第29卷,第5期 光谱学与光谱分析 v01.29,№.5,ppl268—1271
2009年5月 SpectroscopyandSpectralAnalysis May,2009
基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别
吴桂芳h2,蒋益虹1,王艳艳1,何勇l。
1.浙江大学生物系统
与食品科学学院,浙江杭州310029
2.内蒙古农业大学机电工程学院,内蒙古呼和浩特010018
摘要为了实现葡萄酒品种的快速无损鉴别,选用五种干红葡萄酒,进行可见和近红外光谱实验,提出了
一种用可见和近红外光谱技术快速鉴别葡萄酒品种的新方法。采用独立主成分分析进行模式特征分析,经
过选用不同的独立主成分数进行建模和预测,确定最佳独立主成分数为20。将这20个主成分作为神经网络
的输入变量,建立三层BP神经网络,实现类别预测的同时也完成了数学建模与优化分析工作。5个品种的
葡萄酒样本数均为35,共计175个样本。在神经网络学习中,将其分成训练集样本150个和预测集样本25
个。对25个未知样本进行预测,准确率为100%。该研究在独立主成分分析的基础之上,根据干红葡萄酒各
独立主成分的混合矩阵向量载荷图,选取了两个波段(400~430nnl与512~532rim)作为葡萄酒的独立主成
分分析的特征波段。说明该文提出的基于光谱技术和模式识别的方法不仅对葡萄酒具有很好的分类和鉴别
能力,并且可以提取出葡萄酒的指纹特征,可用于葡萄酒的检测与技术开发。
-:
关键词可见/近红外光谱;葡萄酒;独立主成分分析;BP神经网络;品种鉴别
中图分类号:0433.4.Ts262.6文献标识码:A DOI:10.3964/j.issm1000-0593(2009)05-1268--04
引 言
葡萄酒有着7000余年的悠久历史,并且拥有丰富的文
化底蕴,由于色泽亮丽,香气浓郁,营养丰富,深受世界各
国消费者青睐,经久不衰[1一]。虽然葡萄酒都是葡萄经发酵
而成的饮料,但是由于众多的葡萄品种,各种气候、土壤等
生态条件,各具特色的酿造方法和不同的陈酿方式等,又使
它们之间存在着很大的差异,产生了很多类型的葡萄酒[3]。
按照欧盟的
,可将葡萄酒分为普通葡萄酒(VDT)和区限
优质葡萄酒(VQPRD)两大层次,法国等一些国家又在欧盟
标准的基础上进一步对葡萄酒的质量进行了分级,使之形成
了多个不同的层次[‘]。由于葡萄酒的多样性和层次性,只凭
感官评定,受主观因素影响较大,准确性难以保证,不足以
鉴别葡萄酒的种类。而常规的化学方法进行酒的不同品种的
鉴别费时、费力。还需要昂贵的分析仪器[5]。因此研制一种
简单、快速、无损的葡萄酒鉴别技术是很有必要的。
现代光谱分析技术,可充分利用全谱段或多波长下的光
谱数据进行定性或定量分析。由于光谱分析技术具有速度
快、效率高、成本低、测试重现性好、测量方便等特点,已经
广泛应用于众多领域。国内外学者利用光谱技术进行了品种
鉴别等,如苹果品种[61、酸奶品种[71、大黄品种[引、中药
树钉等。.
独立成分分析(1CA)是近几年发展起来的一种新的化学
计量学方法,是一种从多变量数据集寻找潜在变量的信号处
理方法,已成功地应用于生物医学信号处理、盲源信号分离
和图像处理等领域[10]。人工神经网络是模仿人脑神经细胞
的结构和功能的系统[】¨21。目前应用较广的是一种基于误
差反向传播算法的BP神经网络。由于具有高度非线性映射
的能力,现已在多个领域得到了广泛的应用。本文提出了一
种基于BP神经网络与独立主成分相结合的模式识别方法,
用于可见和近红外光谱技术研究干红葡萄酒品种的鉴别。
1材料与方法
1.1仪器设备
实验使用美国ASD(armlyticalspectraldevice)公司的
HandheldFieldSpee光谱仪,其光谱测定范围为325"-,1075
nnl,分辨率3.5I'UTI,探头视场角为20。。光源采用14.5V和
50w的卤素灯。分析软件采用ASDViewSpeePro,Matlab
7.3和DPS(dataprocessionsystemforpracticalstatistic)c13。.
