程龍 靳濤 劉鳳蓮

摘 要：目的：提出一種基于主成分分析和粒子群優(yōu)化——支持向量機(jī)算法的雞精調(diào)味料風(fēng)味質(zhì)量模型。方法：以6種雞精調(diào)味料風(fēng)味感官數(shù)據(jù)為研究對(duì)象，對(duì)雞精調(diào)味料的風(fēng)味成分進(jìn)行主成分分析，降低數(shù)據(jù)維數(shù);利用粒子群優(yōu)化算法獲取支持向量機(jī)的最佳參數(shù)，并用支持向量機(jī)完成對(duì)雞精調(diào)味料風(fēng)味數(shù)據(jù)的訓(xùn)練和分類(lèi)。結(jié)果：本文提出的模型與其他傳統(tǒng)模型相比，具有較高的準(zhǔn)確度，且實(shí)用價(jià)值高。

關(guān)鍵詞：雞精調(diào)味料;PCA;PSO-SVM算法;支持向量機(jī);質(zhì)量控制模型

隨著人們生活水平的不斷提高，人們對(duì)美食的要求也越來(lái)越高。雞精調(diào)味料作為一種重要的食品調(diào)味料，其風(fēng)味質(zhì)量很大程度上決定了食品的口感[1]。傳統(tǒng)方法一般采用儀器分析和人工評(píng)吸的方式進(jìn)行風(fēng)味質(zhì)量控制。但儀器分析獲得的數(shù)據(jù)只能用來(lái)建立雞精調(diào)味料成分的風(fēng)味數(shù)據(jù)庫(kù)，人工評(píng)吸的方式受品評(píng)人員的經(jīng)驗(yàn)限制，且主觀性強(qiáng)，費(fèi)用高，不利于大批量數(shù)據(jù)的感官評(píng)測(cè)。

主成分分析（Principal Component Analysis，PCA）是多元統(tǒng)計(jì)中的一種數(shù)據(jù)挖掘技術(shù)。其主要用來(lái)將數(shù)據(jù)降維，在不丟失主要成分信息的前提下，選擇較少的變量來(lái)替代原有的變量，以達(dá)到數(shù)據(jù)冗余的目的，加快運(yùn)算速度。支持向量機(jī)（Support Vector Machine，SVM）是一種基于小樣本的模式識(shí)別算法，它不僅能夠克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)樣本大容量的要求，還能夠有效解決維數(shù)災(zāi)難及局部最小值問(wèn)題，并且在解決非線性問(wèn)題上表現(xiàn)出色[2]。

雞精調(diào)味料組成成分復(fù)雜多樣，且存在非線性關(guān)系和大量的數(shù)據(jù)冗余[3]。針對(duì)以上問(wèn)題，本文提出了一種基于主成分分析（PCA）和粒子群優(yōu)化—支持向量機(jī)（PSO-SVM）的雞精調(diào)味料風(fēng)味質(zhì)量模型。其中，PCA算法有效解決組成成分之間的數(shù)據(jù)冗余，降低數(shù)據(jù)維數(shù)。PSO-SVM算法則解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)復(fù)雜，對(duì)數(shù)據(jù)質(zhì)量要求高的問(wèn)題，且通過(guò)PSO算法的參數(shù)優(yōu)化[4]，SVM算法的分類(lèi)識(shí)別效果更好。該模型能在有限的數(shù)據(jù)樣本訓(xùn)練下，有效地對(duì)不同的雞精調(diào)味料進(jìn)行分類(lèi)，從而建立一個(gè)效果較好的雞精調(diào)味料風(fēng)味質(zhì)量模型。

1 基于PCA和PSO-SVM算法的風(fēng)味質(zhì)量模型

算法設(shè)計(jì)步驟如下：

①將雞精調(diào)味料樣本數(shù)據(jù)先進(jìn)行歸一化數(shù)據(jù)預(yù)處理。這樣便于識(shí)別成分信息，避免出現(xiàn)“大數(shù)吃小數(shù)”的現(xiàn)象;②將經(jīng)過(guò)歸一化處理的數(shù)據(jù)進(jìn)行主成分分析，降低數(shù)據(jù)的維數(shù)，獲取一組線性無(wú)關(guān)的主成分來(lái)代表樣本的模式特征，樣本貢獻(xiàn)率要大于85%;③利用粒子群優(yōu)化算法得到SVM的最優(yōu)參數(shù)c和g，使得SVM的分類(lèi)效果最佳;④將經(jīng)過(guò)主成分分析后的數(shù)據(jù)導(dǎo)入SVM中進(jìn)行訓(xùn)練，并選取樣本進(jìn)行預(yù)測(cè)分析。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)來(lái)源和試驗(yàn)平臺(tái)

