繆 楠，張 鑫，王首程，李慶盛，高繼勇，于雪瑩，王志強(qiáng)（山東理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東淄博 255049）

紅酒是一種以新鮮葡萄或葡萄汁為原料釀制的酒精飲品，其內(nèi)部富含多糖、多酚、有機(jī)酸和多種氨基酸，具有抑瘤抗癌、延緩衰老等功效[1]。紅酒品味和質(zhì)量會(huì)隨著貯藏年限的變化而有所區(qū)別。紅酒的貯藏年限快速鑒別是目前生產(chǎn)廠家和消費(fèi)者非常關(guān)注的技術(shù)難題[2]。目前，紅酒貯藏年限分析方法主要有感官分析法和儀器分析法等[3]。感官分析法主要依靠品鑒師的視覺、味覺、嗅覺等感官進(jìn)行判斷，但該方法受人的主觀因素和環(huán)境因素影響較大。常用的儀器分析法包括液相色譜-串聯(lián)質(zhì)譜法、等離子體發(fā)射光譜法和原子吸收光譜法等[4?6]，但此類分析儀器價(jià)格昂貴、體積大、操作過程繁瑣，無法滿足檢測(cè)分析的需求[7]。電子舌是一種利用傳感器陣列結(jié)合模式識(shí)別技術(shù)對(duì)液體樣本的“指紋圖譜”進(jìn)行分析的儀器，具有操作簡(jiǎn)單、成本低廉、客觀高效等特點(diǎn)[8]，近年來已被廣泛應(yīng)用于食品質(zhì)量分析、產(chǎn)品溯源、摻假辨別等多個(gè)領(lǐng)域[9?11]。模式識(shí)別是影響電子舌檢測(cè)性能的關(guān)鍵技術(shù)，其過程主要包括特征提取和分類識(shí)別兩個(gè)階段。目前，常用的電子舌信號(hào)特征提取方法主要有極值點(diǎn)法（FPE）[12]、主成分分析（PCA）[13]、快速傅里葉變換（FFT）[14]、小波變換（WT）[15]等。但此類方法在對(duì)原始信號(hào)進(jìn)行處理時(shí)，僅能挖掘和利用“指紋圖譜”的局部信息，容易造成特征信息的丟失[16]。集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）是根據(jù)經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical mode decomposition，EMD）進(jìn)行改良的新型信號(hào)處理方法。EEMD 通過向原始信號(hào)添加白噪聲，可以顯著地減少EMD 方法中存在的模態(tài)混疊現(xiàn)象，從而實(shí)現(xiàn)對(duì)非線性、非平穩(wěn)信號(hào)的自適應(yīng)時(shí)頻域分析，且具有較高的信噪比和時(shí)頻聚焦特性[17]，但目前尚未有報(bào)道將EEMD 應(yīng)用到電子舌信號(hào)分析領(lǐng)域。

基于提取的特征，選用合適的分類識(shí)別算法是電子舌模式識(shí)別研究的另一個(gè)重點(diǎn)。史慶瑞等[15]利用BP 神經(jīng)網(wǎng)絡(luò)（BPNN）對(duì)中成藥的品種進(jìn)行辨識(shí)。國婷婷等[18]利用極限學(xué)習(xí)機(jī)（ELM）對(duì)5 種年限的小麥進(jìn)行了識(shí)別和分類。Shi 等[19]利用隨機(jī)森林（RF）建立了一種對(duì)不同年限陳皮區(qū)分的判別模型。但這些方法通常需要人工調(diào)整工作參數(shù)，很難達(dá)到最優(yōu)性能[20]。最小二乘支持向量機(jī)（LSSVM）是在支持向量機(jī)（SVM）基礎(chǔ)上遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的機(jī)器學(xué)習(xí)算法，其模型具有訓(xùn)練效率高、泛化能力強(qiáng)、辨別精度準(zhǔn)確等特點(diǎn)[21]。LSSVM的懲罰系數(shù)和核函數(shù)寬度是影響模型性能的關(guān)鍵[21]，傳統(tǒng)方法主要采用人工比對(duì)法確定，很難達(dá)到全局最優(yōu)。近年來，研究人員為確定LSSVM 模型的參數(shù)分別嘗試采用粒子群優(yōu)化算法[22]、人工魚群優(yōu)化算法[18]、遺傳算法[20]等優(yōu)化算法，取得了較為理想的效果。鯨魚算法是一種受自然集群運(yùn)動(dòng)啟發(fā)的啟發(fā)式算法，通過模仿鯨魚的捕獵行為來解決優(yōu)化問題。與傳統(tǒng)群集智能算法相比，鯨魚算法需要調(diào)整的參數(shù)較少且更容易跳出局部最優(yōu)，具有收斂速度快、局部搜索能力強(qiáng)、優(yōu)化性能好等特點(diǎn)，目前已成功應(yīng)用于多參數(shù)優(yōu)化問題[23?24]。

