林 萍，陳永明*，鄒志勇

1. 鹽城工學院電氣工程學院，江蘇 鹽城 224051

2. 四川農業(yè)大學機電學院，四川 雅安 625014

非線性流行降維與近紅外光譜分析技術的大米貯藏期快速判別

林 萍1，陳永明1*，鄒志勇2

1. 鹽城工學院電氣工程學院，江蘇 鹽城 224051

2. 四川農業(yè)大學機電學院，四川 雅安 625014

大米；貯藏期；流形降維；近紅外光譜技術；核偏最小二乘

引 言

研究表明，稻米收獲存放數(shù)月后易發(fā)生質變，其營養(yǎng)成分往往伴隨各種理化反應而大大衰減。貯藏時間較短的新米口感好、營養(yǎng)價值高，具有較高的市場利潤，而貯藏時間較長的陳年大米口感較差、營養(yǎng)成分損失較為厲害，市場銷量不佳。大米貯藏期限的差別導致大米市場的銷售價格上存在巨大差異，因此一些不法商販將三年以上的陳米經過拋光處理后當作新米出售，從中獲取暴利[1]。目前，大米的貯藏期由人工根據(jù)其色澤及相關營養(yǎng)成分含量等進行判斷，但是陳米經拋光處理后色澤幾乎與新米一樣，分辨難度大，而采用理化的監(jiān)測方法鑒別其內部營養(yǎng)成分往往耗時長、操作復雜，難以滿足實際應用中快速準確鑒別的需要。因此，尋求一種高效、準確的檢測方法對新米和陳年米的鑒別顯得尤為重要。

目前，近紅外光譜分析技術已經應用于食品質量的檢測。肖昕等[2]應用近紅外透射光譜技術, 采用不同回歸統(tǒng)計分析方法建立精米蛋白質含量(PC)定量回歸方程。模型具有較好的預測效果。陳孝敬等提出了一種利用多光譜圖像紋理特征進行大米分類的新方法，大米識別率達到了100%。吳迪等[3]利用近紅外光譜結合判別偏最小二乘法建立定性模型，實現(xiàn)對不同品牌奶粉內部營養(yǎng)成分的定量測量，正確識別率達100%。李曉麗等[4]通過對近紅外光譜數(shù)據(jù)進行神經網絡系統(tǒng)訓練，成功地對楊梅品種快速判別預測。張鵬等[5]通過近紅外漫反射光譜技術建立了柿子不同品種和貯藏期的快速判別方法，不同貯藏期的正確分類率達到 97.78%。但針對大米貯藏期時間的研究鮮有報道。本研究的目的是利用近紅外光譜分析技術結合現(xiàn)代化學計量學方法實現(xiàn)對大米貯藏時間的快速鑒別。

1 實驗部分

1.1 儀器設備與數(shù)據(jù)采集

采用Handheld Field Spec光譜儀(Analytical Spectral Device(ASD)，Boulder，USA)獲取實驗數(shù)據(jù)，光譜分辨率為2 nm，光源采用14.5 V鹵素燈。采集系統(tǒng)原理如圖1所示。對實驗大米樣本采集340～1 075 nm的漫反射光譜，不同貯藏期樣本的光譜采集采用交替進行的方式，每個樣本光譜掃描次數(shù)設定為30次取平均值。實驗用新米和三年陳米樣本各200個，由四川農業(yè)大學水稻生物學實驗室提供。隨機選取300個大米樣本作為建模集, 剩余100個樣本作為預測集。數(shù)據(jù)分析軟件采用Matlab R2014a (The Math Works, USA)。

圖1 大米樣本反射光譜檢測系統(tǒng)原理圖

1.2 流形降維法

流形降維法是由有限樣本點集合來計算嵌入在高維歐式空間中的低維流形的問題，目的是找出隱藏在高維空間中的低維結構，找出數(shù)據(jù)集分布的隱含規(guī)律性[6]。給定數(shù)據(jù)集X={xi,i=1, …,N}∈RD，并假設x中的樣本是由低維空間中的數(shù)據(jù)集Y={yi,i=1, …,N}∈Rd通過某個非線性變換f所生成，即:xi=f(yi)+εi，其中d≤D,f:Rd→RD是C∞嵌入映射[7]。通過給定的觀測數(shù)據(jù)集X: 獲得數(shù)據(jù)的低維表示形式Y={yi,i=1, …,N}∈Rd；構造高維到低維的非線性映射f-1:RD→Rd。目前，常用的非線性降維方法有等距映射(isometric feature mapping, ISOMAP)[8]、局部線性嵌入(local linear embedding, LLE)[9]、拉普拉斯特征映射(Laplacian eigenmaps, LE)[10-11]等。

