可见近红外光谱检测河套蜜瓜糖度和硬度研究——基于LS—SVM.pdf

《可见近红外光谱检测河套蜜瓜糖度和硬度研究——基于LS—SVM.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2014年2月农机化研究第2期可见近红外光谱检测河套蜜瓜糖度和硬度研究一基于LS—SVM张德虎，田海清，刘超，肖传晶，武士钥(内蒙古农业大学机电工程学院，呼和浩特010018)摘要：最小二乘支持向量机是水果品质可见近红外光谱检测中新近发展起来的建模方法。为此，详细介绍了最小二乘支持向量机的工作原理以及基于Matlab环境的LS—SVM工具箱的使用；在此基础上，运用主成分分析和LS—SVM法建立了基于可见近红外光谱的河套蜜瓜糖度和硬度检测模型，并分析了样品糖度、硬度的真实值和预测值的相关性。预测结果表明：糖度和硬度预测值与

2、真实值决定系数R分别为0．865和0．852。LS—SVM法建模速度快、准确率高、易于实现，在可见近红外光谱数据分析中有很大的实用价值。关键词：最小二乘支持向量机；河套蜜瓜；漫透射光谱；糖度；硬度中图分类号：S123文献标识码：A文章编号：1003—188X(2014)02-0010-05替经典SVM中较复杂的二次优化问题，降低了计算复0引言杂性，加快了求解速度¨卜j。Alessandra等基于Ls—可见近红外光谱(VisibleNear—infraredSpectra，SVM和近红外光谱对奶粉中的淀粉、蔗糖含量进行定简

3、称VIS—NIRS)技术是近年来发展起来的一种快速、量分析研究，建立的预测模型要优于最小二乘法无损、低成本的绿色新型定性或定量分析技术，目前(PLS)¨。高钰等采用LS—SVM对苹果的酸度进行已在农产品检测、生物制药及其它化学产品加工等领回归模型研究，得到优化后的LS—SVM预测模型结域得到应用¨J。可见近红外光谱分析中，偏最小二果，所建模型的相关系数和均方根方差分别为0．9615乘(PLS)、主成分回归(PCR)及逐步多元线性回归和0．0132，与PLR，ANN和常规LS—SVM模型比较，(SMLR)等建模算法是常见的

4、方法。与这些传统的经优化后的LS—SVM具有更好的回归性能14]。黄康等典算法相比，最小二乘支持向量机(LeastSquareSup-采用LS—SVM对番茄汁近红外透射光谱和糖度、有效portVectorMachine，简称LS—SVM)算法在水果内部品酸度进行分析研究，得到糖度相关系数为0．9905，预质检测建模方面还较少见J。测均方根误差为0．0056。Brix，有效酸度的相关系数支持向量机(Suppo~VectorMachine，简称SVM)系数为0．9675，预测均方根误差为0．0245。Brix¨。算法是近几年

5、发展起来的一种专门研究有限样本预综上所述，尽管已有研究者将LS—SVM法应用于测的学习方法。相比传统的统计学方法，SVM算法是可见近红外光谱的定量分析中，但在大果形、厚果皮在结构风险最小化原理基础之上发展起来的一种新水果内部品质的漫透射光谱检测中还少见报道。为算法，能较好地解决少量样本、高维数、非线性和多输此，以“金红宝”非网状河套蜜瓜为例，运用LS—SVM出等实际问题。目前，SVM算法在可见近红外光谱定和主成分分析(PCA)方法建立蜜瓜基于漫透射光谱量分析、果蔬分类、函数逼近预测评估及仿真等方面的糖度、硬度预测模型，并

6、对LS—SVM建模方法得到已有一定应用。LS—SVM是标准SVM在二次损的预测模型进行分析和讨论。失函数形式下的一种改进算法，以求解线性方程组代1最小二乘支持向量机的原理收稿日期：20l3一叭一O6设给定的训练数据集形式为(，Y)，其中，i=基金项目：国家自然科学基金项目(31160248)；中国博士后科学基金1，2，⋯，z，∈R，Y∈R，利用非线性映射将样本项目(20110491551)；教育部高等学校博士学科点专项科研基金项目(20111515120008)从原空问映射到特征空间60(xi)，在高维特征空间作者简介：

7、张德虎(1989一)，男，安徽阜阳人，硕士研究生，(E—mail)中构造最优决策函数为zdhl989O324@l63．com。通讯作者：田海清(1973一)，男，呼和浩特人，教授，硕士生导师，Y()=·()+b(1)(E—mail)hqtian@126．com。这样，非线性估计函数转化为高维特征空间中线·10·2014年2月农机化研究第2期性估计函数，利用结构风险最小化原则，寻找ccJ，b最式中一拉格朗日乘子，i=1，2，⋯，f。小化，则由优化条件，、R=1一U+c·R(2)d0L，、：川式中『lll一控制模型的复杂度；

8、(6)c一正则化参数，控制误差样本的惩罚程度；0L—_=：0R。一误差控制函数，也即s不敏感损失函数。aaL，、常用的损失函数有线性损失函数、二次占损失——Ua函数和Huberg损失函数。选取了不同的损失函数，可可得到构造不同形式的支持向量机。最小二乘支持向量机在优化目标失函数为误差的二次项。故优化问题为∞=∑·()