本文數(shù)據(jù)來(lái)源于一組雞精調(diào)味料數(shù)據(jù)。樣本共有6種，樣本標(biāo)簽名稱(chēng)分別為K524、G101、G822、K365、K362和K862。每種雞精調(diào)味料有16個(gè)樣本，共96個(gè)樣本。將每種雞精調(diào)味料的前10個(gè)樣本用作SVM的訓(xùn)練集，剩余樣本作為測(cè)試集。即訓(xùn)練集有60個(gè)樣本，測(cè)試集有36個(gè)樣本。

采用matlab2012a結(jié)合python2.7混合編程，并利用libsvm工具包模擬。

2.2 PCA分析

將雞精調(diào)味料數(shù)據(jù)作[0，1]歸一化后，利用Matlab對(duì)數(shù)據(jù)進(jìn)行PCA分析，得到各主成分之間的特征貢獻(xiàn)率和累積貢獻(xiàn)率。

前兩個(gè)主成分的累計(jì)貢獻(xiàn)率約為92.66%，能夠包含原始數(shù)據(jù)的絕大部分的風(fēng)味信息，所以選取第一和第二主成分作為新的變量來(lái)觀測(cè)分析。

2.3 PSO-SVM模型預(yù)測(cè)分類(lèi)

由主成分分析可知，選取前兩個(gè)主要因素作為SVM的輸入，將60個(gè)樣本作為訓(xùn)練集，36個(gè)樣本作為測(cè)試集。采用交叉驗(yàn)證方式的準(zhǔn)確率作為PSO的適應(yīng)度函數(shù)值，尋找SVM的最佳參數(shù)值bestc和bestg。

SVM的核函數(shù)選擇上，選取徑向基核函數(shù)作為本文SVM的核函數(shù)。利用4種核函數(shù)做SVM分類(lèi)（SVC）的最優(yōu)超平面（決策邊界）[5]，如圖1所示。

為了進(jìn)一步檢驗(yàn)PCA和PSO-SVM模型性能的好壞，本文分別采用普通支持向量機(jī)分類(lèi)器、基于PCA改進(jìn)的支持向量機(jī)分類(lèi)器以及BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器（BPNN）進(jìn)行對(duì)比分析，識(shí)別精度作為評(píng)價(jià)檢測(cè)模式性能優(yōu)劣的標(biāo)準(zhǔn)，識(shí)別精度越高對(duì)應(yīng)模型性能越好。4種不同模型的識(shí)別效果如表1所示。由表1可知，PCA和PSO-SVM分類(lèi)器模型識(shí)別精度達(dá)到了98.87%，遠(yuǎn)高于PCA-SVM分類(lèi)器、支持向量機(jī)分類(lèi)器（SVM）和BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器（BPNN）。說(shuō)明本文提出的基于PCA和PSO-SVM算法的雞精調(diào)味料風(fēng)味質(zhì)量模型分類(lèi)預(yù)測(cè)效果良好。

3 結(jié)語(yǔ)

本文提出的基于PCA和PSO-SVM算法的雞精調(diào)味料風(fēng)味質(zhì)量模型優(yōu)勢(shì)體現(xiàn)在類(lèi)別的選取上突破了很多文獻(xiàn)只有2到3類(lèi)的局限，選取了6種雞精調(diào)味料作為樣本。首先樣本數(shù)據(jù)進(jìn)行歸一化預(yù)處理，接著用PCA對(duì)數(shù)據(jù)進(jìn)行降維。然后使用PSO優(yōu)化SVM的參數(shù)，選取RBF核函數(shù)作為SVM的核函數(shù)，得到一個(gè)分類(lèi)率最高的SVM模型。并將模型的分類(lèi)識(shí)別率與其他方法（如BP神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)SVM等）進(jìn)行對(duì)比，結(jié)果表明本文方法具有更好的分類(lèi)預(yù)測(cè)效果。該模型很好地克服了傳統(tǒng)雞精調(diào)味料風(fēng)味分析方法中實(shí)時(shí)性差、可重復(fù)性差的缺點(diǎn)，為雞精調(diào)味料的風(fēng)味質(zhì)量控制提供了一種快速有效的方法。

參考文獻(xiàn)

[1]秦藍(lán)，李鳳華，田懷香，等.電子舌在雞精調(diào)味料味覺(jué)差異分析中的應(yīng)用[J].中國(guó)調(diào)味品，2014，39（10）：132-135.

[2]余道洋，戚功美，瞿頂軍，等.基于SVM和PCA的痕量多組分氣體檢測(cè)方法[J].模式識(shí)別與人工智能，2015，28（8）：720-727.

[3]秦藍(lán)，李鳳華，田懷香，等.雞精調(diào)味料人工感官評(píng)價(jià)與電子鼻感官分析的相關(guān)性研究[J].食品與機(jī)械，2014，30（4）：11-13.

[4]胡旺，李志蜀.一種更簡(jiǎn)化而高效的粒子群優(yōu)化算法[J].軟件學(xué)報(bào)，2007（4）：861-868.

[5]吳桂芳，何勇.基于主成分分析和支持向量機(jī)的山羊絨原料品種鑒別分析[J].光譜學(xué)與光譜分析，2009，29（6）：1541-1544.