现金网注册送_注册开户送现金网

现金网注册送_注册开户送现金网

粒子群最小二乘支持向量机联合偏最小二乘法用于芝麻油质量的辨别|最小二乘法

公布工夫:2019-10-08 01:38:00 泉源: 案例剖析 点击:

  摘 要:联合粒子群最小二乘支持向量机(PSO-LSSVM)与偏最小二乘法(PLS)提出一种基于气相色谱技能的新办法,对芝麻油停止真伪辨别,并对掺伪品中掺假比例停止定量剖析。接纳主身分剖析法(PCA)对857个样本的脂肪酸色谱数据停止剖析,优选主身分作为最小二乘支持向量机(LSSVM)的输出向量。应用粒子群算法(PSO)优化LSSVM,构建芝麻油掺伪辨别的两级分类模子,同时运用PLS树立掺伪芝麻油中掺伪油脂的定量校正模子,两级分类模子的精确率辨别到达了100%和98.7%,定量剖析模子的均匀预测规范偏向(RMSEP)为3.91%。后果标明,本办法的辨别精确性和模子泛化才能均优于经典的BP神经网络和支持向量机(SVM),可用于食用油脂加工和流畅关键的质量控制,为食用油质量的精确判定提供了一条无效途径。
  要害词:芝麻油; 最小二乘支持向量机; 粒子群优化算法; 偏最小二乘法; 掺伪
  1 引 言
  芝麻油在亚洲国度有着久长的食用汗青,不只色、香、味俱佳,且具有丰厚养分和保健功用,深受消耗者的喜爱[1]。为包管芝麻油质量,国度规范《GB 8233-2008 芝麻油》和《GB/T 5539-2008粮油查验 油脂定性实验》规则了芝麻油的理化性子和辨认办法,而非法商家对芝麻油停止掺假图利,依托惯例的感官检测[2](光彩、味道、气息、形态)和理化检测[3,4](折射率、皂化值、碘值等)已无法精确辨别,更无法检测掺伪油脂的品种和比例。因而,有须要研讨一种疾速无效的辨别办法,包管芝麻油质量。
  现在,辨别芝麻油掺伪的办法次要有两大类:(1)应用芝麻油特性身分的性子停止辨别[5],如芝麻酚、芝麻素等木脂素物质。由于浩繁的芝麻种类,种种天气、泥土等生态条件,各具特征的加工方法等,使得芝麻油中木脂素物质的含量存在较大差别,以其作为辨别目标,精确性难以包管;(2)依据油脂自身的性子停止辨别[6],如甘三酯构造、脂肪酸构成和含量等。多接纳气相色谱法[7],测定样品的脂肪酸构成和含量,并剖析其变革纪律,以此断定样品的掺伪状况,但独自接纳该办法数据处置量大、信息提取庞大。化学计量学作为数学、统计学、盘算机迷信与化学的接口[8],是最大限制获取剖析工具化学及相干信息的无力东西。Lee等[9]基于油脂的脂肪酸构成数据,接纳主身分剖析和鉴别剖析来辨认芝麻油、大豆油、菜籽油、椰子油等8莳植物油。李雪琴等[10]应用气相色谱法对纯品芝麻油和掺伪芝麻油的脂肪酸构成停止了测试,将色谱指纹图谱的类似度用于芝麻油的掺伪检测,并用加权向量夹角余弦法来确定待检芝麻油的掺伪量。但是上述对芝麻油掺伪的研讨大多接纳基于线性分类的检测办法,且收罗样品数少,代表性不强。因而,本研讨以少量来自差别地区的纯芝麻油和掺伪芝麻油为样品,接纳气相色谱法联合粒子群最小二乘支持向量机和偏最小二乘法,树立了芝麻油真实性的定性定量剖析模子,并对有关参数优化做了零碎调查,以期为食用油质量平安控制提供一种无效的技能办法。
  2 根本原理
  2.1 最小二乘支持向量机
  最小二乘支持向量机(LSSVM)[11,12]是一种新型支持向量机办法,将最小二乘线性零碎引入支持向量机,替代传统所接纳的二次计划办法,应用非线性函数Ψ(x)(核函数)将样本映射到高维特性空间,原样本空间中的非线性函数估量题目转化为高维特性函数中的线性函数估量题目。
  2.3 芝麻油掺伪的辨别
  本研讨基于粒子群优化的最小二乘支持向量机(PSO-LSSVM)和偏最小二乘法(PLS)联合气相色谱法对芝麻油掺伪停止定性与定量剖析。起首构建第一级LSSVM模子,将样本的品种分红2个一级子类,即纯芝麻油和掺假芝麻油;再将掺假芝麻油一级子类进一步分别成多少个次级子类,即掺棕榈油、掺棉籽油、掺葵花籽油、掺菜籽油、掺大豆油;最初对次级子类样本停止PLS剖析。进程如图1所示,详细步调为:(1)对色谱数据集X停止归一化处置,以放慢数据训练时的收敛速率;(2)经过主身分剖析(PCA)低落特性参数向量的维数,防止输出信息堆叠,使模子预测精确率低落;(3)接纳LSSVM对降维后的数据集X′停止第一级分类训练,运用粒子群算法(PSO)优化正则化参数C和核参数σ, 以进步LSSVM的学习功能和泛化才能;(4)结构多类LSSVM模子,对掺伪芝麻油数据集停止第二级分类训练,接纳PSO算法[13]失掉C和σ最优参数;(5)经过上述分类辨认,对掺伪油样数据集X1,X2,…,X6和对应浓度矩阵Y1,Y2,…,Y6,树立PLS校正模子;(6)关于验证集Xtest,先应用步调(3)和(4)中保存的C和σ停止两级分类,失掉差别掺伪范例数据集,然后输出步调(5)树立的PLS模子, 预测掺伪浓度Y。