本文以4 種不同陳釀年限的紅酒為研究對(duì)象，利用實(shí)驗(yàn)室自主研制的伏安電子舌系統(tǒng)對(duì)紅酒樣本進(jìn)行辨別分析。針對(duì)紅酒樣本“指紋圖譜”信號(hào)復(fù)雜、數(shù)據(jù)量大、識(shí)別困難的問題，提出基于集合經(jīng)驗(yàn)?zāi)B(tài)分解、鯨魚算法及最小二乘支持向量機(jī)的模式識(shí)別模型。然后通過實(shí)驗(yàn)驗(yàn)證了系統(tǒng)檢測(cè)結(jié)果的準(zhǔn)確性和可靠性，該研究可為基于人工智能感官技術(shù)的紅酒貯藏年限區(qū)分提供理論依據(jù)和技術(shù)支持。

1 材料與方法

1.1 材料與儀器

樣品紅酒 取自4 種不同陳釀年限市售紅酒，如表1 所示，同一年限紅酒分別來自不同批次，以確保樣本的多樣性；纖維濾膜 規(guī)格0.45 μm，上海市新亞凈化器件廠。

表1 紅酒樣本Table 1 Red wine samples

電子舌系統(tǒng) 采用自行研制的基于虛擬儀器技術(shù)的伏安電子舌系統(tǒng)。

1.2 實(shí)驗(yàn)方法

1.2.1 電子舌系統(tǒng) 伏安電子舌系統(tǒng)結(jié)構(gòu)如圖1 所示。該系統(tǒng)由傳感器陣列模塊、信號(hào)調(diào)理模塊、數(shù)據(jù)采集卡和基于LabView的上位機(jī)軟件組成。傳感器陣列由8 個(gè)貴金屬工作電極（鉑、金、鈦、鈀、銀、鎢、鎳、玻碳），1 個(gè)Ag/AgCl 參比電極和1 個(gè)鉑輔助電極組成。信號(hào)調(diào)理模塊主要由恒電位電路模塊、工作電極多通道切換模塊、信號(hào)放大電路模塊及RC 濾波電路組成。電子舌檢測(cè)溶液時(shí)，利用數(shù)據(jù)采集卡可產(chǎn)生大幅脈沖伏安信號(hào)（Large amplitude pulse voltammetry，LAPV）。該信號(hào)通過數(shù)據(jù)采集卡進(jìn)行D/A 轉(zhuǎn)換，隨后利用恒電位電路傳遞至傳感器陣列。在LAPV 信號(hào)的激勵(lì)下，浸沒于被測(cè)溶液的工作電極在表面產(chǎn)生微弱的響應(yīng)電流信號(hào)并發(fā)生電化學(xué)反應(yīng)，該信號(hào)經(jīng)信號(hào)調(diào)理電路模塊進(jìn)行數(shù)據(jù)轉(zhuǎn)換、放大、濾波后，利用數(shù)據(jù)采集卡對(duì)其進(jìn)行A/D 轉(zhuǎn)換，然后送上位機(jī)對(duì)其進(jìn)行模式識(shí)別分析。相較于傳統(tǒng)的理化分析儀器，伏安型電子舌主要通過施加特定電信號(hào)來使溶液中產(chǎn)生離子的移動(dòng)，通過測(cè)量電信號(hào)的變化來感知不同樣本的指紋信息。

