基于SIMCA-SVDD方法的分子光谱分析及其在食用油分类中的应用

摘要：

食用油是日常生活中的必需品.市场上食用油在成分、营养价值及价格上有很大的不同.为避免欺诈行为,亟需建立一套有效的市场销售的食用油品质分类方法.常规的食用油检测方法速度慢而且需要复杂的实验室预处理过程.分子光谱从分子水平上反映了物质的组成与结构信息,分子光谱分析速度快而且是无损监测,因此分子光谱分析结合化学计量学的方法正成为食用油分类方法的趋势.SIMCA(Soft Inde-pendent Modeling of Class Analogy)是应用广泛的分子光谱分析方法,然而在SIMCA中使用欧氏距离于对基于PCA和F检验提取的特征进行分类,难以区分不规则的特征空间.由于食用油样本分子光谱差别细微,通常难以用SIMCA方法进行分类.SVDD(Support Vector Domain Description)算法是一类基于支持域的非线性单类分类方法,SVDD利用求解凸二次规划得出一个尽可能包含所有目标样本的最小超球体进行分类.本文提出了一种基于SIMCA-SVDD方法的分子光谱分析方法并用于食用油的快速分类.为鉴别不同种类的食用油,在ATR-FTIR光谱仪上扫描四种食用油的红外光谱.应用SIMCA方法提取分类特T2和Q,由于提取的特征T2和Q分布的不规则性,不同于SIMCA中的欧氏距离,本文采用SVDD用于对提取的不规则特征进行分类.由于SVDD能通过映射函数将分类特征映射到高维空间,因此可以通过求解凸二次规划来训练最优的分类超球面对分类特征进行分类.采用本文所提的SIMCA-SVDD方法及传统的SIMCA方法,对同样的样本进行了对比实验.对比实验证实了本文所提的SIMCA-SVDD方法具有比传统的SIMCA方法更好的分类结果,所提的方法为实现基于分子光谱进行食用油快速分类提供了一条新的途径.

关键词：食用油、分子光谱、SIMCA、欧氏距离、SVDD

所属期刊栏目：40

分类号：O561.3(分子物理学、原子物理学)

资助基金：National Key Research and Development Plan;Beijing Natural Science Foundation

在线出版日期：2020-08-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2651-2656