蔡立晶　蔡立娟　李文勇　趙肖宇　尚廷義

摘要：提出了一種基于近紅外透射光譜及最速下降BP算法識別大豆油質(zhì)量的方法。光譜采集范圍是10 000～4 000 cm-1，將得到的近紅外光譜數(shù)據(jù)作為網(wǎng)絡(luò)的輸入神經(jīng)元，利用主成分分析方法得出8個變量指標(biāo)數(shù)，該變量指標(biāo)對樣品累計貢獻(xiàn)率達(dá)到99.9%以上；將8個主成分的特征值作為BP網(wǎng)絡(luò)的輸入向量，建立BP神經(jīng)網(wǎng)絡(luò)模型。該模型對預(yù)測樣品集能正確判別，判別正確率達(dá)到100%。

關(guān)鍵詞：近紅外透射光譜；BP神經(jīng)網(wǎng)絡(luò)；豆油質(zhì)量分析

中圖分類號： O657.33 文獻(xiàn)標(biāo)識碼：A 文章編號：0439-8114（2015）01-0175-03

DOI：10.14088/j.cnki.issn0439-8114.2015.01.045

近紅外光譜技術(shù)具有快速、高效、無污染、無需前處理、無損分析及多組分同時測定等優(yōu)點，在快速檢測領(lǐng)域有較大的潛力和發(fā)展空間。近紅外光譜分析技術(shù)用于食用油品質(zhì)分析檢測目前也有一些研究報道，主要用于油脂的品質(zhì)檢測[1]。西方國家最早利用近紅外技術(shù)進行油脂品質(zhì)分析。近紅外技術(shù)結(jié)合判別分析方法等，在橄欖油[2，3]、堅果油[4]及其他植物油[5]的檢測中已得到成功應(yīng)用。劉福莉等[6]以8種食用油純油的43個樣品為對象，研究了近紅外透射光譜結(jié)合聚類分析法快速鑒別食用油種類的可行性，判別模型對預(yù)測集樣品的準(zhǔn)確率達(dá)到100%。范璐等[7]利用氣相色譜和傅里葉變換紅外吸收光譜，對21種花生油、20種棕櫚油及兩者的4種調(diào)和油進行分析，對花生油和棕櫚油做了識別分析。近紅外光譜技術(shù)在摻偽檢測中有著很多的應(yīng)用[8]，翁欣欣等[9]研究了橄欖油中摻偽情況研究，采用BP神經(jīng)網(wǎng)絡(luò)對摻偽橄欖油和未摻偽橄欖油進行了鑒別，對52個樣品進行了預(yù)測，預(yù)測準(zhǔn)確率為100%。隨著營養(yǎng)學(xué)的研究發(fā)展，評估食用植物油的營養(yǎng)價值，研究分析常用食用植物油中的脂肪酸的組成是有意義的，吳靜珠等[10，11]對食用油脂肪酸的定量分析進行了研究，人們對植物油中脂肪酸的認(rèn)識不斷增加。

人工神經(jīng)網(wǎng)絡(luò)方法是一種具有很強函數(shù)逼近能力的非線性建模方法，在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，BP網(wǎng)絡(luò)廣泛應(yīng)用于函數(shù)逼近、模式識別/分類、數(shù)據(jù)壓縮等。陳建等[12]提出了一種采用近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)對玉米品種進行鑒別的方法，試驗結(jié)果說明該方法能快速無損地鑒別玉米品種，為玉米的品種鑒別提供了一種新方法。羅一帆等[13]進行了近紅外光譜測定茶葉中茶多酚和茶多糖的人工神經(jīng)網(wǎng)絡(luò)模型研究，建立近紅外光譜測定茶葉中茶多酚和茶多糖的模型，由此說明建立的近紅外光譜-人工神經(jīng)網(wǎng)絡(luò)模型可用于預(yù)測茶葉中茶多酚和茶多糖的含量。趙肖宇等[14]研究應(yīng)用近紅外透射光譜和人工神經(jīng)網(wǎng)絡(luò)的豆油脂良莠鑒別，建立3層BP神經(jīng)網(wǎng)絡(luò)模型，模型能夠有效辨識未知豆油脂的良莠以及不合格具體種類，類別預(yù)測正確率為100%。

本研究采用基于近紅外透射光譜及神經(jīng)網(wǎng)絡(luò)中的最速下降BP算法的方法，對純大豆油和摻雜大豆油進行真?zhèn)舞b別研究。

1 材料與方法

1.1 儀器

采用北京瑞利分析儀器公司W(wǎng)QF-510型傅里葉變換紅外光譜儀。室溫介于15～30 ℃，相對濕度的允許范圍小于60%。儀器預(yù)熱，系統(tǒng)通過自檢且已獲得本底光譜時，開始掃描樣品。采集光譜范圍10 000～4 000 cm-1，采樣分辨率為4 cm-1，掃描次數(shù)32次，液體池6 mL玻璃器皿。

1.2 材料

樣品包括兩種，純大豆油和摻雜大豆油，全部樣品未經(jīng)任何化學(xué)處理。所使用的純大豆油是超市購買的九三大豆油，摻雜大豆油是指純大豆油中摻入一定比例的豬油。為了使配置的摻雜大豆油得以充分混合，在制備樣品前，先把豬油放在恒溫箱中加熱使其成液體狀態(tài)，取一定量的豬油混合到純大豆油中進行充分?jǐn)嚢枋蛊涑浞只旌?。將帶有樣品的器皿放入傅里葉變換紅外光譜儀中進行光譜采集。每種樣品光譜采集為30個樣品，共收集60個樣品的光譜信號。

2 結(jié)果與分析

2.1 光譜采集

純大豆油和摻雜大豆油的近紅外透射光譜見圖1。由圖1可見，摻雜大豆油與純大豆油圖譜之間的差異不明顯。近紅外光譜圖之間的差異很小，很難通過直觀的分析對兩種油進行鑒別。

2.2 主成分?jǐn)?shù)據(jù)處理

將asf文件轉(zhuǎn)換為ASC碼文件，每條譜圖數(shù)據(jù)量為1 556個，共計得到60×1 556個全波段數(shù)據(jù)點，試驗訓(xùn)練樣品集數(shù)為50個，而且直接把光譜矩陣X50x1 556作為神經(jīng)網(wǎng)絡(luò)的輸入，則輸入元為1 556個，BP網(wǎng)絡(luò)的規(guī)模較為復(fù)雜。將原始光譜矩陣進行主成分分解，主成分分析是把原來多個變量劃為少數(shù)幾個綜合指標(biāo)的一種統(tǒng)計分析方法，從數(shù)學(xué)角度來看，這是一種降維處理技術(shù)。以減少神經(jīng)網(wǎng)絡(luò)輸入的神經(jīng)元。

采用Matlab的矩陣計算功能來編程實現(xiàn)主成分分析。主成分分析計算步驟為計算相關(guān)系數(shù)矩陣和計算特征值與特征向量，以及計算主成分貢獻(xiàn)率及累計貢獻(xiàn)率。特征根數(shù)量為8，即得到8個主成分，即val1，val2，val3，val4，val5，val6，val7，val8其累積貢獻(xiàn)率分別為70.17%，90.42%，97.13%，98.78%，99.56%，99.88%，99.96%，99.99%。采用8個變量指標(biāo)數(shù)，對樣品計算累計貢獻(xiàn)率均達(dá)到99.9%以上，基本可以涵蓋樣品光譜圖的所有信息，因此紅外透射光譜數(shù)據(jù)得到了最大程度不失真簡化。將分解得到的矩陣T50x8作為BP網(wǎng)絡(luò)的輸入神經(jīng)元。此時，BP網(wǎng)絡(luò)的輸入元從1 556降為8個，也就是8個主成分的特征值作為BP網(wǎng)絡(luò)的輸入向量。

2.3 神經(jīng)網(wǎng)絡(luò)建模與分析

BP網(wǎng)絡(luò)的設(shè)計主要包括輸入層、隱層、輸出層及各層之間的傳遞函數(shù)等[15，16]。通用的神經(jīng)網(wǎng)絡(luò)需要預(yù)先確定網(wǎng)絡(luò)的層數(shù)，而BP網(wǎng)絡(luò)可以包含不同的隱層。理論上已經(jīng)證明，在不限制隱層節(jié)點數(shù)的情況下，兩層（只有一個隱層）的BP網(wǎng)絡(luò)可以實現(xiàn)任意非線性映射。在模式樣本相對較少的情況下，較少的隱層節(jié)點可以實現(xiàn)模式樣本空間的超平面劃分，此時選擇兩層BP網(wǎng)絡(luò)就可以了，當(dāng)模式樣本數(shù)很多時，減少網(wǎng)絡(luò)規(guī)模，增加一個隱層是必要的，但BP網(wǎng)絡(luò)隱層數(shù)一般不超過兩層。endprint

試驗采集光譜樣品數(shù)為60個，隨機抽取50個作為訓(xùn)練集，10個作為驗證集。在BP網(wǎng)絡(luò)設(shè)計中，數(shù)據(jù)主要分為兩類模式，用1個輸出元素即可表示，采用兩層BP網(wǎng)絡(luò)來實現(xiàn)分類。因為BP網(wǎng)絡(luò)的輸出為logig函數(shù)，所以目標(biāo)向量的取值為0.2和0.8，分別對應(yīng)兩類模式。在程序設(shè)計時，通過判決門限0.5區(qū)分兩類模式，輸出元素分別為0和1。采用最速下降BP算法訓(xùn)練該網(wǎng)絡(luò)。訓(xùn)練曲線訓(xùn)練經(jīng)過了5 000次仍未達(dá)到要求的目標(biāo)誤差0.001，雖然訓(xùn)練的誤差性能未達(dá)到要求的目標(biāo)誤差，但這并不妨礙用測試樣本對網(wǎng)絡(luò)進行仿真。

