黎未然

(賀州學院 教育技術中心,廣西 賀州 542800)

紅外光譜結合人工神經網絡鑒別濃縮蘋果汁生產廠家

黎未然

(賀州學院 教育技術中心,廣西 賀州 542800)

利用紅外光譜結合人工神經網絡技術對不同廠家生產的濃縮蘋果汁進行了鑒別。在800～1100cm-1波段采集不同樣品的紅外光譜,利用小波分析將156個原始數(shù)據(jù)壓縮至21個,然后進行主成分分析,提取前3個特征向量。以樣本的前3個特征向量為輸入,建立結構為3-5-1的三層BP神經網絡進行訓練和預測。訓練樣本集包含48個樣本,預測樣本集包含21個,預測結果正確率達95%。

紅外光譜;人工神經網絡;濃縮蘋果汁;模式識別

我國早已成為世界蘋果第一生產大國,蘋果種植面積和產量居全國各種水果之首[1]P1。濃縮蘋果汁是中國最主要的蘋果加工產品,也是世界最主要的蘋果加工產品,占世界蘋果加工總量的90%以上[2]P29。目前,一些濃縮蘋果汁企業(yè)存在著誠信意識問題,個別企業(yè)存在著摻雜使假等短期利益行為,為果汁產業(yè)的可持續(xù)發(fā)展埋下隱患[3]P58-59。國內外學者對果汁質量檢測、摻假檢測已做大量研究[4]P78-80,但沒有對于果汁生產廠家或產地的鑒別進行研究,而且檢測方法大多比較繁瑣。筆者已應用中紅外光譜技術對蘋果汁的摻假進行了鑒別研究[5]P130-133,該方法具有簡便、迅速、環(huán)保等優(yōu)點。本文在前期研究基礎上采用紅外光譜結合人工神經網絡技術對不同廠家所生產的濃縮蘋果汁進行鑒別研究,以期為濃縮蘋果汁的生產廠家或產地鑒別提供新思路新方法。

人工神經網絡(ANN)[6,7]P205是一種模仿人類大腦思維的仿生算法,它既可模仿人的邏輯思維,又可模仿人的形象思維,是典型的非參數(shù)數(shù)據(jù)處理方法。人工神經網絡能通過學習自動掌握和挖掘隱藏在事物內部的、不能用明確數(shù)學表達式表示的“灰箱”或“黑箱”關系。濃縮蘋果汁的質量由多方面的因素構成,是一個非線性問題。通過一個或幾個化學指標來鑒別不同廠家生產的濃縮蘋果汁比較困難,因此非常適合應用人工神經網絡來解決。

1 材料與方法

1.1 樣品來源和處理

濃縮蘋果汁樣品由陜西境內的4個不同生產廠家10月份生產,其中恒興15份、通達16份、海升15份、富安23份,共69份樣品。采用中紅外ATR方法采集濃縮蘋果汁的光譜圖,以蒸餾水為背景,將樣品直接滴入樣品池進行測定。

1.2 儀器設備和參數(shù)設置

采用德國BRU KER公司的TENSOR27紅外光譜儀,紅外DTGS檢測器,測試范圍為800～1100cm -1,分辨率為2cm-1,掃描次數(shù)16次。

1.3 數(shù)據(jù)處理

首先利用MATLAB6.5小波函數(shù)工具箱中的appcoef函數(shù)對原始數(shù)據(jù)進行一維小波變換,進行數(shù)據(jù)壓縮,然后通過主成分分析消除變量間線性影響。以主成分得分作為神經網絡的輸入,生產廠家參數(shù)(1,2,3,4)作為神經網絡的輸出分別代表濃縮蘋果汁的不同生產廠家。紅外光譜分析處理采用的OPUS軟件由Bruker公司提供。主成分分析采用SPSS11.5數(shù)據(jù)處理軟件,小波變換和人工神經網絡設計應用MATLAB6.5軟件。

2 結果與分析

2.1 不同廠家生產蘋果濃縮汁的紅外光譜

從圖1所示的不同廠家生產的蘋果濃縮汁的中紅外光譜中能看出,不同廠家生產的蘋果濃縮汁的光譜曲線形狀大致相同,但在1000cm-1、1050cm-1等處的形狀還是存在著明顯差別,反映出不同廠家生產的蘋果濃縮汁在化學組成上存在著一定差異。由于不同廠家的原料來源、生產過程中所采用的工藝參數(shù)等存在著一定差異,必定會導致生產的蘋果濃縮汁在化學組成和含量以及感官等方面具有自己的特征。圖1說明利用中紅外光譜鑒別蘋果濃縮汁的生產廠家是具有客觀性的。