圖1 電子舌系統(tǒng)結(jié)構(gòu)圖Fig.1 Diagram of electronic tongue system structure

1.2.2 樣本數(shù)據(jù)采集 實(shí)驗(yàn)時(shí)準(zhǔn)確量取10 mL 待測(cè)紅酒樣品，經(jīng)0.45 μm的纖維濾膜過濾后置于50 mL燒杯中。在室溫條件（25 ℃）下，利用電子舌檢測(cè)并采集數(shù)據(jù)，每個(gè)樣本檢測(cè)4 次，去掉前3 次不穩(wěn)定數(shù)據(jù)。每次更換檢測(cè)樣本前，為了避免電極表面殘留物影響下次檢測(cè)，采用Al2O3打磨粉和拋光布對(duì)電極進(jìn)行拋光打磨，并用去離子水對(duì)電極進(jìn)行超聲清洗。最終得到400 個(gè)實(shí)驗(yàn)樣本數(shù)據(jù)，并劃分比例為7:2:1的訓(xùn)練集、測(cè)試集和驗(yàn)證集。

1.3 數(shù)據(jù)處理方法

1.3.1 EEMD 分解 集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）是Wu 等[17]針對(duì)EMD 方法存在的模態(tài)混疊現(xiàn)象提出的一種新型信號(hào)分析方法。其核心過程是根據(jù)白噪聲信號(hào)在整個(gè)時(shí)頻空間均勻分布的統(tǒng)計(jì)特性，將高斯白噪聲加入到數(shù)據(jù)信號(hào)中，隨后通過不同尺度的分解可得到一組本征模態(tài)函數(shù)（Intrinsic mode function，IMF）。實(shí)驗(yàn)中針對(duì)電子舌信號(hào)復(fù)雜、數(shù)據(jù)量大的特點(diǎn)，利用EEMD 對(duì)電子舌信號(hào)進(jìn)行自適應(yīng)的時(shí)頻局部分析，使得到的時(shí)間序列具有更強(qiáng)的規(guī)律性，從而提取電子舌信號(hào)時(shí)頻域中的有效特征。假設(shè)一個(gè)時(shí)序信號(hào)為x (t)，EEMD 分解的主要步驟如下：

a.在原始信號(hào) x(t) 中 加入服從 (0,(αε)2)正態(tài)分布的白噪聲n (t)，獲得加噪聲后信號(hào)X (t)，即：

b.利用EEMD 對(duì)加噪后的信號(hào)進(jìn)行分解，得到多個(gè)IMF 分量ci(t)和 一個(gè)殘余分量RN(t)：

c.將均方根相等的不同白噪聲序列 ni(t)，i=1,2,···,j 附加在每次待分解的信號(hào) x(t)上，對(duì)b，c 重復(fù)j次，可得到對(duì)應(yīng)的IMF 分量cij(t)：

d.為消除因多次添加白噪聲信號(hào)對(duì)實(shí)際IMF 產(chǎn)生的干擾，平均計(jì)算各IMF 分量cij(t)的數(shù)值，最終可得本征模態(tài)函數(shù)：

1.3.2 奇異譜熵和邊際譜 奇異譜熵分析是一種時(shí)域信號(hào)分析方法，可根據(jù)原始信號(hào)的時(shí)間序列在相空間進(jìn)行構(gòu)造展開，隨后通過分解、重構(gòu)得到原始信號(hào)中對(duì)應(yīng)的時(shí)域特征[16]。希爾伯特邊際譜可體現(xiàn)原始信號(hào)在每一個(gè)瞬時(shí)頻率點(diǎn)上的幅值分布情況，并能夠反映信號(hào)中的頻域特征，目前已成功用于光電容積脈搏波信號(hào)頻域[25]。故本文分別提取本征模態(tài)函數(shù)的奇異譜熵和邊際譜作為電子舌信號(hào)的特征信息，奇異譜熵的計(jì)算步驟如下：

a.將K 個(gè)IMF 分量組成一個(gè)模態(tài)矩陣：

b.將所得矩陣A 進(jìn)行奇異值分解，可獲得對(duì)應(yīng)的矩陣奇異譜λ1,λ2,···,λk。奇異值描述信號(hào)各頻段的特征，在此基礎(chǔ)上，引入信息熵理論，構(gòu)造信號(hào)的奇異譜熵：