收稿日期:2008-02—22.修订日期:2008-05—26
基金项目:国家科技支撵计划项目(2006BADIOA04),国家自然科学基金】熏目(30671213)和高等学校优秀青年教师教学科研奖励计划项目
(02411)资助
作者简介:吴桂芳,女,1972年生.浙江大学生物系统工程与食品科学学院讲师 *通讯联系人 e-mail,yIle@zjILedu.血
万方数据
第5期 光谱学与光谱分析 1269
I.2样品制备及光谱的扫描
从超市和厂家获得5个品牌不同批次的干红葡萄酒,分
别是香格里拉·青稞、香格里拉·赤霞珠、王朝、法国露映
红和威龙。每个品牌的葡萄酒都密封保存在恒温25℃的实
验室内。在样品采集前,先将酒摇匀,制备了175个样本。
光谱扫描采用透射法,光程2iTirn,每个样本扫描30次,保
存3条光谱曲线,以其平均光谱作为最终的透射光谱。从全
部175个样本中,每个品种随机选择5个共25个样本作为
预测集,其余每个品种30个共150个作为定标集。
1.3光谱数据预处理
为了去除来自高频随机噪音、样本不均匀、基线漂移、
光散射等影响,需对原始光谱数据进行预处理[¨一5]。采用
Savitzky-Golay平滑法,选用平滑点数为21,再进行standard
normalvariate(SNV)处理。为消除光谱数据在采集时首端与
末端产生的部分噪音,截取400~1000衄波段的光谱数据
进行分析。
1.4独立组分分析鉴别模型的建立
ICA模型如图1所示:其中S=(却,匏,⋯,‰)T
示
独立源信号,满足统计独立和非高斯假设,A为混合矩阵,X
—AS=(z,,372,⋯,‰)7为观测信号,自CA的目标就是找
到分离矩阵Ⅳ,使Y=WX,其中Y=(M,yz,⋯,蜘)1统
计独立。
本文采用FJ蟠TIcA算法,该算法具有收敛速度快,无需
动态参数的优点。FASTICA算法由Hyvarinen等[1u提出,
该算法是基于不动点的迭代准则。在此采用峰度作为独立性
判决准则。算法迭代公式为
砌(矗+1)=E[五(wi(矗)T嚣)3]一3w,(^)
其中Wi(志)为次迭代后W矩阵中与第i个源信号相对应的某
一行向量,当相邻两次础(忌)无变化或变化很小时,即可认
为迭代过程结束。
根据算法的迭代公式,给出该算法的步骤。
(1)令i=1。
(2)随机选取范数为l的初始矢量似O),并令量=1。
(3)令m(志)=E[丑(m(七一1)7五)3]一3m(五一1)(4)令m(惫)-尚
(5)若l砒(量)’wl(量一1)l收敛于1,停止迭代,输出矢
量谢(是),否则令k=量+1,返回第3步,继续迭代。
(6)若i<源信号个数,则返回第2步。直至把所有的源
信号分离出来。
2试验结果与分析
2.1不同葡萄酒品种的可见/近红外光谱图分析
五种葡萄酒的可见/近红外光谱图如图2所示。每个品
种的葡萄酒随意选取2条光谱。图中横坐标为光谱波长,范
围为400~1000咖,纵坐标为吸光度。
WavelengtlfI,nm
飚2Vis/NIRab刚ba眦spectraoffivedifferent
varietiesofdryred帅winee.