2.2 小波變換結合主成分分析壓縮數(shù)據(jù)

由于每個樣品包含156個光譜數(shù)據(jù),處理起來比較困難,而且這些數(shù)據(jù)中包含大量冗余和雜質,對識別起到的作用十分小甚至起到負面作用。因此,必須將原有的數(shù)據(jù)進行壓縮。

小波變換的本質是信號的時間-尺度分析方法,具有多分辨率分析的特點。圖像經過小波后,其低頻部分會保留絕大部分的信息。本實驗采用小波變換將具有156個光譜數(shù)據(jù)的69個原始光譜經過壓縮,變?yōu)橹挥?1個變量的光譜(圖3)。通過比較圖2和圖3可以看出,壓縮后的光譜保留了原始光譜的絕大部分信息。

通過小波變換得到的21個變量可能存在著線性關系。主成分分析能將原來的變量重新組合成一組新的互相無關的幾個綜合變量,同時根據(jù)實際需要從中可以取出幾個較少的綜合變量盡可能多地反映原來變量的信息,從而實現(xiàn)數(shù)據(jù)的進一步壓縮。主成分分析結果見表1。

表1 特征值和可信度

由于前3個主成分累計可信度達到87%以上,說明前三個主成分已經代表了原始光譜的絕大部分信息,可以直接用樣品的前三個主成分的因子得分參與建模。

2.3 ANN設計及預測

將69個樣本隨機分為預測樣本集和建模樣本集,其中建模集包含48個樣本,預測集為21。由于前面已經確定每個樣品的前3個主成分得分代表了樣品的絕大多數(shù)部分,因此神經網絡的輸入層定為3個神經元;輸出層神經元為1個,分別用1,2,3,4代表樣本不同的生產廠家。第一層的轉移函數(shù)是tansigmoid,輸出層的轉移函數(shù)是linear,目標誤差定為0.00001,最小學習速率為0.01,最大迭代次數(shù)設定為3000次,調整隱含層的節(jié)點數(shù)優(yōu)化網絡結構。通過反復試驗,最后確定的最佳網絡結構為3-5-1的三層BP網絡。訓練結果對建模集的擬合殘差為0.5857×10-6。利用上述訓練好的網絡對未知的21個樣本進行預測,其結果見表2。由表2可以看出,除了18號樣品的預測值與真實值差別較大外,其他20個樣本全部判斷正確,正確率達95%。

表2 人工神經網絡對21個未知生產廠家的蘋果濃縮汁樣品預測結果

3 結論

通過組合中紅外光譜、小波變換、主成分分析、人工神經網絡的方法能夠對不同廠家生產的濃縮蘋果汁進行鑒別,準確率高。食品工業(yè)中面臨的許多問題屬于非線性問題,需要應用現(xiàn)代數(shù)據(jù)挖掘技術來解決。小波分析和主成分分析能夠作為人工神經網絡分析的上游程序,對高維數(shù)據(jù)進行降維,提高數(shù)據(jù)處理效率,是一種理想的數(shù)據(jù)挖掘模式。

[1]張興旺.我國蘋果產業(yè)現(xiàn)狀、存在問題與發(fā)展對策[J].柑橘與亞熱帶果樹信息,2005,21(6).

[2]劉英杰.中國濃縮蘋果汁生產與貿易[J].世界農業(yè),2005,315(7).

[3]張軍林.加強濃縮蘋果汁質量安全體系建設,促進陜西濃縮蘋果汁出口之對策[J].中國果菜,2008(5).

[4]吳建中,唐書澤,孫 唏.果汁飲料中原果汁含量檢測技術的現(xiàn)狀[J].食品與發(fā)酵工業(yè),2006(2).

[5]高志明,徐懷德,羅楊合.中紅外光譜鑒別蘋果汁摻假研究[J].食品研究與開發(fā),2009(11).

[6]殷 勇.人工嗅覺系統(tǒng)在農產品質量檢測中的應用研究[D].博士學位論文,鎮(zhèn)江:江蘇理工大學,1999.

[7]殷 勇,田先亮,易軍鵬.人工嗅覺技術在酒類鑒別中的應用現(xiàn)狀與展望[J].食品科學,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,廣西賀州人,賀州學院助教。主要研究方向:計算機網絡及數(shù)據(jù)挖掘技術。