希爾伯特邊際譜計(jì)算過程如下：

d.對(duì)所有EEMD 分解獲得的有效IMF 分量cj(t)進(jìn)行希爾伯特變換得H [Cj(t)]，之后構(gòu)造解析信號(hào)：

e.計(jì)算所得解析信號(hào)的瞬時(shí)幅值和瞬時(shí)頻率：

f.組合上述公式（9）（10）得到希爾伯特譜 H [f,t]，對(duì)時(shí)間積分可得希爾伯特邊際譜：

1.3.3 最小支持二乘向量機(jī)（LSSVM） 最小二乘支持向量機(jī)（LSSVM）是一種遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的核函數(shù)機(jī)器學(xué)習(xí)算法。LSSVM 通過引入平方項(xiàng)的方法，使其目標(biāo)函數(shù)的約束從不等式變?yōu)榈仁剑瑢⒍我?guī)劃問題轉(zhuǎn)化為線性方程組進(jìn)行求解[21]。實(shí)驗(yàn)中使用LSSVM 模型對(duì)電子舌特征數(shù)據(jù)進(jìn)行識(shí)別分類。LSSVM 模型建立過程如下：

a.采用函數(shù) f(x)將原始信號(hào)映射到高維特征空間，開始構(gòu)造最優(yōu)的線性函數(shù)：

式中 ω為高維特征空間的權(quán)向量，b為偏差變量。

b.遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，將LSSVM的優(yōu)化目標(biāo)表示為：

式中，ei為誤差變量。

c.為解決優(yōu)化目標(biāo)問題，構(gòu)建Lagrange 函數(shù)：

式中，i為L(zhǎng)agrange 乘法算子。

d.然后根據(jù)KKT 條件求解得到b，并最終得到優(yōu)化函數(shù)為：

e.實(shí)驗(yàn)設(shè)置K (xi,xj)為徑向基核函數(shù)：

根據(jù)式（13）和式（17）可知，懲罰系數(shù)c 和核函數(shù)寬度 σ為L(zhǎng)SSVM 模型的2 個(gè)待優(yōu)化參數(shù)。故上述參數(shù)組合可對(duì)LSSVM 模型的準(zhǔn)確度和魯棒性產(chǎn)生影響。

1.3.4 鯨魚算法（WOA） 鯨魚算法（WOA）是一種基于模仿鯨魚的捕食行為來構(gòu)建模型的集群優(yōu)化算法。在鯨魚算法中，將鯨魚的整體狩獵行為分成三個(gè)階段：包圍獵物、狩獵獵物和搜尋獵物，其行為如圖2所示。實(shí)驗(yàn)中，利用鯨魚算法對(duì)LSSVM 模型的懲罰系數(shù)c 和 核函數(shù)寬度σ 進(jìn)行參數(shù)優(yōu)化。將上述參數(shù)組合作為優(yōu)化目標(biāo)，根據(jù)鯨魚狩獵行為，迭代尋找最優(yōu)鯨魚位置，從而得到最佳參數(shù)組合。

圖2 座頭鯨狩獵行為Fig.2 Feeding behavior of humpback whale

a.包圍獵物：

假設(shè)當(dāng)前氣味所反映的獵物位置是最佳位置，并定義一定種群數(shù)量的座頭鯨，讓每個(gè)座頭鯨包圍獵物，更新每個(gè)座頭鯨的位置向量，之后對(duì)各個(gè)更新位置進(jìn)行收縮環(huán)繞，最終達(dá)到局部最優(yōu)位置，利用數(shù)學(xué)公式對(duì)上述行為進(jìn)行描述：

式中，t 表示當(dāng)前迭代次數(shù)，X?(t)表示目前最優(yōu)的位置向量，X (t)表 示當(dāng)前鯨魚位置向量，A和 C表示兩個(gè)控制系數(shù)向量，D 為位置衡量系數(shù)。

b.狩獵獵物：

鯨魚主要是通過螺旋向上的運(yùn)動(dòng)方式對(duì)獵物進(jìn)行捕食，可通過數(shù)學(xué)方程對(duì)其進(jìn)行描述：

其中，Dp表示鯨魚當(dāng)前位置和獵物位置之間的距離，X?(t)表 示目前最優(yōu)的鯨魚位置，b 為定義對(duì)數(shù)螺旋形狀的一個(gè)常數(shù)，l是（?1,1）中任意數(shù)。

在狩獵過程中，鯨魚同時(shí)采用收縮環(huán)繞和螺旋方式進(jìn)行位置更新。因此，設(shè)置閾值Pi決定不同的方式來更新下一代位置，其數(shù)學(xué)模型如下：

c.搜索獵物：

在搜索獵物過程中，通過不斷更新局部最優(yōu)位置，最終達(dá)到全局最優(yōu)，其數(shù)學(xué)模型表示為：

其中，Xrand是隨機(jī)選擇的鯨魚位置向量，通過控制向量系數(shù)A的絕對(duì)值來設(shè)定算法的位置更新方式。

1.3.5 WOA-LSSVM 模型構(gòu)建 利用WOA 算法對(duì)LSSVM 參數(shù)組合進(jìn)行優(yōu)化，具體流程步驟如圖3 所示：

圖3 鯨魚算法優(yōu)化最小二乘支持向量機(jī)流程圖Fig.3 Flow chart of optimization least square support vector machine by improved whale optimization algorithm

a.設(shè)置初始化參數(shù)，優(yōu)化迭代次數(shù)Tmax和鯨魚種群大小SN。

b.選取SN個(gè)鯨魚作為初始種群，并計(jì)算出所有鯨魚的適應(yīng)度值大小。

c.根據(jù)步驟b 計(jì)算出每個(gè)鯨魚的適應(yīng)度值，選取適應(yīng)度值最小的鯨魚位置作為當(dāng)前個(gè)體最優(yōu)位置。

d.鯨魚群中的其他鯨魚，根據(jù)整體狩獵行為，全局搜索最優(yōu)鯨魚的位置。當(dāng)A ≥1時(shí)，采用式（23）通過搜索行為來更新鯨魚位置，若A <1，則采用公式（21）根據(jù)收縮環(huán)繞方式更新下一代鯨魚的位置。

e.迭代終止條件判斷。檢查目前的迭代次數(shù)是否達(dá)到Tmax，若已達(dá)到，則停止迭代，輸出當(dāng)前最優(yōu)位置，通過參數(shù)解碼可得最佳的LSSVM 參數(shù)組合。若未達(dá)到，則轉(zhuǎn)至步驟d，繼續(xù)尋找最優(yōu)位置。

2 結(jié)果與分析

2.1 電子舌響應(yīng)信號(hào)

圖4 為鉑、金、鈦、鈀、銀、鎢、鎳、玻碳工作電極得到的紅酒樣本響應(yīng)信號(hào)?？梢钥闯?，不同的工作電極對(duì)不同貯藏年限的紅酒響應(yīng)信號(hào)有著明顯差異。經(jīng)實(shí)驗(yàn)驗(yàn)證分析，使用上述電極可以較為全面反映紅酒樣品的“指紋圖譜”。經(jīng)檢測(cè)，每個(gè)樣本采樣可得8000 個(gè)原始數(shù)據(jù)點(diǎn)，則4 種年限的紅酒樣本最后得400×8000的數(shù)據(jù)矩陣。

圖4 電子舌對(duì)紅酒樣品的響應(yīng)信號(hào)Fig.4 Electronic tongue response signal of red wine

2.2 數(shù)據(jù)預(yù)處理

2.2.1 EEMD 信號(hào)分解 針對(duì)電子舌響應(yīng)信號(hào)，實(shí)驗(yàn)采用EEMD 算法進(jìn)行分解。初始化參數(shù)，設(shè)置白噪聲幅值為0.2，執(zhí)行次數(shù)為100，分解結(jié)果如圖5 所示。經(jīng)EEMD 分解的樣本原始信號(hào)可得到多個(gè)IMF分量和一個(gè)RES 殘余分量。從圖5 可以看出，IMF1～I(xiàn)MF5 突變性強(qiáng)，頻率較高且波形復(fù)雜，呈現(xiàn)出明顯的多尺度特征。從IMF6～I(xiàn)MF9 分量開始，整體信號(hào)趨緩，變化幅度較小，分量的規(guī)律性比IMF1～I(xiàn)MF5更強(qiáng)，但是波動(dòng)的周期并不穩(wěn)定，表明上述分量主要體現(xiàn)信號(hào)的大體趨勢(shì)。