2.2独立主成分分析结果
对用于建模的近红外光谱信号采用文章中所述算法进行
ICA分析,分别提取出IOX175,20X175,30×175的独立成
分矩阵Y1,y2,y3和600X10,600X20,600X30的混合矩
阵A1,A。,A。。分别提取10,20,30个独立主成分进行建模
和预测,表1列出了不同独立主成分数的建模效果,当独立
主成分数选为20时,识别率最高,达到了100%,神经网络
拟合残差最小,因此本文选用20个独立主成分进行建模和
预测。
Table1 ModelingeffectwitlIdifferentnumberofICs
2.3特征波段的选取
图3是混合矩阵的1~5分量的向量载荷图(6~20分量
略),从图中可以看出独立成分1~5与各个变量的相关程
度,独立成分1~5的波峰与波谷在400~430nlTl与512~
532哪处,说明独立主成分1~5在这两个波段内与葡萄酒
Wavelent,th/nm
隐3 Vectorle瞰iingsofmixedmatrix(ICl-IC5)
of175dryndwinesamples
鼬I_H*pBoI_莹苦∞≯
万方数据
1270 光谱学与光谱分析 第29卷
winesamplesbyBP-ANNmodel
Notell:表示香格里拉·青稞;2:香格里拉·赤霞珠f3:王朝l
4。法国露映红;5;威龙
吸光度的相关性最大}分析独立成分6---20与葡萄酒吸光度
的相关性在400~430rim与512~532rlm也为最大,因此,
从400~1000nm范围的601个采样点中选出这两个波段作
为干红葡萄酒的可见/近红外光谱的特征波段。
2.4基于BP神经网络的干红葡萄酒品种鉴别模型
通过独立主成分分析,将提取的前20个独立主成分作
为BP神经网络的输入。通过调整网络参数得到最优的网络
结构,从而得到最优的预测模型。经过BP神经网络分析得
到最终的拟合残差为9.908X10~,对未知的25个样本进行
预测,预测结果如表2所示。设定干红葡萄酒品种的真实值
为,。1”表示香格里拉·青稞,。2”代表香格里拉·赤霞珠,
。3”代表王朝,。4”代表法国露映红,“5”代表威龙。设定品
种预测结果偏差在士0.1以内,为品种区分的界限。结果表
明,所有未知样本都未超出偏差范围,得到对未知样本预测
的正确辨别率为100%。
3结论
应用模式识别和可见及近红外光谱技术建立了干红葡萄
酒鉴别的模型,识别率达到100%。说明运用可见和近红外
光谱技术可以快速、准确的对于红葡萄酒品种进行鉴别。在
模式识别上,采用独立主成分分析和BP神经网络相结合的
方法,优化了常规的模式识别方法,大大提高了识别的精确
度。将从ICA分析中得到的独立主成分作为BP神经网络的
输入,不但减少了神经网络的计算量,加快了训练速率,而
且因为去除了光谱干扰信息,也提高了预测的正确率。通过
分析混合矩阵的向量载荷图,找到了各独立主成分对应的敏
感波段为400~430am与512~532nm。因此,用独立主成
分结合BP神经网络的模式识别方法和光谱技术研究葡萄酒
品种鉴别是可行的,而且对开发研制葡萄酒酒品的检测系统
具有广泛的应用前景。
参 考 文 献
ZHUMei。LIWen-yah,GUt')Qi-chang(朱梅,李文庵,郭其昌).TechnologyofRedWine(葡萄酒工艺学).BeijinglLightIndustry
PublishingHouse(jt京:轻工业出版社),1986.
LIHua。WANGHua.YUANChun-long,etal(李华,王华,袁舂龙,等).RedWineChemistry(葡萄酒化学).BeijinglSdence
Pre船(北京:科学出版社),2005.
CatarinoS,Curvelo-GarciaAS,BrunodeSousaRTalanta,2006,70:1073.
PENGDe-hua(彭德华).CollectedWorksofRedWineBrewingTechnology(葡萄酒酿造技术文集).Beijing:SciencePrcss(jB京l科学出
版社),2005.
UHua(李华).StudyofRedWi耻Tasting(葡萄酒品尝学).8eijing:SciencePress(jt京;科学出版社),2006.
HEYong,LIXiao-li。SHAOYong-ni(何勇,李晓丽,邵咏妮).SpectroscopyandSpectralAnalysis(光谱学与光谱分析),2006,26
(5)t850.
HEYong,FENGShui-juan,LIXiao-li。etal(何勇,冯水娟,李晓丽.等).SpectroscopyandSpectralAnalysis(光谱学与光谱分析),
2006,26(II):2021.
ZHUHui-iu,ZHANGZhuo-yong(朱惠菊,张卓勇).JournalofInstrumentalAnalysis(分析测试学报),2004.23(6):95.
HEShu-hua.ZHANGJie,QULian-ying(何淑华,张洁,曲连颖).ActaScientiarumNaturaliumUniversitatisJilinensis(吉林大学自
然科学学报),1999,(4)I103.
LIHong-yan.WANGHtm-kui(李鸿燕,王华奎).ChineseJournalofSdentificInsmmmnt(仪器仪表学报),2006.27(6):664.
HyvarinenA,OjaENeuralNetworks.2000,13:411.
Haykin&NeuralNetwork-AComprehensiveFoundation,1994,1:44.
HeYong.LiXiaoli。DengXunfei.JournalofFoodEngineering·2007·79(4):1238.
TAr、iGqi-yi,FENGMing-guang(唐启义.冯明光).DISDataPr∞essi唱SystemforPracticalStatistics(实用统计分析及其DPS数据处
理系统).Beijing:SciencePress(北京:科学出版社),2002.
CHUXiao-li,YUANHong-fu.LUWan-zhen(楮小立,袁洪福,陆婉珍).ProgressinChemistry(化学进展).2004,16(4):528.
