合特征变量,采用掺伪优化定量模型预测所述多元掺伪油样的掺伪量。
2.如权利要求1所述的近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,其特征在于,所述步骤一中大豆油和菜籽油向茶籽油样品中的掺入质量比范围均为0~50%。
3.如权利要求1所述的近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,其特征在于,所述步骤二中一次光谱采集的条件如下:
将多元掺伪油样置于流通池中,设置多元掺伪油样的温度为30±5℃,湿度为40±5%RH,多元掺伪油样的流速为1~1.2cm/s;
设置近红外光谱仪的分辨率为4cm-1,扫描次数为32次,光纤探头的光程为5mm,且光纤探头的入射方向与多元掺伪油样的流向构成一38.38°的入射角;
每个多元掺伪油样取三次测量的平均值作为最终采集的一次近红外光谱图。
4.如权利要求1所述的近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,其特征在于,所述步骤三中二次光谱采集的条件如下:
将多元掺伪油样置于流通池中,设置多元掺伪油样的温度为30±5℃,湿度为40±5%RH,多元掺伪油样的流速为0.4~0.6cm/s;
设置近红外光谱仪的分辨率为8cm-1,扫描次数为64次,光纤探头的光程为10mm,且光纤探头的入射方向与多元掺伪油样的流向构成一38.38°的入射角;
每个多元掺伪油样取三次测量的平均值作为最终采集的二次近红外光谱图。
5.如权利要求1所述的近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,其特征在于,所述步骤四中典型相关分析融合的方法如下:
抽取一次近红外光谱图和二次近红外光谱图的两组不同特征矢量,构成样本空间A和B;
计算样本空间A和B的总体协方差矩阵Saa、Sbb,及A和B之间的互协方差矩阵Sab;
计算鉴别准则矩阵的非零本征值并排序,同时得到典型投影矢量;
利用典型投影矢量组成变换矩阵抽取特征,即得到融合近红外光谱图。
6.如权利要求1所述的近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,其特征在于,所述步骤五中采用稀疏字典学习对多元掺伪油样的融合近红外光谱图进行特征变量提取,设置平衡误差参数ε=1.122,设置权重参数λ=30/σ,稀疏字典原子的稀疏度L=25,依次采用正交匹配追踪法和K-奇异值分解方法进行迭代优化,设置迭代次数为2~20次,当均方根误差值取最小时,得到融合特征变量。
7.如权利要求1所述的近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,其特征在于,所述步骤六中掺伪优化定量模型的建立方法如下:
在若干份等质量的茶籽油样中依次按不同质量比掺入大豆油和菜籽油,得到若干份掺伪油样;
采集所述若干份掺伪油样的一次近红外光谱图和二次近红外光谱图,一次近红外光谱图采集条件如步骤二中所述,二次近红外光谱图采集条件如步骤三中所述;
将所述若干份掺伪油样的一次近红外光谱图和二次近红外光谱图进行典型相关分析融合,得到融合近红外光谱图,融合方法如步骤四中所述;
采用稀疏字典学习对所述若干份掺伪油样的融合近红外光谱图进行特征变量提取,得到融合特征变量,特征变量提取方法如步骤五中所述;
通过多核学习支持向量机回归方法建立所述若干份掺伪油样的融合特征变量与掺伪量之间的掺伪定量模型,并采用粒子群优化算法对掺伪定量模型中的参数进行优化,得到掺伪优化定量模型。
8.如权利要求7所述的近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,其特征在于,通过多核学习支持向量机回归方法建立所述若干份掺伪油样的融合特征变量与掺伪量之间的掺伪定量模型,将融合特征变量的数据按特征维数分为10组,这10组均利用高斯核建立单核支持向量机掺伪定量模型;并采用粒子群优化算法对掺伪定量模型中的惩罚因子矩阵[C]和核函数参数矩阵[g]进行优化,[C]和[g]均是10x8的矩阵,优化时设置种群粒子数为30,每个粒子维数为2,迭代进化次数为120,学习因子初始值设定为C1=1.5,C2=1.2,得到10组参数([C],[g]),并对这10组参数([C],[g])进行加权投票,从而得到掺伪优化定量模型。
9.如权利要求8所述的近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法,其特征在于,经优化,
当[C]等于
[g]等于
且权重为[0.052,0.0863,0.1124,0.1476,0.0745,0.1281,0.1309,0.0937,0.0458,0.1412]时,得到掺伪优化定量模型,其均方根误差≤5%,相关系数≥98%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810979570.8A CN109001148B (zh) | 2018-08-24 | 2018-08-24 | 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810979570.8A CN109001148B (zh) | 2018-08-24 | 2018-08-24 | 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109001148A true CN109001148A (zh) | 2018-12-14 |
CN109001148B CN109001148B (zh) | 2020-10-09 |
Family
ID=64593443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810979570.8A Active CN109001148B (zh) | 2018-08-24 | 2018-08-24 | 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109001148B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111272696A (zh) * | 2020-03-24 | 2020-06-12 | 山东大学 | 一种快速检测普洱茶中掺杂香精的方法 |
CN112819062A (zh) * | 2021-01-26 | 2021-05-18 | 淮阴工学院 | 基于混合粒子群和连续投影的荧光光谱二次特征选择方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937575A (zh) * | 2012-11-21 | 2013-02-20 | 浙江大学 | 一种基于二次光谱重组的西瓜糖度快速建模方法 |
JP5169190B2 (ja) * | 2007-12-13 | 2013-03-27 | 東亜ディーケーケー株式会社 | 軽油識別方法及び軽油モニタ |