圖5 原始信號(hào)EEMD 分解結(jié)果Fig.5 EEMD decomposition results for original signal

2.2.2 IMF 奇異譜熵與邊際譜 對(duì)原始信號(hào)經(jīng)EEMD分解的1～9 階IMF 分量，利用奇異譜熵法進(jìn)行特征選擇。依據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)，設(shè)定分段長(zhǎng)度L =3000，奇異譜熵值分布情況如圖6 所示。由奇異譜熵分布可知，奇異譜熵峰值隨著分解次數(shù)的增加而逐漸減小，說明其包含的特征信息也逐漸減少。由于IMF9 分量的熵值變化微小，故選擇1～8 階IMF 分量的奇異譜熵值作為電子舌信號(hào)的特征向量[26]。

圖6 不同紅酒的IMF 奇異譜熵分布Fig.6 IMF singular spectral entropy distribution of different red wine

對(duì)1～8 階IMF 分量進(jìn)行希爾伯特變換，可得如圖7 所示的希爾伯特邊際譜。由圖7 可知，4 種紅酒的希爾伯特邊際譜總體變化趨勢(shì)大致相似，即在10 Hz 左右均有較為明顯的凸起變化，且在30 Hz 左右有凸起變化。其中2 年樣本在0～10 Hz 內(nèi)有2 次凸起，但4 種紅酒樣本的最大幅值存在明顯區(qū)別。而幅值的大小可體現(xiàn)出信號(hào)時(shí)頻分布的能量特征，由于邊際譜的幅值變化主要集中在0～50 Hz的區(qū)間范圍內(nèi)，故根據(jù)希爾伯特邊際譜理論，選取邊際譜中的前50 個(gè)值作為特征向量[27]。最終單個(gè)紅酒樣本可得到58 個(gè)特征向量。

圖7 紅酒信號(hào)的希爾伯特邊際譜Fig.7 Hilbert marginal spectrum of red wine signals

2.3 基于EEMD-WOA-LSSVM的紅酒貯藏年限定性分析

采用EEMD-WOA-LSSVM 模型，對(duì)4 個(gè)不同年限的紅酒進(jìn)行分類。訓(xùn)練集、測(cè)試集和驗(yàn)證集比例設(shè)置為7:2:1，將EEMD 分解后得到的奇異譜熵和邊際譜作為特征數(shù)據(jù)輸入WOA-LSSVM 模型中進(jìn)行判別分析。采用鯨魚算法優(yōu)化LSSVM 模型參數(shù)，設(shè)定鯨魚群種群規(guī)模 N=150，迭代次數(shù)最大值Tmax=100，根據(jù)收斂速度和迭代效果對(duì)算法進(jìn)行評(píng)估。圖8 為以均方根誤差作為評(píng)價(jià)標(biāo)準(zhǔn)的優(yōu)化迭代收斂曲線。由圖8 可知，鯨魚優(yōu)化算法在迭代前期，模型均方誤差隨著迭代次數(shù)的增加迅速下降，并在25 次左右逐漸趨于恒定值。此時(shí)可得LSSVM 最佳參數(shù)組合懲罰系數(shù) c=71.1582，核函數(shù)寬度σ=239.2288，且均方根誤差僅為0.0905。為了對(duì)比分析，同時(shí)采用粒子群算法[22]（Particle Swarm Optimization,PSO）和遺傳算法[19]（Genetic Algorithm,GA）對(duì)LSSVM 懲罰系數(shù)和核函數(shù)寬度參數(shù)組合進(jìn)行優(yōu)化，從圖8 可以看出，GA 和PSO 算法在收斂速度和最終收斂效果上，均劣于WOA 算法。

圖8 三種集群算法優(yōu)化LSSVM 參數(shù)的對(duì)比曲線Fig.8 Three clustering algorithms optimization LSSVM parameter optimization iteration

實(shí)驗(yàn)采用測(cè)試集對(duì)EEMD-WOA-LSSVM 模型評(píng)價(jià)分析，可得混淆矩陣如圖9 所示。圖中混淆矩陣的橫坐標(biāo)為樣本預(yù)測(cè)類別，縱坐標(biāo)為樣本實(shí)際類別。由圖9 可知，在測(cè)試集樣本中1 年和6 年貯藏紅酒樣本均無混淆現(xiàn)象，有1 個(gè)2 年貯藏紅酒樣本被錯(cuò)分為1 年樣本。在4 年貯藏紅酒樣本中，有2 個(gè)樣本被錯(cuò)誤分類。模型測(cè)試集樣本的平均分類準(zhǔn)確率達(dá)到96.25%，表明EEMD-WOA-LSSVM 模型可對(duì)不同貯藏年限的紅酒進(jìn)行良好的辨別區(qū)分。