1.3 核偏最小二乘法(KPLS)

Rosipal等在偏最小二乘回歸(partial least squares, PLS)基礎上進一步提出了核偏最小二乘回歸法[12], 從而使偏最小二乘回歸法能用于解決非線性回歸的問題?；诤撕瘮?shù)的偏最小二乘方法(kernel partial least squares, KPLS)其原理是將PLS回歸分析法與核函數(shù)理論相結合，將輸入數(shù)據(jù)矩陣X通過核函數(shù)T(X)映射到特征空間中并結合PLS進行運算。這樣原空間的非線性關系就與特征空間中的線性PLS相對應，由于核函數(shù)是以內積的形式存在，因此在模型建立過程中不需要具體求解核函數(shù)的表達式。其中，合理選擇核函數(shù)是影響模型效果的重要因素，選擇合理的核函數(shù)可以有效處理好數(shù)據(jù)間的非線性關系[13]。目前使用較多的核函數(shù)包括徑向基(radial basis function, RBF)核函數(shù)、多項式(polynomial)核函數(shù)和線性(linear)核函數(shù)。

2 結果與討論

2.1 光譜曲線分析

測量得到的陳年米與新米可見近紅外光譜的反射率曲線如圖2所示。圖中橫坐標為波長，縱坐標為反射率。從圖2可以看出，陳年米與新米的光譜曲線的趨勢非常相似，基于人工的判別方式難以區(qū)分陳年米與新米。另外，特征光譜曲線表現(xiàn)出了一定的非線性特性，因此需要對大米光譜非線性進行定量分析，進而采用相應的非線性算法對大米貯藏期實現(xiàn)定量與定性測量。在對光譜數(shù)據(jù)進行非線性檢測前，原始光譜數(shù)據(jù)經過直接正交信號矯正(DOSC)處理，去除無關變量以及光譜基線漂移的影響。

圖2 不同大米樣本可見近紅外反射光譜曲線

2.2 非線性性定量分析

采用兩種定量的數(shù)值統(tǒng)計方法Durbin-Watson測試法[15]和Run測試法[15]來定量分析光譜數(shù)據(jù)的非線性程度。實驗計算得到Durbin-Watsond值為1.732，大于臨界值dH=1.40?；赗un測試法的檢驗值z為3.128，大于臨界值1.96，試驗數(shù)據(jù)表明，采集到的大米光譜數(shù)據(jù)存在顯著的非線性結構；圖3為增強偏殘差圖(augmented partial residual plot，APaRP)[16]能夠更直觀地反映大米光譜數(shù)據(jù)的非線性度。圖3顯示了第1主成分與前6個主成分殘差多項式擬合的結果，可以看出大米光譜數(shù)據(jù)集存在顯著的非線性。

圖3 增強偏殘差圖檢測大米數(shù)據(jù)的非線性

2.3 流行降維方法比較

圖4是分別采用線性流行降維方法PCA (principle components analysis)和MDS (multidimensional scaling)以及非線性流行降維方法ISOMAP，LLE和LE提取的本真變量個數(shù)與交叉驗證均方根誤差(root mean square error for cross validation, RMSECV)關系曲線圖。通過比較分析發(fā)現(xiàn)，非線性降維得到的本征變量的個數(shù)比線性方法多。這是由于一些非線性的特征變量在線性降維過程中無法考慮進去，而非線性降維方法的特點是將所有輸入變量映射到高維空間中去，在高維特征空間中運用線性方法提取主成分，再將特征變量從高維向低維映射，保證特征變量得到最大限度的利用，因此使用線性降維后的本征維數(shù)小于非線性降維得到的維數(shù)。另外，從圖中可以看出，基于ISOMAP的預測方法在變量個數(shù)為40時，RMSECV值最小為0.150，LLE，LE，PCA和MDS方法提取本征變量個數(shù)分為70，60，10和20時，RMSECV值達到最小分別為0.212，0.261，0.238和0.275。結果表明，非線性降維方法得到的RMSECV值比用線性的降維方法得到的小，說明非線性方法提取的本征變量建立的模型預測能力更強，因此非線性降維方法能夠更好地揭示實際大米光譜數(shù)據(jù)的非線性結構。

2.4 非線性建模及預測

圖4 提取得到的本征變量與建模集 樣本RMSECV的關系曲線圖

表1 使用三種不同的核函數(shù)的ISOMAP-KPLS模型在建模、交叉驗證和預測過程中獲得的預測參數(shù)

表2 使用KPLS模型在建模、交叉驗證和預測過程中獲得的預測參數(shù)

3 結 論

[1] DING Hua, WANG Jing, YAN Wei，et al(丁 華，王 婧，嚴 偉，等). Hubei Agricultural Sciences(湖北農業(yè)科學)，2014, 53(24)：38.