CN105372203A (zh) * | 2015-11-04 | 2016-03-02 | 江南大学 | 基于多传感器融合的新鲜苹果损伤敏感度无损检测方法 |
CN105738316A (zh) * | 2014-12-10 | 2016-07-06 | 中国石油天然气股份有限公司 | 一种采用近红外光谱检测劣质重油受热结焦趋势的方法 |
US20180052144A1 (en) * | 2015-03-11 | 2018-02-22 | Hormoz Azizian | Method And Technique For Verification Of Olive Oil Composition |
CN108198228A (zh) * | 2017-12-29 | 2018-06-22 | 华中科技大学 | 一种天基红外高光谱图像智能压缩方法 |
CN108267424A (zh) * | 2018-02-07 | 2018-07-10 | 武汉轻工大学 | 基于多种特征成分快速鉴别食用油种类的方法 |
-
2018
- 2018-08-24 CN CN201810979570.8A patent/CN109001148B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5169190B2 (ja) * | 2007-12-13 | 2013-03-27 | 東亜ディーケーケー株式会社 | 軽油識別方法及び軽油モニタ |
CN102937575A (zh) * | 2012-11-21 | 2013-02-20 | 浙江大学 | 一种基于二次光谱重组的西瓜糖度快速建模方法 |
CN105738316A (zh) * | 2014-12-10 | 2016-07-06 | 中国石油天然气股份有限公司 | 一种采用近红外光谱检测劣质重油受热结焦趋势的方法 |
US20180052144A1 (en) * | 2015-03-11 | 2018-02-22 | Hormoz Azizian | Method And Technique For Verification Of Olive Oil Composition |
CN105372203A (zh) * | 2015-11-04 | 2016-03-02 | 江南大学 | 基于多传感器融合的新鲜苹果损伤敏感度无损检测方法 |
CN108198228A (zh) * | 2017-12-29 | 2018-06-22 | 华中科技大学 | 一种天基红外高光谱图像智能压缩方法 |
CN108267424A (zh) * | 2018-02-07 | 2018-07-10 | 武汉轻工大学 | 基于多种特征成分快速鉴别食用油种类的方法 |
Non-Patent Citations (3)
Title |
---|
刘燕德 等: "脐橙表皮两种混合农药残留的表面增强拉曼光谱定量检测", 《光谱学与光谱分析》 * |
孙权森 等: "典型相关分析的理论及其在特征融合中的应用", 《计算机学报》 * |
孙通 等: "基于近红外光谱和子窗口重排分析的山茶油掺假检测", 《光学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111272696A (zh) * | 2020-03-24 | 2020-06-12 | 山东大学 | 一种快速检测普洱茶中掺杂香精的方法 |
CN112819062A (zh) * | 2021-01-26 | 2021-05-18 | 淮阴工学院 | 基于混合粒子群和连续投影的荧光光谱二次特征选择方法 |
CN112819062B (zh) * | 2021-01-26 | 2022-05-17 | 淮阴工学院 | 基于混合粒子群和连续投影的荧光光谱二次特征选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109001148B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574474B (zh) | 一种基于质谱信息的生物特征图像识别方法 | |
CN109389080B (zh) | 基于半监督wgan-gp的高光谱图像分类方法 | |
CN104316491B (zh) | 基于同步‑异步二维近红外相关谱检测牛奶掺尿素的方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN105181650B (zh) | 一种使用近红外光谱技术快速鉴别茶叶品种的方法 | |
CN109001148A (zh) | 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法 | |
CN105866056A (zh) | 一种基于近红外光谱的杂交种纯度鉴别方法 | |
Dong et al. | Deep learning for geographical discrimination of Panax notoginseng with directly near-infrared spectra image | |
CN104215591A (zh) | 一种可见-近红外光谱无损判别的方法 | |
Rustioni et al. | Grape colour phenotyping: development of a method based on the reflectance spectrum | |
CN109685098A (zh) | 一种模糊簇间分离聚类的茶叶品种分类方法 | |
CN108535375A (zh) | 一种基于液质联用代谢组学分析玛咖标志性代谢产物的方法 | |
CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
CN109001181B (zh) | 一种拉曼光谱典型相关分析融合的食用油种类快速鉴别方法 | |
CN109324016A (zh) | 一种复烤片烟香型风格的判定方法 | |
CN108051394A (zh) | 基于近红外光谱的芝麻油掺伪检测方法 | |
CN108693139A (zh) | 电子烟油理化指标的近红外光谱预测模型建立方法及应用 | |
CN108303406A (zh) | 基于拉曼光谱的油茶籽油掺伪检测方法 | |
CN109870533A (zh) | 一种基于分子地图的生物样本快速智能识别方法 | |
KR101539631B1 (ko) | 콩과작물 내의 이소플라본 함량 예측 모델을 이용한 콩과작물 내의 이소플라본 함량을 예측하는 방법 | |
CN106338488A (zh) | 一种转基因豆奶粉的快速无损鉴别方法 | |
CN105784951B (zh) | 一种六味地黄丸浓缩丸生药粉多指标快速检测方法 | |
CN107664621B (zh) | 异常样本识别方法、系统、服务器及电子设备 | |
CN110378374A (zh) | 一种模糊鉴别信息提取的茶叶近红外光谱分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |