红外光谱结合人工神经网络鉴别浓缩苹果汁生产厂家

黎未然

(贺州学院 教育技术中心,广西 贺州 542800)

红外光谱结合人工神经网络鉴别浓缩苹果汁生产厂家

黎未然

(贺州学院 教育技术中心,广西 贺州 542800)

利用红外光谱结合人工神经网络技术对不同厂家生产的浓缩苹果汁进行了鉴别。在800～1100cm-1波段采集不同样品的红外光谱,利用小波分析将156个原始数据压缩至21个,然后进行主成分分析,提取前3个特征向量。以样本的前3个特征向量为输入,建立结构为3-5-1的三层BP神经网络进行训练和预测。训练样本集包含48个样本,预测样本集包含21个,预测结果正确率达95%。

红外光谱;人工神经网络;浓缩苹果汁;模式识别

我国早已成为世界苹果第一生产大国,苹果种植面积和产量居全国各种水果之首[1]P1。浓缩苹果汁是中国最主要的苹果加工产品,也是世界最主要的苹果加工产品,占世界苹果加工总量的90%以上[2]P29。目前,一些浓缩苹果汁企业存在着诚信意识问题,个别企业存在着掺杂使假等短期利益行为,为果汁产业的可持续发展埋下隐患[3]P58-59。国内外学者对果汁质量检测、掺假检测已做大量研究[4]P78-80,但没有对于果汁生产厂家或产地的鉴别进行研究,而且检测方法大多比较繁琐。笔者已应用中红外光谱技术对苹果汁的掺假进行了鉴别研究[5]P130-133,该方法具有简便、迅速、环保等优点。本文在前期研究基础上采用红外光谱结合人工神经网络技术对不同厂家所生产的浓缩苹果汁进行鉴别研究,以期为浓缩苹果汁的生产厂家或产地鉴别提供新思路新方法。

人工神经网络(ANN)[6,7]P205是一种模仿人类大脑思维的仿生算法,它既可模仿人的逻辑思维,又可模仿人的形象思维,是典型的非参数数据处理方法。人工神经网络能通过学习自动掌握和挖掘隐藏在事物内部的、不能用明确数学表达式表示的“灰箱”或“黑箱”关系。浓缩苹果汁的质量由多方面的因素构成,是一个非线性问题。通过一个或几个化学指标来鉴别不同厂家生产的浓缩苹果汁比较困难,因此非常适合应用人工神经网络来解决。

1 材料与方法

1.1 样品来源和处理

浓缩苹果汁样品由陕西境内的4个不同生产厂家10月份生产,其中恒兴15份、通达16份、海升15份、富安23份,共69份样品。采用中红外ATR方法采集浓缩苹果汁的光谱图,以蒸馏水为背景,将样品直接滴入样品池进行测定。

1.2 仪器设备和参数设置

采用德国BRU KER公司的TENSOR27红外光谱仪,红外DTGS检测器,测试范围为800～1100cm -1,分辨率为2cm-1,扫描次数16次。

1.3 数据处理

首先利用MATLAB6.5小波函数工具箱中的appcoef函数对原始数据进行一维小波变换,进行数据压缩,然后通过主成分分析消除变量间线性影响。以主成分得分作为神经网络的输入,生产厂家参数(1,2,3,4)作为神经网络的输出分别代表浓缩苹果汁的不同生产厂家。红外光谱分析处理采用的OPUS软件由Bruker公司提供。主成分分析采用SPSS11.5数据处理软件,小波变换和人工神经网络设计应用MATLAB6.5软件。

2 结果与分析

2.1 不同厂家生产苹果浓缩汁的红外光谱

从图1所示的不同厂家生产的苹果浓缩汁的中红外光谱中能看出,不同厂家生产的苹果浓缩汁的光谱曲线形状大致相同,但在1000cm-1、1050cm-1等处的形状还是存在着明显差别,反映出不同厂家生产的苹果浓缩汁在化学组成上存在着一定差异。由于不同厂家的原料来源、生产过程中所采用的工艺参数等存在着一定差异,必定会导致生产的苹果浓缩汁在化学组成和含量以及感官等方面具有自己的特征。图1说明利用中红外光谱鉴别苹果浓缩汁的生产厂家是具有客观性的。

2.2 小波变换结合主成分分析压缩数据

由于每个样品包含156个光谱数据,处理起来比较困难,而且这些数据中包含大量冗余和杂质,对识别起到的作用十分小甚至起到负面作用。因此,必须将原有的数据进行压缩。

小波变换的本质是信号的时间-尺度分析方法,具有多分辨率分析的特点。图像经过小波后,其低频部分会保留绝大部分的信息。本实验采用小波变换将具有156个光谱数据的69个原始光谱经过压缩,变为只有21个变量的光谱(图3)。通过比较图2和图3可以看出,压缩后的光谱保留了原始光谱的绝大部分信息。

通过小波变换得到的21个变量可能存在着线性关系。主成分分析能将原来的变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息,从而实现数据的进一步压缩。主成分分析结果见表1。

表1 特征值和可信度

由于前3个主成分累计可信度达到87%以上,说明前三个主成分已经代表了原始光谱的绝大部分信息,可以直接用样品的前三个主成分的因子得分参与建模。

2.3 ANN设计及预测

将69个样本随机分为预测样本集和建模样本集,其中建模集包含48个样本,预测集为21。由于前面已经确定每个样品的前3个主成分得分代表了样品的绝大多数部分,因此神经网络的输入层定为3个神经元;输出层神经元为1个,分别用1,2,3,4代表样本不同的生产厂家。第一层的转移函数是tansigmoid,输出层的转移函数是linear,目标误差定为0.00001,最小学习速率为0.01,最大迭代次数设定为3000次,调整隐含层的节点数优化网络结构。通过反复试验,最后确定的最佳网络结构为3-5-1的三层BP网络。训练结果对建模集的拟合残差为0.5857×10-6。利用上述训练好的网络对未知的21个样本进行预测,其结果见表2。由表2可以看出,除了18号样品的预测值与真实值差别较大外,其他20个样本全部判断正确,正确率达95%。

表2 人工神经网络对21个未知生产厂家的苹果浓缩汁样品预测结果

3 结论

通过组合中红外光谱、小波变换、主成分分析、人工神经网络的方法能够对不同厂家生产的浓缩苹果汁进行鉴别,准确率高。食品工业中面临的许多问题属于非线性问题,需要应用现代数据挖掘技术来解决。小波分析和主成分分析能够作为人工神经网络分析的上游程序,对高维数据进行降维,提高数据处理效率,是一种理想的数据挖掘模式。

[1]张兴旺.我国苹果产业现状、存在问题与发展对策[J].柑橘与亚热带果树信息,2005,21(6).

[2]刘英杰.中国浓缩苹果汁生产与贸易[J].世界农业,2005,315(7).

[3]张军林.加强浓缩苹果汁质量安全体系建设,促进陕西浓缩苹果汁出口之对策[J].中国果菜,2008(5).

[4]吴建中,唐书泽,孙 唏.果汁饮料中原果汁含量检测技术的现状[J].食品与发酵工业,2006(2).

[5]高志明,徐怀德,罗杨合.中红外光谱鉴别苹果汁掺假研究[J].食品研究与开发,2009(11).

[6]殷 勇.人工嗅觉系统在农产品质量检测中的应用研究[D].博士学位论文,镇江:江苏理工大学,1999.

[7]殷 勇,田先亮,易军鹏.人工嗅觉技术在酒类鉴别中的应用现状与展望[J].食品科学,2003(8).

Identification of Concentrated Apple Juice Manufacturers by Infrared Spectroscopy with Artificial Neural Networks

LI Weiran
(Department of education technology center,Hezhou University,Hezhou 542800,China)

Concentrated apple juice from different manufacturers were identified by the method of infrared spectroscopy with artificial neural network.The infrared spectroscopy of the samples were acquired during the wave band of 800～1100cm-1,then compressed the 156 original data of each samples to 21 by wavelet analysis.PCA was used to extract the characteristical information of the samples.A 3-5-1 three-layers BP neural networks was established to train and predict the samples from different manufactures.The training sample set contains 48 samples and the prediction sample set contains 21 samples.Prediction accuracy rate of the prediction sample set by ANN was 95%.

infrared spectroscopy;ANN;concentrated apple Juice;pattern recognition

TP31

A

1673-8861(2010)02-0134-03

2010-01-07

黎未然(1981-),女,广西贺州人,贺州学院助教。主要研究方向:计算机网络及数据挖掘技术。