圖9 EEMD-WOA-LSSVM 模型測(cè)試集樣本混淆矩陣Fig.9 Confusion matrix of EEMD-WOA-LSSVM model on test set

2.4 模型驗(yàn)證

為進(jìn)一步驗(yàn)證本文提出算法的優(yōu)越性，以驗(yàn)證集中預(yù)處理后的特征數(shù)據(jù)為輸入數(shù)據(jù)，分別選擇SVM、LSSVM 和相同初始參數(shù)值下的PSO-LSSVM、GA-LSSVM 模型進(jìn)行對(duì)比分析。分別采用精確率（Precision）、召回率（Recall）、F1-Score 和Kappa 系數(shù)評(píng)估各個(gè)模型的魯棒性和辨別能力，其評(píng)判標(biāo)準(zhǔn)指標(biāo)定義如下：

上述公式中，TP為 真實(shí)的正樣本數(shù)量；FP為真實(shí)的負(fù)樣本數(shù)量；FN為 虛假的負(fù)樣本數(shù)量。x為驗(yàn)證樣本的總數(shù)；xi?和 x?i分 別為結(jié)果中第i類樣本的總樣本數(shù)和測(cè)試集樣本中第i 類樣本的總樣本數(shù)；xii為矩陣中第i 行 i 列 中的樣本數(shù)，代表第i類樣本中正確分類的樣本數(shù)；k 為分類的類別數(shù)。

表2 為各模型對(duì)4 種不同貯藏年限紅酒的分類性能統(tǒng)計(jì)。精確率代表被所有預(yù)測(cè)為正的樣本中實(shí)際為正樣本的概率。召回率代表在實(shí)際為正的樣本中被預(yù)測(cè)為正樣本的概率。而F1-Score 和Kappa系數(shù)是衡量模型準(zhǔn)確度的兩個(gè)參數(shù)標(biāo)準(zhǔn)。結(jié)果表明，LSSVM 分類性能優(yōu)于SVM，其準(zhǔn)確率、精確率、召回率、F1-Score、Kappa 系數(shù)分別提高了5%、5.5%、5%、0.05、0.06。這是由于LSSVM 使用了平方差損失函數(shù)，將等式約束代替不等式約束，從而提升了模型的分類精度。與未優(yōu)化的LSSVM 相比，經(jīng)過GA、PSO、WOA 集群算法優(yōu)化的LSSVM 效果更好，其準(zhǔn)確率提高了2.5%～10%。在三種優(yōu)化算法中，WOA 表現(xiàn)出比GA 和PSO 更好的優(yōu)化性能，這是由于鯨魚優(yōu)化算法具有良好的尋優(yōu)能力，使得收斂速度和收斂精度得到了較大幅度的提升，避免了傳統(tǒng)集群優(yōu)化算法的早熟現(xiàn)象、易陷入局部最優(yōu)等現(xiàn)象。

表2 各模型分類結(jié)果Table 2 Model classification results

3 結(jié)論

研究采用伏安電子舌對(duì)不同貯藏年限的紅酒進(jìn)行辨別分析，針對(duì)電子舌信號(hào)數(shù)據(jù)量大、復(fù)雜的特點(diǎn)，提出一種基于EEMD-WOA-LSSVM的組合模式識(shí)別模型。采用EEMD 對(duì)紅酒電子舌信號(hào)進(jìn)行多尺度分解，得到多個(gè)IMF 函數(shù)并選取對(duì)應(yīng)的奇異譜熵和希爾伯特邊際譜作為特征向量。同時(shí)為解決LSSVM 模型參數(shù)選擇的盲目性問題，提出了利用WOA 對(duì)LSSVM 模型參數(shù)進(jìn)行尋優(yōu)，有效的提高了模型的辨別準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明，利用電子舌結(jié)合EEMD-WOA-LSSVM 模型各項(xiàng)精度評(píng)價(jià)指標(biāo)比其他模型更高，其準(zhǔn)確率、精確率、召回率、F1-Score、Kappa 系數(shù)分別為97.5%、97.75%、97.5%、0.98 和0.97，能夠很好地區(qū)分4 種不同貯藏年限的紅酒。該研究將為紅酒貯藏年限區(qū)分提供一種新的研究思路和技術(shù)手段。