  经过上述两级分类,一方面逐级突出样本间的次要差别,最大限制的增加误判;另一方面低落各种样本间的多重搅扰对校正模子的影响,进步模子的预测精度。
  3 实行局部
  3.1 仪器与试剂
  GC-6890N型气相色谱剖析仪(美国Agilent公司);脂肪酸甲酯标样(Sigma-Aldrich公司);正己烷为色谱纯,别的试剂均为剖析纯。
  3.2 实行办法
  3.2.1 气相色谱任务参数 BPX-70色谱柱(30.0 m×250 μm,0.50 μm);进样口温度:230 ℃;柱温:210 ℃;氢火焰离子化检测器(FID):300 ℃;氮气流速1.0 mL/min;氢气流速35 mL/min;氛围流速400 mL/min。   3.2.2 样品制备与数据处置 样品先接纳《GB/T 17376-2008动动物油脂脂肪酸甲酯制备》甲酯化;再接纳《GB/T17377-2008动动物油脂脂肪酸甲酯的气相色谱剖析》办法。140个纯油样品(芝麻油、棕榈油、棉籽油、葵花籽油、菜籽油、大豆油)辨别购于消费厂家、市场或由种子萃取而得。配制掺假5%, 10%, 15%、20%, 30%和50%的芝麻油,将棕榈油、棉籽油、葵花籽油、菜籽油、大豆油辨别掺到6个纯芝麻油中。为比照剖析全部为真芝麻油和全部为假芝麻油的脂肪酸特性,同时装备了20个100%掺假样品(即棕榈油、棉籽油、葵花籽油、菜籽油、大豆油),将制得的740个假芝麻油样品标志为Xn,i(n为样品序号;i为掺伪百分比,5%、10%, 15%, 20%, 30%, 50%和100%),其他117个纯芝麻油样品记为Xm。
  应用CAMO 公司的Unscrambler9.7 软件树立PLS校正模子,模子功能经过校正规范偏向(RMSEC)和预测规范偏向(RMSEP)来评价。PCA和PSO-LSSVM算法均由Matlab2011言语体例。
  4 后果与讨论
  4.1 油类样品的GC剖析
  4.3 模子树立
  4.3.1 核函数的选择
  最小二乘支持向量机应用核函数将非线性分类题目转化为高维空间的线性题目。应用差别核函数的LSSVM对真假芝麻油样本停止分类辨认,后果如表2所示。关于真假芝麻油,RBF核函数的分类功能最好且波动,并且具有较少的支持向量数,均匀辨认率到达100%,分明优于别的两种核函数的LSSVM,因而本研讨选用RBF作为核函数树立芝麻油辨别模子。
  4.3.3 掺伪油脂的辨别 对掺伪芝麻油共740样本,停止基于LSSVM的第二级分类训练,构建5个两分类LSSVM,每个两分类LSSVM仅对第i类与剩余别的类之间的分类。选用RBF函数为核函数,经过PSO算法确定最优参数,失掉实行后果如表4所示。5种掺伪芝麻油的品种均根本被准确辨认,只要掺葵花籽油和菜籽油各1个样本被错误分类,辨别掺伪芝麻油品种的精确率到达98.7%,分明优于一模最小二乘支持向量机(1-norm LSSVM)[16]的分类辨认后果。
  隐变量数(LV)对PLS建模质量起决议性作用。假如选择的隐变量数过少,则不克不及精确反应被剖析物惹起的量测数据变革;反之,则会将搅扰信息参加到模子中。本研讨调查了差别校正模子的预测偏差平方和(PRESS)随隐变量数添加的变革状况,后果如图4所示。从图4可见,各校正模子PRESS的变革纪律根本相反,即随隐变量数的添加,PRESS先疾速降落后趋于平整,但仍有巨大动摇。思索到模子的通用性和预测的精确性,在全局PLS建模中选择隐变量数为10,而在掺棕榈油、掺棉籽油、掺葵花籽油、掺菜籽油和掺大豆油的专注PLS建模中选择隐变量数辨别为5, 3, 6, 7和6。
  接纳最优的条件,树立测定掺伪油脂含量的全局PLS模子和专注PLS模子,对模子停止完全交互验证,后果如表5所示,专注PLS模子的功能最佳,均匀预测规范偏向为3.91%,远小于全局PLS模子(9.60%)。这是由于PLS是线性回归办法,全局PLS建模的样本构成庞大,模子中存在非线性搅扰;而停止分类后树立的专注PLS模子,样本数据与各组分之间具有较好的线性干系。因而,专注PLS模子预测精度分明高于全局PLS模子。

相干热词搜刮:小二 芝麻油 向量 乘法

版权一切 现金网注册送,注册开户送现金网 www.rhlawyer.com
Baidu
sogou