利用建立的BP網(wǎng)絡(luò)模型對剩下的10個預(yù)測集樣品進行鑒別，摻雜大豆油樣品預(yù)測樣本數(shù)為5個，純大豆油預(yù)測樣本數(shù)為5個。預(yù)測結(jié)果見表1。預(yù)測樣品集可以做到正確的判別，判別正確率達(dá)到100%。

3 結(jié)論

采用大豆油為研究對象，利用傅里葉變換近紅外光譜儀采集大豆油的近紅外透射光譜，通過主成分分析及神經(jīng)網(wǎng)絡(luò)技術(shù)對光譜數(shù)據(jù)進行分類識別。結(jié)果表明，近紅外透射光譜的網(wǎng)絡(luò)建立及仿真可完成兩類模式的分類。采用純大豆油與摻雜大豆油兩種的透射光譜，對光譜預(yù)處理，抽出8個主成分作為神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元，建立最速下降BP網(wǎng)絡(luò)模型，對預(yù)測集大豆油預(yù)測結(jié)果正確率為100%。試驗表明將近紅外透射光譜與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合能夠快速檢測大豆油是否摻雜，從而為檢測大豆油的品質(zhì)提供一種簡單有效的方法。

參考文獻(xiàn)：

[1] 于燕波，臧 鵬，付元華，等.近紅外光譜法快速測定植物油中脂肪酸含量[J].光譜學(xué)與光譜分析，2008，28（7）：1554-1558.

[2] 張 欣，于瑞祥，方曉明，等.橄欖油摻假檢測技術(shù)的研究進展[J].中國油脂，2013，38（3）：67-71.

[3] 林遠(yuǎn)輝，高 蓓，李玉玉，等.橄欖油摻假鑒別技術(shù)研究進展[J].食品科學(xué)，2013，34（5）：279-283.

[4] 魏長賓，劉勝輝，臧小平，等.澳洲堅果油脂肪酸組成分析[J].中國油脂，2008，33（9）：75-76.

[5] 李宗朋，王 健，張曉磊，等.基于近紅外光譜技術(shù)的沙棘籽油鑒偽方法研究[J].中國油脂，2014，39（2）：57-62.

[6] 劉福莉，陳華才，姜禮義，等.近紅外透射光譜聚類分析快速鑒別食用油種類[J].中國計量學(xué)院學(xué)報，2008，3（19）：278-282.

[7] 范 璐，吳娜娜，霍權(quán)恭，等.氣相色譜分析和傅里葉變換紅外吸收光譜識別花生油中棕櫚油[J].河南工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2008，29（1）：12-16.

[8] 吳靜珠，劉翠玲，李 慧，等.基于近紅外光譜的純花生油慘偽快速鑒別方法研究[J].北京工商大學(xué)學(xué)報（自然科學(xué)版），2011，29（1）：75-78.

[9] 翁欣欣，陸 峰，王傳現(xiàn)，等.近紅外光譜-BP神經(jīng)網(wǎng)絡(luò)-PLS法用于橄欖油纏在分析[J].光譜學(xué)與光譜分析，2009，29（12）：3283-3287.

[10] 吳靜珠，劉翠玲，李 慧，等.近紅外光譜技術(shù)在食用油種類鑒別及脂肪酸含量檢測中的應(yīng)用[J].北京工商大學(xué)學(xué)報（自然科學(xué)版），2010.09，25（5）：56-59.

[11] 吳靜珠，徐 云.基于CARS-PLS的食用油脂肪酸近紅外定量分析模型的優(yōu)化[J].農(nóng)業(yè)機械學(xué)報，2011，42（10）：162-166.

[12] 陳 建，陳 曉，李 偉，等.基于近紅外光譜技術(shù)和人工神經(jīng)網(wǎng)絡(luò)的玉米品種鑒別方法研究[J].光譜學(xué)與光譜分析，2008， 28（8）.1806-1808.

[13] 羅一帆，郭振飛，朱振宇，等.近紅外光譜測定茶葉中茶多酚和茶多糖的人工神經(jīng)網(wǎng)絡(luò)模型研究[J].光譜學(xué)與光譜分析，2005， 25（8）.1230-1233.

[14] 趙肖宇，關(guān) 勇，尚廷義，等.應(yīng)用近紅外透射光譜和人工神經(jīng)網(wǎng)絡(luò)的豆油脂良莠鑒別[J].浙江農(nóng)業(yè)學(xué)報，2011，23（4）：825-828.

[15] 楊建剛.人工神經(jīng)網(wǎng)絡(luò)實用教程[M].杭州：浙江大學(xué)出版社，2001.

[16] 張德豐，MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京：電子工業(yè)出版社，2009.endprint