[2] XIAO Xin, XIE Xin-hua, MAO Xing-xue, et al(肖 昕, 謝新華, 毛興學，等). Journal of Instrumental Analysis(分析測試學報)，2004, 23(4), 43.

[3] WU Di, NIE Peng-cheng, HE Yong，et al(吳 迪，聶鵬程，何 勇，等). Food and Bioprocess Technology(食品與生物加工技術)，2012, 5(4)：1402.

[4] LI Xiao-li，NIE Peng-cheng, QIU Zheng-jun, et al(李曉麗，聶鵬程，裘正軍，等). Expert Systems with Applications(專家系統(tǒng)及其應用), 2011, 38(9)：11149.

[5] ZHANG Peng, WANG Dan, LI Jiang-kuo, et al(張 鵬, 王 丹, 李江闊，等). Journal of Food Safety and Quality(食品安全質量檢測學報), 2014, 5(4)：1191.

[6] WENG Shi-feng, ZHANG Chang-shui, ZHANG Xue-gong(翁時鋒, 張長水, 張學工). Journal of Tsinghua University(清華大學學報), 2004, 44(4)：485.

[7] TANG Xiao-yan, GAO Kun, NI Guo-qiang(唐曉燕，高 昆，倪國強). Computer Simulation(計算機仿真), 2014, 31(4)：347.

[8] SHAO Chao, WANG Chun-hong(邵 超，王春紅). Pattern Recognition and Artificial Intelligence(模式識別與人工智能), 2014, 27(2)：111.

[9] BAI Jun-qing，YAN Gui-rong，WANG Cheng(白俊卿，閆桂榮，王 成). Journal of Xi’an Jiaotong University(西安交通大學學報)，2013, 47(1)：85.

[10] LI Yue-jiao，LIU Bing-han(李月嬌，劉秉瀚). Journal of Fuzhou University·Natural Science Edition(福州大學學報·自然科學版)，2013, 41(2)：153.

[11] YUAN De-qiang，ZHAO Rong-zhen(袁德強，趙榮珍). Noise and Vibration Control(噪聲與振動控制), 2014, 34(5)：150.

[12] CONG Wei，JING Bo，YU Hong-kun(叢 偉，景 博，于宏坤). Journal of Central South University·Science and Technology(中南大學學報·自然科學版)，2014, 45(6)：1841.

[13] LU Ke-sheng，WANG Ling-zhi(陸克盛，汪靈枝). Journal of Shenyang Agricultural University(沈陽農業(yè)大學學報)，2013, 44(3)：345.

[14] Centner V, de Noordb O E, Massart D L. Analytica Chimica Acta，1998, 376: 153.

[15] Centner V, Verdu-Andres J, Walczak B, et al. Applied Spectroscopy，2000, 54: 608.

[16] Akhlaghi Y, Kompany M. Analytica Chimica Acta，2005, 537(1-2): 331.

(Received Jul. 15, 2015; accepted Nov. 4, 2015)

*Corresponding author

Quick Discrimination of Rice Storage Period Based on Manifold Dimensionality Reduction Methods and Near Infrared Spectroscopy Techniques

LIN Ping1, CHEN Yong-ming1*, ZOU Zhi-yong2

1. College of Electrical Engineering, Yancheng Institute of Technology, Yancheng 224051, China

2. College of Mechanical and Electrical Engineering, Sichuan Agricultural University, Ya’an 625014, China

Rice; Storage period; Manifold dimension reduction; Near infrared spectroscopy

2015-07-15，

2015-11-04

國家自然科學基金項目(31501221，31601227)，江蘇省自然科學基金項目(BK20140467，BK20161310)，江蘇省高校自然科學研究面上項目(13KJB210006)，鹽城市農業(yè)科技指導性計劃項目(YKN2014009, YKN2014010)資助

林 萍，女，1982年生，鹽城工學院電氣工程學院講師 e-mail: binglvcha007@126.com *通訊聯(lián)系人 e-mail: billrange@126.com

TH744.1

A

10.3964/j.issn.1000-0593(2016)10-3169-05