]
]
]]
]]
]
]]
]]]]]
]
l
2
3
4
5
6
7
8
9
加n他n
H
坫
[
[
[[
[[
[
[[
[[[[[
[
万方数据
第5期 光谱学与光谱分析 1271
DiscriminationofVarietiesofDryRedWinesBasedonIndependent
ComponentAnalysisandBPNeuralNetwork
WUC赫fan91·2。JIANGYi-hong’,WANGYah-yahl,HEYongI。
1.CollegeofBiosystenmEngineeringandFoodScience,z11ejhngUniversity,Hangzhou310029,Chim
2.CollegeofMechanicalandElectricalEngineering,]nrlerMongol;口AgricultureUniversity,Huhhot010018,China
AlmtmdInordertOachievetherapiddiscriminationofthevarietiesofredwines,theauthorsselected5kindsofdryredwine
forstudywithVis/NIRspectroscopy.Firstly.Characteristicsofthepatternwereanalyzedbyindependentcomponentanalysis
(1cA).Throughcompingtheresultsofmodelingperformancebydifferentnumberofindependentcomponents,20principal
componentspresentingimportantinformationofspectrawereconfirmedasthebestnumberofprincipalcomponents.The20in-
dependentcomponents(ICs)extractedbylCAwereemployed弘theinputsoftheBPneuralnetworks,andthenathreelayersof
BPneuralnetworkwasbuilt,categoryanalysiswasperformed,andtheworkofbuildingmathematicsmodelandoptimizingthe
algorithmwascompleted.Fivesamplesfromeachvarietyandatotalof25sampleswereselectedrandomlyasthepredictionsets.
TheremainiIlg150sampleswereusedasthetrainiIlgsetstobuildthetrainingmodel。whichwasvalidatedbythesamplesofthe
predictionsets.TIIerecognitionratew'ss100%.Inaddition,basedontheindependent吲Tlporientanalysis,theauthorsselected
tWOcharacteristicwavehandsinreferencetOvectorloadingmapofmixedmatrix.Sothepatternrecognitionmethodsdevelopeal
illtllispapernotonlyplayedagoodroleintheclassificationanddiscrimination,butalsohadthecapabilitytoextractthefinger
featureofredwine,andofferedariley"wayfordetectinganddevelopingredwines.
函卵-钾由 Vis/NIRspectra;Redwine!Independentcomponentanalysis(ICA);BPneuralnetworks;varietydiscrimination
(ReceivedFeb.22,2008acceptedMay26,2008)
万方数据
基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别
作者: 吴桂芳, 蒋益虹, 王艳艳, 何勇, WU Gui-fang, JIANG Yi-hong, WANG Yan-yan,
HE Yong
作者单位: 吴桂芳,WU Gui-fang(浙江大学生物系统工程与食品科学学院,浙江杭州310029;内蒙古农业
大学机电工程学院,内蒙古呼和浩特010018), 蒋益虹,王艳艳,何勇,JIANG Yi-hong,WANG
Yan-yan,HE Yong(浙江大学生物系统工程与食品科学学院,浙江杭州,310029)
刊名: 光谱学与光谱分析
英文刊名: SPECTROSCOPY AND SPECTRAL ANALYSIS
年,卷(期): 2009,29(5)
参考文献(15条)
1.朱梅.李文庵.郭其昌 葡萄酒工艺学 1986
2.李华.王华.袁春龙 葡萄酒化学 2005
3.Catarino S.Curvelo-Garcia A S.Bruno de Sousa R 查看详情 2006
4.彭德华 葡萄酒酿造技术文集 2005
5.李华 葡萄酒品尝学 2006
6.何勇.李晓丽.邵咏妮 查看详情[期刊论文]-光谱学与光谱分析 2006(05)
7.何勇.冯水娟.李晓丽 查看详情[期刊论文]-光谱学与光谱分析 2006(11)
8.朱惠菊.张卓勇 查看详情[期刊论文]-分析测试学报 2004(06)
9.何淑华.张洁.曲连颖 查看详情[期刊论文]-吉林大学自然科学学报 1999(04)
10.李鸿燕.王华奎 查看详情[期刊论文]-仪器仪表学报 2006(06)
11.Hyvarinen A.Oja F 查看详情 2000
12.Haykin S 查看详情 1994
13.He Yong.Li Xiaoli.Deng Xunfei 查看详情 2007(04)
14.唐启义.冯明光 实用统计分析及其DPS数据处理系统 2002
15.楮小立.袁洪福.陆婉珍 查看详情 2004(04)
本文链接:http://d.g.wanfangdata.com.cn/Periodical_gpxygpfx200905027.aspx