详情

原文传递大米食味品质近红外光谱快速评价方法

专利名称：	大米食味品质近红外光谱快速评价方法
摘要：	本发明的一种大米食味品质近红外光谱快速评价方法是利用近红外光谱进行食品检测的方法，先对采集的样本进行处理后，将近红外漫反射光谱作为原始光谱，对光谱进行预处理，再基于竞争自适应重加权采样算法对近红外光谱特征波长初步优选后、基于量子遗传模拟退火算法的支持向量机参数和近红外光谱特征波长同步优化，得到最佳特征波长；利用最佳特征波长建立回归模型，并对其精度进行评测，快速建立评价模型；对需要测定大米精米进行光谱扫描，并将光谱数据按特征波长输入评价模型后即完成品质评价。本发明应用量子遗传模拟退火算法对支持向量机参数和近红外光谱特征波长进行同步优化，从而有效提高大米食味品质支持向量机回归模型的检测精度和效率。
专利类型：	发明专利
申请人：	黑龙江八一农垦大学
发明人：	刘金明;马铁民;李菲;殷坤;颜迪;李娇莹;李伟
专利状态：	有效
申请日期：	1900-01-20T00:00:00+0805
发布日期：	1900-01-20T14:00:00+0805
申请号：	CN201911382675.6
公开号：	CN111007040A
代理机构：	大庆市远东专利商标事务所
代理人：	周英华
分类号：	G01N21/47;G06N3/12;G06N20/10;G;G01;G06;G01N;G06N;G01N21;G06N3;G06N20;G01N21/47;G06N3/12;G06N20/10
申请人地址：	163319 黑龙江省大庆市高新区新风路5号
主权项：	1.大米食味品质近红外光谱快速评价方法，所述方法是通过下列步骤实现的： (1)样本采集与处理收集不同产地的粳稻样本，每个产地采集样本不少于30个，采集总样本数不少于150个，对收集的样本进行挑选、脱壳、砻谷、碾米后，制成大米精米样本密封装袋备用； (2)近红外光谱采集采用德国Bruker TANGO近红外光谱仪采集大米米粒的近红外漫反射光谱，光谱采集范围3946～11542cm-1，分辨率为8.0cm-1，样本扫描32次，装样方式为50mm样品杯旋转台扫描，装样高度约为30mm，取3～5次扫描平均值作为样本的原始光谱； (3)食味品质评定对采集与制备的大米样本采用国标方法进行食味品质评定，并采用百分制形式进行评分； (4)光谱预处理及样本集划分先采用基于蒙特卡洛交叉验证的残差均值-方差分布图进行异常样本剔除，再采用随机选择的方式从剔除异常样本的数据集中选择120个以上样本作为校正集和验证集，并采用Kernard-Stone法按3:1的比例划分校正集和验证集，剩余样本作为独立测试集；对校正集光谱数据采用Savitzky-Golay卷积平滑、多元散射校正、标准正则变换、导数处理和小波变换及其相结合的方法进行预处理，并基于校正集偏最小二乘回归模型的交叉验证均方根误差最小选定光谱预处理方法； (5)基于竞争自适应重加权采样算法的近红外光谱特征波长初步优选对步骤(4)得到的校正集数据执行竞争自适应重加权采样算法多个轮次，并选定校正集交叉验证均方根误差最小时对应的重复选中波长点作为竞争自适应重加权采样算法得到的特征波长初步优选结果；其特征在于： (6)基于量子遗传模拟退火算法的支持向量机参数和近红外光谱特征波长同步优化采用量子遗传模拟退火算法对支持向量机参数和步骤(5)得到的近红外光谱特征波长进行同步优化，量子遗传模拟退火算法采用多量子比特编码，设竞争自适应重加权采样算法初选的近红外光谱特征波长点数为k，则支持向量机的惩罚参数、核函数参数和不敏感损失函数参数和特征波长编码结构如下：式中，(αmn,βmn)为量子态的概率幅，且\|αmn\|2+\|βmn\|2＝1，m＝1,2,3,4，n＝1,2,…,k；种群初始化时，设(αmn,βmn)为量子遗传模拟退火算法的解码过程中，将多量子比特编码经量子概率塌陷为二进制序列a1a2…akb1b2…bkc1c2…ckd1d2…dk，依此对应着k位惩罚参数、核函数参数、不敏感损失函数参数和特征波长的二进制编码；惩罚参数、核函数参数和不敏感损失函数参数采用二进制实数解码，特征波长编码直接按照二进制位“1”和“0”的值决定对应的波长点是否参与运算；量子遗传模拟退火算法采用支持向量机回归模型的交叉验证均方根误差为目标函数f(x)，适应度函数fit(x)＝exp[-(f(x)-fmin)/t]，其中fmin为当前代种群的最小目标函数值，t为温度参数；量子遗传模拟退火算法的进化过程包括带最优保留策略的赌轮选择、量子交叉、量子变异、量子旋转门扰动解构建和Metropolis选择复制进化；在进行支持向量机参数和近红外光谱特征波长同步优化时，先进行编码和种群初始化，对种群中的染色体进行量子概率塌陷后，进行解码操作得到惩罚参数、核函数参数和不敏感损失函数参数值；将校正集光谱数据按特征波长编码值输入支持向量机回归模型，并按解码得到的支持向量机参数建立回归模型，计算目标函数和适应度函数，按适应度函数值进行遗传进化操作得到下一代种群；在执行降温操作后，继续执行解码、计算适应度函数、遗传进化、生成新种群的迭代过程，直到满足算法终止条件，得到支持向量机的最佳参数组合和最佳特征波长； (7)评价模型建立将校正集光谱数据按优选的最佳特征波长输入支持向量机，以优化的支持向量机最佳参数对支持向量机回归模型进行训练，建立大米食味品质近红外光谱支持向量机回归模型，并采用验证集和独立测试集对回归模型的精度进行评测；当建立的支持向量机回归模型检测精度满足需求时，输出相应模型，完成大米食味品质快速评价模型的建立； (8)大米食味品质的评价对需要测定食味品质的大米精米进行近红外漫反射光谱扫描，并将预处理后的光谱数据按特征波长输入评价模型后即可完成食味品质的快速评价。
所属类别：	发明专利