首页 > 食品科学 > 三维荧光光谱融合小波包分解融合Fisher判别分析及支持向量机识别紫苏

三维荧光光谱融合小波包分解融合Fisher判别分析及支持向量机识别紫苏

Identification of Perilla Based on Three-Dimensional Fluorescence Spectra Using Wavelet Packet Decomposition,Fisher Discriminant Analysis and Support Vector Machine

二维码有效期 120s

摘要为实现紫苏品种的快速鉴别,避免以次充好,选取4个品种的紫苏采集三维荧光数据,提出了一种基于小波包分解融合Fisher判别分析(Fisher discriminant analysis,FDA)的荧光数据特征选择策略,并实施了4种紫苏的有效鉴别.首先,对三维荧光数据进行预处理,采用Delaunay三角形内插值法去除瑞利散射和拉曼散射,以消除它们的不利影响;运用Savitzky-Golar卷积平滑对数据进行平滑处理,以减少噪声的干扰.同时,对三维荧光数据进行初步筛选,去除了荧光强度小于0.01的发射波长.然后,对各激发波长对应的发射光谱进行3层sym4小波包分解,计算得到最低频段的小波包能量值,作为各激发波长光谱数据表征量.接着,再利用FDA对小波包能量进行判别分析,将其所包含的差异性信息进行融合,得到FDA生成的新变量,并选取累计判别能力达到99％的前3个FD变量作为不同品种差异性信息的表征变量,提出三维荧光数据的表征策略.最后,利用BP神经网络(backpropagation neural network,BPNN)和支持向量机(support vector machine,SVM)两种模式识别算法对表征变量进行分析,得到FDA+BPNN和FDA+SVM两种鉴别结果.FDA+BPNN的训练集正确率为97.5％,测试集正确率为95％;FDA+SVM的训练集和测试集的正确率均达到98.33％.结果表明,三维荧光光谱技术结合小波包分解、FDA和SVM算法基本上能够实现紫苏品种的鉴别.这为后续有关紫苏的进一步检测研究(如某些有效成分的定量检测)提供了研究基础.